【技术实现步骤摘要】
本专利技术涉及卫星捕获，尤其是涉及一种基于感知辅助及rcnn赋能的低轨卫星捕获方法。
技术介绍
1、随着通信技术的快速发展，尤其是面向未来6ghz以及更高频率(如太赫兹)频段的应用，卫星通信系统在“空天地海一体化”网络中扮演着越来越重要的角色。感知辅助ai赋能卫星通信是这一领域中的关键技术之一，它通过智能算法来提高通信系统的性能，尤其是在信号捕获、跟踪、解扩解调等方面。低轨卫星由于其轨道高度较低，具有较短的传输延迟和较高的数据传输速率等优点，但同时也面临着复杂的动态环境带来的挑战。
2、传统的卫星通信系统通常依赖于基于时域或频域并行处理的方法来实现信号捕获。这些方法往往需要牺牲计算资源或者时间复杂度以换取更高的精度，例如采用rake接收机来对抗多径干扰。然而，在一些成本敏感的应用场景下，比如低成本移动接收设备，这样的高复杂度处理方法并不实用。此外，低轨卫星由于其高速运动特性，会产生显著的doppler效应，这使得信号捕获变得更加困难，并且要求捕获算法必须能够快速而准确地估计和补偿这种效应。
3、当前的卫星通信系统还面临其他问题，包括但不限于：
4、①多径干扰：在城市环境中，建筑物和其他障碍物会导致严重的多径传播现象，这会降低信号质量，影响捕获性能。
5、②资源开销：传统方法为了达到较好的捕获性能，通常需要大量的计算资源，这对于能源受限的移动平台来说是不可接受的。
6、③适应性差：传统捕获方法难以适应不断变化的信道条件，特别是在低轨卫星通信中，信道特性可能会迅速改变。p>
7、为了解决上述问题，近年来研究者们开始探索将人工智能(ai)技术应用于卫星通信领域。ai技术可以通过学习历史数据和模式识别来优化信号处理过程，从而减少对计算资源的需求，同时保持甚至提升捕获性能。特别是卷积神经网络(cnn)和循环神经网络(rnn)这类深度学习模型，在处理非线性和复杂模式方面表现出了巨大的潜力。
技术实现思路
1、为了克服
技术介绍
中的不足，本专利技术公开了一种基于感知辅助及rcnn赋能的低轨卫星捕获方法，本方法与现有的基于时-频并行的rake接收机捕获方法相比，不用采用多路并行来分集合并多径干扰的影响，降低计算和时间复杂度的同时，利用ai提高捕获精度，尤其采用感知辅助通信降低时间资源开销，既有效地提高rcnn赋能低轨卫星捕获性能，也降低了多径干扰对捕获的影响。
2、为实现上述专利技术目的，本专利技术采用如下技术方案：
3、一种基于感知辅助及rcnn赋能的低轨卫星捕获方法，具体为：
4、s1.感知辅助模块根据获取的公共波形信息，得到接收机的移动模式，并结合低轨卫星星座信息生成doppler频偏的先验信息；
5、s2.根据卫星下行信号的特征，设计rcnn捕获模块，且rcnn捕获模块包括基于数据驱动的第一卷积单元，基于模型驱动的第二卷积单元，以及多组rnn单元；
6、s3.根据感知辅助通信模块生成的先验信息，以及补偿卫星信号的载波doppler干扰，由rcnn捕获模块计算出捕获信息。
7、优选的，所述公共波形信息包括毫米波通信的稀疏性、几何特性以及信令信息。
8、优选的，所述下行信号特征包括训练序列长度、扩频码长度以及消息信号周期长度。
9、优选的，所述步骤s1中，感知辅助模块生成先验信息的具体步骤为：
10、s101.接收机被动接收地面基站发出的公共波形信号y＝[y0,y1,…,yl-1]t，并通过如下计算模型获得接收机的移动模式信息i，即：
11、
12、vect(ydd)＝[ydd(0,0),ydd(1,0),…,ydd(n-1,0),ydd(0,1),…,ydd(n-1,m-1)]t；
13、
14、其中，所述l表示接收的公共波形信号样点数；n表示离散傅里叶变化点数；m由m×n＝l得到；vect-1为对向量数组去向量化得到矩阵的操作；所述fn表示为n维的dft矩阵，表示n维共轭dft矩阵，表示为m维转至dft矩阵；所述ydd表示为延迟多普勒域矩阵；所述表示对矩阵数组去矩阵化得到向量的操作；所述fs表示采样率，所述i则是接收机的移动模式信息，包括速度和距离；
15、s102.根据所述移动模式信息，结合低轨卫星的星座信息，计算doppler频偏的先验信息，计算公式如下：
16、
17、其中，v表示为星座信息中的卫星速度；fc表示为射频频率；c表示为光速，单位m/s；所述tspace表示为空间采样间隔；所述δs为卫星和接收机之间的距离变化，所述n/fs用于构建接收机位置。
18、优选的，所述第一卷积单元，根据卫星发出的下行信号特征中的扩频码或训练序列的长度lseq，和消息信号周期lmsg进行数据驱动，得到第一卷积单元的感受野参数，即：
19、
20、其中，kconv1表示为第一卷积单元的第一层卷积器的感受野大小；pavg为第一层和第二层卷积器之间的平均池化层参数，2是由于输入卷积模块的信号为实虚部拼接得到；所述kconv2为卷积模块的第二层卷积器的感受野大小。
21、优选的，所述第二卷积单元，根据卫星下行信号特征中的扩频码或训练序列和消息信号计算得到驱动模型，且具体的计算公式为：
22、
23、所述γl,l＝0,1,…,|lseq-lmsg|-1为第二卷积单元的输入，
24、根据驱动模型得到的|lseq-lmsg|、扩频码或训练序列的长度lseq和消息信号周期lmsg，得到第二卷积单元的感受野参数，即：
25、
26、所述kconv3表示为第二卷积单元的第一层卷积器的感受野大小；kconv4表示为第二卷积单元的第二层卷积器的感受野大小。
27、优选的，所述rnn单元根据第一卷积单元的输出lmod×1维中和第二卷积单元的输出ldata×1维中设计融合输入层的输入量，即：
28、
29、根据融合输入层的输入rin,t，并结合卫星信号质量以及卫星信号特征，设计rnn单元的状态张量数tmax，也即是：
30、
31、所述c/n0表示为接收载噪比，由现场实施设备测试得到；lg(·)函数表示以10为底的对数函数；
32、根据所述状态张量数tmax，设计rnn单元的中间层，表示为：
33、γt＝winrt+whideht-1+b；
34、
35、其中，所述γt为t第个时间戳下的rnn单元隐藏层的输出；所述win表示为输入权重矩阵；whide表示为内部状态输入权重矩阵；ht-1为第t时间戳得到的内部状态向量；b为隐藏层的偏置权重向量；表示为内部状态激活函数；ηt表示为第t时间戳的rnn输出；表示为sigmoid函数；wout是输出权重矩阵；
36、利用tmax个rnn单元的输出，设计本文档来自技高网...
【技术保护点】
1.一种基于感知辅助及RCNN赋能的低轨卫星捕获方法，其特征是：具体为：
2.如权利要求1所述的基于感知辅助及RCNN赋能的低轨卫星捕获方法，其特征是：所述公共波形信息包括毫米波通信的稀疏性、几何特性以及信令信息。
3.如权利要求1所述的基于感知辅助及RCNN赋能的低轨卫星捕获方法，其特征是：所述下行信号特征包括训练序列长度、扩频码长度以及消息信号周期长度。
4.如权利要求1所述的基于感知辅助及RCNN赋能的低轨卫星捕获方法，其特征是：所述步骤S1中，感知辅助模块生成先验信息的具体步骤为：
5.如权利要求1所述的基于感知辅助及RCNN赋能的低轨卫星捕获方法，其特征是：所述第一卷积单元，根据卫星发出的下行信号特征中的扩频码或训练序列的长度Lseq，和消息信号周期Lmsg进行数据驱动，得到第一卷积单元的感受野参数，即：
6.如权利要求5所述的基于感知辅助及RCNN赋能的低轨卫星捕获方法，其特征是：所述第二卷积单元，根据卫星下行信号特征中的扩频码或训练序列和消息信号计算得到驱动模型，且具体的计算公式为：
7.如权利
8.如权利要求7所述的基于感知辅助及RCNN赋能的低轨卫星捕获方法，其特征是：所述内部状态激活函数采用双正切函数或线性修正单元函数。
9.如权利要求7所述的基于感知辅助及RCNN赋能的低轨卫星捕获方法，其特征是：所述Sigmoid函数表示为：fσ2(x)＝1/1+e-x。
10.如权利要求1所述的基于感知辅助及RCNN赋能的低轨卫星捕获方法，其特征是：所述捕获信息的计算方法为：
...【技术特征摘要】
1.一种基于感知辅助及rcnn赋能的低轨卫星捕获方法，其特征是：具体为：
2.如权利要求1所述的基于感知辅助及rcnn赋能的低轨卫星捕获方法，其特征是：所述公共波形信息包括毫米波通信的稀疏性、几何特性以及信令信息。
3.如权利要求1所述的基于感知辅助及rcnn赋能的低轨卫星捕获方法，其特征是：所述下行信号特征包括训练序列长度、扩频码长度以及消息信号周期长度。
4.如权利要求1所述的基于感知辅助及rcnn赋能的低轨卫星捕获方法，其特征是：所述步骤s1中，感知辅助模块生成先验信息的具体步骤为：
5.如权利要求1所述的基于感知辅助及rcnn赋能的低轨卫星捕获方法，其特征是：所述第一卷积单元，根据卫星发出的下行信号特征中的扩频码或训练序列的长度lseq，和消息信号周期lmsg进行数据驱动，得到第一卷积单元的感受野参数，即：
6.如权利要求...
【专利技术属性】
技术研发人员：唐书海，胡新士，汤辉，
申请(专利权)人：成都中科比智科技有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。