具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。

实施例1：

实施例1公开一种同步静止轨道卫星的信道衰落确定方法，用于确定Q波段同步静止轨道卫星的信道衰落。

图1为实施例1中同步静止轨道卫星的信道衰落确定方法的方法流程图。参见图1，该方法包括：

步骤101：获取当前时刻的天气数据；当前时刻的天气数据包括温度、降雨率、相对湿度、降雨量厚度、可见度、平均粒径速度和风速共七种当前时刻天气数据。七种天气数据是使用最小绝对收缩和选择算子(Least absolute shrinkage and selection operator，LASSO)算法从14种天气数据中进行特征选择从而筛选出的对信道衰落确定最有效的7种天气数据。

步骤102：将当前时刻的天气数据输入训练好的神经网络模型，得到目标时刻的同步静止轨道卫星的信道衰落；目标时刻为当前时刻之后的第N个时刻，N≥0；当N＝0时，目标时刻即为当前时刻；

训练好的神经网络模型是采用已知天气数据以及与已知天气数据的时刻对应的已知同步静止轨道卫星的信道衰落进行训练得到的神经网络模型；当已知同步静止轨道卫星的信道衰落的时刻为已知天气数据的时刻之后的第N个时刻时，已知同步静止轨道卫星的信道衰落与已知天气数据相对应。

在一个示例中，训练好的神经网络模型的训练过程为：

获取已知天气数据和已知同步静止轨道卫星的信道衰落；本发明中，已知天气数据的获取方式以及当前时刻的天气数据的获取方式均可以通过搭建天气数据测量系统进行测量。已知同步静止轨道卫星的信道衰落的获取方式为：搭建Q波段同步静止轨道卫星的通信系统，以每秒每次的频率测量卫星信道衰落。

将每个时刻的已知天气数据均与该已知天气数据之后的第N个时刻的已知同步静止轨道卫星的信道衰落建立对应关系，得到天气-衰落数据组；当目标时刻为当前时刻时，则将每个时刻的已知天气数据均与该已知天气数据同一时刻的已知同步静止轨道卫星的信道衰落建立对应关系；当目标时刻为当前时刻之后的第n个时刻时，则每个时刻的已知天气数据均与该已知天气数据之后的第n个时刻的已知同步静止轨道卫星的信道衰落建立对应关系，n＞0。

将天气-衰落数据组划分为训练集、验证集和测试集；训练集、验证集和测试集的划分方式可以为按照1：1：1的比例划分。

利用训练集和验证集对神经网络进行训练，得到初步神经网络模型；此处神经网络优选为长短期记忆(long short-term memory，LSTM)人工神经网络。该长短期记忆人工神经网络的结构如图2所示。

利用测试集对初步神经网络模型进行测试和调整，得到训练好的神经网络模型。

在一个示例中，利用训练集和验证集对神经网络进行训练，得到初步神经网络模型，具体包括：

将训练集和验证集中的已知天气数据作为输入矢量，将训练集和验证集中的已知同步静止轨道卫星的信道衰落作为输出矢量，利用人工神经网络进行训练，通过调整网络参数，使训练集和验证集的均方误差值相差最小，得到初步神经网络模型。以均方误差为损失函数，通过调整网络参数，以期达到网络预测均方误差最低的状态，可以保证网络没有过拟合。

在一个示例中，利用测试集对初步神经网络模型进行测试和调整，得到训练好的神经网络模型，具体包括：

将测试集中的已知天气数据作为输入矢量输入初步神经网络模型中得到测试输出矢量；

将测试输出矢量与测试集中的已知同步静止轨道卫星的信道衰落进行对比，得到对比结果；

若对比结果符合预设条件，则确定初步神经网络模型为训练好的神经网络模型；

若对比结果不符合预设条件，则对初步神经网络模型进行调整，直到对比结果符合预设条件，并将调整后的神经网络模型确定为训练好的神经网络模型。对比结果不符合预设条件时对初步神经网络模型进行调整的步骤可以采用与“利用训练集和验证集对神经网络进行训练”的步骤中相同的网络参数调整方式或重新执行“利用训练集和验证集对神经网络进行训练”的步骤。

本实施例的同步静止轨道卫星的信道衰落确定方法，可以使用少量数据训练人工神经网络，并基于该神经网络使用易获取的天气数据来得到匮乏难以获取的卫星信道衰落数据，解决了Q波段卫星信道数据匮乏且难以获取的难题，提高了测量效率，降低了测量成本。同时采用该方法可以使用当前天气数据预测未来时刻的卫星信道数据，可以用于卫星通信系统的资源优化。

实施例2：

实施例2公开一种同步静止轨道卫星的信道衰落确定系统，用于确定Q波段同步静止轨道卫星的信道衰落；该系统包括：

获取模块，用于获取当前时刻的天气数据；当前时刻的天气数据包括温度、降雨率、相对湿度、降雨量厚度、可见度、平均粒径速度和风速共七种当前时刻天气数据；

衰落确定模块，用于将当前时刻的天气数据输入训练好的神经网络模型，得到目标时刻的同步静止轨道卫星的信道衰落；

目标时刻为当前时刻之后的第N个时刻，N≥0；当N＝0时，目标时刻即为当前时刻；

训练好的神经网络模型是采用已知天气数据以及与已知天气数据的时刻对应的已知同步静止轨道卫星的信道衰落进行训练得到的神经网络模型；当已知同步静止轨道卫星的信道衰落的时刻为已知天气数据的时刻之后的第N个时刻时，已知同步静止轨道卫星的信道衰落与已知天气数据相对应。

在一个示例中，该系统还包括训练模块，训练模块用于训练神经网络模型；

训练模块包括：

样本获取单元，用于获取已知天气数据和已知同步静止轨道卫星的信道衰落；

对应单元，用于将每个时刻的已知天气数据均与该已知天气数据之后的第N个时刻的已知同步静止轨道卫星的信道衰落建立对应关系，得到天气-衰落数据组；

数据划分单元，用于将天气-衰落数据组划分为训练集、验证集和测试集；

训练单元，用于利用训练集和验证集对神经网络进行训练，得到初步神经网络模型；

测试调整单元，用于利用测试集对初步神经网络模型进行测试和调整，得到训练好的神经网络模型。

在一个示例中，训练单元包括：

训练与网络参数调整子单元，用于将训练集和验证集中的已知天气数据作为输入矢量，将训练集和验证集中的已知同步静止轨道卫星的信道衰落作为输出矢量，利用人工神经网络进行训练，通过调整网络参数，使训练集和验证集的均方误差值相差最小，得到初步神经网络模型。

在一个示例中，测试调整单元包括：

测试输入子单元，用于将测试集中的已知天气数据作为输入矢量输入初步神经网络模型中得到测试输出矢量；

对比子单元，用于将测试输出矢量与测试集中的已知同步静止轨道卫星的信道衰落进行对比，得到对比结果；

对比执行子单元，用于若对比结果符合预设条件，则确定初步神经网络模型为训练好的神经网络模型；若对比结果不符合预设条件，则对初步神经网络模型进行调整，直到对比结果符合预设条件，并将调整后的神经网络模型确定为训练好的神经网络模型。

与现有技术相比，本发明的有益效果是：

本发明实施例提出了一种同步静止轨道卫星的信道衰落确定方法及系统，利用天气数据预测同步静止轨道卫星的信道衰落，从而实现了基于通信系统外部数据预测到Q波段卫星通信信道数据，克服了现有技术只能基于通信系统内部数据获取到Q波段卫星通信信道数据的难题，大大降低了Q波段卫星通信信道数据的获取难度，提高了测量效率，降低了测量成本。

本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的系统而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。

本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处。综上所述，本说明书内容不应理解为对本发明的限制。