CN118869042B 一种自适应气候变化的卫星物联网智能通信方法 （深圳市微星物联科技有限公司）

道高新区社区高新南九道61号卫星大一种自适应气候变化的卫星物联网智能通一种自适应气候变化的卫星物联网智能通信方所述信号衰减预测模型用于确定各监测地区的备分布情况和所述预测移动轨迹确定用户设备模拟退火优化算法动态调整各卫星的卫星波束2获取各监测地区的气候监测数据和卫星物联网通信信号参数，根信号衰减预测模型用于确定各监测地区的气候条件对卫星物联网通获取各监测地区的用户固定设备的设备分布情况，并对用户移获取各卫星分别与各监测地区的距离数据，根据所述信号影响程度根据各监测地区的经纬度坐标，将每个监测地区的地理坐标转换为根据所述信号影响程度、所述用户设备分布动态变化情况和所述采用模拟退火优化算法对所述优化目标函数进行求解，得到各卫星的所述调整方案动态调整各卫星的卫星波束指向采用长短期记忆神经网络对各监测地区的气候变化趋势进行多步预况和所述距离数据提前确定各卫星的最优卫星波束指向和其中，所述采用长短期记忆神经网络对各监测地区的气候变化获取各监测地区的气候历史数据，将所述气候历史数据进行数据清洗和归一化处理根据所述关键气候因子，采用长短期记忆神经网络对各监测地区将所述气候变化预测结果、所述信号影响程度、所述用户设备分布采用粒子群优化算法对所述优化模型进行求解，通过多次迭代优化3利用卷积神经网络对卫星遥感图像进行语义确定卫星物联网通信数据中各个数据内容的优先级程度，根据将所述气候监测数据和所述卫星物联网通信信号参数进行关联，获得将所述第一数据集作为输入值，将信号衰减值作为输出值，采用支根据用户固定设备的地理位置信息，获取各监测地区的固定设备设备分布情况包括不同监测地区的用户固定设备数量和用户固定设根据用户移动设备的历史位置数据，采用卡尔曼滤波算根据所述固定设备分布情况和所述移动设备流动矩阵，采用时间序构建卷积神经网络的网络结构，所述网络结构包括编码器根据空间分辨率和光谱特征，对原始卫星遥感图像进行几何校正获取恶劣气候受灾区域图像样本数据集，将所述恶劣气候受灾区4根据所述语义分割模型，对每个监测区域的卫星遥感图像进根据所述语义分割结果，统计每个监测区域的恶劣气候受灾区域根据恶劣气候受灾区域的空间分布，将受灾程度相似的恶劣气候受灾区域进行聚类，根据历史灾情数据，采用层次分析法构建评估指标体系，所述评将所述区域类别和所述评估指标体系进行结合，对区域类别的各项指标进行量化评基于加权求和法，将各指标的权重与对应的区域类别得分相根据所述综合紧急程度评分，对区域类别进行排序，根据各卫星的初始位置和速度，采用轨道力学模型得各卫星在轨道上的位置和速度随时间变化的函通过对卫星轨道受到的各摄动力进行建模，获得卫星轨道摄动力方程采用数值积分方法，求解所述第一运动方程，获得预设时间内卫根据所述修正卫星轨道参数，采用数值积分方法，预测各卫星在获取各监测地区的气候条件数据和卫星物联网根据所述气候条件数据和所述卫星物联网网络状况数据，将气候条根据所述优先级程度，采用小波变换算法将各个数据内容转换到小波域5根据所述数据压缩比，对所述小波系数矩阵进行阈值量化处理，得到压将压缩后的小波系数矩阵转换为游程码流，获得压缩后的数6[0004]其次，用户设备的分布动态变化对通信资源的分配和通信质量的影响也不容忽数据和所述卫星物联网通信信号参数，通过支持向量机回归模型建立信号衰减预测模型，所述信号衰减预测模型用于确定各监测地区的气候条件对卫星物联网通信的信号影响程7化情况和所述距离数据提前确定各卫星的最优卫星波束指向8[0024]图1是本发明一实施例提供的一种自适应气候变化的卫星物联网智能通信方法的9立信号衰减预测模型时，将气候监测数据和卫星物联网通信信号参数作为输入特征向量，地区的气候条件对卫星物联网通信的信号影响程度。对于气候条件影响显著的监测地区，数数据按照时间戳和地理位置进行匹配，得到不同气候条件下的卫星通信信号状态数据。8:2的比例划分为训练集和测试集，并将训练集作为输入值，对应的信号衰减值作为输出测移动轨迹，根据所述设备分布情况和所述预测移动轨迹确定用户设备分布动态变化情[0046]根据所述固定设备分布情况和所述移动设备流动矩阵，数量占所有监测地区用户固定设备总数的比例，得到各监测地区的用户固定设备数量占比；将各监测地区的用户固定设备数量和用户固定设备数量占比作为固定设备分布情况，区间移动设备的主要流动方向和流动规模，确定移动设备在各地区之间的主要流动模式。[0049]根据所述固定设备分布情况和所述移动设备流动矩阵，固定设备，占总量的20B地区有30万台固定设备，占总量的30C地区有50减少2C地区将增加1从而掌握了用户设备分布的动态特征，为资源调度和网络优化区的用户设备分布动态变化情况和信号影响程[0059]采用模拟退火优化算法对所述优化目标函数进行求解，根据所述调整方案动态调整各卫星的卫星波束系下的相对位置关系。通过各监测地区在空间直角坐标系下的中心坐标值和相对位置关坐标值和卫星的空间位置坐标，计算获得每个监测地区与每个卫星之间的空间欧氏距离。动态变化情况和所述距离数据提前确定各卫星的最优卫星波束指向为算法的输入，采用粒子群优化算法初始化一组卫星波束指向角度和发射功率的随机解，局部细节的图像表示模型。根据以上网络结构设计，采用深度学习框架如TensorFlow或积层和2个残差连接层，反卷积核大小与编码器对应。对原始卫星遥感图像进行几何校正[0107]根据各卫星的初始位置和速度，采用轨道力学模型计算卫星在轨道上的运动方各个数据内容进行数据压缩，压缩算法采用小波变换和游程编码相结合的混合压缩算法。若某个数据内容的优先级程度高于预设阈值，则将其压缩后的数据放入高优先级数据队通过专家知识和经验，构建模糊规则及存储在存储器202上的计算机程序203，当所述计算机程序203在处理器201上被执行时，实现如上述方法中任一项所述的自适应气候变化的卫星分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器算机设备2的硬盘或内存。所述存储器202在另一些实施例中也可以是所述计算机设备2的