基于机器学习的卫星灵活载荷配置
机器学习
2023-10-19 v1 系统与控制
系统与控制
摘要
卫星通信对于现代连接至关重要，它将接入扩展到海上、航空以及地面网络不可行的偏远地区。当前的 GEO 系统利用分数频率复用的多波束覆盖，在波束间均匀分配功率和带宽。然而，近期研究揭示了这种方法在异构业务场景中的局限性，导致效率低下。为此，本文提出了一种基于机器学习（ML）的无线资源管理（RRM）方法。我们将 RRM 任务视为回归 ML 问题，将 RRM 目标和约束整合进 ML 算法旨在最小化的损失函数中。此外，我们引入了一种上下文感知的 ML 度量，它不仅评估 ML 模型的性能，还考虑其资源分配决策对通信系统整体性能的影响。
引用
@article{arxiv.2310.11966,
title = {Flexible Payload Configuration for Satellites using Machine Learning},
author = {Marcele O. K. Mendonca and Flor G. Ortiz-Gomez and Jorge Querol and Eva Lagunas and Juan A. Vásquez Peralvo and Victor Monzon Baeza and Symeon Chatzinotas and Bjorn Ottersten},
journal= {arXiv preprint arXiv:2310.11966},
year = {2023}
}
备注
in review for conference