The low-earth-orbit (LEO) satellite network with mega-constellations can provide global coverage while supporting the high-data rates. The coverage performance of such a network is highly dependent on orbit geometry parameters, including satellite altitude and inclination angle. Traditionally, simulation-based coverage analysis dominates because of the lack of analytical approaches. This paper presents a novel systematic analysis framework for the LEO satellite network by highlighting orbit geometric parameters. Specifically, we assume that satellite locations are placed on a circular orbit according to a one-dimensional Poisson point process. Then, we derive the distribution of the nearest distance between the satellite and a fixed user's location on the Earth in terms of the orbit-geometry parameters. Leveraging this distribution, we characterize the coverage probability of the single-orbit LEO network as a function of the network geometric parameters in conjunction with small and large-scale fading effects. Finally, we extend our coverage analysis to multi-orbit networks and verify the synergistic gain of harnessing multi-orbit satellite networks in terms of the coverage probability. Simulation results are provided to validate the mathematical derivations and the accuracy of the proposed model.


翻译:具有特大型星座的低地轨道卫星网络(LEO)可以提供全球覆盖,同时支持高数据率。这种网络的覆盖性能高度取决于轨道几何参数,包括卫星高度和倾角角。传统上,模拟覆盖分析由于缺乏分析方法而占主导地位。本文通过突出轨道几何参数,为低地轨道卫星网络提供了一个全新的系统分析框架。具体地说,我们假设卫星位置根据一个单维 Poisson点进程置于循环轨道轨道轨道上。然后,我们从轨道几何参数的角度得出卫星与固定用户在地球上的位置之间的最近距离分布。利用这种分布,我们将单轨道低地轨道网络的覆盖概率定性为网络几度参数的功能,并结合小型和大规模变形效应。最后,我们将我们的覆盖性分析扩大到多轨道网络,并核实在覆盖概率方面利用多轨道卫星网络的协同收益。提供了模拟结果,以验证拟议模型的数学衍生结果和准确性。

0
下载
关闭预览

相关内容

不可错过!《机器学习100讲》课程,UBC Mark Schmidt讲授
专知会员服务
73+阅读 · 2022年6月28日
专知会员服务
159+阅读 · 2020年1月16日
强化学习最新教程,17页pdf
专知会员服务
174+阅读 · 2019年10月11日
[综述]深度学习下的场景文本检测与识别
专知会员服务
77+阅读 · 2019年10月10日
【哈佛大学商学院课程Fall 2019】机器学习可解释性
专知会员服务
103+阅读 · 2019年10月9日
【SIGGRAPH2019】TensorFlow 2.0深度学习计算机图形学应用
专知会员服务
39+阅读 · 2019年10月9日
VCIP 2022 Call for Demos
CCF多媒体专委会
1+阅读 · 2022年6月6日
IEEE ICKG 2022: Call for Papers
机器学习与推荐算法
3+阅读 · 2022年3月30日
ACM MM 2022 Call for Papers
CCF多媒体专委会
5+阅读 · 2022年3月29日
IEEE TII Call For Papers
CCF多媒体专委会
3+阅读 · 2022年3月24日
ACM TOMM Call for Papers
CCF多媒体专委会
2+阅读 · 2022年3月23日
AIART 2022 Call for Papers
CCF多媒体专委会
1+阅读 · 2022年2月13日
【ICIG2021】Check out the hot new trailer of ICIG2021 Symposium5
中国图象图形学学会CSIG
1+阅读 · 2021年11月11日
【ICIG2021】Check out the hot new trailer of ICIG2021 Symposium4
中国图象图形学学会CSIG
0+阅读 · 2021年11月10日
【ICIG2021】Check out the hot new trailer of ICIG2021 Symposium1
中国图象图形学学会CSIG
0+阅读 · 2021年11月3日
【ICIG2021】Latest News & Announcements of the Industry Talk1
中国图象图形学学会CSIG
0+阅读 · 2021年7月28日
国家自然科学基金
0+阅读 · 2015年12月31日
国家自然科学基金
0+阅读 · 2013年12月31日
国家自然科学基金
0+阅读 · 2013年12月31日
国家自然科学基金
0+阅读 · 2012年12月31日
国家自然科学基金
0+阅读 · 2009年12月31日
Arxiv
0+阅读 · 2022年8月7日
VIP会员
相关资讯
VCIP 2022 Call for Demos
CCF多媒体专委会
1+阅读 · 2022年6月6日
IEEE ICKG 2022: Call for Papers
机器学习与推荐算法
3+阅读 · 2022年3月30日
ACM MM 2022 Call for Papers
CCF多媒体专委会
5+阅读 · 2022年3月29日
IEEE TII Call For Papers
CCF多媒体专委会
3+阅读 · 2022年3月24日
ACM TOMM Call for Papers
CCF多媒体专委会
2+阅读 · 2022年3月23日
AIART 2022 Call for Papers
CCF多媒体专委会
1+阅读 · 2022年2月13日
【ICIG2021】Check out the hot new trailer of ICIG2021 Symposium5
中国图象图形学学会CSIG
1+阅读 · 2021年11月11日
【ICIG2021】Check out the hot new trailer of ICIG2021 Symposium4
中国图象图形学学会CSIG
0+阅读 · 2021年11月10日
【ICIG2021】Check out the hot new trailer of ICIG2021 Symposium1
中国图象图形学学会CSIG
0+阅读 · 2021年11月3日
【ICIG2021】Latest News & Announcements of the Industry Talk1
中国图象图形学学会CSIG
0+阅读 · 2021年7月28日
相关基金
国家自然科学基金
0+阅读 · 2015年12月31日
国家自然科学基金
0+阅读 · 2013年12月31日
国家自然科学基金
0+阅读 · 2013年12月31日
国家自然科学基金
0+阅读 · 2012年12月31日
国家自然科学基金
0+阅读 · 2009年12月31日
Top
微信扫码咨询专知VIP会员