56 / 2024-08-13 22:47:24

基于信道状态智能预测的星地自适应调制编码软件直播观看研究

低轨卫星通信；自适应调制编码；信道预测

1. 研究背景

自适应调制编码软件直播观看作为一种链路自适应软件直播观看，对于保证通信传输性能来说至关重要。通常来说，接收端根据参考信号进行信道估计，并将所得信道质量指示信息反馈至基站，基站据此自适应调整调制编码方式以适应当前信道状态。然而相较地面通信场景，低轨卫星通信中通信往返时延较长，且无线信道相干时间小于信号传播时延，因此发送端获得的反馈信息存在过期问题，影响通信的误码率和频谱效率，故有必要进行信道状态预测。

1. 基于回声状态网络的信道预测

通常情况下，信道状态预测问题被具化为时间序列预测问题，而回声状态网络(echo state network， ESN)作为一种递归神经网络，具有轻量化、训练简单、处理动态数据能力强等优势，适合搭载至实际的通信系统，本文基于此提出了一种基于ESN的信道预测方案。ESN是一种递归神经网络，由输入层、储备池和输出层三部分构成，各层之间通过神经元相连，每个连接拥有一个权重，所有连接构成对应的权值矩阵，示意图如图1所示。



图1 ESN结构示意图

储备池的参数设置对其性能以及整个ESN的预测能力有显著影响，由于传统ESN储备池通常是随机生成的，预测性能具有随机性，针对此本文采用遗传算法对储备池参数的选择进行优化。选择对储备池规模、泄露率以及储备池稀疏程度进行优化以最大化ESN的预测性能，首先采用实数编码方式，用规定范围内的实数表示不同个体的储备池参数，对于不同个体评估其预测性能，并保留优秀个体，随后对选择的个体进行交叉操作得到后代，最终得到最优个体，对应最佳预测性能。

由于实际通信中发送端根据信道质量指示信息调整调制编码方式，而指示信息由SINR决定，在收发端均采用单天线，仅考虑单用户面对单任务环境时，忽略天线等硬件带来的干扰，可以近似认为当前链路的SINR与SNR等效，所以可以将信道预测问题转化为SNR序列预测问题。本文实验所用信道状态数据集为卫星公司在实际场景中由地面终端实测所得，在针对具体通信场景进行数据集调整后，将数据集用于网络训练。

1. 研究结果与结论

将本文所提方案与基于自回归的传统时间序列预测方案对比，得到对比结果如图2所示，可以看到本文方案大大提升了预测准确性。这是因为自回归模型是一种线性时间序列预测方法，其根据过去时间的数据预测未来时间的数据，并且自回归模型的参数都是固定的，无法捕获低轨卫星通信场景中的非线性SNR关系。



图2 本文所提方案与自回归预测方案结果对比

将信道状态预测结果加载进链路级仿真平台，如图3所示，可以看到在通信过程中误码性能得到有效提升。



图3采用信道预测与不采用信道预测的链路误码率对比