16 lines
3.2 KiB
TeX
16 lines
3.2 KiB
TeX
\chapter{总结与展望}
|
|
\section{本文总结}
|
|
卫星通信具有覆盖范围广、组网灵活、不受地理环境和地形等因素影响等优点，在新一代移动通信系统中收到越来越多的关注。而随着卫星通信系统的发展，人们对卫星通信质量的要求越来越高，而可用于卫星通信的频谱资源却面临枯竭。在这种情况下，多种改进的资源分配算法逐渐被提出，能够有效提供多波束卫星的通信效率。同时，随着人工智能的快速发展，新兴的深度强化学习方法为卫星通信系统的资源分配提供了一条新思路。在这一背景下，本文对卫星通信系统的信道分配问题和跳波束资源分配问题进行了研究，对卫星通信系统中时间和空间业务分布不均匀、通信的频谱效率低等问题，研究了基于深度强化学习的资源分配和跳波束分配方法，并针对实验场景对系统性能进行了仿真分析。
|
|
|
|
本文的主要工作归纳如下：
|
|
|
|
（1）查阅文献资料，总结了卫星资源分配技术的研究与应用现状，分析了目前资源分配技术的研究方向和存在的问题，为本文的研究提供了理论基础。结合现有的卫星通信系统，建立起了卫星通信系统的架构模型，分析了使用深度强化学习方法进行资源分配研究的可行性。
|
|
|
|
（2）提出了基于深度强化学习的低轨卫星通信信道分配方法，应用系统阻塞率作为系统的优化函数将问题抽象为马尔可夫决策过程，将系统分配问题转化为了图形特征，给出了系统的频率、功率等分配的限制与策略。仿真结果表明，与传统的按需分配相比，能够有效提高系统的频谱效率和用户的通信质量。
|
|
|
|
（3） 提出了基于深度强化学习的跳波束资源分配方法，对跳波束通信场景进行抽象，建立了马尔可夫过程。通过状态重构等方式、结合单智能体算法决策与多智能体决策优点相结合，提出了一种多目标双智能体跳波束与信道联合分配方法。仿真结果表明，该方法相比随机算法、周期调度、贪心调度等能够有效提高系统的吞吐量，同时在一定程度上保证系统的公平性。同时与启发式搜索 相比，具有系统决策复杂度低，训练完成后无需根据环境变化重新构建等特点，相比遗传算法在吞吐量和公平性方面相差不大的情况下能够大大减少系统的决策时间，达到可用的程度。
|
|
|
|
|
|
\section{未来展望}
|
|
|
|
动态资源管理技术作为卫星通信系统的关键技术，具有重要性意义。目前，深度强化学习在卫星通信系统中没有得到广泛应用的主要原因有：卫星通信系统的动作空间复杂，随着卫星系统容量的增加、计算复杂度增加，强化学习的实时性无法得到保证；其次是深度强化学习方法在空间通信系统中面临着数据环境复杂，噪声误差等存在偏差与仿真环境差异大等问题。面对以上问题，多智能体强化学习、知识蒸馏、网络参数了量化等方法值得进一步研究以用于减少深度强化学习的空间复杂。通过迁移学习和仿真环境相结合的训练机制，也能够降低系统数据的偏差。 |