针对低轨道卫星信道质量变化迅速、信道参数“过时”的问题,提出了一种基于注意力机制的卷积神经和双向长短时记忆神经网络(attention-convolutional neural network and bi-directional long-short term memory neural network,AT-CNN-...针对低轨道卫星信道质量变化迅速、信道参数“过时”的问题,提出了一种基于注意力机制的卷积神经和双向长短时记忆神经网络(attention-convolutional neural network and bi-directional long-short term memory neural network,AT-CNN-BiLSTM)融合的信道预测方法。该方法由信号预处理、网络训练和信号预测3部分组成。首先在高斯白噪声条件下模拟室外卫星信号,得到卫星信号的训练集和测试集;然后将训练集输入构建的训练网络进行特征提取;最后将测试数据输入网络进行预测分析。仿真结果表明,在与其他4种人工智能方法的对比中,所提出的混合神经网络能够在较快的收敛速度下达到较高的准确率(91.8%),有效地缓解了低轨道卫星信道参数“过时”的现状,对提升卫星通信质量和节省卫星信道资源有良好的改善作用。展开更多
文摘针对低轨道卫星信道质量变化迅速、信道参数“过时”的问题,提出了一种基于注意力机制的卷积神经和双向长短时记忆神经网络(attention-convolutional neural network and bi-directional long-short term memory neural network,AT-CNN-BiLSTM)融合的信道预测方法。该方法由信号预处理、网络训练和信号预测3部分组成。首先在高斯白噪声条件下模拟室外卫星信号,得到卫星信号的训练集和测试集;然后将训练集输入构建的训练网络进行特征提取;最后将测试数据输入网络进行预测分析。仿真结果表明,在与其他4种人工智能方法的对比中,所提出的混合神经网络能够在较快的收敛速度下达到较高的准确率(91.8%),有效地缓解了低轨道卫星信道参数“过时”的现状,对提升卫星通信质量和节省卫星信道资源有良好的改善作用。
