基于信道预测和强化学习的卫星自适应传输技术研究
发布时间：2021-08-05 06:46
随着卫星通信技术的不断发展,对于传输速率和频谱利用率的要求也变得越来越高,但是信道环境复杂、变化快、天气条件影响大等卫星信道的特点极大地限制了卫星通信系统的传输性能。在这种情况下,能够提高系统吞吐量且保证通信质量的自适应传输技术应运而生,该技术能够通过对信道状态信息（Channel State Information,CSI）的实时反馈,动态改变发射端的传输参数,为吞吐速率和传输质量寻找合适的平衡点,提高频谱利用率。自适应调制编码技术（Adaptive Modulation and Coding,AMC）是众多自适应传输技术的一种,主要通过对调制方式和编码速率的自适应改变以适应当前时刻的信道环境。传统的AMC技术主要通过统一测定的信噪比切换阈值选择相应的调制编码组合,符合一个固定的数学模型。但是由于卫星信道下较长的反馈延时,以及信噪比估计也并非理想估计存在估计误差,所以传统的AMC方法往往不能够将自适应传输的性能发挥出来,甚至个别时候会造成通信中断,难以保证卫星通信服务质量。针对上述问题,本文基于第二代数字视频广播标准（DVB-S2）搭建了动态通信链路仿真平台,应用信道预测技术,提出一...
【文章来源】：电子科技大学四川省 211工程院校 985工程院校 教育部直属院校
【文章页数】：84 页
【学位级别】：硕士
【文章目录】：
摘要
abstract
缩略词表
第一章 绪论
1.1 研究背景及意义
1.2 国内外研究现状
1.2.1 信道预测技术
1.2.2 自适应调制编码技术
1.2.3 强化学习
1.3 本文主要研究内容
1.4 组织结构安排
第二章 强化学习
2.1 基本原理和组成要素
2.2 马尔科夫决策过程
2.3 主要算法
2.3.1 蒙特卡洛法
2.3.2 时序差分法
2.3.3 Q-learning算法
2.3.4 Dyna-Q算法
2.4 本章小结
第三章 信道特性及仿真平台搭建
3.1 卫星信道特性
3.1.1 Ka频段卫星通信传输影响因素
3.1.2 多径和阴影衰落
3.2 卫星动态信道模型
3.2.1 C.LOO信道模型
3.2.2 雨衰时间序列模型
3.3 基于DVB-S2 标准的自适应通信链路仿真平台
3.3.1 总体框架
3.3.2 发送端模块
3.3.3 接收端模块
3.4 仿真平台结果测试
3.5 本章小结
第四章 基于信噪比预测的自适应调制编码技术
4.1 卫星通信中的自适应调制编码
4.2 信噪比估计
4.2.1 ML信噪比估计算法
4.2.2 M2M4 信噪比估计算法
4.2.3 信噪比估计算法性能仿真分析
4.3 信噪比预测
4.3.1 基于ARIMA的信噪比预测
4.3.2 基于LSTM的信噪比预测
4.3.3 基于Online-LSTM的信噪比预测
4.3.4 信噪比时间序列预测算法仿真及性能分析
4.4 MCS选择算法
4.4.1 基于固定阈值的MSC选择
4.4.2 过时信噪比对MSC选择的性能影响
4.4.3 基于预测信噪比的MSC选择性能仿真
4.5 本章小结
第五章 基于强化学习的自适应调制策略
5.1 基于强化学习的自适应调制编码系统模型
5.2 基于Q-LEARNING的自适应算法
5.2.1 算法描述
5.2.2 探索与利用
5.3 基于DYNA-Q的自适应算法
5.4 仿真结果分析
5.4.1 SNR估计误差对传统AMC算法的性能影响
5.4.2 基于强化学习的AMC与基于固定阈值的AMC算法性能对比
5.4.3 Dyna-Q和 Q-learning算法性能对比分析
5.5 本章小节
第六章 总结与展望
6.1 本文工作总结
6.2 未来工作展望
致谢
参考文献
【参考文献】：
期刊论文
[1]基于BP神经网络的短波通信信道预测方法[J]. 张想,李明齐,王潮. 工业控制计算机. 2017(10)
[2]基于深度强化学习的自动驾驶策略学习方法[J]. 夏伟,李慧云. 集成技术. 2017(03)
[3]自适应系统中基于场景的信噪比预测算法[J]. 陈甄,张毅,肖琨. 通信技术. 2014(03)
[4]基于最小二乘支持向量机的衰落信道预测算法[J]. 相征,张太镒,孙建成. 电子与信息学报. 2006(04)
[5]Ka频段卫星通信信道建模及系统性能仿真[J]. 王爱华,罗伟雄. 通信学报. 2001(09)
博士论文
[1]基于神经网络的无线通信算法研究[D]. 李素芳.山东大学 2015
硕士论文
[1]基于强化学习的自适应调制编码技术的研究[D]. 李程坤.杭州电子科技大学 2018
[2]Ka频段宽带卫星通信信道雨衰特性的研究[D]. 张清斌.吉林大学 2014
本文编号：3323280
【文章来源】：电子科技大学四川省 211工程院校 985工程院校 教育部直属院校
【文章页数】：84 页
【学位级别】：硕士
【文章目录】：
摘要
abstract
缩略词表
第一章 绪论
1.1 研究背景及意义
1.2 国内外研究现状
1.2.1 信道预测技术
1.2.2 自适应调制编码技术
1.2.3 强化学习
1.3 本文主要研究内容
1.4 组织结构安排
第二章 强化学习
2.1 基本原理和组成要素
2.2 马尔科夫决策过程
2.3 主要算法
2.3.1 蒙特卡洛法
2.3.2 时序差分法
2.3.3 Q-learning算法
2.3.4 Dyna-Q算法
2.4 本章小结
第三章 信道特性及仿真平台搭建
3.1 卫星信道特性
3.1.1 Ka频段卫星通信传输影响因素
3.1.2 多径和阴影衰落
3.2 卫星动态信道模型
3.2.1 C.LOO信道模型
3.2.2 雨衰时间序列模型
3.3 基于DVB-S2 标准的自适应通信链路仿真平台
3.3.1 总体框架
3.3.2 发送端模块
3.3.3 接收端模块
3.4 仿真平台结果测试
3.5 本章小结
第四章 基于信噪比预测的自适应调制编码技术
4.1 卫星通信中的自适应调制编码
4.2 信噪比估计
4.2.1 ML信噪比估计算法
4.2.2 M2M4 信噪比估计算法
4.2.3 信噪比估计算法性能仿真分析
4.3 信噪比预测
4.3.1 基于ARIMA的信噪比预测
4.3.2 基于LSTM的信噪比预测
4.3.3 基于Online-LSTM的信噪比预测
4.3.4 信噪比时间序列预测算法仿真及性能分析
4.4 MCS选择算法
4.4.1 基于固定阈值的MSC选择
4.4.2 过时信噪比对MSC选择的性能影响
4.4.3 基于预测信噪比的MSC选择性能仿真
4.5 本章小结
第五章 基于强化学习的自适应调制策略
5.1 基于强化学习的自适应调制编码系统模型
5.2 基于Q-LEARNING的自适应算法
5.2.1 算法描述
5.2.2 探索与利用
5.3 基于DYNA-Q的自适应算法
5.4 仿真结果分析
5.4.1 SNR估计误差对传统AMC算法的性能影响
5.4.2 基于强化学习的AMC与基于固定阈值的AMC算法性能对比
5.4.3 Dyna-Q和 Q-learning算法性能对比分析
5.5 本章小节
第六章 总结与展望
6.1 本文工作总结
6.2 未来工作展望
致谢
参考文献
【参考文献】：
期刊论文
[1]基于BP神经网络的短波通信信道预测方法[J]. 张想,李明齐,王潮. 工业控制计算机. 2017(10)
[2]基于深度强化学习的自动驾驶策略学习方法[J]. 夏伟,李慧云. 集成技术. 2017(03)
[3]自适应系统中基于场景的信噪比预测算法[J]. 陈甄,张毅,肖琨. 通信技术. 2014(03)
[4]基于最小二乘支持向量机的衰落信道预测算法[J]. 相征,张太镒,孙建成. 电子与信息学报. 2006(04)
[5]Ka频段卫星通信信道建模及系统性能仿真[J]. 王爱华,罗伟雄. 通信学报. 2001(09)
博士论文
[1]基于神经网络的无线通信算法研究[D]. 李素芳.山东大学 2015
硕士论文
[1]基于强化学习的自适应调制编码技术的研究[D]. 李程坤.杭州电子科技大学 2018
[2]Ka频段宽带卫星通信信道雨衰特性的研究[D]. 张清斌.吉林大学 2014
本文编号：3323280
本文链接：https://www.wllwen.com/kejilunwen/xinxigongchenglunwen/3323280.html
