基于支持向量回归的低轨卫星通信系统信道预测方法

摘要

针对低轨卫星通信系统,研究快时变背景下的信道预测问题。通过引入强化学习的训练模式,将支持向量机(Support Vector Machine,SVM)模型改进成支持向量回归(Support Vector Regression,SVR)模型,提出一种循环迭代实现低轨卫星通信系统信道预测的算法。采用Gaussian核函数,通过遗传算法(GA)寻求最佳惩罚系数D和不敏感损失函数μ,最终得到最优超平面,实现多步预测,并实时更新训练集数据提高预测准确度。仿真结果表明,与传统ARMA以及改进后的ARIMA预测模型相比,VR模型收敛速度快、预测误差小、性能表现更好。同时,VR模型对训练数据样本数要求更少,更适用于低轨卫星通信系统背景下快时变信道的信噪比预测。