基于神经网络的低轨卫星多波束系统峰均比自适应限幅法

doi:10.7523/j.ucas.2022.012

中国科学院大学学报 ›› 2023, Vol. 40 ›› Issue (5): 670-676.DOI: 10.7523/j.ucas.2022.012

• 电子信息与计算机科学 • 上一篇下一篇

基于神经网络的低轨卫星多波束系统峰均比自适应限幅法

刘子健^1,2,3, 姜泉江¹, 刘会杰^1,3

1. 中国科学院微小卫星创新研究院, 上海 201203;
2. 中国科学院大学, 北京 100049;
3. 上海科技大学, 上海 201210

收稿日期:2021-11-02 修回日期:2022-02-20 发布日期:2022-03-16
通讯作者: 刘会杰,E-mail:hjliu72@hit.edu.cn
基金资助:
国家自然科学基金重大研究计划重点支持项目(91738201)和上海市科技创新行动计划(20511106602)资助

An adaptive limiting method in LEO satellite multi-beam system based on neural network

LIU Zijian^1,2,3, JIANG Quanjiang¹, LIU Huijie^1,3

1. Innovation Academy for Microsatellites, Chinese Academy of Sciences, Shanghai 200120, China;
2. University of Chinese Academy of Sciences, Beijing 100049, China;
3. ShanghaiTech University, Shanghai 201210, China

Received:2021-11-02 Revised:2022-02-20 Published:2022-03-16

摘要/Abstract

摘要： 针对低轨卫星多波束系统在多方向通信时出现峰均比过高的问题,提出一种基于深度神经网络的峰均比抑制方法。该方法主要根据多波束通信系统在不同场景下的目标方向位置、接收端信噪比、误码率误差范围等输入层参数,自适应地选择限幅法的最优门限值,从而对每个阵元上合成的信号进行限幅操作,在保证低轨卫星多波束系统误码率的前提下降低了该系统的峰均比。最后通过仿真验证,该方法比传统固定门限的限幅法在误码率误差范围内对峰均比有明显改善。

关键词: 低轨卫星多波束, 峰均比, 神经网络, 限幅法

Abstract: Aiming at the problem that the peak-to-average ratio is too high when the LEO satellite multi-beam system communicates with multiple target directional angles, a method for suppressing the peak-to-average ratio based on a deep neural network is proposed. This method can adaptively select the optimal threshold of the limiting method based on the input layer parameters such as the target direction angle position of the multi-beam communication system, the SNR of the receiving end, and the error range of the BER. The signal synthesized on the element is subjected to amplitude limiting operation, which reduces the peak-to-average ratio of the LEO satellite multi-beam system while ensuring the BER of the system. Finally, it is verified by simulation that this method can significantly improve the peak-to-average ratio within the error range of the BER compared with the traditional fixed-threshold limiting method.

Key words: LEO satellite multi-beam system, PAPR, neural network, limiting method

中图分类号:

TN927

刘子健, 姜泉江, 刘会杰. 基于神经网络的低轨卫星多波束系统峰均比自适应限幅法[J]. 中国科学院大学学报, 2023, 40(5): 670-676.

LIU Zijian, JIANG Quanjiang, LIU Huijie. An adaptive limiting method in LEO satellite multi-beam system based on neural network[J]. Journal of University of Chinese Academy of Sciences, 2023, 40(5): 670-676.

参考文献

[1] 陈修继, 万继响. 通信卫星多波束天线的发展现状及建议[J]. 空间电子技术, 2016, 13(2):54-60. DOI:10.3969/j.issn.1674-7135.2016.02.011.
[2] Guo C, Hong W, Tian L, et al. Design and implementation of a full-digital beamforming array with nonreciprocal tx/rx beam patterns[J]. IEEE Antennas and Wireless Propagation Letters, 2020, 19(11):1978-1982. DOI:10.1109/LAWP.2020.2977061.
[3] Schmidt C A, Crussière M, Hélard J F. Digital beamforming with PAPR reduction:an approach for energy efficient massive MIMO[C]//2020 IEEE 91st Vehicular Technology Conference. May 25-28, 2020, Antwerp, Belgium. IEEE, 2020:1-6. DOI:10.1109/VTC2020-Spring48590.2020.9128621.
[4] 刘婉莹, 夏师懿, 姜泉江, 等. 低轨卫星网络基于跳波束的资源调度算法[J]. 中国科学院大学学报, 2020, 37(6):805-813. DOI:10.7523/j.issn.2095-6134.2020.06.012.
[5] Hu X, Liu S J, Wang Y P, et al. Deep reinforcement learning-based beam Hopping algorithm in multibeam satellite systems[J]. IET Communications, 2019, 13(16):2485-2491. DOI:10.1049/iet-com.2018.5774.
[6] 屈传慧. 多信号合成的峰均比与恒功率合成技术研究[D]. 西安:西安电子科技大学, 2018. DOI:CNKI:CDMD:2.1019.017884.
[7] Zhi X H, Huan H, Yu X. Peak-to-average power ratio analysis and reduction in transform domain communication system[C]//2016 IEEE 13th International Conference on Signal Processing. November 6-10, 2016, Chengdu, China. IEEE, 2016:1191-1195. DOI:10.1109/ICSP.2016.7878016.
[8] 李启虎. 《优化阵列信号处理》(上、下册)[J]. 声学学报, 2018, 43(4):728. DOI:10.15949/j.cnki.0371-0025.2018.04.033.
[9] 赵红梅. 星载数字多波束相控阵天线若干关键技术研究[D]. 南京:南京理工大学, 2009. DOI:10.7666/d.y1542753.
[10] Bulusu S S K C, Crussière M, Hélard J F, et al. Quasi-optimal tone reservation PAPR reduction algorithm for next generation broadcasting systems:a performance/complexity/latency tradeoff with testbed implementation[J]. IEEE Transactions on Broadcasting, 2018, 64(4):883-899. DOI:10.1109/TBC.2018.2811623.
[11] 刘璐, 赵国庆. 数字波束成形中峰均比抑制方法的研究[J]. 通信学报, 2018, 39(2):114-121. DOI:10.11959/j.issn.1000-436x.2018030.
[12] 刘璐, 赵国庆. 一种峰均比抑制方法的研究[J]. 电子学报, 2018, 46(10):2443-2449. DOI:10.3969/j.issn.0372-2112.2018.10.018.
[13] He X J, Yang F J, Xi R. Peak-to-average power ratio reduction in OFDM signals via self-adaptive EVM method[C]//2016 IEEE Advanced Information Management, Communicates, Electronic and Automation Control Conference. October 3-5, 2016, Xi'an, China. IEEE, 2016:676-679. DOI:10.1109/IMCEC.2016.7867295.
[14] Sandoval F, Poitau G, Gagnon F. Hybrid peak-to-average power ratio reduction techniques:review and performance comparison[J]. IEEE Access, 2017, 5:27145-27161. DOI:10.1109/ACCESS.2017.2775859.
[15] 郭子钰. 毫米波通信系统中的信道估计及峰均比压缩方法研究[D]. 南京:东南大学, 2016. DOI:10.7666/d.Y3186158.
[16] Han D S, Yang W, Liu W. Improved clipping and filtering algorithm applied to reduce PAPR[J]. Journal of Beijing University of Posts and Telecommunications, 2014. DOI:10.13190/j.jbupt.2014.04.010.
[17] 高欢. 基于OFDM系统抑制峰均功率比算法的研究[D]. 北京:中国石油大学(北京), 2018. DOI:CNKI:CDMD:2.1012.017174.
[18] 林津辉. 基于机器学习的OFDM系统峰均比降低技术研究[D]. 西安:西安电子科技大学, 2020. DOI:10.27389/d.cnki.gxadu.2020.001001.
[19] Cheng Y, Wang D, Zhou P, et al. Model compression and acceleration for deep neural networks:the principles, progress, and challenges[J]. IEEE Signal Processing Magazine, 2018, 35(1):126-136. DOI:10.1109/MSP.2017.2765695.
[20] Ying X. An overview of overfitting and its solutions[J]. Journal of Physics:Conference Series, 2019, 1168:022022. DOI:10.1088/1742-6596/1168/2/022022.
[21] Boger Z, Guterman H. Knowledge extraction from artificial neural network models[C]//1997 IEEE International Conference on Systems, Man, and Cybernetics. Computational Cybernetics and Simulation. October 12-15, 1997, Orlando, FL, USA. IEEE, 1997:3030-3035. DOI:10.1109/ICSMC.1997.633051.

基于神经网络的低轨卫星多波束系统峰均比自适应限幅法

An adaptive limiting method in LEO satellite multi-beam system based on neural network

PDF (PC)

可视化

摘要/Abstract

引用本文

使用本文

参考文献

相关文章 15

编辑推荐

Metrics

本文评价

访问统计

联系我们

[1]	张萌, 潘志刚. 基于分层模糊聚类和小波卷积神经网络的SAR图像变化检测算法[J]. 中国科学院大学学报, 2023, 40(5): 637-646.
[2]	连会强, 刘兵, 李朋远, 于华. 销量约束下基于切片递归神经网络模型的成品油价格推荐算法[J]. 中国科学院大学学报, 2023, 40(4): 566-576.
[3]	姚沐风, 昝露洋, 李柏鹏, 李庆亭, 陈正超. 基于CAR-Siamese网络的高分辨率遥感图像建筑物变化检测[J]. 中国科学院大学学报, 2023, 40(3): 380-387.
[4]	庄子俊, 袁晓兵, 裴俊, 王国辉, 刘建坡. 基于无监督表达学习的森林地貌特征建模及林火易发性评估[J]. 中国科学院大学学报, 2023, 40(2): 227-239.
[5]	霍鑫怡, 李焱磊, 陈龙永, 张福博, 孙巍. 基于卷积注意力和胶囊网络的 SAR少样本目标识别方法[J]. 中国科学院大学学报, 2022, 39(6): 783-792.
[6]	程术, 石耀霖, 张怀. 基于神经网络预测太阳黑子变化[J]. 中国科学院大学学报, 2022, 39(5): 615-626.
[7]	王树立, 唐海蓉, 计璐艳. 勺型网络：用于Landsat遥感图像云检测的新型网络[J]. 中国科学院大学学报, 2022, 39(5): 712-720.
[8]	曹哲, 冯珊珊, 孙显, 洪文. 基于图像分割和EM算法的PolSAR地物分类方法[J]. 中国科学院大学学报, 2022, 39(5): 639-647.
[9]	孙文军, 马广彬, 田妙苗, 林友明, 黄鹏. 基于LSTM和启发式方法的遥感卫星地面站天线智能调度[J]. 中国科学院大学学报, 2022, 39(4): 532-542.
[10]	古煜民, 阎福礼. 基于不同骨架UNet++网络的建筑物提取[J]. 中国科学院大学学报, 2022, 39(4): 512-523.
[11]	马莹莹, 吴幼龙, 唐华. 基于特征编码和图嵌入的姓名消歧方法[J]. 中国科学院大学学报, 2022, 39(3): 360-368.
[12]	邓紫薇, 邵芸, 王国军, 黄富祥, 杨佳琦. 自由式滑雪空中技巧赛道风速风向超短期预测与分析[J]. 中国科学院大学学报, 2022, 39(3): 332-342.
[13]	曹轲, 谭冲, 刘洪, 郑敏. 基于改进灰狼算法优化BP神经网络的无线传感器网络数据融合算法[J]. 中国科学院大学学报, 2022, 39(2): 232-239.
[14]	石耀霖, 李林芳, 程术. 运用LSTM神经网络对川滇地区的地震中期预报——回溯性预测2008年汶川M_S8.0地震的探索[J]. 中国科学院大学学报, 2022, 39(1): 1-12.
[15]	王慧玲, 谢卓辰, 梁旭文. 单粒子翻转对神经网络的影响分析与优化[J]. 中国科学院大学学报, 2021, 38(6): 832-840.