衛星通信提供了在未覆蓋和未充分覆蓋地區的服務連續性、服務普遍性和服務可擴展性的前景。然而，要實現這些好處，必須首先解決幾個挑戰，因為衛星網絡的資源管理、網絡控制、網絡安全、頻譜管理和能源使用都比地面網絡更具挑戰性。同時，人工智能（AI），包括機器學習、深度學習和強化學習，作為一個研究領域一直在穩步增長，并在包括無線通信在內的各種應用中顯示出成功的結果。特別是，人工智能在各種衛星通信方面的應用已經顯示出巨大的潛力，包括波束跳躍、抗干擾、網絡流量預測、信道建模、遙測挖掘、電離層閃爍檢測、干擾管理、遙感、行為建模、天-空-地整合以及能源管理。因此，這項工作提供了一個關于人工智能、其不同子領域以及其最先進算法的總體概述。然后討論了衛星通信系統的不同方面所面臨的幾個挑戰，并提出了它們的擬議和潛在的基于人工智能的解決方案。最后，對該領域進行了展望，并提出了未來的研究和發展步驟。

關鍵詞：衛星通信；無線通信；人工智能；機器學習；深度學習；強化學習

1 引言

隨著無線通信系統的顯著進步，各領域對新服務的需求迅速增加，以及智能設備的快速發展，促使了對衛星通信系統的需求不斷增加，以補充傳統的地面網絡，使其在未覆蓋和未充分覆蓋的城市、農村和山區以及海洋地區提供接入。有三種主要的衛星類型，包括地球靜止軌道，也被稱為地球同步赤道軌道（GEO），中地球軌道（MEO）和低地球軌道（LEO）的衛星。這種分類取決于三個主要特征，即高度、光束足跡大小和軌道。GEO、MEO和LEO衛星圍繞地球的軌道高度分別為35786、7000-25000和300-1500公里。地球同步軌道衛星的波束覆蓋范圍為200至3500公里；MEO或LEO的波束覆蓋范圍為100至1000公里。GEO衛星的軌道周期與地球自傳周期相等，這使得它在地面觀察員看來是固定的，而LEO和MEO衛星的周期較短，許多LEO和MEO衛星需要提供連續的全球覆蓋。例如，Iridium NEXT有66顆低地軌道衛星和6顆備用衛星，SpaceX的Starlink計劃有4425顆低地軌道衛星和一些備用衛星，other-three-billion（O3b）有20顆MEO衛星，包括3顆在軌備用衛星。

衛星通信應用也可分為三類：（1）服務的連續性，在未覆蓋和未充分覆蓋的地區提供網絡接入；（2）服務的普遍性，在地面網絡因災害而暫時中斷或破壞的情況下，改善網絡的可用性；（3）服務的可擴展性，從地面網絡卸載流量。此外，衛星通信系統可以為各個領域提供覆蓋，如交通、能源、農業、商業和公共安全領域。

盡管衛星通信提供了更好的全球覆蓋和更高的通信質量，但它也有一些挑戰。衛星，尤其是低地軌道衛星，機載資源有限，而且移動迅速，給網絡接入帶來了高動態性。地面網絡的模型可能有很高的計算復雜性；由于衛星的機載計算資源有限，地面模型不適合衛星。空間段的高流動性，以及衛星層（GEO、MEO、LEO）、航空層（無人駕駛飛行器（UAV）、氣球、飛艇）和地面層之間固有的異質性，使得網絡控制、網絡安全和頻譜管理具有挑戰性。高流動性導致了頻繁的交接。因此，許多研究人員都關注衛星通信的交接管理。此外，頻繁的交接使得安全路由更難實現，從而使其更容易受到干擾。此外，實現衛星通信的高能源效率比地面網絡更具挑戰性。

一些調查已經討論了衛星通信系統的不同方面，如交接方案、移動衛星系統、衛星上的多輸入多輸出（MIMO）、用于遠程物聯網的衛星、衛星間通信系統、服務質量（QoS）提供、空間光學通信、空地一體化網絡、小型衛星通信、物理空間安全、CubeSat通信和非地面網絡。

同時，近年來對人工智能（AI）的興趣也在增加。人工智能，包括機器學習（ML）、深度學習（DL）和強化學習（RL），已經在科學和工程領域的不同應用中顯示出成功的結果，如電氣工程、軟件工程、生物工程和金融工程。一些研究人員因此求助于人工智能技術來解決各自領域的各種挑戰，并設計了各種成功的基于人工智能的應用，以克服無線通信領域的一些挑戰。意識到人工智能的潛力，從其他領域人工智能的成功應用中得到啟發，并考慮到衛星通信的固有困難，我們相信人工智能可以在衛星通信領域的幾個方面發揮巨大的優化作用。

一些人已經討論了人工智能及其在一般無線通信中的應用。另一些人則專注于人工智能在無線通信某一方面的應用，如物聯網的無線通信、網絡管理、無線安全、新興機器人通信、天線設計和無人機網絡。Vázquez等人簡要地討論了人工智能在衛星通信中的一些有前途的用例，而Kato等人則討論了人工智能在空天一體網絡中的應用。DL在空間應用中的使用也得到了討論。

總的來說，一些研究人員已經討論了無線和衛星通信系統，其中一些已經討論了人工智能在衛星通信的一個或幾個方面的使用；然而，對人工智能在衛星通信的不同方面的應用的廣泛調查還沒有進行。

因此，這項工作旨在提供對人工智能的介紹，討論衛星通信所面臨的各種挑戰，以及對基于人工智能的潛在應用的廣泛調查，以克服這些挑戰。第2節介紹了人工智能的總體概況、其不同的子領域以及其最先進的算法。第3節討論了衛星通信系統的不同方面所面臨的幾個挑戰，以及潛在的基于人工智能的解決方案；這些應用在圖1中進行了總結。其中一些應用是衛星通信所特有的，如波束跳動（BH）、遙測挖掘、電離層閃爍檢測和遙感（RS）。天空地綜合網絡（SAGINs）是另一種應用，其中衛星和非衛星網絡使用人工智能進行整合，以提供更靈活的服務。盡管其他一些應用與地面網絡有共同之處，但在衛星通信方面更具挑戰性，例如，由于衛星的機載資源有限，衛星網絡的能源管理受到更多限制。表1說明了應用人工智能算法來解決不同的衛星通信問題。為了便于參考，本文使用的首字母縮寫詞和縮略語在表2中列出。

圖1 人工智能在不同衛星通信方面的應用。

表1 各種人工智能算法及其各自的衛星通信應用。

表2 縮略語和全名

2 人工智能

雖然人工智能聽起來是一種新的方法，但它可以追溯到20世紀50年代，并且包含了幾種方法和范式。ML、DL、RL以及它們的交叉點都是人工智能的一部分，如圖2所概述的。因此，人工智能的主要部分遵循的是學習方法，盡管沒有任何學習方面的方法也包括在內。總的來說，對人工智能的研究旨在使機器變得更聰明，要么遵循一些規則，要么促進有指導的學習。前者指的是符號型人工智能；后者指的是ML。這里的更聰明表示有能力完成通常需要人類的復雜智力任務，如分類、回歸、聚類、檢測、識別、分割、計劃、調度或決策。盡管這種符號化的人工智能已經適用于許多應用，但它在更高級的問題上顯示出各種局限性，這些問題顯示出更多的復雜性，更少的結構，以及更多的隱藏特征，如計算機視覺和語言處理任務。為了解決這些限制，研究人員轉向了一種被稱為ML的學習方法。

圖2 人工智能、機器學習、深度學習和強化學習的關系。

2.1 機器學習

ML，包括DL和RL，是人工智能的一個子集。與符號人工智能不同的是，在符號人工智能中，機器被提供了解決某個問題的所有規則，而在ML中，機器被提供了背景，以便自己學習規則來解決這個問題。學習過程需要數據來提取模式和隱藏的結構；重點是找到數據的最佳代表，通過使用反饋信號的指導，在預定的可能性空間內搜索，從而接近預期的結果。為了實現這一目標，有三件事是必須的：輸入數據、預期輸出的樣本，以及衡量算法性能的方法。

ML算法通常被劃分為深度學習和非深度學習。雖然DL獲得了更高的人氣和關注度，但一些經典的非深度ML算法在某些應用中更有用，尤其是在數據缺乏的時候。ML算法也可以分為監督型、半監督型、無監督型和RL型，如圖3所示。在本小節中，只討論非RL和非深度ML方法；DL和RL分別在第2.2和2.3節中討論。

圖3 機器學習子領域。

2.1.1 監督、無監督和半監督學習

監督、無監督和半監督學習都是可以用來解決各種問題的ML方法。

在監督學習期間，所有的訓練數據都被標記了，即被貼上了正確答案的標簽。因此，該算法是完全受監督的，因為它可以在訓練過程中的任何時候檢查其預測是正確還是錯誤。監督模型從訓練數據中學習模式，然后能夠在推理過程中預測非標簽數據的標簽。監督學習已經被應用于分類和回歸任務。

由于標注可能由于缺乏信息而不可能，或者由于成本過高而不可行，無監督學習在訓練過程中采用了未標注的數據集。使用無標簽的數據，模型可以提取數據中隱藏的模式或結構，這對理解某種現象可能是有用的，或者其輸出可以作為其他模型的輸入。無監督學習通常被用于聚類、異常檢測、關聯和自動編碼器（AE）。

作為監督學習和無監督學習的中間地帶，半監督學習允許訓練數據的非標簽和標簽部分的混合。因此，當只有一小部分數據被標注和/或標注過程困難或昂貴時，半監督學習是一個很好的選擇。這種技術的一個例子是偽標簽，它被用來改善監督模型。

2.1.2 概率建模

概率建模，涉及使用統計技術分析數據的模型，是最早的ML形式之一。一個流行的例子是樸素貝葉斯分類器，它使用貝葉斯定理，同時假設所有的輸入特征是獨立的。另一個流行的例子是邏輯回歸；由于這種分類器的算法很簡單，它在數據科學界被普遍使用。

2.1.3 支持向量機

核方法是一類流行的算法；其中最著名的是SVM，其目的是找到一個決策邊界來對數據輸入進行分類。該算法將數據映射為高維表示，其中決策邊界被表示為一個超平面。然后，通過嘗試最大化超平面與每個類別中最近的數據點之間的距離來尋找超平面。在相當長的時間里，SVM是最先進的分類方法，并在一些科學和工程領域顯示出許多成功的應用。然而，SVM在應用于大型數據集時表現出了局限性。此外，當SVM被應用于感知問題時，由于它是一個淺層模型，需要一個特征工程步驟來提高性能。盡管它已經被DL算法所超越，但由于其簡單性和可解釋性，它仍然是有用的。

2.1.4 決策樹

決策樹是一種監督學習算法，它通過定義條件控制語句將數據的特征表示為一棵樹。鑒于其可理解性和簡單性，它是ML中最受歡迎的算法之一。此外，決策樹可以用于回歸和分類，因為決策可以是連續值或類別。決策樹的一個更穩健的版本，即隨機森林（RFs），結合了各種決策樹以帶來優化的結果。這涉及到建立許多不同的弱決策樹，然后使用自舉聚合（bagging）將其輸出集合起來。決策樹的另一個流行版本是梯度提升機，它通常比RFs更有效；梯度提升機也結合了各種決策樹模型，但與RFs不同的是，它使用了梯度提升，這是一種通過迭代訓練新模型來改進ML模型的方法，這些模型關注的是之前模型的錯誤。極限梯度提升（XGBoost）庫是梯度提升算法的一個優秀實現。射頻和梯度提升機是最流行和最強大的非深度算法，已被廣泛用于贏得Kaggle網站上的各種數據科學競賽。

2.1.5 神經網絡

神經網絡包含不同層的相互連接的節點，其中每個節點都是一個感知器，將多元線性回歸產生的信號反饋給一個激活函數，這個激活函數可能是非線性的。一般選擇非線性激活函數是為了通過消除線性來增加模型的復雜性。在NN中，一個輸入（例如，一個圖像）的特征被分配為輸入層。然后，根據權重矩陣，使用矩陣乘法（線性操作）計算下一個隱藏層，然后使用非線性激活函數。NN的訓練都是為了找到最佳權重。為此，設計了一個損失函數來比較模型的輸出和每個輸出的地面實況，以找到使該損失函數最小的權重。逆向傳播算法被設計成使用梯度白化等優化技術來訓練權重鏈[40] 。NNs已經成功地用于回歸和分類，盡管它們在處理大量特征（輸入參數）和隱藏層時最為有效。深度NNs表現出更強的學習能力，因此比淺層NNs顯示出更高的性能，這導致了NNs更復雜的設計的發展，包括更多的學習層和使用諸如卷積或遞歸的技術，這導致了DL的進步。

2.2 深度學習

與淺層模型相比，ML的這個子領域需要高計算資源。由于其相對簡單，淺層ML算法需要人類的專業知識和干預，以提取有價值的特征或轉換數據，使其更容易被模型學習。DL模型最大限度地減少或消除這些步驟，因為這些轉換是在深度網絡中隱含完成的。

2.2.1 卷積神經網絡

CNN，是一種常見的深度神經網絡（DNNs），由卷積層組成，已被普遍用于計算機視覺應用，如圖像分類、物體檢測和物體跟蹤。它們在其他領域也顯示出成功，包括語音和自然語言處理。CNN架構是通過選擇過濾器（內核）的大小、數量和位置以及激活函數來定義的。然后，學習涉及到尋找可以應用于輸入的最佳過濾器集，以提取有用的信息并預測正確的輸出。

2.2.2 遞歸神經網絡

RNNs是另一個系列的NNs，其中的節點沿著時間序列形成一個有向圖，以前的輸出被用作輸入。RNNs專門用于處理一連串的數值x(0),x(1),x(2),...,x(T)。RNNs使用其內部存儲器來處理可變長度的輸入序列。一般來說，RNN的設計如圖4所示，對于每個時間t，x(t)代表該時間的輸入，a(t)是激活，y(t)是輸出。RNN模型最常用于自然語言處理和語音識別領域。

圖4 遞歸神經網絡的簡化結構。

2.2.3 自動編碼器

AEs是另一種類型的NNs，用于以無監督的方式學習有效的數據表示。AEs使用瓶頸技術對數據進行編碼，其中包括降維以忽略輸入數據的噪聲，以及從編碼數據中再生出的初始數據，如圖5所總結的。然后比較初始輸入和生成的輸出，以評估編碼的質量。AE已經被廣泛地應用于降維和異常檢測。

圖5 自動編碼器，它通過訓練網絡來學習數據的表示方法，以減少輸入尺寸，然后從編碼的數據中重建初始數據。

2.2.4 深度生成模型

深度生成模型涉及到自動發現和學習輸入數據中的規律性，這樣就可以生成新的樣本。這些模型已經顯示出各種應用，特別是在計算機視覺領域。最流行的生成模型是變異AE（VAE）和生成對抗網絡（GANs）。

其中，VAEs使用無監督的NN學習復雜的數據分布。雖然VAEs是AEs的一種類型，但其編碼分布在訓練過程中被正則化，以確保其潛伏空間（即壓縮數據的表示）具有生成新數據的良好特性。

GANs由兩個競爭中的NN組成，其中一個生成器網絡G學習捕捉數據分布并生成新數據，一個判別器模型D估計一個給定樣本來自生成器而不是初始訓練數據的概率。因此，生成器被用來產生誤導性的樣本，并驗證判別器可以確定一個給定的樣本是真的還是假的。

2.3 強化學習

這個ML的子集涉及到與那些使用監督、半監督或無監督學習不同的學習方法。強化學習是關于學習采取什么行動，希望最大化獎勵信號，這是一個數字獎勵，編碼一個行動的成功結果。智能體必須通過嘗試每個行動來找到哪些行動能帶來最大的回報，如圖6所示。這些行動可以影響到即時獎勵以及后續獎勵。一些RL方法需要引入DL；這種方法是深度RL（DRL）的一部分。

圖6 強化學習場景:一個智能體采取行動并從環境中獲得反饋。

在RL過程中遇到的挑戰之一是平衡探索和利用之間的權衡。為了獲得最大的即時獎勵，RL智能體必須進行開發，即選擇以前探索過并發現是最好的行動。為了找到這樣的行動，它必須探索解決空間，即嘗試新的行動。

所有的RL智能體都有明確的目標，意識到他們環境的某些方面，可以采取影響他們環境的行動，并在他們環境的重大不確定性下采取行動。除了智能體和環境之外，RL系統還有四個子元素：策略、獎勵信號、價值函數，有時還有環境模型。

在RL中，學習涉及智能體確定最佳方法，將環境的狀態映射到處于這些狀態時要采取的行動。每次行動后，環境向RL智能體發送一個獎勵信號，這是RL問題的目標。與獎勵帶來的對行動的即時評價不同，價值函數估計了智能體在較長時期內可以預期得到的獎勵總額。最后，一個環境模型模仿了環境的行為。這些模型可用于規劃，允許智能體在未來可能發生的情況之前考慮這些情況。解決利用模型的RL問題的方法被稱為基于模型的方法，而沒有模型的方法被稱為無模型方法。事實上，當構建一個足夠精確的環境模型是相當具有挑戰性的時候，無模型的方法可能更有優勢。

2.4 討論

2.4.1 模型選擇

人工智能是一個廣泛的領域，包含了各種方法，每一種方法都包含了幾種算法。人工智能可以基于預定義的規則或基于ML。這種學習可以是監督的、半監督的、無監督的或強化學習；在這些類別中的每一種學習都可以是深度的或淺度的。由于每種方法都為人工智能世界提供了不同的東西，對每種方法的興趣應該取決于給定的問題；更復雜的方法或算法不一定能帶來更好的結果。例如，一個常見的假設是，DL比淺層學習更好。雖然這在一些情況下是成立的，特別是對于感知問題，如計算機視覺問題，但它并不總是適用的，因為DL算法需要更多的計算資源和大型數據集，而這些并不總是可用的。當一個完全標記的數據集可用時，監督學習是一種有效的方法。然而，情況并非總是如此，因為數據獲取可能很昂貴、很困難甚至不可能。在這種情況下，半監督或無監督的學習或RL更適用。無監督學習可以在非標簽數據中找到隱藏的模式，而RL則是學習實現某種任務的最佳策略。因此，無監督學習是一個從數據中提取信息的好工具，而RL更適合于決策任務。因此，對一種方法或算法的選擇不應該基于它所認為的優雅，而應該將該方法與手頭的問題的特點相匹配，包括目標、數據質量、計算資源、時間限制和未來的更新。解決一個問題可能需要一個以上的方法的組合。

在評估問題和選擇方法之后，必須選擇一種算法。雖然ML有數學基礎，但它仍然是一個經驗性的研究領域。為了選擇最好的算法，數據科學和ML的研究人員和工程師根據經驗對一個給定問題的不同算法進行比較。通過將數據分割成訓練集和測試集來比較算法。訓練集然后被用來訓練模型，而測試集則是用來比較模型之間的輸出。

在競爭性的數據科學中，如Kaggle比賽中，每個增量都很重要，模型經常被組合起來以提高其整體結果，各種組合技術，如bagging、boosting和adaptive boosting都被使用。

2.4.2 模型正則化

在選擇了方法和算法之后，一般會進行超參數調整以提高算法的輸出。在大多數情況下，ML算法依賴于許多超參數；因此，為一個給定的問題選擇最佳的超參數可以獲得更高的精度。這一步可以通過直觀地選擇更好的超參數來手動完成，也可以使用各種方法自動完成，如網格搜索和隨機方法。

ML中一個常見的陷阱是過度擬合，在此期間，機器停止學習（泛化），而是開始記憶數據。當這種情況發生時，模型可以在看到的數據上取得良好的結果，但在面對新的數據時就會失敗，即訓練誤差減少，測試誤差增加，如圖7所示。過度擬合可以通過將數據分割成訓練集、驗證集和測試集來發現，其中驗證集和測試集都不用于訓練模型。訓練集用于訓練模型，驗證集用于驗證未見過的數據上的模型預測，并用于超參數調整，測試集用于模型的最終測試。

可以采用多種方法來減少過擬合。可以通過增加數據集的大小來減少過擬合，這在計算機視覺領域是很常見的。例如，可以通過對圖像進行變換來增加圖像數據，如旋轉、翻轉、添加噪音或切割圖像的一部分。雖然它很有用，但這種技術并不總是適用。另一種方法是使用交叉驗證法，而不是將數據分成訓練集和驗證集。早期停止，如圖7所示，包括在算法開始記憶數據之前停止學習過程。集合學習，即各種模型，被巧妙地生成和合并以解決特定問題的過程，也被普遍使用。

圖7 訓練時間內的訓練和測試錯誤。早期停止是常見的技術，通過在早期階段停止訓練過程，即當測試誤差開始顯著增加時，來減少過度擬合。

2.4.3 炒作和希望

在過去的十年里，由于投資呈指數級增長，人工智能研究，包括其各個子領域，都取得了快速的進展。盡管有些人無法預見人工智能的真正潛力、后果和相關性，但它將成為全球技術的一個組成部分。作者認為，人工智能的不可避免的進步可能會產生長期的影響，人工智能將可能成為從數學到衛星通信等所有科學領域的多樣化應用的主要部分。

3 衛星通信的人工智能

3.1 波束跳動

3.1.1 定義和限制

衛星資源是昂貴的，因此需要涉及優化和分時的高效系統。在傳統的衛星系統中，資源是固定的，并且均勻地分布在各波束上。因此，傳統的大型多波束衛星系統顯示出所提供的資源和所要求的資源之間的不匹配；一些點波束的需求高于所提供的容量，使需求懸而未決（即熱點），而其他點波束的需求低于所安裝的容量，使所提供的容量未被使用（即冷點，如圖8所概述的）。因此，為了改善多波束衛星通信，有必要在服務覆蓋區域內對衛星資源進行機載靈活分配，以實現更有效的衛星通信。

圖8 各波束之間的需求-容量不匹配，這表明了在多波束衛星系統中，在所有波束中使用固定和均勻分布的資源的局限性。

波束跳動（BH）已經成為一種有前途的技術，在管理非均勻和變化的流量請求方面實現更大的靈活性，在整個一天、一年和衛星覆蓋區的壽命期間。BH涉及到用少量的活動波束動態地照亮每個單元，如圖9所總結的那樣，從而利用所有可用的機載衛星資源，只向波束的一個子集提供服務。這個子集的選擇是隨時間變化的，取決于通信需求，而通信需求是基于與時間空間相關的BH照亮模式。被照亮的光束只有足夠長的時間來滿足每個光束的要求。因此，BH系統中具有挑戰性的任務是決定哪些光束應該被激活以及激活多長時間，即BH照明模式；這項責任交給資源管理器，然后通過遙測、跟蹤和指令將選定的模式轉發給衛星。

圖9 波束跳動（BH）的簡化結構。TT&C代表遙測、跟蹤和指令。

在研究人員提供的實現BH的各種方法中，大多數都是基于經典的優化算法。例如，Angeletti等人證明了使用BH時系統性能的幾個優點，并提出使用遺傳算法（GA）來設計BH照亮模式；Anzalchi等人也說明了BH的優點，并比較了BH和非跳躍系統的性能。Alberti等人提出了一種啟發式迭代算法來獲得BH照亮設計的解決方案。BH也被用來減少Terabit/s衛星的轉發器放大器的數量。還提出了一種迭代算法，在聯合BH設計和頻譜分配中，在某些波束需求和功率限制下，最大限度地提高整體提供的容量。Alegre等人設計了兩種啟發式算法來分配基于每波束流量請求的容量資源，然后進一步討論了長期和短期的流量變化并提出了處理這兩種變化的技術。Liu等人研究了BH系統中控制流量到達率的技術。BH衛星中的QoS延遲公平平衡問題也得到了解決。Shi等人和Ginesi等人提出了聯合BH方案，以進一步提高星載資源分配的效率。為了找到最佳的BH照亮設計，Cocco等人使用了模擬退火算法。

盡管采用優化算法在BH系統的靈活性和減少延遲方面取得了令人滿意的結果，但仍有一些困難。由于搜索空間隨著光束數量的增加而急劇增加，設計BH照亮模式的一個固有的困難是找到最佳設計，而不是許多局部優化中的一個。對于有成百上千個光束的衛星，經典的優化算法可能需要很長的計算時間，這在很多情況下是不現實的。

此外，經典的優化算法，包括GAs或其他啟發式算法，在場景發生適度變化時需要修改；這導致了更高的計算復雜性，這對星載資源管理來說是不切實際的。

3.1.2 基于人工智能的解決方案

為了克服這些限制并提高BH的性能，一些研究人員提出了基于人工智能的解決方案。其中一些解決方案完全基于學習方法，即端到端學習，其中BH算法是一種學習算法。另一些則試圖通過增加一個學習層來改進優化算法，從而將學習和優化結合起來。

為了優化多波束衛星系統的傳輸延遲和系統吞吐量，Hu等人制定了一個優化問題，并將其建模為馬爾可夫決策過程（MDP）。然后，DRL被用來解決BH照亮設計，并優化建模的MDP的長期累積獎勵。結果，與以前的算法相比，所提出的基于DRL的BH算法可以減少高達52.2%的傳輸延遲，并將系統的吞吐量提高了11.4%。

為了結合端到端學習方法和優化方法的優勢，進行更有效的BH照亮模式設計，Lei等人[57]提出了一種學習和優化算法來處理光束跳動模式的照亮選擇，其中，基于全連接NN的學習方法被用來預測非最佳的BH模式，從而解決在大搜索空間中應用優化算法時所面臨的困難。訓練有素的ML算法被用來提供一個預測的特征向量，然后用來從原始搜索空間中刪除大量的無前途的設計。因此，基于學習的預測減少了搜索空間，優化可以減少在較小的有希望的BH模式集上。

研究人員還為DVB-S2X衛星采用了多目標DRL（MO-DRL）。在實際條件下，Zhang等人證明了低復雜度的MO-DRL算法可以保證每個小區的公平性，并且比以前的技術（包括DRL）更好地改善了吞吐量，提高了0.172%。相比之下，產生類似結果的GA的復雜度大約是MO-DRL模型的110倍。Hu等人提出了一種基于雙環學習的多行動選擇技術，并使用DNN獲得了一個多維的狀態。他們的研究結果表明，所提出的技術可以同時實現不同的目標，并且可以通過適應用戶需求和信道條件來智能地分配資源。

3.2 抗干擾

3.2.1 定義和限制

衛星通信系統需要覆蓋廣泛的區域，并提供高速、通信和高容量的傳輸。然而，在使用衛星的戰術通信系統中，可靠性和安全性是首要考慮的問題；因此，抗干擾（AJ）能力是必不可少的。干擾攻擊可以向衛星網絡中的主要位置和關鍵設備發起，以減少甚至癱瘓吞吐量。因此，一些抗干擾方法已經被設計出來，以減少可能的攻擊，保證衛星通信的安全。

在許多先前使用衛星的戰術通信系統中，跳頻（FH）擴頻方法一直是首選。Bae等人利用采用頻分多址（FH-FDMA）方案的脫跳轉發器方法，開發了一種具有AJ能力的高效同步方法。

大多數先前的AJ技術都不是基于學習的，因此無法處理那些能夠通過互動和學習不斷調整干擾方法的智能干擾技術。發展中的人工智能算法提供了先進的工具來實現基于學習方法的多樣化和智能干擾攻擊，因此對衛星通信的可靠性構成了嚴重威脅。在這樣的兩個例子中，一個智能干擾分配自動調整了干擾信道，而一個智能干擾器則通過調整干擾功率和信道使干擾效果最大化。此外，攻擊可能是由多個干擾器同時實施基于學習方法的智能干擾攻擊造成的。盡管這可能是一種不太可能的情況，但還沒有被認真考慮。此外，大多數研究人員都專注于防御基于頻率領域的AJ攻擊，而不是基于空間的AJ技術，如路由AJ。

3.2.2 基于人工智能的解決方案

通過使用長短時記憶（LSTM）網絡，也就是DL RNN，來學習信號的時間趨勢，Lee等人證明了在之前討論的FHFDMA方案中，整體同步時間的減少。

在移動通信中，移動設備可以在動態博弈框架下，利用RL實現最優的通信策略，而不一定知道干擾和無線電信道模型。Han等人提出使用AJ的學習方法來阻止衛星互聯網（IoS）中的智能干擾，使用基于空間的AJ方法，即AJ路由，總結在圖10中。通過將博弈論建模與RL相結合，并將智能干擾器和衛星用戶之間的互動建模為Stackelberg AJ路由博弈，Han等人證明了如何使用DL來處理IoS的高動態性造成的巨大決策空間，以及使用RL來處理衛星和智能干擾環境之間的相互作用。DRL，特別是演員評論家算法，以源節點為狀態，評論者網絡評估所選行動的預期回報，使得解決異構IoS的路由選擇問題成為可能，同時保留了一個可用的路由子集，以簡化Stackelberg AJ路由游戲的決策空間。基于這個路由子集，一種流行的RL算法Q-Learning被用來快速響應智能干擾并調整AJ策略。

圖10 基于空間的抗干擾（AJ）路由。紅線代表發現的干擾路徑，綠線代表建議的路徑。

后來，Han等人將博弈論建模和RL結合起來，根據衛星支持的軍隊物聯網（SatIoT）的動態和未知干擾環境獲得AJ策略。在這里，研究了分布式動態AJ聯盟形成博弈，以減少干擾環境中的能源使用，并提出了一個層次化的AJ Stackelberg博弈，以表達干擾者和SatIoT設備之間的對抗性互動。最后，利用基于Q-Learning的算法，根據干擾環境得到次優的AJ策略。

3.3 網絡流量預測

3.3.1 定義和限制

網絡流量預測是一種主動的方法，旨在保證可靠和高質量的通信，因為流量的可預測性在許多衛星應用中是很重要的，如擁堵控制、動態路由、動態信道分配、網絡規劃和網絡安全。衛星網絡流量是自相似的，并顯示出長距離依賴性（LRD）。因此，為了實現準確的預測，有必要考慮其自相似性。然而，基于自相似性的地面網絡模型具有很高的計算復雜性；由于衛星上的計算資源有限，地面模型并不適合衛星使用。因此，需要對衛星網絡進行有效的流量預測設計。

一些研究人員已經對地面和衛星網絡進行了流量預測；這些技術包括馬爾科夫、自回歸移動平均（ARMA）、自回歸綜合移動平均（ARIMA）和分數ARINA（FARIMA）模型。通過使用經驗模式分解（EMD）來分解網絡流量，然后應用ARMA預測模型，Gao等人展示了顯著的改進。

衛星流量預測面臨的兩個主要困難是衛星網絡的LRD和有限的機載計算資源。由于衛星網絡的LRD特性，短距離依賴（SRD）模型未能實現精確的預測。雖然以前的LRD模型取得了比SRD模型更好的結果，但它們存在著高復雜性。為了解決這些問題，研究人員轉向了人工智能技術。

3.3.2 基于人工智能的解決方案

Katris和Daskalaki將FARIMA與NN結合起來用于互聯網流量預測，而Pan等人將差分進化與NN結合起來用于網絡流量預測。由于經典的NNs的高復雜性，最小平方SVM，即SVM的優化版本，也被用于預測。通過應用主成分分析（PCA），減少輸入維度，然后采用廣義回歸NN，Liu和Li以較少的訓練時間實現了較高的預測精度。Na等人將流量預測作為其低地軌道衛星網絡分布式路由策略的一部分。極端學習機（ELM）也被用于路由前衛星節點的流量負載預測。Bie等人使用EMD將具有LRD的衛星流量分解為具有SRD的系列，并在一個頻率上，以降低預測的復雜性并提高速度。他們將EMD、果蠅優化和ELM方法結合起來，以更高的速度實現了更準確的預測。

3.4 信道建模

3.4.1 定義和限制

信道模型是對無線信號傳播的通信信道效果的數學表示；它被建模為信道在頻域或時域的脈沖響應。

無線信道對可靠的高速通信提出了各種挑戰，因為它容易受到噪聲、干擾和其他信道障礙的影響，包括路徑損耗和陰影。其中，路徑損耗是由發射器發出的功率浪費和傳播信道效應造成的，而陰影是由接收器和發射器之間的障礙物吸收功率造成的。

需要精確的信道模型來評估移動通信系統的性能，從而提高現有部署的覆蓋率。信道模型也可以用來預測設計的部署大綱中的傳播情況，這可以在部署前進行評估，并優化實際系統的覆蓋和容量。對于少量的發射器的可能位置，可以進行戶外廣泛的環境評估，以估計信道的參數。隨著更先進的技術被用于無線通信，需要更先進的信道建模。因此，使用隨機模型在計算上是有效的，同時提供令人滿意的結果。

光線追蹤（Ray Tracing）被用于信道建模，這需要三維圖像，這些圖像一般使用計算機視覺方法生成，包括基于立體視覺的深度估計。

為城市環境提出了一個模型，該模型需要的特征包括道路寬度、街道方向的角度和建筑物的高度。隨后，Fernandes和Soares提出了一個簡化的模型，只需要接收器和發射器之間的建筑物占用比例，這可以從分割的圖像中手動或自動計算出來。

盡管所列的一些技術性能令人滿意，但它們仍然有許多局限性。例如，光線追蹤所需的三維圖像通常無法獲得，而且其生成在計算上也不高效。即使在有圖像的情況下，光線追蹤的計算成本也很高，數據也很詳盡，因此不適合實時優化覆蓋區域。此外，Cichon和Kümer提出的模型所需的詳細數據往往無法獲得。

3.4.2 基于人工智能的解決方案

一些早期的人工智能在路徑損耗預測方面的應用是基于經典的ML算法，如SVM ，NNs和決策樹。有興趣的讀者可以參考基于ML的路徑損失預測方法的調查，以了解更多細節。

然而，盡管以前的ML工作已經顯示出巨大的成果，但許多都需要3D圖像。因此，研究人員最近將注意力轉移到使用DL算法與2D衛星/航空圖像進行路徑損失預測。例如，Ates等人使用深度CNN從衛星圖像中逼近信道參數，包括陰影的標準偏差和路徑損失指數，而不使用任何添加的輸入參數，如圖11所示。

圖11 通道參數預測。二維衛星/航空圖像作為深度卷積神經網絡（CNN）的輸入，用于預測通道參數。該模型為每個參數單獨訓練。

通過在衛星圖像上使用DL模型和其他輸入參數來預測特定場景/區域內特定接收器位置的參考信號接收功率（RSRP），Thrane等人證明了在811和2630MHz時的增益分別比以前的技術（包括光線追蹤）有所提高。同樣，Ahmadien等人在衛星圖像上應用DL進行路徑損耗預測，盡管他們只關注沒有任何補充特征的衛星圖像，并在更普遍的數據上做文章。盡管這種方法很實用，因為它只需要衛星圖像來預測路徑損失分布，但二維圖像并不總是足以描述三維結構的特征。在這些情況下，必須將更多的特征（如建筑高度）輸入模型。

3.5 遙測開采

3.5.1 定義和限制

遙測是為控制和監測而記錄和傳輸測量結果的過程。在衛星系統中，星載遙測幫助任務控制中心跟蹤平臺的狀態，檢測異常事件，并控制各種情況。

衛星故障可能是由多種原因造成的；最常見的故障是由于太空的惡劣環境，即熱、真空和輻射。輻射環境會影響衛星的關鍵部件，包括通信系統和電源。

遙測處理能夠跟蹤衛星的行為，以檢測和減少故障風險。通過處理與衛星有關的幾個特征（如溫度、電壓和電流），尋找相關性、識別模式、檢測異常、分類、預測和聚類被應用于所獲得的數據，以進行故障診斷和可靠的衛星監測。

遙測分析中使用的最早和最簡單的技術之一是極限檢查。該方法的基礎是為每個特征設定一個精確的范圍，然后監測每個特征的方差，以檢測超范圍事件。這種算法的主要優點是其簡單的限制，因為可以很容易地選擇和更新，以控制航天器的運行。

具有復雜和先進應用的航天器對目前的空間遙測系統提出了挑戰。狹窄的無線帶寬和固定長度的幀遙測使傳輸快速增加的遙測量變得困難。此外，航天器和地面站之間不連續的短期接觸限制了數據傳輸能力。由于數據的高度復雜性，分析、監測和解釋巨大的遙測參數可能是不可能的。

3.5.2 基于人工智能的解決方案

近年來，人工智能技術在有遙測的空間任務中已被大量考慮。衛星健康監測已經使用概率聚類、降維、隱馬爾科夫和回歸樹進行，而其他人已經開發了使用k-近鄰（kNN）、SVM、LSTM的異常檢測方法，并對國家空間研究中心航天器的遙測數據進行測試。

此外，使用數據驅動和基于模型的監測方法，在不同的空間應用中進一步開發了空間功能助手。在他們對人工智能用于一般故障診斷和空間利用的研究中，Sun等人認為最有希望的方向是使用DL；建議將其用于中國空間利用的故障診斷。

Ibrahim等人利用埃及一號衛星的遙測數據比較了不同的ML算法，證明了LSTM、ARIMA和RNN模型的高預測精度。他們建議用簡單的線性回歸來預測短壽命衛星（即3-5年）的關鍵衛星特征，用NN來預測長壽命衛星（15-20年）。

與設計在地面任務控制中心運行的算法不同，Wan等人提出了一種自學分類算法，以低計算復雜度和低時間延遲的方式實現機載遙測數據分類。

3.6 電離層閃爍檢測

3.6.1 定義與限制

衛星向地球傳輸的信號會受到明顯的影響，因為它們在大氣層中的傳播，特別是電離層，這是大氣層較高的電離部分，以自由電子的密度升高為特征（圖12）。電離的潛在不規則性和梯度會扭曲信號的相位和振幅，這個過程被稱為電離層閃爍。

圖12 電離層閃爍的表示，在信號傳播過程中發生失真。藍色、綠色和紅色線條分別表示從衛星到地球天線的視線信號路徑、信號波動和信號延遲。

特別是，通過電離層的傳播可以導致全球導航衛星系統（GNSS）信號的失真，導致衛星向地球傳輸的信號受到明顯影響，因為它們通過大氣層傳播，特別是電離層，它是大氣層較高的電離部分，以自由電子的密度升高而區分（圖12）。電離的潛在不規則性和梯度會扭曲信號的相位和振幅，這個過程被稱為電離層閃爍。特別是，通過電離層的傳播會造成全球導航衛星系統（GNSS）信號的失真，導致基于GNSS的應用出現重大錯誤。全球導航衛星系統是無線電通信衛星系統，允許用戶通過處理從衛星傳輸的信號和進行三坐標測量來計算地球上任何地方的當地時間、速度和位置。全球導航衛星系統還可用于各種應用，如科學觀測。

由于GNSS波的接收功率很低，任何誤差都會大大威脅到定位系統的準確性和可信度。在電離層中傳播的GNSS信號面臨著時間延遲和閃爍的可能性。盡管所有的GNSS接收機都采用了延遲補償方法，但閃爍仍然是一個相當大的問題，因為其準隨機性使其難以建模。因此，電離層閃爍仍然是限制GNSSs高精度應用的一個主要因素。因此，為了提高GNSS的可信度和質量，需要對閃爍進行準確的檢測。

為了觀察這些信號，這些信號是解釋和模擬高層大氣的知識來源，并為基于GNSS的應用提高警惕和采取對策，已經在預計會發生閃爍的高低緯度地區安裝了GNSS接收機網絡。因此，強大的接收機和適當的閃爍檢測算法都是需要的。為了評估影響信號的閃爍程度，許多研究人員采用了簡單的事件觸發器，基于兩個信號的振幅和相位在規定時間內的比較。其他提議的替代方法包括使用小波技術，通過自適應頻率-時間技術分解載波-噪聲密度功率分布，以及評估收集的樣本的直方圖統計特性。

由于閃爍的復雜性，使用簡單的預定義閾值來評估閃爍的大小可能是欺騙性的。丟失事件的瞬時階段可能會導致延遲提出可能的警告信號，而具有高變異性的弱事件可能會被遺漏。此外，它可能難以區分由其他現象（包括多路徑）引起的信號失真。然而，其他建議的替代方案依賴于復雜的、計算成本高的操作，或依賴于定制的接收器架構。

3.6.2 基于人工智能的解決方案

最近，研究證明可以利用人工智能來檢測閃爍現象。例如，Rezende等人提出了一項數據挖掘方法的調查，該方法依賴于觀察和整合GNSS接收機。

有人提出了一種基于SVM算法的技術用于振幅閃爍檢測，后來又擴展到相位閃爍檢測。

通過使用決策樹和射頻來系統地檢測影響GNSS信號振幅的電離層閃爍事件，Linty等人提出的方法在準確性（99.7%）和Fscore（99.4%）方面超過了最先進的方法，從而達到人工驅動注釋的水平。

最近，Imam和Dovis提出使用決策樹來區分GNSS閃爍數據中的電離層閃爍和多路徑。他們的模型將數據注釋為閃爍的、受多路徑影響的或干凈的GNSS信號，顯示出96%的準確性。

3.7 干擾管理

3.7.1 定義和限制

干擾管理對于衛星通信運營商來說是強制性的，因為干擾會對通信信道產生負面影響，導致服務質量下降，運行效率降低和收入損失。此外，干擾是一個常見的事件，隨著越來越多的國家發射衛星和更多的應用預期，衛星頻段的擁擠程度也在增加。隨著共享同一頻段的用戶數量不斷增加，干擾的可能性也在增加，故意干擾的風險也在增加，這一點將在第3.2節中討論。

因此，干擾管理對于維護高質量和可靠的通信系統至關重要；管理包括檢測、分類和抑制干擾，以及應用技術來減少干擾的發生。

干擾檢測是過去幾十年來一直在研究的課題，特別是對于衛星通信。

然而，研究人員通常依賴于假設檢驗的決策理論，其中需要關于信號特性和信道模型的具體知識。由于當代的無線標準多種多樣，為每個信號類別設計特定的探測器是沒有結果的方法。

3.7.2 基于人工智能的解決方案

為了最大限度地減少干擾，Liu等人提出了一個框架，結合不同的人工智能方法，包括SVM、無監督學習和DRL，用于衛星選擇、天線指向和跟蹤，從而將人工智能用于衛星-地面網絡中的移動終端和站點。

另一種基于人工智能的方法，執行自動實時干擾檢測，是通過使用在歷史無異常頻譜上訓練的LSTM來預測在無異常情況下將會收到的以下信號頻譜。在這里，預測的頻譜與接收的信號進行比較，使用設計的指標，以檢測異常。

Henarejos等人提出使用兩種基于人工智能的方法，DNN AEs和LSTM，分別用于檢測和分類干擾。在前者中，用無干擾信號訓練AE，并與其他無干擾信號進行測試，以獲得實用的閾值。然后利用有干擾和無干擾信號的誤差差異來檢測干擾的存在。

3.8 遙感

3.8.1 定義和限制

遙感是通過處理一個地區、物體或現象在遠處的反射和發射的輻射，一般從衛星或飛機上提取有關信息的過程。

RS在多個領域有廣泛的應用，包括土地測量、地理學、地質學、生態學、氣象學、海洋學、軍事和通信。由于RS提供了監測危險、困難或不可能進入的地區的可能性，包括山區、森林、海洋和冰川，它是一個受歡迎和活躍的研究領域。

3.8.2 基于人工智能的解決方案

由DL引起的計算機視覺能力的革命導致了RS的發展，通過在衛星圖像上采用最先進的DL算法，用于RS的圖像分類已經成為計算機視覺中最受歡迎的任務。例如，Kussul等人利用Landsat-8和Sentinel-1A的RS圖像在烏克蘭的一個測試點上進行土地覆蓋和作物類型的分類。Zhang等人通過使用梯度增強的隨機CNN來結合DNN進行場景分類。最近，Li等人提出將kNN和CNN結合起來，利用RS成像繪制全球珊瑚礁海洋棲息地。RS和人工智能也被用于通信理論的應用，如第3.4節中討論的那些。

許多物體檢測和識別應用已經在RS圖像上使用人工智能進行開發。最近，Zhou等人提出使用YOLOv3，一種基于CNN的物體檢測算法，用于RS圖像中的車輛檢測。還有人提出將DL用于其他物體檢測任務，如建筑、飛機、云、船舶和軍事目標[166]檢測。人工智能也被用于分割和恢復RS圖像，例如，在云層恢復中，被云層遮擋的地面區域被恢復。

最近，Zheng等人提出了一種兩階段的去云方法，其中U-Net和GANs被用來分別進行云的分割和圖像修復。

AI提出用于敏捷地球觀測衛星的機載調度，因為自主性提高了它們的性能，并允許它們獲取更多的圖像，通過依靠機載調度進行快速決策。通過比較使用RF、NN和SVM與先前的學習和基于非學習的方法，Lu等人證明RF提高了解決方案的質量和響應時間。

3.9 行為模型

3.9.1 定義和限制

由于不同軌道、形狀、大小、方向和功能的活躍和不活躍（碎片）衛星的數量不斷增加，分析人員同時監測所有衛星變得不可行。因此，人工智能，特別是ML，可以通過幫助實現這一過程的自動化來發揮重要作用。

3.9.2 基于人工智能的解決方案

Mital等人討論了ML算法對衛星行為建模的潛力。監督模型被用來確定衛星的穩定性，而無監督模型被用來檢測異常行為和衛星的位置，RNN被用來預測衛星隨時間的機動性。

準確的衛星姿態估計，即確定衛星的相對位置和姿態，在一些空間操作中至關重要，如碎片清除、航天器間通信和對接。Chen等人最近提出的通過聯合ML和幾何優化從單一圖像中進行衛星姿態估計的建議，在最近由歐洲航天局組織的Kelvins姿態估計挑戰中獲得了第一名。 .

在過去的幾年里，空間碎片的數量大大增加，由于碎片的高速度，會對空間任務造成重要威脅。因此，必須對空間物體進行分類，并應用避免碰撞的技術來保護活動衛星。因此，Jahirabadkar等人對各種人工智能方法進行了調查，利用光的曲線作為區分屬性對空間物體進行分類。

Yadava等人利用NN和RL進行機載姿態確定和控制；他們的方法有效地提供了所需的扭矩，使一顆納米衛星沿三軸穩定。

為了避免因電池故障而導致的災難性事件，Ahmed等人利用ML和數據邏輯分析方法開發了一個機載電池剩余壽命估計系統。

3.10 天空地一體化

3.10.1 定義與限制

最近，地面通信系統取得了顯著的進步，為用戶提供了更高質量的互聯網接入。然而，由于網絡容量和覆蓋面積的限制，這種服務不可能隨時隨地都能實現，特別是對于農村或災區的用戶。

雖然地面網絡擁有最多的資源和最高的吞吐量，但非地面通信系統有更廣泛的覆蓋區域。然而，非地面網絡有其自身的局限性；例如，衛星通信系統有較長的傳播延遲，而空中網絡有較窄的容量和不穩定的鏈接。

為了向用戶提供更好和更靈活的端到端服務，研究人員建議使用SAGINs，其中包括空間的衛星、氣球、飛艇、空中的無人機和地面部分，如圖13所示。

圖13 天空地綜合網絡（SAGINs）

由GEO、MEO和LEO衛星組成的多層衛星通信系統，可以使用多播和廣播的方法來改善網絡容量，極大地減輕了不斷增加的交通負擔。由于SAGINs允許數據包通過不同質量的多條路徑傳輸到目的地，它們可以提供不同的數據包傳輸方法以滿足不同的服務需求。

然而，由于SAGINs固有的自組織性、時間可變性和異質性，其設計和優化比傳統地面通信系統更具挑戰性。因此，在設計優化技術時必須考慮的各種因素已經確定。例如，不同的傳播媒介，不同的通信類型共享頻段，空間和空中部分的高流動性，以及三個部分之間固有的異質性，使得SAGINs的網絡控制和頻譜管理變得十分艱巨。高流動性導致頻繁的交接，這使得安全路由更難實現，從而使SAGINs更容易受到干擾。此外，由于優化能源效率也比標準地面網絡更具挑戰性，因此也需要能源管理算法。

3.10.2 基于人工智能的解決方案

在討論SAGINs面臨的挑戰時，Kato等人提出使用CNN解決路由問題，利用流量模式和GEO和MEO衛星的剩余緩沖區大小來優化SAGIN的整體性能。

優化衛星選擇和無人機位置以優化源-衛星-無人機-目的地通信的端到端數據率，由于龐大的軌道衛星數量和以下時間變化的網絡結構，是具有挑戰性的。為了解決這個問題，Lee等人通過DRL聯合優化了源-衛星-無人機的關聯和無人機的位置。他們建議的技術在沒有無人機和衛星的情況下，平均數據速率比直接通信基線高5.74倍。

為了卸載計算密集型應用，已經開發了一個SAGINs邊緣/云計算設計，其方式是衛星提供對云的訪問，而無人機允許接近用戶的邊緣計算。在這里，一個聯合的資源分配和任務調度方法被用來為虛擬機分配計算資源，并為無人機邊緣服務器安排卸載任務，而基于RL的計算卸載方法處理多維的SAGINs資源并學習動態網絡條件。這里，采用了一種聯合資源分配和任務調度的方法，將計算資源分配給虛擬機，并為無人機邊緣服務器規劃卸載的功能，而基于RL的計算卸載方法則處理多維SAGINs資源并學習動態網絡特性。仿真結果證實了建議技術的效率和收斂性。

由于異構多層網絡需要先進的容量管理技術，Jiang和Zhu[181]提出了一種低復雜度的衛星間容量計算技術，使用基于時間結構的增強路徑搜索方法，并提出了一個基于RL的長期最優容量分配模型來最大化系統的長期效用。

Qiu等人將聯合資源分配問題表述為一個聯合優化問題，并使用DRL方法，提出了一個軟文定義的衛星-地面網絡，以聯合管理緩存、網絡和計算資源。

3.11 能源管理

3.11.1 定義與限制

最近在地面、空中和衛星網絡（如SAGINs）之間的連接進展增加了對衛星通信網絡的要求。這種對衛星的日益關注導致了能源消耗要求的增加。因此，衛星能源管理是衛星通信進一步發展的一個熱點研究課題。

與地球同步軌道衛星相比，低地軌道衛星的機載資源有限，而且移動迅速。此外，由于其體積小，低地軌道衛星的能源容量有限；由于需要為全球數十億的設備提供服務，目前的衛星資源能力已無法滿足需求。為了解決衛星通信資源短缺的問題，必須設計一個有效的資源調度方案，以充分利用有限的資源。由于目前的資源分配方案大多是為地球同步軌道衛星設計的，然而，這些方案并沒有考慮許多低地軌道的具體問題，如受限的能源、運動屬性或連接和傳輸動態。

3.11.2 基于人工智能的解決方案

一些研究人員因此轉向了基于人工智能的節電方案。例如，Kothari等人建議在數據傳輸前使用DNN壓縮，以改善延遲并節省電力。在沒有太陽光的情況下，衛星依賴于電池能量，這給衛星電池帶來了沉重的負擔，并會縮短其使用壽命，導致衛星通信網絡的成本增加。為了優化使用低地軌道衛星的衛星對地通信中的功率分配，從而延長它們的電池壽命，Tsuchida等人[185]采用了RL，將超負荷的衛星與負荷較低的附近衛星分擔工作負荷。同樣，在Satlot中實施DRL進行節能信道分配，與以前的模型相比，可以減少67.86%的能耗。移動邊緣計算增強的SatIoT網絡包含不同的衛星和幾個衛星網關，可以通過耦合用戶關聯、卸載決策計算和通信資源分配進行聯合優化，以最小化延遲和能源成本。在最近的一個例子中，Cui等人提出的基于DRL的聯合用戶關聯和卸載決策與最佳資源分配方法，改善了長期延遲和能源成本。

3.12 其他應用

3.12.1 交接優化

由于低地軌道衛星的動態連接模式，當通信端點之間需要改變一個或多個鏈路時，就會發生鏈路層的交接。低地軌道衛星的交接管理與地面網絡有明顯的不同，因為衛星的移動使交接發生的頻率更高。因此，許多研究人員都關注低地軌道衛星網絡中的切換管理。

一般來說，用戶設備（UE）會定期測量不同小區的參考信號強度，以確保進入強勢小區，因為交接決定取決于信號強度或其他一些參數。此外，歷史RSRP包含的信息可以避免不必要的交接。

因此，Zhang等人[188]將交接決策轉換為一個分類問題。盡管歷史RSRP是一個時間序列，但采用了CNN而不是RNN，因為歷史RSRP的特征圖有很強的局部空間相關性，使用RNN可能會導致一系列錯誤的決策，因為一個決策在很大程度上影響了未來的決策。在提出的基于人工智能的方法中，超過70%的UE的交接減少了25%以上，而常用的 "最強波束"方法只減少了平均RSRP的3%。

3.12.2 熱源布局設計

對所使用的熱源進行有效的設計可以提高整個系統的熱性能，因此已經成為多個工程領域的一個重要方面，包括集成電路設計和衛星布局設計。隨著元件的尺寸越來越小，功率強度越來越高，熱源布局設計已成為一個關鍵問題。傳統上，最佳設計是通過反復運行熱仿真來探索設計空間，比較每個方案的性能來獲得的。為了避免傳統技術的巨大計算負擔，Sun等人采用了一種反設計方法，在這種方法中，熱源的布局是根據給定的預期熱性能直接生成的，其基礎是一個名為 "顯示、出席和閱讀"的DL模型。他們開發的模型能夠學習設計問題的基本物理學，因此能夠有效地預測給定條件下的熱源設計，而無需進行任何模擬。其他DL算法已被用于不同的設計領域，如機械學、光學、流體和材料。

3.12.3 反射陣分析和設計

ML算法已經被應用于天線的分析和設計，包括反射陣的分析和設計。例如，Shan等人使用NNs來預測相位移動，而克里格法則被建議用來預測反射陣組件的電磁響應。支持向量回歸(SVR)被用來加速檢查[205]并直接優化窄帶反射陣。為了在不降低計算精度的前提下加快計算速度，Prado等人提出了一種基于寬頻SVR的反射陣設計方法，并證明了其在直接廣播衛星應用中獲得寬頻、雙線性偏振和異形波束反射陣的能力。

3.12.4 載波信號檢測

由于每個信號在分類、調制、解調、解碼和其他信號處理之前都必須進行分離，因此載波信號在頻域中的定位和檢測是無線通信的一個關鍵問題。

用于載波信號檢測的算法通常是基于閾值的，并且需要人工干預，盡管已經有了一些改進，包括使用雙重閾值。Kim等人提出使用基于斜率跟蹤的算法，根據信號的特性，如振幅、斜率、偏轉寬度或相鄰偏轉之間的距離，來分離信號元素的間隔。

最近，DL被應用于載波信號檢測；例如，Morozov和Ovchinnikov應用全連接的NN在FSK信號中進行檢測，而Yuan等人用DL在寬帶頻譜數據中進行摩爾斯信號盲檢測。Huang er al.采用全卷積網絡（FCN）模型來檢測寬帶功率譜中的載波信號。FCN是一種用于語義圖像分割的DL方法，其中寬帶功率譜被視為一維圖像，每個子載波為目標對象，將寬帶上的載波檢測問題轉變為語義一維圖像分割問題。這里設計了一個一維深度FCN模型，將寬帶功率譜陣列上的每個點分為兩類（即子載波或噪聲），然后在寬帶功率譜上定位子載波信號的位置。在分別使用模擬和真實的衛星寬帶功率譜數據集進行訓練和驗證后，所提出的深度CNN成功地檢測了寬帶功率譜中的副載波信號，并取得了比斜率追蹤法更高的精度。表3將不同的衛星通信方面與它們各自的基于人工智能的解決方案參考相匹配。

表3 各種衛星問題及其各自的基于人工智能的解決方案參考。

4 結論

這篇評論提供了人工智能及其不同子領域的概述，包括ML、DL和RL。然后介紹了衛星通信的一些限制，并討論了他們提出的和潛在的基于人工智能的解決方案。人工智能的應用已經在各種各樣的衛星通信方面顯示出巨大的成果，包括波束跳躍、AJ、網絡流量預測、信道建模、遙測挖掘、電離層閃爍檢測、干擾管理、遙感、行為建模、空間-空氣-地面整合以及能源管理。未來的工作應旨在應用人工智能，以實現更高效、安全、可靠和高質量的通信系統。盡管ML在一些應用中的精確性和準確性方面取得了巨大的成果，但為了更安全和可靠的通信，在ML的可解釋性和對抗性ML方面仍有更多的工作要做。

Mohamed-Slim Alouini于1998年在美國加州帕薩迪納的加州理工學院（Caltech）獲得電氣工程博士學位。他曾在美國明尼蘇達州明尼阿波利斯市的明尼蘇達大學任教，然后在卡塔爾的德克薩斯農工大學任教，2009年加入沙特阿拉伯王國Thuwal的阿卜杜拉國王科技大學（KAUST）的計算機、電氣和數學科學與工程系，擔任電氣工程教授。他目前的研究興趣包括無線通信系統的建模、設計和性能分析。

Fares Fourati目前正在沙特阿拉伯王國圖瓦勒的阿卜杜拉國王科技大學（KAUST）計算機、電氣和數學科學與工程部的通信理論實驗室攻讀電氣和計算機工程的碩士/博士課程。他獲得了突尼斯綜合理工學院的工程師文憑。他目前的研究興趣包括無線通信系統的機器學習。