一种低轨卫星多波束覆盖区域划分方法

摘要

本发明提出一种低轨卫星多波束覆盖区域划分方法，采用由外向内的区域划分策略：先进行最边缘扫描圈层的覆盖，确定当前扫描圈层扫描角和覆盖波束数量完成当前扫描圈层的波束覆盖，再更新边缘参数，向内逐层进行扫描圈层的覆盖，直到覆盖完成。在满足通道一致性的条件下，实现了对地等通量大范围多波束最优覆盖，大为提升了现有波束成形方法整体效率。在此基础上，提出了聚类分色算法和基于深度优先搜索的频率复用分色算法，解决了非均匀多波束间低互扰分色问题。该工作对于解决低轨卫星多波束覆盖区域划分与波束成形具有重要意义。

说明书

技术领域

本发明涉及卫星通信技术领域，特别是涉及一种低轨卫星的多波束区域划分方法。

背景技术

卫星通信具有覆盖面积广、传输质量高、部署灵活等优点，可提供较大的地理区域乃至全球范围的无缝连接，便于快速组网，已成为民用和军用通信系统的重要组成部分。低轨卫星相比较于地球同步轨道卫星具有通信延迟小等特点，且同时可见3颗以上卫星以避免信号遮挡，也利于实现用户终端小型化，已成为了目前卫星发展的重要方向。

低轨卫星多采用多波束分区对地面实现覆盖，即将整个覆盖区域划分为若干小区，使用多个独立点波束覆盖每个小区。在此基础上，将整个系统的频率资源划分为多个频段，相邻波束通过采用频分或码分来避免相互间干扰。与单波束覆盖的卫通系统相比，具备多波束、频率复用能力的卫通系统能获得更高的系统容量与灵活性。当然，较少的小区数量可以有效地提高频谱资源利用率，降低波束间的干扰，减少数字波束成形的复杂度和硬件成本。

地面通信一般采用蜂窝分区，而同步卫星也借鉴了类似地面蜂窝通信的多点波束分区办法。与地面通信不同，星载多波束天线需满足等通量覆盖要求，即卫星到达地面各波束小区的信号强度相等。由于各小区与卫星之间的距离不同，信号传播的路径损耗不同。低轨卫星通信仰角大，路径损耗差异性大。同时，天线波束在大角度扫描时也会产生畸变，使得等点波束难以实现。在满足等通量覆盖等条件下，高效合理地规划分区形状，并结合频率复用等技术，提高频谱资源利用率，减少波束形成复杂度变得非常重要。

发明内容

本发明所要解决的技术问题是，提出了一整套涉及低轨卫星多波束覆盖区域划分、多波束方向图成形与多波束分频的方法。

本发明为解决上述技术问题所采用的技术方案是，一种低轨卫星多波束覆盖区域划分方法，包括步骤：

采用由外向内的区域划分策略：先进行最边缘扫描圈层的覆盖，确定当前扫描圈层扫描角和覆盖波束数量完成当前扫描圈层的波束覆盖，再更新边缘参数，向内逐层进行扫描圈层的覆盖，直到覆盖完成。

具体的，提供了天线阵列为满阵时完成全覆盖的多波束覆盖方法；

具体的，提供了天线阵列为满阵时完成非全覆盖的多波束覆盖方法；

进一步的，为了减少波束覆盖的圈层数，又提出了子阵式的多波束赋形方案；更进一步的，为了解决因为子阵式的多波束赋形的提出而产生的分色问题，提出基于聚类分色算法和基于深度优先搜索的频率复用分色方法。

本发明的有益效果是，首先按覆盖场景建立了全覆盖和非全覆盖多波束覆盖模型，并在此基础上提出了由外向内的区域划分策略、基于子阵式的多波束赋形方法，在等通量覆盖、通道一致的前提下，可快速获得满足覆盖需求的最佳区域分配和方向图成形方案，提升了现有方法的效果与效率。

附图说明

图1为分层覆盖流程图；

图2为分层全覆盖模型图；

图3为分层非全覆盖模型图；

图4为第二圈子阵划分示意图；

图5为第三圈子阵划分示意图；

图6为50°覆盖区域边缘覆盖结果；

图7为不同参数Δ覆盖示意图；

图8为子阵式多波束覆盖结果。

具体实施

根据覆盖场景建立了全覆盖和非全覆盖多波束覆盖模型，提出了由外向内的区域划分策略。所述全覆盖为覆盖区域内任意位置等效全向辐射功率EIRP满足覆盖要求。所述非全覆盖是更工程化的应用需求，如实现80％、90％EIRP覆盖的情况。

采用基于子阵式的多波束赋形方法，在等通量覆盖、通道一致的前提下，可快速获得满足覆盖需求的最佳区域分配和方向图成形方案；

由外向内的区域划分策略：先进行边缘波束的覆盖，一层波束划分完成，更新边缘参数，再逐层迭代，直到覆盖完成，如图1所示。

实施例1和实施例2为天线阵列为满阵完成波束覆盖；为了减少波束覆盖的圈层数，实施例3又提出了部分阵列工作完成波束覆盖的方式(子阵式的多波束赋形方案)，之后，为了解决因为子阵式的多波束赋形的提出而产生的分色问题，进一步又提出一种分色方案。

实施例1

如图2所示，对于全覆盖模型，图中最大的圆圈的半径表示需要当前需要覆盖的最大角度对应边缘参数θ

在满阵情况下，波束都是均匀的，从外到内进行全覆盖的多波束区域划分过程为：

1)初始化当前扫描圈层n＝1，输入参数θ

2)先确定第n圈层的扫描角α

其中，α

pdB波束宽度；3)确定第n圈层需要的覆盖波束数量N

其中，β为相邻波束间隔角度的一半；

4)开始准备下一圈层的覆盖，更新边缘参数

5)进一步判断θ

5-1)当0<θ

5-2)当

5-3)当

即，只要确定了每个圈层的扫描角α的以及每层的波束个数N，则完成多波束区域划分过程。

冗余因子Δ是一个重要的先验参数，表征满足全覆盖的冗余度，对覆盖结果有着重要的影响，Δ取值范围为

实施例2

如图3所示，对于非全覆盖模型，同样先进行边缘波束的覆盖，不过每层不是全覆盖，而是按每层的波束相切来规划。非全覆盖模型是全覆盖模型的一个特例，当Δ＝0时，全覆盖转变为非全覆盖，两者具有统一性。

在满阵情况下，从外到内进行非全覆盖的多波束区域划分过程为：

1)初始化当前扫描圈层n＝1，输入参数θ

2)先确定第n圈层的扫描角α

3)确定第n圈层需要的覆盖波束数量N

其中，β为相邻波束间隔角度的一半；

4)开始准备下一圈层的覆盖，更新边缘参数θ

5)进一步判断θ

5-1)当0<θ

5-2)当

非全覆盖虽然达不到100％，如图3所示，当θ

实施例3

子阵式的多波束赋形方法，能在通道一致的条件下，实现对不同区域波束形状的赋形。此时，要求波束通道的使用次数相同，并基于该前提条件来划分子阵。

子阵划分规则如下：

第1圈层(最外圈层)按满阵N

第2圈层的子阵数量N

第3圈层的子阵数量N

通常三个圈层就能满足覆盖要求。

由于同一圈波束存在不同排列形式的子阵来进行覆盖，需要重新计算每一圈层的等效边缘参数α’的值和每圈层的覆盖波束数量N’，具体过程为：

1)先按照实施例1或实施例2的方式计算满阵的覆盖参数[α

2)初始化当前扫描圈层n＝1，设置步进参数δ以及冗余因子Δ；第1圈层覆盖策略不变，利用实施例1或实施例2的方式得到的第1圈层的参数对当前的第1圈层进行赋值，第1圈层的等效边缘参数θ

3)第2圈层的子阵在一个维度的波束宽度较之前变化不大，另一个维度约为之前两倍，波束形状为长轴与短轴比为2的椭圆；第2圈覆盖区域为满阵策略的第2圈层和第3圈层位置，则

4)准备第3圈层的子阵覆盖，相当于原覆盖的第4-6圈，更新等效边缘参数

当0<θ′

当

当

由于实施例3使用非均匀波束，为解决非均匀波束间的分色问题，本实施例使用聚类分色算法和基于深度优先搜索的频率复用分色算法。

聚类分色算法具有以下三个特点：定义波束间的距离度量作为多波束间相似性度量；确定某个评价聚类结果质量的准则函数；给定某个初始分类，根据迭代算法求出使准则函数取极值的最好聚类结果。具体过程为：

定义波束载波干扰比C/I的距离矩阵A

其中，n和m为阵列的规模大小，P

设定分类目标，各色间阈值满足C/I≥ξ；

对所有波束进行编号x

根据两波束间的距离A

当某一步轮到x

根据分类结果，计算

在其中一个实施例中还包括：基于深度搜索的分色算法，将距离矩阵A转化为无向图的邻接矩阵G，其中

该问题变为了无向简单连通图的点着色问题，同频波束相同点着色，最小点着色数即为最少分色数。图的点着色问题，采用深度优先搜索算法对连通图进行遍历，从而得到图的最优点着色。

仿真实验

以阵列规模8×8，单元间距为半波长的矩形栅格平面阵为例(以下提到的所有赋形覆盖均基于此模型展开)。

根据覆盖场景建立了全覆盖和非全覆盖多波束覆盖模型，如图2和3所示，提出了由外向内的区域划分策略。如图6所示，展示了50°覆盖区域边缘覆盖结果。

冗余因子Δ是一个重要的先验参数，表征着满足全覆盖的冗余度，不同的Δ对覆盖结果有着重要影响。其取值不能超过边缘波束宽度的一半，否则冗余度过大。以覆盖50°为例子，不同Δ的覆盖结果如图7所示。Δ＝0.5，N

在地面移动通信和高轨卫星多波束中，分区策略多采用蜂窝网络，即等点波束宽度模型。小区按正六边形(蜂窝状)依次排列直到覆盖整个区域。全覆盖50°所需的蜂窝小区个数为91个，与本实施例中全覆盖模型Δ＝2时得到的波束数量相比，多出了15个波束。由外向内的分层全覆盖模型，减少了多波束覆盖的数量。

对于子阵式的多波束赋形方法，在通道一致的条件下，实现对不同区域波束形状的赋形。以覆盖50°，第二圈采用如图4所示的正划分和正斜划分结合来覆盖为例，覆盖结果如图8所示。采用斜划分和正划分相结合，在波束覆盖面积没有明显的优势，但在C/I的问题上更具有优势，同时波束形状更贴近目标区域。当覆盖50°区域，两者的覆盖率为100％；当覆盖55°区域，正斜覆盖率为87％，正划分覆盖率88％。因此，该方法不适合全覆盖的场合，这样会极大增加波束数量，与子阵式减少波束数量的初衷相违背。

以子阵式多波束覆盖为例，根据聚类分色算法，设定ζ＝10dB，覆盖50°时的分色结果共需12色。当覆盖角度为50°和55°时，随着阈值ζ的增大，需求的分色数更多；相同数量波束，覆盖更大的范围，因为波束距离更远，需求的分色数更少。

如直接采用通过基于深度的分色算法，求得其最少的分色数，算法耗时太长，可以通过聚类分色算法得到的初始解作为先验信息，将所有点(波束)做一个预分类。这个先验信息正如直观所示，将所有波束分为三组，外圈，中间圈，内圈，再通过深度优先搜索算法求得最优分色数。