1.一种基于神经网络的低轨卫星物联网活跃终端预测方法,其特征在于:包括活跃终端识别、组合神经网络模型构建、活跃终端预测三个部分,具体步骤如下:(1)活跃终端识别:从卫星频段接收到的混合信号中,提取最大功率信号对应的活跃终端的身份信息,对该活跃终端进行信道估计获取该活跃终端的信道系数,将该活跃终端的信号从混合信号中剔除;迭代该过程直到残留的混合信号低于所设定的残留信号阈值,停止迭代;
(2)神经网络预测模型构建及训练:包括数据预处理、构建神经网络预测模型和模型训练三个部分:
(2.1)数据预处理:将活跃终端的状态标记为1,非活跃终端的状态标记为0,生成终端序号与终端活跃状态的二维数据,按照设定长度对该二维数据进行划分,构成神经网络预测模型的训练集;
(2.2)构建神经网络预测模型:神经网络预测模型包括前半部分和后半部分;前半部分为卷积神经网络,由两层卷积网络和对应的池化层组成;后半部分为双向长短期记忆神经网络,由两个反向的长短期记忆层和一个全连接输出层组成;
(2.3)模型训练:设置优化目标和耐心值,将训练集输入到神经网络预测模型中进行模型训练;
(3)活跃终端预测:利用训练好的神经网络预测模型和终端状态的历史数据,对未来的活跃终端进行预测,统计活跃终端总数。
2.根据权利要求1所述的基于神经网络的低轨卫星物联网活跃终端预测方法,其特征在于:所述步骤(1)中,活跃终端识别具体包括如下步骤:(1.1)初始化t时刻第n个终端的状态为Ωn,t=0,n=1,2,…,N,N为终端总数;
(1.2)将t时刻含有N个终端的混合信号yN(t)使用实际的活跃终端的信号值表示,即其中:K为t时刻实际的活跃终端总数,hk为第k个活跃终端的信道系数,k=1,2,…,K, 为第k个活跃终端的信号值,(Pk,bk)为第k个活跃终端的身份信息,δ(t)为t时刻的高斯白噪声;
* *
(1.3)从混合信号yN(t)中提取最大功率信号对应的活跃终端的身份信息(P ,b),将活* * * * * *
跃终端(P ,b)的状态更新为1;对活跃终端(P ,b)进行信道估计,得到活跃终端(P ,b)的信道系数 其中:||·||表示求取·的欧几里得范数,*
表示h 为使得 取得最小值时的hk,c表示光速;
* *
(1.4)从混合信号yN(t)中剔除活跃终端(P ,b)的信号值 得到剩余(N‑1)个终端的混合信号
(1.5)N=N‑1,yN(t)=yN‑1(t);
(1.6)判断||yN(t)||是否大于所设定的残留信号阈值δ:若大于,则返回步骤(1.3);否则,进入步骤(1.7);
(1.7)在时间域T内对所有终端的状态进行整理,生成终端序号与终端活跃状态的二维数据:
其中:Ωn,t为t时刻第n个终端的状态,t=1,2,…,T;Ωn,t=1表示t时刻第n个终端为活跃终端;Ωn,t=0表示t时刻第n个终端为非活跃终端。
3.根据权利要求2所述的基于神经网络的低轨卫星物联网活跃终端预测方法,其特征在于:所述步骤(2)中,神经网络预测模型构建及训练具体包括如下步骤:(2.1)数据预处理:使用固定历史回溯窗口L对二维数据ΩN×T进行划分,得到神经网络预测模型的训练集,训练集包括输入集和输出集,样本总数均为M=T‑L‑1:输入集为:D[]M×N×S={Ω[1:N,1:1+L],Ω[1:N,2:2+L],…,Ω[1:N,M:T‑1]}输出集为:Tar[]M×N={Ω[1:N,1+L+1],Ω[1:N,2+L+1],…,Ω[1:N,T]}(2.2)构建神经网络预测模型:通过卷积神经网络挖掘终端的空间特征,通过双向长短期记忆神经网络挖掘终端作为活跃终端的历史活跃信号并提取历史活跃信号的固有特征;
包括如下步骤:
(2.2.1)卷积神经网络两个卷积层的激活函数均使用LeakReLU(·)函数:LeakReLU(x)=max(0,x)+a×min(0,x)其中:x表示LeakReLU(·)函数的输入值,a表示Leaky常数,max(0,x)表示取0和x中的最大值,min(0,x)表示取0和x中的最小值;
(2.2.2)双向长短期记忆神经网络全连接输出层的激活函数使用Sigmoid(·)函数:其中:x表示Sigmoid(·)函数的输入值;
(2.2.3)神经网络预测模型的优化目标为:其中:γn,t为Sigmoid(·)函数的输出值,表示神经网络预测模型对t时刻第n个终端是否为活跃终端的预测置信度;
(2.3)模型训练:设置优化目标和耐心值,将训练集输入到神经网络预测模型中进行模型训练,使用网格搜索法和K折交叉验证法评估神经网络预测模型的参数。
4.根据权利要求2所述的基于神经网络的低轨卫星物联网活跃终端预测方法,其特征在于:所述步骤(3)中,在进行活跃终端预测时,先对t时刻检测到的混合信号进行活跃终端识别,得到一个二维数据,再将该二维数据输入到训练好的神经网络预测模型中进行活跃终端预测,输出t+1时刻各终端是否为活跃终端的预测,统计t+1时刻被预测为活跃终端的总数
5.根据权利要求2所述的基于神经网络的低轨卫星物联网活跃终端预测方法,其特征在于:所述步骤(3)中,在进行活跃终端预测时,同时对神经网络预测模型的性能进行监测,若性能评估指标低于设定阈值,则重新进行神经网络预测模型的训练;性能评估指标为预测精确度,表示如下:
其中: 为t时刻第n个终端的预测值, 为t时刻第n个终端的实际值。