基于深度学习的HARQ辅助空天地融合网络时延受限容量预测

空天地融合网络(Satellite-Aerial-Terrestrial Integrated Network,SATIN)可以满足未来网络对全时全域全空通信和网络互联互通的需求。为了降低用户端传输时延并满足高频谱利用效率的要求,研究了基于深度学习的混合自动重复请求(Hybrid Automatic Repeat reQuest,HARQ)辅助的SATIN的时延受限容量(Delay-Limited Throughput,DLT)。为了提升性能预测效率和实时性,提出了基于卷积神经网络(Convolutional Neural Network,CNN)的性能预测方法,采用了一种去除池化层的改进CNN模型。预测结果表明,所提出的CNN预测结果较优,较Elman、BP等传统机器学习方法有更好的预测性能,其误差在10~(-3)浮动,且预测时间较其他方法大幅度减少。