万字长文！《卫星通信中的人工智能综述》

卫星通信提供了在未覆盖和未充分覆盖地区的服务连续性、服务普遍性和服务可扩展性的前景。然而，要实现这些好处，必须首先解决几个挑战，因为卫星网络的资源管理、网络控制、网络安全、频谱管理和能源使用都比地面网络更具挑战性。同时，人工智能（AI），包括机器学习、深度学习和强化学习，作为一个研究领域一直在稳步增长，并在包括无线通信在内的各种应用中显示出成功的结果。特别是，人工智能在各种卫星通信方面的应用已经显示出巨大的潜力，包括波束跳跃、抗干扰、网络流量预测、信道建模、遥测挖掘、电离层闪烁检测、干扰管理、遥感、行为建模、天-空-地整合以及能源管理。因此，这项工作提供了一个关于人工智能、其不同子领域以及其最先进算法的总体概述。然后讨论了卫星通信系统的不同方面所面临的几个挑战，并提出了它们的拟议和潜在的基于人工智能的解决方案。最后，对该领域进行了展望，并提出了未来的研究和发展步骤。

关键词：卫星通信；无线通信；人工智能；机器学习；深度学习；强化学习

1 引言

随着无线通信系统的显著进步，各领域对新服务的需求迅速增加，以及智能设备的快速发展，促使了对卫星通信系统的需求不断增加，以补充传统的地面网络，使其在未覆盖和未充分覆盖的城市、农村和山区以及海洋地区提供接入。有三种主要的卫星类型，包括地球静止轨道，也被称为地球同步赤道轨道（GEO），中地球轨道（MEO）和低地球轨道（LEO）的卫星。这种分类取决于三个主要特征，即高度、光束足迹大小和轨道。GEO、MEO和LEO卫星围绕地球的轨道高度分别为35786、7000-25000和300-1500公里。地球同步轨道卫星的波束覆盖范围为200至3500公里；MEO或LEO的波束覆盖范围为100至1000公里。GEO卫星的轨道周期与地球自传周期相等，这使得它在地面观察员看来是固定的，而LEO和MEO卫星的周期较短，许多LEO和MEO卫星需要提供连续的全球覆盖。例如，Iridium NEXT有66颗低地轨道卫星和6颗备用卫星，SpaceX的Starlink计划有4425颗低地轨道卫星和一些备用卫星，other-three-billion（O3b）有20颗MEO卫星，包括3颗在轨备用卫星。

卫星通信应用也可分为三类：（1）服务的连续性，在未覆盖和未充分覆盖的地区提供网络接入；（2）服务的普遍性，在地面网络因灾害而暂时中断或破坏的情况下，改善网络的可用性；（3）服务的可扩展性，从地面网络卸载流量。此外，卫星通信系统可以为各个领域提供覆盖，如交通、能源、农业、商业和公共安全领域。

尽管卫星通信提供了更好的全球覆盖和更高的通信质量，但它也有一些挑战。卫星，尤其是低地轨道卫星，机载资源有限，而且移动迅速，给网络接入带来了高动态性。地面网络的模型可能有很高的计算复杂性；由于卫星的机载计算资源有限，地面模型不适合卫星。空间段的高流动性，以及卫星层（GEO、MEO、LEO）、航空层（无人驾驶飞行器（UAV）、气球、飞艇）和地面层之间固有的异质性，使得网络控制、网络安全和频谱管理具有挑战性。高流动性导致了频繁的交接。因此，许多研究人员都关注卫星通信的交接管理。此外，频繁的交接使得安全路由更难实现，从而使其更容易受到干扰。此外，实现卫星通信的高能源效率比地面网络更具挑战性。

一些调查已经讨论了卫星通信系统的不同方面，如交接方案、移动卫星系统、卫星上的多输入多输出（MIMO）、用于远程物联网的卫星、卫星间通信系统、服务质量（QoS）提供、空间光学通信、空地一体化网络、小型卫星通信、物理空间安全、CubeSat通信和非地面网络。

同时，近年来对人工智能（AI）的兴趣也在增加。人工智能，包括机器学习（ML）、深度学习（DL）和强化学习（RL），已经在科学和工程领域的不同应用中显示出成功的结果，如电气工程、软件工程、生物工程和金融工程。一些研究人员因此求助于人工智能技术来解决各自领域的各种挑战，并设计了各种成功的基于人工智能的应用，以克服无线通信领域的一些挑战。意识到人工智能的潜力，从其他领域人工智能的成功应用中得到启发，并考虑到卫星通信的固有困难，我们相信人工智能可以在卫星通信领域的几个方面发挥巨大的优化作用。

一些人已经讨论了人工智能及其在一般无线通信中的应用。另一些人则专注于人工智能在无线通信某一方面的应用，如物联网的无线通信、网络管理、无线安全、新兴机器人通信、天线设计和无人机网络。Vázquez等人简要地讨论了人工智能在卫星通信中的一些有前途的用例，而Kato等人则讨论了人工智能在空天一体网络中的应用。DL在空间应用中的使用也得到了讨论。

总的来说，一些研究人员已经讨论了无线和卫星通信系统，其中一些已经讨论了人工智能在卫星通信的一个或几个方面的使用；然而，对人工智能在卫星通信的不同方面的应用的广泛调查还没有进行。

因此，这项工作旨在提供对人工智能的介绍，讨论卫星通信所面临的各种挑战，以及对基于人工智能的潜在应用的广泛调查，以克服这些挑战。第2节介绍了人工智能的总体概况、其不同的子领域以及其最先进的算法。第3节讨论了卫星通信系统的不同方面所面临的几个挑战，以及潜在的基于人工智能的解决方案；这些应用在图1中进行了总结。其中一些应用是卫星通信所特有的，如波束跳动（BH）、遥测挖掘、电离层闪烁检测和遥感（RS）。天空地综合网络（SAGINs）是另一种应用，其中卫星和非卫星网络使用人工智能进行整合，以提供更灵活的服务。尽管其他一些应用与地面网络有共同之处，但在卫星通信方面更具挑战性，例如，由于卫星的机载资源有限，卫星网络的能源管理受到更多限制。表1说明了应用人工智能算法来解决不同的卫星通信问题。为了便于参考，本文使用的首字母缩写词和缩略语在表2中列出。

图1 人工智能在不同卫星通信方面的应用。

表1 各种人工智能算法及其各自的卫星通信应用。

表2 缩略语和全名

2 人工智能

虽然人工智能听起来是一种新的方法，但它可以追溯到20世纪50年代，并且包含了几种方法和范式。ML、DL、RL以及它们的交叉点都是人工智能的一部分，如图2所概述的。因此，人工智能的主要部分遵循的是学习方法，尽管没有任何学习方面的方法也包括在内。总的来说，对人工智能的研究旨在使机器变得更聪明，要么遵循一些规则，要么促进有指导的学习。前者指的是符号型人工智能；后者指的是ML。这里的更聪明表示有能力完成通常需要人类的复杂智力任务，如分类、回归、聚类、检测、识别、分割、计划、调度或决策。尽管这种符号化的人工智能已经适用于许多应用，但它在更高级的问题上显示出各种局限性，这些问题显示出更多的复杂性，更少的结构，以及更多的隐藏特征，如计算机视觉和语言处理任务。为了解决这些限制，研究人员转向了一种被称为ML的学习方法。

图2 人工智能、机器学习、深度学习和强化学习的关系。

2.1 机器学习

ML，包括DL和RL，是人工智能的一个子集。与符号人工智能不同的是，在符号人工智能中，机器被提供了解决某个问题的所有规则，而在ML中，机器被提供了背景，以便自己学习规则来解决这个问题。学习过程需要数据来提取模式和隐藏的结构；重点是找到数据的最佳代表，通过使用反馈信号的指导，在预定的可能性空间内搜索，从而接近预期的结果。为了实现这一目标，有三件事是必须的：输入数据、预期输出的样本，以及衡量算法性能的方法。

ML算法通常被划分为深度学习和非深度学习。虽然DL获得了更高的人气和关注度，但一些经典的非深度ML算法在某些应用中更有用，尤其是在数据缺乏的时候。ML算法也可以分为监督型、半监督型、无监督型和RL型，如图3所示。在本小节中，只讨论非RL和非深度ML方法；DL和RL分别在第2.2和2.3节中讨论。

图3 机器学习子领域。

2.1.1 监督、无监督和半监督学习

监督、无监督和半监督学习都是可以用来解决各种问题的ML方法。

在监督学习期间，所有的训练数据都被标记了，即被贴上了正确答案的标签。因此，该算法是完全受监督的，因为它可以在训练过程中的任何时候检查其预测是正确还是错误。监督模型从训练数据中学习模式，然后能够在推理过程中预测非标签数据的标签。监督学习已经被应用于分类和回归任务。

由于标注可能由于缺乏信息而不可能，或者由于成本过高而不可行，无监督学习在训练过程中采用了未标注的数据集。使用无标签的数据，模型可以提取数据中隐藏的模式或结构，这对理解某种现象可能是有用的，或者其输出可以作为其他模型的输入。无监督学习通常被用于聚类、异常检测、关联和自动编码器（AE）。

作为监督学习和无监督学习的中间地带，半监督学习允许训练数据的非标签和标签部分的混合。因此，当只有一小部分数据被标注和/或标注过程困难或昂贵时，半监督学习是一个很好的选择。这种技术的一个例子是伪标签，它被用来改善监督模型。

2.1.2 概率建模

概率建模，涉及使用统计技术分析数据的模型，是最早的ML形式之一。一个流行的例子是朴素贝叶斯分类器，它使用贝叶斯定理，同时假设所有的输入特征是独立的。另一个流行的例子是逻辑回归；由于这种分类器的算法很简单，它在数据科学界被普遍使用。

2.1.3 支持向量机

核方法是一类流行的算法；其中最著名的是SVM，其目的是找到一个决策边界来对数据输入进行分类。该算法将数据映射为高维表示，其中决策边界被表示为一个超平面。然后，通过尝试最大化超平面与每个类别中最近的数据点之间的距离来寻找超平面。在相当长的时间里，SVM是最先进的分类方法，并在一些科学和工程领域显示出许多成功的应用。然而，SVM在应用于大型数据集时表现出了局限性。此外，当SVM被应用于感知问题时，由于它是一个浅层模型，需要一个特征工程步骤来提高性能。尽管它已经被DL算法所超越，但由于其简单性和可解释性，它仍然是有用的。

2.1.4 决策树

决策树是一种监督学习算法，它通过定义条件控制语句将数据的特征表示为一棵树。鉴于其可理解性和简单性，它是ML中最受欢迎的算法之一。此外，决策树可以用于回归和分类，因为决策可以是连续值或类别。决策树的一个更稳健的版本，即随机森林（RFs），结合了各种决策树以带来优化的结果。这涉及到建立许多不同的弱决策树，然后使用自举聚合（bagging）将其输出集合起来。决策树的另一个流行版本是梯度提升机，它通常比RFs更有效；梯度提升机也结合了各种决策树模型，但与RFs不同的是，它使用了梯度提升，这是一种通过迭代训练新模型来改进ML模型的方法，这些模型关注的是之前模型的错误。极限梯度提升（XGBoost）库是梯度提升算法的一个优秀实现。射频和梯度提升机是最流行和最强大的非深度算法，已被广泛用于赢得Kaggle网站上的各种数据科学竞赛。

2.1.5 神经网络

神经网络包含不同层的相互连接的节点，其中每个节点都是一个感知器，将多元线性回归产生的信号反馈给一个激活函数，这个激活函数可能是非线性的。一般选择非线性激活函数是为了通过消除线性来增加模型的复杂性。在NN中，一个输入（例如，一个图像）的特征被分配为输入层。然后，根据权重矩阵，使用矩阵乘法（线性操作）计算下一个隐藏层，然后使用非线性激活函数。NN的训练都是为了找到最佳权重。为此，设计了一个损失函数来比较模型的输出和每个输出的地面实况，以找到使该损失函数最小的权重。逆向传播算法被设计成使用梯度白化等优化技术来训练权重链[40] 。NNs已经成功地用于回归和分类，尽管它们在处理大量特征（输入参数）和隐藏层时最为有效。深度NNs表现出更强的学习能力，因此比浅层NNs显示出更高的性能，这导致了NNs更复杂的设计的发展，包括更多的学习层和使用诸如卷积或递归的技术，这导致了DL的进步。

2.2 深度学习

与浅层模型相比，ML的这个子领域需要高计算资源。由于其相对简单，浅层ML算法需要人类的专业知识和干预，以提取有价值的特征或转换数据，使其更容易被模型学习。DL模型最大限度地减少或消除这些步骤，因为这些转换是在深度网络中隐含完成的。

2.2.1 卷积神经网络

CNN，是一种常见的深度神经网络（DNNs），由卷积层组成，已被普遍用于计算机视觉应用，如图像分类、物体检测和物体跟踪。它们在其他领域也显示出成功，包括语音和自然语言处理。CNN架构是通过选择过滤器（内核）的大小、数量和位置以及激活函数来定义的。然后，学习涉及到寻找可以应用于输入的最佳过滤器集，以提取有用的信息并预测正确的输出。

2.2.2 递归神经网络

RNNs是另一个系列的NNs，其中的节点沿着时间序列形成一个有向图，以前的输出被用作输入。RNNs专门用于处理一连串的数值x(0),x(1),x(2),...,x(T)。RNNs使用其内部存储器来处理可变长度的输入序列。一般来说，RNN的设计如图4所示，对于每个时间t，x(t)代表该时间的输入，a(t)是激活，y(t)是输出。RNN模型最常用于自然语言处理和语音识别领域。

图4 递归神经网络的简化结构。

2.2.3 自动编码器

AEs是另一种类型的NNs，用于以无监督的方式学习有效的数据表示。AEs使用瓶颈技术对数据进行编码，其中包括降维以忽略输入数据的噪声，以及从编码数据中再生出的初始数据，如图5所总结的。然后比较初始输入和生成的输出，以评估编码的质量。AE已经被广泛地应用于降维和异常检测。

图5 自动编码器，它通过训练网络来学习数据的表示方法，以减少输入尺寸，然后从编码的数据中重建初始数据。

2.2.4 深度生成模型

深度生成模型涉及到自动发现和学习输入数据中的规律性，这样就可以生成新的样本。这些模型已经显示出各种应用，特别是在计算机视觉领域。最流行的生成模型是变异AE（VAE）和生成对抗网络（GANs）。

其中，VAEs使用无监督的NN学习复杂的数据分布。虽然VAEs是AEs的一种类型，但其编码分布在训练过程中被正则化，以确保其潜伏空间（即压缩数据的表示）具有生成新数据的良好特性。

GANs由两个竞争中的NN组成，其中一个生成器网络G学习捕捉数据分布并生成新数据，一个判别器模型D估计一个给定样本来自生成器而不是初始训练数据的概率。因此，生成器被用来产生误导性的样本，并验证判别器可以确定一个给定的样本是真的还是假的。

2.3 强化学习

这个ML的子集涉及到与那些使用监督、半监督或无监督学习不同的学习方法。强化学习是关于学习采取什么行动，希望最大化奖励信号，这是一个数字奖励，编码一个行动的成功结果。智能体必须通过尝试每个行动来找到哪些行动能带来最大的回报，如图6所示。这些行动可以影响到即时奖励以及后续奖励。一些RL方法需要引入DL；这种方法是深度RL（DRL）的一部分。

图6 强化学习场景:一个智能体采取行动并从环境中获得反馈。

在RL过程中遇到的挑战之一是平衡探索和利用之间的权衡。为了获得最大的即时奖励，RL智能体必须进行开发，即选择以前探索过并发现是最好的行动。为了找到这样的行动，它必须探索解决空间，即尝试新的行动。

所有的RL智能体都有明确的目标，意识到他们环境的某些方面，可以采取影响他们环境的行动，并在他们环境的重大不确定性下采取行动。除了智能体和环境之外，RL系统还有四个子元素：策略、奖励信号、价值函数，有时还有环境模型。

在RL中，学习涉及智能体确定最佳方法，将环境的状态映射到处于这些状态时要采取的行动。每次行动后，环境向RL智能体发送一个奖励信号，这是RL问题的目标。与奖励带来的对行动的即时评价不同，价值函数估计了智能体在较长时期内可以预期得到的奖励总额。最后，一个环境模型模仿了环境的行为。这些模型可用于规划，允许智能体在未来可能发生的情况之前考虑这些情况。解决利用模型的RL问题的方法被称为基于模型的方法，而没有模型的方法被称为无模型方法。事实上，当构建一个足够精确的环境模型是相当具有挑战性的时候，无模型的方法可能更有优势。

2.4 讨论

2.4.1 模型选择

人工智能是一个广泛的领域，包含了各种方法，每一种方法都包含了几种算法。人工智能可以基于预定义的规则或基于ML。这种学习可以是监督的、半监督的、无监督的或强化学习；在这些类别中的每一种学习都可以是深度的或浅度的。由于每种方法都为人工智能世界提供了不同的东西，对每种方法的兴趣应该取决于给定的问题；更复杂的方法或算法不一定能带来更好的结果。例如，一个常见的假设是，DL比浅层学习更好。虽然这在一些情况下是成立的，特别是对于感知问题，如计算机视觉问题，但它并不总是适用的，因为DL算法需要更多的计算资源和大型数据集，而这些并不总是可用的。当一个完全标记的数据集可用时，监督学习是一种有效的方法。然而，情况并非总是如此，因为数据获取可能很昂贵、很困难甚至不可能。在这种情况下，半监督或无监督的学习或RL更适用。无监督学习可以在非标签数据中找到隐藏的模式，而RL则是学习实现某种任务的最佳策略。因此，无监督学习是一个从数据中提取信息的好工具，而RL更适合于决策任务。因此，对一种方法或算法的选择不应该基于它所认为的优雅，而应该将该方法与手头的问题的特点相匹配，包括目标、数据质量、计算资源、时间限制和未来的更新。解决一个问题可能需要一个以上的方法的组合。

在评估问题和选择方法之后，必须选择一种算法。虽然ML有数学基础，但它仍然是一个经验性的研究领域。为了选择最好的算法，数据科学和ML的研究人员和工程师根据经验对一个给定问题的不同算法进行比较。通过将数据分割成训练集和测试集来比较算法。训练集然后被用来训练模型，而测试集则是用来比较模型之间的输出。

在竞争性的数据科学中，如Kaggle比赛中，每个增量都很重要，模型经常被组合起来以提高其整体结果，各种组合技术，如bagging、boosting和adaptive boosting都被使用。

2.4.2 模型正则化

在选择了方法和算法之后，一般会进行超参数调整以提高算法的输出。在大多数情况下，ML算法依赖于许多超参数；因此，为一个给定的问题选择最佳的超参数可以获得更高的精度。这一步可以通过直观地选择更好的超参数来手动完成，也可以使用各种方法自动完成，如网格搜索和随机方法。

ML中一个常见的陷阱是过度拟合，在此期间，机器停止学习（泛化），而是开始记忆数据。当这种情况发生时，模型可以在看到的数据上取得良好的结果，但在面对新的数据时就会失败，即训练误差减少，测试误差增加，如图7所示。过度拟合可以通过将数据分割成训练集、验证集和测试集来发现，其中验证集和测试集都不用于训练模型。训练集用于训练模型，验证集用于验证未见过的数据上的模型预测，并用于超参数调整，测试集用于模型的最终测试。

可以采用多种方法来减少过拟合。可以通过增加数据集的大小来减少过拟合，这在计算机视觉领域是很常见的。例如，可以通过对图像进行变换来增加图像数据，如旋转、翻转、添加噪音或切割图像的一部分。虽然它很有用，但这种技术并不总是适用。另一种方法是使用交叉验证法，而不是将数据分成训练集和验证集。早期停止，如图7所示，包括在算法开始记忆数据之前停止学习过程。集合学习，即各种模型，被巧妙地生成和合并以解决特定问题的过程，也被普遍使用。

图7 训练时间内的训练和测试错误。早期停止是常见的技术，通过在早期阶段停止训练过程，即当测试误差开始显著增加时，来减少过度拟合。

2.4.3 炒作和希望

在过去的十年里，由于投资呈指数级增长，人工智能研究，包括其各个子领域，都取得了快速的进展。尽管有些人无法预见人工智能的真正潜力、后果和相关性，但它将成为全球技术的一个组成部分。作者认为，人工智能的不可避免的进步可能会产生长期的影响，人工智能将可能成为从数学到卫星通信等所有科学领域的多样化应用的主要部分。

3 卫星通信的人工智能

3.1 波束跳动

3.1.1 定义和限制

卫星资源是昂贵的，因此需要涉及优化和分时的高效系统。在传统的卫星系统中，资源是固定的，并且均匀地分布在各波束上。因此，传统的大型多波束卫星系统显示出所提供的资源和所要求的资源之间的不匹配；一些点波束的需求高于所提供的容量，使需求悬而未决（即热点），而其他点波束的需求低于所安装的容量，使所提供的容量未被使用（即冷点，如图8所概述的）。因此，为了改善多波束卫星通信，有必要在服务覆盖区域内对卫星资源进行机载灵活分配，以实现更有效的卫星通信。

图8 各波束之间的需求-容量不匹配，这表明了在多波束卫星系统中，在所有波束中使用固定和均匀分布的资源的局限性。

波束跳动（BH）已经成为一种有前途的技术，在管理非均匀和变化的流量请求方面实现更大的灵活性，在整个一天、一年和卫星覆盖区的寿命期间。BH涉及到用少量的活动波束动态地照亮每个单元，如图9所总结的那样，从而利用所有可用的机载卫星资源，只向波束的一个子集提供服务。这个子集的选择是随时间变化的，取决于通信需求，而通信需求是基于与时间空间相关的BH照亮模式。被照亮的光束只有足够长的时间来满足每个光束的要求。因此，BH系统中具有挑战性的任务是决定哪些光束应该被激活以及激活多长时间，即BH照明模式；这项责任交给资源管理器，然后通过遥测、跟踪和指令将选定的模式转发给卫星。

图9 波束跳动（BH）的简化结构。TT&C代表遥测、跟踪和指令。

在研究人员提供的实现BH的各种方法中，大多数都是基于经典的优化算法。例如，Angeletti等人证明了使用BH时系统性能的几个优点，并提出使用遗传算法（GA）来设计BH照亮模式；Anzalchi等人也说明了BH的优点，并比较了BH和非跳跃系统的性能。Alberti等人提出了一种启发式迭代算法来获得BH照亮设计的解决方案。BH也被用来减少Terabit/s卫星的转发器放大器的数量。还提出了一种迭代算法，在联合BH设计和频谱分配中，在某些波束需求和功率限制下，最大限度地提高整体提供的容量。Alegre等人设计了两种启发式算法来分配基于每波束流量请求的容量资源，然后进一步讨论了长期和短期的流量变化并提出了处理这两种变化的技术。Liu等人研究了BH系统中控制流量到达率的技术。BH卫星中的QoS延迟公平平衡问题也得到了解决。Shi等人和Ginesi等人提出了联合BH方案，以进一步提高星载资源分配的效率。为了找到最佳的BH照亮设计，Cocco等人使用了模拟退火算法。

尽管采用优化算法在BH系统的灵活性和减少延迟方面取得了令人满意的结果，但仍有一些困难。由于搜索空间随着光束数量的增加而急剧增加，设计BH照亮模式的一个固有的困难是找到最佳设计，而不是许多局部优化中的一个。对于有成百上千个光束的卫星，经典的优化算法可能需要很长的计算时间，这在很多情况下是不现实的。

此外，经典的优化算法，包括GAs或其他启发式算法，在场景发生适度变化时需要修改；这导致了更高的计算复杂性，这对星载资源管理来说是不切实际的。

3.1.2 基于人工智能的解决方案

为了克服这些限制并提高BH的性能，一些研究人员提出了基于人工智能的解决方案。其中一些解决方案完全基于学习方法，即端到端学习，其中BH算法是一种学习算法。另一些则试图通过增加一个学习层来改进优化算法，从而将学习和优化结合起来。

为了优化多波束卫星系统的传输延迟和系统吞吐量，Hu等人制定了一个优化问题，并将其建模为马尔可夫决策过程（MDP）。然后，DRL被用来解决BH照亮设计，并优化建模的MDP的长期累积奖励。结果，与以前的算法相比，所提出的基于DRL的BH算法可以减少高达52.2%的传输延迟，并将系统的吞吐量提高了11.4%。

为了结合端到端学习方法和优化方法的优势，进行更有效的BH照亮模式设计，Lei等人[57]提出了一种学习和优化算法来处理光束跳动模式的照亮选择，其中，基于全连接NN的学习方法被用来预测非最佳的BH模式，从而解决在大搜索空间中应用优化算法时所面临的困难。训练有素的ML算法被用来提供一个预测的特征向量，然后用来从原始搜索空间中删除大量的无前途的设计。因此，基于学习的预测减少了搜索空间，优化可以减少在较小的有希望的BH模式集上。

研究人员还为DVB-S2X卫星采用了多目标DRL（MO-DRL）。在实际条件下，Zhang等人证明了低复杂度的MO-DRL算法可以保证每个小区的公平性，并且比以前的技术（包括DRL）更好地改善了吞吐量，提高了0.172%。相比之下，产生类似结果的GA的复杂度大约是MO-DRL模型的110倍。Hu等人提出了一种基于双环学习的多行动选择技术，并使用DNN获得了一个多维的状态。他们的研究结果表明，所提出的技术可以同时实现不同的目标，并且可以通过适应用户需求和信道条件来智能地分配资源。

3.2 抗干扰

3.2.1 定义和限制

卫星通信系统需要覆盖广泛的区域，并提供高速、通信和高容量的传输。然而，在使用卫星的战术通信系统中，可靠性和安全性是首要考虑的问题；因此，抗干扰（AJ）能力是必不可少的。干扰攻击可以向卫星网络中的主要位置和关键设备发起，以减少甚至瘫痪吞吐量。因此，一些抗干扰方法已经被设计出来，以减少可能的攻击，保证卫星通信的安全。

在许多先前使用卫星的战术通信系统中，跳频（FH）扩频方法一直是首选。Bae等人利用采用频分多址（FH-FDMA）方案的脱跳转发器方法，开发了一种具有AJ能力的高效同步方法。

大多数先前的AJ技术都不是基于学习的，因此无法处理那些能够通过互动和学习不断调整干扰方法的智能干扰技术。发展中的人工智能算法提供了先进的工具来实现基于学习方法的多样化和智能干扰攻击，因此对卫星通信的可靠性构成了严重威胁。在这样的两个例子中，一个智能干扰分配自动调整了干扰信道，而一个智能干扰器则通过调整干扰功率和信道使干扰效果最大化。此外，攻击可能是由多个干扰器同时实施基于学习方法的智能干扰攻击造成的。尽管这可能是一种不太可能的情况，但还没有被认真考虑。此外，大多数研究人员都专注于防御基于频率领域的AJ攻击，而不是基于空间的AJ技术，如路由AJ。

3.2.2 基于人工智能的解决方案

通过使用长短时记忆（LSTM）网络，也就是DL RNN，来学习信号的时间趋势，Lee等人证明了在之前讨论的FHFDMA方案中，整体同步时间的减少。

在移动通信中，移动设备可以在动态博弈框架下，利用RL实现最优的通信策略，而不一定知道干扰和无线电信道模型。Han等人提出使用AJ的学习方法来阻止卫星互联网（IoS）中的智能干扰，使用基于空间的AJ方法，即AJ路由，总结在图10中。通过将博弈论建模与RL相结合，并将智能干扰器和卫星用户之间的互动建模为Stackelberg AJ路由博弈，Han等人证明了如何使用DL来处理IoS的高动态性造成的巨大决策空间，以及使用RL来处理卫星和智能干扰环境之间的相互作用。DRL，特别是演员评论家算法，以源节点为状态，评论者网络评估所选行动的预期回报，使得解决异构IoS的路由选择问题成为可能，同时保留了一个可用的路由子集，以简化Stackelberg AJ路由游戏的决策空间。基于这个路由子集，一种流行的RL算法Q-Learning被用来快速响应智能干扰并调整AJ策略。

图10 基于空间的抗干扰（AJ）路由。红线代表发现的干扰路径，绿线代表建议的路径。

后来，Han等人将博弈论建模和RL结合起来，根据卫星支持的军队物联网（SatIoT）的动态和未知干扰环境获得AJ策略。在这里，研究了分布式动态AJ联盟形成博弈，以减少干扰环境中的能源使用，并提出了一个层次化的AJ Stackelberg博弈，以表达干扰者和SatIoT设备之间的对抗性互动。最后，利用基于Q-Learning的算法，根据干扰环境得到次优的AJ策略。

3.3 网络流量预测

3.3.1 定义和限制

网络流量预测是一种主动的方法，旨在保证可靠和高质量的通信，因为流量的可预测性在许多卫星应用中是很重要的，如拥堵控制、动态路由、动态信道分配、网络规划和网络安全。卫星网络流量是自相似的，并显示出长距离依赖性（LRD）。因此，为了实现准确的预测，有必要考虑其自相似性。然而，基于自相似性的地面网络模型具有很高的计算复杂性；由于卫星上的计算资源有限，地面模型并不适合卫星使用。因此，需要对卫星网络进行有效的流量预测设计。

一些研究人员已经对地面和卫星网络进行了流量预测；这些技术包括马尔科夫、自回归移动平均（ARMA）、自回归综合移动平均（ARIMA）和分数ARINA（FARIMA）模型。通过使用经验模式分解（EMD）来分解网络流量，然后应用ARMA预测模型，Gao等人展示了显著的改进。

卫星流量预测面临的两个主要困难是卫星网络的LRD和有限的机载计算资源。由于卫星网络的LRD特性，短距离依赖（SRD）模型未能实现精确的预测。虽然以前的LRD模型取得了比SRD模型更好的结果，但它们存在着高复杂性。为了解决这些问题，研究人员转向了人工智能技术。

3.3.2 基于人工智能的解决方案

Katris和Daskalaki将FARIMA与NN结合起来用于互联网流量预测，而Pan等人将差分进化与NN结合起来用于网络流量预测。由于经典的NNs的高复杂性，最小平方SVM，即SVM的优化版本，也被用于预测。通过应用主成分分析（PCA），减少输入维度，然后采用广义回归NN，Liu和Li以较少的训练时间实现了较高的预测精度。Na等人将流量预测作为其低地轨道卫星网络分布式路由策略的一部分。极端学习机（ELM）也被用于路由前卫星节点的流量负载预测。Bie等人使用EMD将具有LRD的卫星流量分解为具有SRD的系列，并在一个频率上，以降低预测的复杂性并提高速度。他们将EMD、果蝇优化和ELM方法结合起来，以更高的速度实现了更准确的预测。

3.4 信道建模

3.4.1 定义和限制

信道模型是对无线信号传播的通信信道效果的数学表示；它被建模为信道在频域或时域的脉冲响应。

无线信道对可靠的高速通信提出了各种挑战，因为它容易受到噪声、干扰和其他信道障碍的影响，包括路径损耗和阴影。其中，路径损耗是由发射器发出的功率浪费和传播信道效应造成的，而阴影是由接收器和发射器之间的障碍物吸收功率造成的。

需要精确的信道模型来评估移动通信系统的性能，从而提高现有部署的覆盖率。信道模型也可以用来预测设计的部署大纲中的传播情况，这可以在部署前进行评估，并优化实际系统的覆盖和容量。对于少量的发射器的可能位置，可以进行户外广泛的环境评估，以估计信道的参数。随着更先进的技术被用于无线通信，需要更先进的信道建模。因此，使用随机模型在计算上是有效的，同时提供令人满意的结果。

光线追踪（Ray Tracing）被用于信道建模，这需要三维图像，这些图像一般使用计算机视觉方法生成，包括基于立体视觉的深度估计。

为城市环境提出了一个模型，该模型需要的特征包括道路宽度、街道方向的角度和建筑物的高度。随后，Fernandes和Soares提出了一个简化的模型，只需要接收器和发射器之间的建筑物占用比例，这可以从分割的图像中手动或自动计算出来。

尽管所列的一些技术性能令人满意，但它们仍然有许多局限性。例如，光线追踪所需的三维图像通常无法获得，而且其生成在计算上也不高效。即使在有图像的情况下，光线追踪的计算成本也很高，数据也很详尽，因此不适合实时优化覆盖区域。此外，Cichon和Kümer提出的模型所需的详细数据往往无法获得。

3.4.2 基于人工智能的解决方案

一些早期的人工智能在路径损耗预测方面的应用是基于经典的ML算法，如SVM ，NNs和决策树。有兴趣的读者可以参考基于ML的路径损失预测方法的调查，以了解更多细节。

然而，尽管以前的ML工作已经显示出巨大的成果，但许多都需要3D图像。因此，研究人员最近将注意力转移到使用DL算法与2D卫星/航空图像进行路径损失预测。例如，Ates等人使用深度CNN从卫星图像中逼近信道参数，包括阴影的标准偏差和路径损失指数，而不使用任何添加的输入参数，如图11所示。

图11 通道参数预测。二维卫星/航空图像作为深度卷积神经网络（CNN）的输入，用于预测通道参数。该模型为每个参数单独训练。

通过在卫星图像上使用DL模型和其他输入参数来预测特定场景/区域内特定接收器位置的参考信号接收功率（RSRP），Thrane等人证明了在811和2630MHz时的增益分别比以前的技术（包括光线追踪）有所提高。同样，Ahmadien等人在卫星图像上应用DL进行路径损耗预测，尽管他们只关注没有任何补充特征的卫星图像，并在更普遍的数据上做文章。尽管这种方法很实用，因为它只需要卫星图像来预测路径损失分布，但二维图像并不总是足以描述三维结构的特征。在这些情况下，必须将更多的特征（如建筑高度）输入模型。

3.5 遥测开采

3.5.1 定义和限制

遥测是为控制和监测而记录和传输测量结果的过程。在卫星系统中，星载遥测帮助任务控制中心跟踪平台的状态，检测异常事件，并控制各种情况。

卫星故障可能是由多种原因造成的；最常见的故障是由于太空的恶劣环境，即热、真空和辐射。辐射环境会影响卫星的关键部件，包括通信系统和电源。

遥测处理能够跟踪卫星的行为，以检测和减少故障风险。通过处理与卫星有关的几个特征（如温度、电压和电流），寻找相关性、识别模式、检测异常、分类、预测和聚类被应用于所获得的数据，以进行故障诊断和可靠的卫星监测。

遥测分析中使用的最早和最简单的技术之一是极限检查。该方法的基础是为每个特征设定一个精确的范围，然后监测每个特征的方差，以检测超范围事件。这种算法的主要优点是其简单的限制，因为可以很容易地选择和更新，以控制航天器的运行。

具有复杂和先进应用的航天器对目前的空间遥测系统提出了挑战。狭窄的无线带宽和固定长度的帧遥测使传输快速增加的遥测量变得困难。此外，航天器和地面站之间不连续的短期接触限制了数据传输能力。由于数据的高度复杂性，分析、监测和解释巨大的遥测参数可能是不可能的。

3.5.2 基于人工智能的解决方案

近年来，人工智能技术在有遥测的空间任务中已被大量考虑。卫星健康监测已经使用概率聚类、降维、隐马尔科夫和回归树进行，而其他人已经开发了使用k-近邻（kNN）、SVM、LSTM的异常检测方法，并对国家空间研究中心航天器的遥测数据进行测试。

此外，使用数据驱动和基于模型的监测方法，在不同的空间应用中进一步开发了空间功能助手。在他们对人工智能用于一般故障诊断和空间利用的研究中，Sun等人认为最有希望的方向是使用DL；建议将其用于中国空间利用的故障诊断。

Ibrahim等人利用埃及一号卫星的遥测数据比较了不同的ML算法，证明了LSTM、ARIMA和RNN模型的高预测精度。他们建议用简单的线性回归来预测短寿命卫星（即3-5年）的关键卫星特征，用NN来预测长寿命卫星（15-20年）。

与设计在地面任务控制中心运行的算法不同，Wan等人提出了一种自学分类算法，以低计算复杂度和低时间延迟的方式实现机载遥测数据分类。

3.6 电离层闪烁检测

3.6.1 定义与限制

卫星向地球传输的信号会受到明显的影响，因为它们在大气层中的传播，特别是电离层，这是大气层较高的电离部分，以自由电子的密度升高为特征（图12）。电离的潜在不规则性和梯度会扭曲信号的相位和振幅，这个过程被称为电离层闪烁。

图12 电离层闪烁的表示，在信号传播过程中发生失真。蓝色、绿色和红色线条分别表示从卫星到地球天线的视线信号路径、信号波动和信号延迟。

特别是，通过电离层的传播可以导致全球导航卫星系统（GNSS）信号的失真，导致卫星向地球传输的信号受到明显影响，因为它们通过大气层传播，特别是电离层，它是大气层较高的电离部分，以自由电子的密度升高而区分（图12）。电离的潜在不规则性和梯度会扭曲信号的相位和振幅，这个过程被称为电离层闪烁。特别是，通过电离层的传播会造成全球导航卫星系统（GNSS）信号的失真，导致基于GNSS的应用出现重大错误。全球导航卫星系统是无线电通信卫星系统，允许用户通过处理从卫星传输的信号和进行三坐标测量来计算地球上任何地方的当地时间、速度和位置。全球导航卫星系统还可用于各种应用，如科学观测。

由于GNSS波的接收功率很低，任何误差都会大大威胁到定位系统的准确性和可信度。在电离层中传播的GNSS信号面临着时间延迟和闪烁的可能性。尽管所有的GNSS接收机都采用了延迟补偿方法，但闪烁仍然是一个相当大的问题，因为其准随机性使其难以建模。因此，电离层闪烁仍然是限制GNSSs高精度应用的一个主要因素。因此，为了提高GNSS的可信度和质量，需要对闪烁进行准确的检测。

为了观察这些信号，这些信号是解释和模拟高层大气的知识来源，并为基于GNSS的应用提高警惕和采取对策，已经在预计会发生闪烁的高低纬度地区安装了GNSS接收机网络。因此，强大的接收机和适当的闪烁检测算法都是需要的。为了评估影响信号的闪烁程度，许多研究人员采用了简单的事件触发器，基于两个信号的振幅和相位在规定时间内的比较。其他提议的替代方法包括使用小波技术，通过自适应频率-时间技术分解载波-噪声密度功率分布，以及评估收集的样本的直方图统计特性。

由于闪烁的复杂性，使用简单的预定义阈值来评估闪烁的大小可能是欺骗性的。丢失事件的瞬时阶段可能会导致延迟提出可能的警告信号，而具有高变异性的弱事件可能会被遗漏。此外，它可能难以区分由其他现象（包括多路径）引起的信号失真。然而，其他建议的替代方案依赖于复杂的、计算成本高的操作，或依赖于定制的接收器架构。

3.6.2 基于人工智能的解决方案

最近，研究证明可以利用人工智能来检测闪烁现象。例如，Rezende等人提出了一项数据挖掘方法的调查，该方法依赖于观察和整合GNSS接收机。

有人提出了一种基于SVM算法的技术用于振幅闪烁检测，后来又扩展到相位闪烁检测。

通过使用决策树和射频来系统地检测影响GNSS信号振幅的电离层闪烁事件，Linty等人提出的方法在准确性（99.7%）和Fscore（99.4%）方面超过了最先进的方法，从而达到人工驱动注释的水平。

最近，Imam和Dovis提出使用决策树来区分GNSS闪烁数据中的电离层闪烁和多路径。他们的模型将数据注释为闪烁的、受多路径影响的或干净的GNSS信号，显示出96%的准确性。

3.7 干扰管理

3.7.1 定义和限制

干扰管理对于卫星通信运营商来说是强制性的，因为干扰会对通信信道产生负面影响，导致服务质量下降，运行效率降低和收入损失。此外，干扰是一个常见的事件，随着越来越多的国家发射卫星和更多的应用预期，卫星频段的拥挤程度也在增加。随着共享同一频段的用户数量不断增加，干扰的可能性也在增加，故意干扰的风险也在增加，这一点将在第3.2节中讨论。

因此，干扰管理对于维护高质量和可靠的通信系统至关重要；管理包括检测、分类和抑制干扰，以及应用技术来减少干扰的发生。

干扰检测是过去几十年来一直在研究的课题，特别是对于卫星通信。

然而，研究人员通常依赖于假设检验的决策理论，其中需要关于信号特性和信道模型的具体知识。由于当代的无线标准多种多样，为每个信号类别设计特定的探测器是没有结果的方法。

3.7.2 基于人工智能的解决方案

为了最大限度地减少干扰，Liu等人提出了一个框架，结合不同的人工智能方法，包括SVM、无监督学习和DRL，用于卫星选择、天线指向和跟踪，从而将人工智能用于卫星-地面网络中的移动终端和站点。

另一种基于人工智能的方法，执行自动实时干扰检测，是通过使用在历史无异常频谱上训练的LSTM来预测在无异常情况下将会收到的以下信号频谱。在这里，预测的频谱与接收的信号进行比较，使用设计的指标，以检测异常。

Henarejos等人提出使用两种基于人工智能的方法，DNN AEs和LSTM，分别用于检测和分类干扰。在前者中，用无干扰信号训练AE，并与其他无干扰信号进行测试，以获得实用的阈值。然后利用有干扰和无干扰信号的误差差异来检测干扰的存在。

3.8 遥感

3.8.1 定义和限制

遥感是通过处理一个地区、物体或现象在远处的反射和发射的辐射，一般从卫星或飞机上提取有关信息的过程。

RS在多个领域有广泛的应用，包括土地测量、地理学、地质学、生态学、气象学、海洋学、军事和通信。由于RS提供了监测危险、困难或不可能进入的地区的可能性，包括山区、森林、海洋和冰川，它是一个受欢迎和活跃的研究领域。

3.8.2 基于人工智能的解决方案

由DL引起的计算机视觉能力的革命导致了RS的发展，通过在卫星图像上采用最先进的DL算法，用于RS的图像分类已经成为计算机视觉中最受欢迎的任务。例如，Kussul等人利用Landsat-8和Sentinel-1A的RS图像在乌克兰的一个测试点上进行土地覆盖和作物类型的分类。Zhang等人通过使用梯度增强的随机CNN来结合DNN进行场景分类。最近，Li等人提出将kNN和CNN结合起来，利用RS成像绘制全球珊瑚礁海洋栖息地。RS和人工智能也被用于通信理论的应用，如第3.4节中讨论的那些。

许多物体检测和识别应用已经在RS图像上使用人工智能进行开发。最近，Zhou等人提出使用YOLOv3，一种基于CNN的物体检测算法，用于RS图像中的车辆检测。还有人提出将DL用于其他物体检测任务，如建筑、飞机、云、船舶和军事目标[166]检测。人工智能也被用于分割和恢复RS图像，例如，在云层恢复中，被云层遮挡的地面区域被恢复。

最近，Zheng等人提出了一种两阶段的去云方法，其中U-Net和GANs被用来分别进行云的分割和图像修复。

AI提出用于敏捷地球观测卫星的机载调度，因为自主性提高了它们的性能，并允许它们获取更多的图像，通过依靠机载调度进行快速决策。通过比较使用RF、NN和SVM与先前的学习和基于非学习的方法，Lu等人证明RF提高了解决方案的质量和响应时间。

3.9 行为模型

3.9.1 定义和限制

由于不同轨道、形状、大小、方向和功能的活跃和不活跃（碎片）卫星的数量不断增加，分析人员同时监测所有卫星变得不可行。因此，人工智能，特别是ML，可以通过帮助实现这一过程的自动化来发挥重要作用。

3.9.2 基于人工智能的解决方案

Mital等人讨论了ML算法对卫星行为建模的潜力。监督模型被用来确定卫星的稳定性，而无监督模型被用来检测异常行为和卫星的位置，RNN被用来预测卫星随时间的机动性。

准确的卫星姿态估计，即确定卫星的相对位置和姿态，在一些空间操作中至关重要，如碎片清除、航天器间通信和对接。Chen等人最近提出的通过联合ML和几何优化从单一图像中进行卫星姿态估计的建议，在最近由欧洲航天局组织的Kelvins姿态估计挑战中获得了第一名。 .

在过去的几年里，空间碎片的数量大大增加，由于碎片的高速度，会对空间任务造成重要威胁。因此，必须对空间物体进行分类，并应用避免碰撞的技术来保护活动卫星。因此，Jahirabadkar等人对各种人工智能方法进行了调查，利用光的曲线作为区分属性对空间物体进行分类。

Yadava等人利用NN和RL进行机载姿态确定和控制；他们的方法有效地提供了所需的扭矩，使一颗纳米卫星沿三轴稳定。

为了避免因电池故障而导致的灾难性事件，Ahmed等人利用ML和数据逻辑分析方法开发了一个机载电池剩余寿命估计系统。

3.10 天空地一体化

3.10.1 定义与限制

最近，地面通信系统取得了显著的进步，为用户提供了更高质量的互联网接入。然而，由于网络容量和覆盖面积的限制，这种服务不可能随时随地都能实现，特别是对于农村或灾区的用户。

虽然地面网络拥有最多的资源和最高的吞吐量，但非地面通信系统有更广泛的覆盖区域。然而，非地面网络有其自身的局限性；例如，卫星通信系统有较长的传播延迟，而空中网络有较窄的容量和不稳定的链接。

为了向用户提供更好和更灵活的端到端服务，研究人员建议使用SAGINs，其中包括空间的卫星、气球、飞艇、空中的无人机和地面部分，如图13所示。

图13 天空地综合网络（SAGINs）

由GEO、MEO和LEO卫星组成的多层卫星通信系统，可以使用多播和广播的方法来改善网络容量，极大地减轻了不断增加的交通负担。由于SAGINs允许数据包通过不同质量的多条路径传输到目的地，它们可以提供不同的数据包传输方法以满足不同的服务需求。

然而，由于SAGINs固有的自组织性、时间可变性和异质性，其设计和优化比传统地面通信系统更具挑战性。因此，在设计优化技术时必须考虑的各种因素已经确定。例如，不同的传播媒介，不同的通信类型共享频段，空间和空中部分的高流动性，以及三个部分之间固有的异质性，使得SAGINs的网络控制和频谱管理变得十分艰巨。高流动性导致频繁的交接，这使得安全路由更难实现，从而使SAGINs更容易受到干扰。此外，由于优化能源效率也比标准地面网络更具挑战性，因此也需要能源管理算法。

3.10.2 基于人工智能的解决方案

在讨论SAGINs面临的挑战时，Kato等人提出使用CNN解决路由问题，利用流量模式和GEO和MEO卫星的剩余缓冲区大小来优化SAGIN的整体性能。

优化卫星选择和无人机位置以优化源-卫星-无人机-目的地通信的端到端数据率，由于庞大的轨道卫星数量和以下时间变化的网络结构，是具有挑战性的。为了解决这个问题，Lee等人通过DRL联合优化了源-卫星-无人机的关联和无人机的位置。他们建议的技术在没有无人机和卫星的情况下，平均数据速率比直接通信基线高5.74倍。

为了卸载计算密集型应用，已经开发了一个SAGINs边缘/云计算设计，其方式是卫星提供对云的访问，而无人机允许接近用户的边缘计算。在这里，一个联合的资源分配和任务调度方法被用来为虚拟机分配计算资源，并为无人机边缘服务器安排卸载任务，而基于RL的计算卸载方法处理多维的SAGINs资源并学习动态网络条件。这里，采用了一种联合资源分配和任务调度的方法，将计算资源分配给虚拟机，并为无人机边缘服务器规划卸载的功能，而基于RL的计算卸载方法则处理多维SAGINs资源并学习动态网络特性。仿真结果证实了建议技术的效率和收敛性。

由于异构多层网络需要先进的容量管理技术，Jiang和Zhu[181]提出了一种低复杂度的卫星间容量计算技术，使用基于时间结构的增强路径搜索方法，并提出了一个基于RL的长期最优容量分配模型来最大化系统的长期效用。

Qiu等人将联合资源分配问题表述为一个联合优化问题，并使用DRL方法，提出了一个软文定义的卫星-地面网络，以联合管理缓存、网络和计算资源。

3.11 能源管理

3.11.1 定义与限制

最近在地面、空中和卫星网络（如SAGINs）之间的连接进展增加了对卫星通信网络的要求。这种对卫星的日益关注导致了能源消耗要求的增加。因此，卫星能源管理是卫星通信进一步发展的一个热点研究课题。

与地球同步轨道卫星相比，低地轨道卫星的机载资源有限，而且移动迅速。此外，由于其体积小，低地轨道卫星的能源容量有限；由于需要为全球数十亿的设备提供服务，目前的卫星资源能力已无法满足需求。为了解决卫星通信资源短缺的问题，必须设计一个有效的资源调度方案，以充分利用有限的资源。由于目前的资源分配方案大多是为地球同步轨道卫星设计的，然而，这些方案并没有考虑许多低地轨道的具体问题，如受限的能源、运动属性或连接和传输动态。

3.11.2 基于人工智能的解决方案

一些研究人员因此转向了基于人工智能的节电方案。例如，Kothari等人建议在数据传输前使用DNN压缩，以改善延迟并节省电力。在没有太阳光的情况下，卫星依赖于电池能量，这给卫星电池带来了沉重的负担，并会缩短其使用寿命，导致卫星通信网络的成本增加。为了优化使用低地轨道卫星的卫星对地通信中的功率分配，从而延长它们的电池寿命，Tsuchida等人[185]采用了RL，将超负荷的卫星与负荷较低的附近卫星分担工作负荷。同样，在Satlot中实施DRL进行节能信道分配，与以前的模型相比，可以减少67.86%的能耗。移动边缘计算增强的SatIoT网络包含不同的卫星和几个卫星网关，可以通过耦合用户关联、卸载决策计算和通信资源分配进行联合优化，以最小化延迟和能源成本。在最近的一个例子中，Cui等人提出的基于DRL的联合用户关联和卸载决策与最佳资源分配方法，改善了长期延迟和能源成本。

3.12 其他应用

3.12.1 交接优化

由于低地轨道卫星的动态连接模式，当通信端点之间需要改变一个或多个链路时，就会发生链路层的交接。低地轨道卫星的交接管理与地面网络有明显的不同，因为卫星的移动使交接发生的频率更高。因此，许多研究人员都关注低地轨道卫星网络中的切换管理。

一般来说，用户设备（UE）会定期测量不同小区的参考信号强度，以确保进入强势小区，因为交接决定取决于信号强度或其他一些参数。此外，历史RSRP包含的信息可以避免不必要的交接。

因此，Zhang等人[188]将交接决策转换为一个分类问题。尽管历史RSRP是一个时间序列，但采用了CNN而不是RNN，因为历史RSRP的特征图有很强的局部空间相关性，使用RNN可能会导致一系列错误的决策，因为一个决策在很大程度上影响了未来的决策。在提出的基于人工智能的方法中，超过70%的UE的交接减少了25%以上，而常用的 "最强波束"方法只减少了平均RSRP的3%。

3.12.2 热源布局设计

对所使用的热源进行有效的设计可以提高整个系统的热性能，因此已经成为多个工程领域的一个重要方面，包括集成电路设计和卫星布局设计。随着元件的尺寸越来越小，功率强度越来越高，热源布局设计已成为一个关键问题。传统上，最佳设计是通过反复运行热仿真来探索设计空间，比较每个方案的性能来获得的。为了避免传统技术的巨大计算负担，Sun等人采用了一种反设计方法，在这种方法中，热源的布局是根据给定的预期热性能直接生成的，其基础是一个名为 "显示、出席和阅读"的DL模型。他们开发的模型能够学习设计问题的基本物理学，因此能够有效地预测给定条件下的热源设计，而无需进行任何模拟。其他DL算法已被用于不同的设计领域，如机械学、光学、流体和材料。

3.12.3 反射阵分析和设计

ML算法已经被应用于天线的分析和设计，包括反射阵的分析和设计。例如，Shan等人使用NNs来预测相位移动，而克里格法则被建议用来预测反射阵组件的电磁响应。支持向量回归(SVR)被用来加速检查[205]并直接优化窄带反射阵。为了在不降低计算精度的前提下加快计算速度，Prado等人提出了一种基于宽频SVR的反射阵设计方法，并证明了其在直接广播卫星应用中获得宽频、双线性偏振和异形波束反射阵的能力。

3.12.4 载波信号检测

由于每个信号在分类、调制、解调、解码和其他信号处理之前都必须进行分离，因此载波信号在频域中的定位和检测是无线通信的一个关键问题。

用于载波信号检测的算法通常是基于阈值的，并且需要人工干预，尽管已经有了一些改进，包括使用双重阈值。Kim等人提出使用基于斜率跟踪的算法，根据信号的特性，如振幅、斜率、偏转宽度或相邻偏转之间的距离，来分离信号元素的间隔。

最近，DL被应用于载波信号检测；例如，Morozov和Ovchinnikov应用全连接的NN在FSK信号中进行检测，而Yuan等人用DL在宽带频谱数据中进行摩尔斯信号盲检测。Huang er al.采用全卷积网络（FCN）模型来检测宽带功率谱中的载波信号。FCN是一种用于语义图像分割的DL方法，其中宽带功率谱被视为一维图像，每个子载波为目标对象，将宽带上的载波检测问题转变为语义一维图像分割问题。这里设计了一个一维深度FCN模型，将宽带功率谱阵列上的每个点分为两类（即子载波或噪声），然后在宽带功率谱上定位子载波信号的位置。在分别使用模拟和真实的卫星宽带功率谱数据集进行训练和验证后，所提出的深度CNN成功地检测了宽带功率谱中的副载波信号，并取得了比斜率追踪法更高的精度。表3将不同的卫星通信方面与它们各自的基于人工智能的解决方案参考相匹配。

表3 各种卫星问题及其各自的基于人工智能的解决方案参考。

4 结论

这篇评论提供了人工智能及其不同子领域的概述，包括ML、DL和RL。然后介绍了卫星通信的一些限制，并讨论了他们提出的和潜在的基于人工智能的解决方案。人工智能的应用已经在各种各样的卫星通信方面显示出巨大的成果，包括波束跳跃、AJ、网络流量预测、信道建模、遥测挖掘、电离层闪烁检测、干扰管理、遥感、行为建模、空间-空气-地面整合以及能源管理。未来的工作应旨在应用人工智能，以实现更高效、安全、可靠和高质量的通信系统。尽管ML在一些应用中的精确性和准确性方面取得了巨大的成果，但为了更安全和可靠的通信，在ML的可解释性和对抗性ML方面仍有更多的工作要做。

Mohamed-Slim Alouini于1998年在美国加州帕萨迪纳的加州理工学院（Caltech）获得电气工程博士学位。他曾在美国明尼苏达州明尼阿波利斯市的明尼苏达大学任教，然后在卡塔尔的德克萨斯农工大学任教，2009年加入沙特阿拉伯王国Thuwal的阿卜杜拉国王科技大学（KAUST）的计算机、电气和数学科学与工程系，担任电气工程教授。他目前的研究兴趣包括无线通信系统的建模、设计和性能分析。

Fares Fourati目前正在沙特阿拉伯王国图瓦勒的阿卜杜拉国王科技大学（KAUST）计算机、电气和数学科学与工程部的通信理论实验室攻读电气和计算机工程的硕士/博士课程。他获得了突尼斯综合理工学院的工程师文凭。他目前的研究兴趣包括无线通信系统的机器学习。