一种用于卫星通信信号的多普勒频偏的预补偿方法及系统

技术领域

本发明涉及卫星通信技术领域，更具体地说，涉及一种用于卫星通信信号的多普勒频偏的预补偿方法及系统。

背景技术

高动态是低轨卫星通信系统最大的特点之一，LEO卫星以约7km/s的速度移动，对于地面静止目标具有极高的相对运动速度，且LEO卫星绕地心作圆周运动，其与通信目标载体的径向速度是时变的，因此具有一定的相对加速度，这种载波多普勒的高动态导致低轨卫星通信系统需采用比高轨卫星通信系统或者地面通信系统更复杂的链路同步技术，卫星与终端的同步问题主要分为多普勒频偏预补偿、时延补偿、信号频偏补偿和相位补偿四个部分。卫星通信的预同步技术主要涉及多普勒频偏预补偿和信号频偏补偿，为保证可靠的通信，应获取卫星在可视范围内对地精度高的多普勒频偏。

现有技术一般以传统的基于信号恢复的角度去进行信号频偏估计与补偿，但是低轨卫星以高速度移动，与地面通信目标产生极大的相对运动速度，由此导致的多普勒频偏加大了用户终端的信号恢复难度，因此，针对高动态，大频偏及频偏变化率大的卫星系统而言，从信号恢复的角度很难进行快速信号频偏估计和补偿。而进行多普勒频偏估计与补偿是接入移动终端用户的前提。发明人在研究过程中发现，卫星的轨道数据是可以预测的，从而提出基于星历数据的预补偿算法，但是同时发现星历数据中的卫星轨道数据各个轨道参数变化规律不同，不易预测且预测出的结果存在很大误差，无法保证卫星的轨道数据精度，导致计算的多普勒频偏预补偿值不准确，使得补偿的效果不够好，大大降低后续对信号译码的准确性等问题。

因此，亟需一种提高多普勒频偏预补偿值精度，以进行准确的频偏预补偿的方法。

发明内容

因此，本发明的目的在于克服上述现有技术的缺陷，提供一种用于卫星通信信号的多普勒频偏的预补偿方法及系统。

本发明的目的是通过以下技术方案实现的：

根据本发明的第一方面，提供一种用于卫星通信信号的多普勒频偏的预补偿方法，包括：利用经训练的神经网络模型预测当前时刻卫星轨道数据中的多个轨道参数，多个轨道参数包括半长轴、偏心率、轨道倾角、近地点辐角和平近点角；利用经训练的线性函数模块预测当前时刻卫星轨道数据中的升交点赤经参数；基于所述预测得到的半长轴、偏心率、轨道倾角、近地点辐角、平近点角和升交点赤经参数，确定卫星相对移动终端的相对位置和相对速度；根据卫星相对移动终端的相对位置和相对速度，对移动终端从所述卫星获得的接收信号对应的下变频信号进行多普勒频偏预补偿。

在本发明的一些实施例中，所述根据卫星相对移动终端的相对位置和相对速度，对移动终端从所述卫星获得的接收信号对应的下变频信号进行多普勒频偏预补偿的步骤包括：获取移动终端从所述卫星获得接收信号时移动终端的位置信息和速度信息以及卫星相对移动终端的相对位置和相对速度，以确定多普勒频偏的预补偿值；基于所述多普勒频偏的预补偿值对移动终端获得的所述接收信号对应的下变频信号进行多普勒频偏预补偿。

在本发明的一些实施例中，所述经训练的神经网络模型包括多个LSTM神经网络单元，其中，所述多个轨道参数中的每个轨道参数对应一个LSTM神经网络单元。

在本发明的一些实施例中，所述多个轨道参数中的每个轨道参数对应的LSTM神经网络单元按照以下方式训练：获取卫星轨道数据中的相应轨道参数对应的时序信息构成该轨道参数的第一训练集，其中，轨道参数对应的时序信息包括若干时间点及其中每个时间点该轨道参数的值；利用所述第一训练集训练该轨道参数对应的LSTM神经网络单元根据相应时间点该轨道参数的值确定相应时间点的下一时间点的轨道参数的估计值；根据该相应时间点的下一时间点的轨道参数的估计值以及轨道参数对应的时序信息中记录的该时间点的下一时间点该轨道参数的真实值，计算损失值，并基于所述损失值更新该轨道参数对应的LSTM神经网络单元的参数。

在本发明的一些实施例中，多个轨道参数中的每个轨道参数的第一训练集的构建方式包括：以预定时间间隔获取历史星历数据，得到不同时间点的卫星轨道数据；针对所述多个轨道参数的相应轨道参数，选取不同时间点的卫星轨道数据中的该轨道参数的值，得到该轨道参数的初始数据集；基于对该轨道参数设定的阈值范围，将该轨道参数的初始数据集中不在阈值范围内的数据进行剔除，得到该轨道参数的第一训练集，其中，多个轨道参数的每个轨道参数对应一个设定的阈值范围。

在本发明的一些实施例中，所述基于总损失更新相应LSTM神经网络单元的参数，包括：根据总损失计算梯度值，并通过反向传播的方式更新相应LSTM神经网络单元的参数。

在本发明的一些实施例中，所述经训练的线性函数模块按照以下方式训练得到：获取卫星轨道数据中的升交点赤经参数对应的时序信息构成升交点赤经参数的第二训练集，其中，升交点赤经参数对应的时序信息包括若干相应时间点及该时间点对应的升交点赤经参数的值；利用第二训练集训练线性函数模块根据相应时间点的升交点赤经参数的值，确定相应时间点的下一时间点的升交点赤经参数的估计值；基于相应时间点的下一时间点的升交点赤经参数的估计值以及升交点赤经参数对应的时序信息中记录的该时间点的下一时间点的升交点赤经参数的真实值，计算误差，基于误差更新线性函数模块的参数。

在本发明的一些实施例中，所述第二训练集的构建方法包括：以预定时间间隔获取历史星历数据，得到不同时间点的卫星轨道数据；选取不同时间点的卫星轨道数据中的升交点赤经参数，得到升交点赤经数据集；基于对升交点赤经参数设定的阈值范围，将升交点赤经数据集中不在阈值范围内的升交点赤经参数进行剔除，得到第二训练集。

在本发明的一些实施例中，所述线性函数模块采用最小二乘法对升交点赤经参数进行预测。

在本发明的一些实施例中，所述以预定时间间隔获取历史星历数据，得到不同时间点的卫星轨道数据，包括：以预定时间间隔获取历史星历数据中相应时间点的卫星轨道数据、卫星相对移动终端的真实相对位置和真实相对速度；基于相应时间点的卫星轨道数据，采用轨道外推算法确定相应时间点卫星的相对位置和相对速度，基于确定的相对位置与真实相对位置的位置差异和基于确定的相对速度与真实相对速度间的速度差异得到总差异值；基于各个时间点对应的总差异值，剔除总差异值大于预定阈值对应时间点的卫星轨道数据，并获取该时间点前的预定时间内的一个时间点对应的卫星轨道数据，得到不同时间点的卫星轨道数据。

在本发明的一些实施例中，所述计算卫星相对移动终端的相对位置和相对速度包括利用轨道外推算法基于预测的半长轴、偏心率、轨道倾角、近地点辐角、平近点角和升交点赤经参数进行确定，其中，轨道外推算法包括：基于二体模型的轨道外推算法、SGP4轨道外推算法、J2轨道外推算法和J4轨道外推算法。

根据本发明的第二方面，提供一种用于卫星通信信号的多普勒频偏的预补偿系统，包括：经训练的神经网络模型，用于预测当前时间点的卫星轨道数据中的多个轨道参数，多个轨道参数包括半长轴、偏心率、轨道倾角、近地点辐角和平近点角；经训练的线性函数模块，用于预测当前时间点卫星轨道数据中的升交点赤经参数；轨道外推模块，用于基于预测得到的半长轴、偏心率、轨道倾角、近地点辐角、平近点角和升交点赤经参数，确定卫星相对移动终端的相对位置和相对速度；预补偿模块，用于根据卫星相对移动终端的相对位置和相对速度，对移动终端从所述卫星获得的接收信号对应的下变频信号进行多普勒频偏预补偿。

根据本发明的第三方面，提供一种电子设备，包括：一个或多个处理器；以及存储器，其中存储器用于存储可执行指令；所述一个或多个处理器被配置为经由执行所述可执行指令以实现本发明的第一方面所述方法的步骤。

与现有技术相比，本发明的优点在于：

1、本发明考虑不同轨道参数变化规律的不同性质，通过利用经训练的神经网络模型对变化规律是非线性的轨道参数(半长轴、偏心率、轨道倾角、近地点辐角和平近点角)进行预测，并且利用线性函数模块对变化规律是线性的轨道参数(升交点赤经参数)进行预测，得到的卫星轨道数据(即：半长轴、偏心率、轨道倾角、近地点辐角、平近点角、升交点赤经参数)更加地准确，为多普勒频偏问题提供了更精确的卫星轨道数据估计方法，并且，本发明基于预测的半长轴、偏心率、轨道倾角、近地点辐角、平近点角和升交点赤经参数，确定卫星相对移动终端的相对位置和相对速度；根据卫星相对移动终端的相对位置和相对速度，对移动终端从所述卫星获得的接收信号对应的下变频信号进行多普勒频偏预补偿；可提高最终的译码准确性，另外，在对应的下变频信号进行多普勒频偏预补偿，避免基于对下变频信号解析后得到的信号进行信号恢复时，出现信号频偏估计困难以及无法快速进行信号频偏补偿等问题。

2、本发明一方面将采集的部分卫星轨道数据剔除后，保证了获取到的卫星轨道数据的准确性，同时，又重新获取该时间点前的预定时间内的一个时间点对应的卫星轨道数据，以作为剔除相应卫星轨道数据的补充，保证了数据集的丰富性。另一方面，基于对该轨道参数设定的阈值范围，将该轨道参数的初始数据集中不在阈值范围内的数据进行剔除，其中，多个轨道参数的每个轨道参数对应设定一个阈值范围，以此得到的相应轨道参数的第一训练集和第二训练集，可极大地提高神经网络模型和线性函数模块的预测精度。

附图说明

以下参照附图对本发明实施例作进一步说明，其中：

图1为根据本发明一个实施例的神经网络模型的结构示意图；

图2为根据本发明一个实施例的神经网络模型中的相应轨道参数对应的LSTM神经网络单元在t时间点的输入输出示意图；

图3为根据本发明一个实施例的神经网络模型中的相应轨道参数对应的LSTM神经网络单元在t时间点的上一时间点t-1的输入输出示意示意图；

图4为根据本发明一个实施例的LSTM神经网络单元的结构以及内部数据处理示意图；

图5为根据本发明一个实施例的基于神经网络模型和线性函数模型计算频偏预补偿值的示意图；

图6为根据本发明一个实施例的一种针对卫星通信信号的多普勒频偏的预补偿方法流程图；

图7为根据本发明一个实施例的卫星运行轨道的示意图；

图8为根据本发明一个实施例的升交点赤经的超参数训练拟合效果示意图；

图9a为根据本发明一个实施例的半长轴的预测值及真实观测值的对比示意图；

图9b为根据本发明一个实施例的半长轴的预测误差示意图；

图10a为根据本发明一个实施例的偏心率的预测值及真实观测值的对比示意图；

图10b为根据本发明一个实施例的偏心率的预测误差示意图；

图11a为根据本发明一个实施例的轨道倾角的预测值及真实观测值的对比示意图；

图11b为根据本发明一个实施例的轨道倾角的预测误差示意图；

图12a为根据本发明一个实施例的近地点辐角的预测值及真实观测值的对比示意图；

图12b为根据本发明一个实施例的近地点辐角的预测误差示意图；

图13a为根据本发明一个实施例的平近点角的预测值及真实观测值的对比示意图；

图13b为根据本发明一个实施例的平近点角的预测误差示意图。

具体实施方式

为了使本发明的目的，技术方案及优点更加清楚明白，以下结合附图通过具体实施例对本发明进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明。

如在背景技术部分提到的，卫星与移动终端的同步问题主要分为多普勒频偏预补偿、时延补偿、多普勒频偏补偿和相位补偿四个部分。现有技术一般以传统的基于信号恢复的角度去进行多普勒频偏估计与补偿，但是针对高动态，大频偏及频偏变化率的卫星系统而言，很难进行快速估计和补偿。而进行多普勒频偏估计与补偿是接入移动终端用户的前提。发明人在研究过程中发现，卫星的轨道数据是可以预测的。但是，申请人发现，如果将所有轨道参数都直接用预先训练的神经网络来预测，会导致预测的精度不佳，使得补偿的效果不够好。申请人在多次分析和研究后，发现是因为一些轨道参数(即：半长轴、偏心率、轨道倾角、近地点辐角和平近点角)的变化规律是非线性的，而其他的轨道参数(即：升交点赤经参数)的变化规律是(或者接近于)线性的。因此，需要针对性地用不同方式预测不同变换规律的轨道参数。

基于以上问题，本发明提供一种用于卫星通信信号的多普勒频偏的预补偿方法，包括：利用经训练的神经网络模型(相当于预先训练一个非线性的模型)预测当前时刻卫星轨道数据中的多个轨道参数，多个轨道参数包括半长轴、偏心率、轨道倾角、近地点辐角和平近点角；利用经训练的线性函数模块预测当前时刻卫星轨道数据中的升交点赤经参数；基于预测的半长轴、偏心率、轨道倾角、近地点辐角、平近点角和升交点赤经参数，确定卫星相对移动终端的相对位置和相对速度；根据卫星相对移动终端的相对位置和相对速度，对移动终端从所述卫星获得的接收信号对应的下变频信号进行多普勒频偏预补偿。该方法考虑不同轨道参数变化规律的不同性质，通过利用经训练的神经网络模型对变化规律是非线性的轨道参数(半长轴、偏心率、轨道倾角、近地点辐角和平近点角)进行预测，并且利用线性函数模块对变化规律是线性的轨道参数(升交点赤经参数)进行预测，得到的卫星轨道数据(即：半长轴、偏心率、轨道倾角、近地点辐角、平近点角、升交点赤经参数)更加地准确，为多普勒频偏问题提供了更精确的卫星轨道数据估计方法，并且，本发明基于预测的半长轴、偏心率、轨道倾角、近地点辐角、平近点角和升交点赤经参数，确定卫星相对移动终端的相对位置和相对速度；根据卫星相对移动终端的相对位置和相对速度，对移动终端从所述卫星获得的接收信号对应的下变频信号进行多普勒频偏预补偿；可提高最终的译码准确性，而且，本发明是在接收信号对应的下变频信号处进行多普勒频偏预补偿，而不是对下变频信号解析后再进行补偿，避免基于对下变频信号解析后得到的信号进行信号恢复时，容易出现的信号频偏估计困难以及无法快速进行信号频偏补偿等问题。

根据本发明的一个实施例，卫星轨道数据中的多个轨道参数包括半长轴、偏心率、轨道倾角、近地点辐角和平近点角五个轨道参数，五个轨道参数与卫星轨道数据中的升交点赤经参数构成卫星轨道六根数，即五个轨道参数和升交点赤经参数均为卫星轨道参数。以符号a表示半长轴、符号e表示偏心率、符号i表示轨道倾角、符号ω表示近地点辐角、符号M表示平近点角，符号Ω表示升交点赤经参数。

在进行多普勒频偏预补偿时，需要获取经训练的神经网络模型，根据本发明的一个实施例，所获取的经训练的神经网络模型包括多个LSTM(Long Short Term MemoryNetwork，长短时记忆网络)神经网络单元。其中，参见图1，本发明中需要用神经网络模型预测半长轴、偏心率、轨道倾角、近地点辐角和平近点角这五个轨道参数，其中，以符号

基于以上的神经网络模型结构，根据本发明的一个实施例，首先，需针对所述多个轨道参数中的每个轨道参数，应分别独立训练一个LSTM神经网络单元，即半长轴、偏心率、轨道倾角、近地点辐角和平近点角分别对应训练一个LSTM神经网络单元。一个参数对应训练一个LSTM神经网络单元，得到适合预测相应参数的LSTM神经网络单元，保证各个轨道参数的预测精度。

应当理解，上述实施例中，半长轴、偏心率、轨道倾角、近地点辐角和平近点角中每个参数对应一个LSTM神经网络单元仅是一个优选实施例，此方式可以得到更精确的预测值。但是，实际上，也可以用半长轴、偏心率、轨道倾角、近地点辐角和平近点角共同训练一个LSTM模型，该LSTM模型有五个输入(上一时刻的半长轴、偏心率、轨道倾角、近地点辐角和平近点角)，五个输出(预测的半长轴、偏心率、轨道倾角、近地点辐角和平近点角)。

其中，独立训练一个用于预测多个轨道参数中相应轨道参数的LSTM神经网络单元前，需构建训练相应轨道参数对应的LSTM神经网络单元的相应轨道参数的第一训练集。根据本发明的一个实施例，多个轨道参数中的每个轨道参数的第一训练集的构建方式包括步骤A1、A2和A3：

步骤A1：以预定时间间隔获取历史星历数据，得到不同时间点的卫星轨道数据。

由于移动终端可能长时间不开机，造成星历是过去的某一时间，采集的历史星历数据本身可能存在误差，因此，需要对采集的存在错误的星历数据进行剔除。根据本发明的一个实施例，步骤A1具体包括：

步骤A101：以预定时间间隔获取历史星历数据中相应时间点的卫星轨道数据、卫星相对移动终端的真实相对位置和真实相对速度。

根据本发明的一个实施例，假设有M天的历史星历数据，每条以H小时为时间间隔进行数据采集，例如以6小时的时间间隔获取前100天中的星历数据，一天以24小时计算，每天获取4个星历数据，则共选取400个星历数据，每个星历数据对应包括有相应时间点的卫星轨道数据、卫星相对移动终端的真实相对位置和真实相对速度。其中，卫星轨道数据又包括半长轴、偏心率、轨道倾角、近地点辐角、平近点角和升交点赤经参数。

步骤A102：基于相应时间点的卫星轨道数据，采用轨道外推算法确定相应时间点卫星的相对位置和相对速度，基于确定的相对位置与真实相对位置的位置差异和基于确定的相对速度与真实相对速度间的速度差异得到总差异值。其中，计算卫星相对移动终端的相对位置和相对速度包括利用轨道外推算法基于卫星轨道数据中包含的半长轴、偏心率、轨道倾角、近地点辐角、平近点角和升交点赤经参数进行确定，采用轨道外推算法可以为：SGP4轨道外推算法、J2轨道外推算法和J4轨道外推算法。

步骤A103：基于各个时间点对应的总差异值，剔除总差异值大于预定阈值对应时间点的卫星轨道数据，并获取该时间点前的预定时间内的一个时间点对应的卫星轨道数据，得到不同时间点的卫星轨道数据。例如剔除的是某一天6点的卫星轨道数据，获取该日期6点前1小时内的一个时间点对应的卫星轨道数据，如该日期5点时的卫星轨道数据代替剔除的卫星轨道数据。本发明将差异值大于预定阈值的相应时间点的卫星轨道数据剔除后，保证了获取到的卫星轨道数据的准确性，同时，又重新获取该时间点前的预定时间内的一个时间点对应的卫星轨道数据，以作为剔除相应卫星轨道数据的补充，保证了数据集的丰富性。进一步提高神经网络模型的预测精度。

步骤A2：针对所述多个轨道参数的相应轨道参数，选取不同时间点的卫星轨道数据中的该轨道参数的值，得到该轨道参数的初始数据集。

根据本发明的一个实施例，多个轨道参数包括半长轴、偏心率、轨道倾角、近地点辐角和平近点角五个轨道参数，针对五个轨道参数的相应轨道数据，选取不同时间点的卫星轨道数据中的该轨道参数的值，得到半长轴参数的初始数据集、偏心率参数的初始数据集、轨道倾角参数的初始数据集、近地点辐角参数的初始数据集和平近点角参数的初始数据集。

步骤A3：基于对该轨道参数设定的阈值范围，将该轨道参数的初始数据集中不在阈值范围内的数据进行剔除，得到该轨道参数的第一训练集，其中，多个轨道参数的每个轨道参数对应设定一个阈值范围。

根据本发明的一个实施例，先对长时间的历史星历数据的五个轨道参数分别进行数值范围统计，并按照从大到小的顺序排序，观察相应轨道参数的初始数据集中的最值分布，同时，各个轨道参数对应设定的符合各自情况的阈值范围，以去除相应轨道参数的初始数据集中排序最前和最后3％(应当理解，此处仅为示意，也可以为2％、4％等，可根据具体情况的需要进行设置，本发明对此不作任何限制)的不合理的轨道参数，保留符合实际情况合理的相应轨道参数。以此得到数据更为准确的半长轴参数的第一训练集、偏心率参数的第一训练集、轨道倾角参数的第一训练集、近地点辐角参数的第一训练集和平近点角参数的第一训练集。提高对应的LSTM神经网络单元的预测精度。

最后，利用相应轨道参数的第一训练集训练得到经训练的相应轨道参数对应的LSTM神经网络单元。根据本发明的一个实施例，所述多个轨道参数中的每个轨道参数对应的LSTM神经网络单元按照以下步骤进行多轮训练，每轮训练包括步骤B1、B2和B3：

步骤B1：获取卫星轨道数据中的相应轨道参数对应的时序信息构成该轨道参数的第一训练集，其中，轨道参数对应的时序信息包括若干时间点及其中每个时间点该轨道参数的值。

根据本发明的一个实施例，轨道参数对应的一个时序信息以形如(时间，对应时间点该轨道参数的值)表示，如半长轴轨道参数对应的时序信息可包括{(t-n，a

步骤B2：利用所述第一训练集训练该轨道参数对应的LSTM神经网络单元根据相应时间点该轨道参数的值确定相应时间点的下一时间点的轨道参数的估计值。

根据本发明的一个实施例，参见图2，在t时间点，对应的LSTM神经网络单元的输入有x

进一步的，结合LSTM神经网络单元的具体结构，对输入数据进行处理过程如下。

根据本发明的一个实施例，参见图4，LSTM神经网络单元内部使用三个控制开关来解决控制长期状态c的核心问题，开关1负责控制继续保存长期状态c；开关2负责控制把当前时间点的即时状态输入到长期单元状态c中；开关3负责控制是否把长期状态c作为当前时间点的非线性训练输出。W

遗忘门的表达式如下:

f

其中，f

＝W

输入门的表达式如下：

I

其中，I

上一时间点t-1输出的h

c′

其中，W

当前时间点的长期单元状态c

其中，符号

o

其中，o

由输出门的输出o

其中，h

步骤B3：根据该相应时间点的下一时间点的轨道参数的估计值以及轨道参数对应的时序信息中记录的该时间点的下一时间点该轨道参数的真实值，计算损失值，并基于所述损失值更新该轨道参数对应的LSTM神经网络单元的参数。其中，当损失值在预设阈值内或达到预设的训练轮次，则停止更新该轨道参数对应的LSTM神经网络单元的参数，完成训练。

根据本发明的一个实施例，更新相应LSTM神经网络单元的参数，包括：根据总损失计算梯度值，并通过反向传播的方式更新相应LSTM神经网络单元的参数。具体的，反向传播的方式更新参数包括：前向计算每个神经元的输出值，即计算f

为适应不同轨道参数的规律性质，根据本发明的一个实施例，在进行多普勒频偏预补偿时，还需要获取经训练的线性函数模块，所获取的线性函数模块采用最小二乘法对升交点赤经参数进行预测。可以得到更优的升交点赤经参数，提高了对升交点赤经参数的预测精度。

首先，要获得经训练的线性函数模块，需构建训练该线性函数模块的升交点赤经参数的第二训练集。根据本发明的一个实施例，所述第二训练集的构建方法包括步骤C1、C2和C3：

步骤C1：以预定时间间隔获取历史星历数据，得到不同时间点的卫星轨道数据。其中，该步骤C1与上述构建第一训练集的步骤A1的方式相同。

步骤C2：选取不同时间点的卫星轨道数据中的升交点赤经参数，得到升交点赤经数据集。

步骤C3：基于对升交点赤经参数设定的阈值范围，将升交点赤经数据集中不在阈值范围内的升交点赤经参数进行剔除，得到第二训练集。

根据本发明的一个实施例，先对长时间的历史星历数据的升交点赤经参数进行数值范围统计，并按照从大到小的顺序排序，观察升交点赤经数据集中的最值分布，然后设定阈值范围，以去除升交点赤经数据集中排序最前和最后3％(应当理解，此处仅为示意，也可以为2％、4％等，可根据具体情况的需要进行设置，本发明对此不作任何限制)的不合理的升交点赤经参数，保留符合实际情况合理的升交点赤经参数。以此，得到升交点赤经参数的第二训练集。

最后，利用得到升交点赤经参数的第二训练集训练得到经训练的线性函数模块。根据本发明的一个实施例，所述经训练的线性函数模块按照以下方式进行多轮训练得到，每轮训练包括步骤D1、D2和D3：

步骤D1：获取卫星轨道数据中的升交点赤经参数对应的时序信息构成升交点赤经参数的第二训练集，其中，升交点赤经参数对应的时序信息包括若干相应时间点及该时间点对应的升交点赤经参数的值。

步骤D2：利用第二训练集训练线性函数模块根据相应时间点的升交点赤经参数的值，确定相应时间点的下一时间点的升交点赤经参数的估计值。

根据本发明的一个实施例，从第二训练集中选取n个样本，n个样本包括n个时间点及每个时间点对应的升交点赤经参数的值，线性函数模块使用最小二乘法对升交点赤经参数进行估计，确定方式如下：

其中，

步骤D3：基于相应时间点的下一时间点的升交点赤经参数的估计值以及升交点赤经参数对应的时序信息中记录的该时间点的下一时间点的升交点赤经参数的真实值，计算误差，基于误差更新线性函数模块的参数。

根据本发明的一个实施例，本发明中的五个LSTM神经网络单元与线性函数模型并行训练，以提高训练速度。

在训练好神经网络模型和线性函数模块后，参见图5，根据本发明的一个实施例，需利用训练好的神经网络模型和线性函数模型预测当前时间点的卫星轨道数据，得到较为准确的半长轴

根据本发明的一个实施例，提供一种用于卫星通信信号的多普勒频偏的预补偿方法，参见图6，该方法包括步骤S1、S2、S3和S4，为了更好地理解本发明，下面结合具体的实施例针对每一个步骤分别进行详细说明。

步骤S1：获取上述经训练的神经网络模型，利用神经网络模型预测当前时刻卫星轨道数据中的多个轨道参数，多个轨道参数包括半长轴、偏心率、轨道倾角、近地点辐角和平近点角。

根据本发明的一个实施例，经训练的神经网络模型包括五个LSTM神经网络单元，分别用于预测当前时间点卫星轨道数据中的半长轴、偏心率、轨道倾角、近地点辐角和平近点角。

步骤S2：获取上述经训练的线性函数模块，利用线性函数模块预测当前时刻卫星轨道数据中的升交点赤经参数。

步骤S3：基于预测得到的半长轴、偏心率、轨道倾角、近地点辐角、平近点角和升交点赤经参数，确定卫星相对移动终端的相对位置和相对速度。

根据本发明的一个实施例，所述计算卫星相对移动终端的相对位置和相对速度包括利用轨道外推算法基于预测的半长轴、偏心率、轨道倾角、近地点辐角、平近点角和升交点赤经参数进行确定，其中，轨道外推算法包括：基于二体模型的轨道外推算法、SGP4轨道外推算法、J2轨道外推算法和J4轨道外推算法。下面以基于二体模型的轨道外推算法为例计算相对位置和相对速度。

首先，计算当前时间点卫星在ECI(earth centered inertial，地球中心惯性坐标系)坐标系下的位置矢量和速度矢量，具体包括以下步骤：

已知当前时间点6点整的卫星轨道数据(即轨道六根数)，计算处于整点之间(如6点整与7点整间)的平近地点角M，就比如在神经网络模型和线性函数模块预测6点整的卫星轨道数据，然后基于6点整的卫星轨道数据，用二体模型(TwoBody)外推6.002时间点的卫星轨道数据中的平近点角M，其它五个轨道参数当成理想情况，即6.002时间点的半长轴a、偏心率e、轨道倾角i和近地点辐角ω五个轨道参数与6点整的预测得到的一样。其中，二体模型(TwoBody)外推求解平近地点角方式如下：

M(t)＝ω

其中，M(t)为当前时间点t(如6.002时间点)的平近地点角，

进一步计算偏近点角E，计算方式如下：

E-esinE＝M(t)，

其中，e为偏心率。

计算真近点角f的正弦和余弦，正弦表示为：

余弦表示为：

一个示意性的卫星运行轨道如图7所示，其中，假设卫星在近地点的方位的单位向量为P，向量Q为在轨道平面上与P垂直的单位向量，r为卫星距地心的距离，a为半长轴，ω为近地点辐角，f为真近点角。单位向量为P表示如下：

向量Q表示如下：

基于真近点角f的正弦和余弦、单位向量P和Q，可得卫星在ECI坐标系中的位置矢量，具体计算方式如下：

r

其中，r＝a(1-ecosE)，e为偏心率，E为偏近点角。

将真近点角f的正弦和余弦，得到的位置矢量为：

由于速度矢量是位置矢量关于时间的导数，即对r

其次，将ECI坐标系下的位置矢量和速度矢量转换到ECEF(earth-centered,earth-fixed，地心地固坐标系)坐标系中。由于在卫星运动参数计算过程中，通常需要先把卫星在ECI坐标系下的坐标转换成在ECEF坐标系下的坐标。卫星在ECI坐标系中的坐标绕其Z轴旋转格林尼治时角θ

r

其中，

对r

获取移动终端在ECEF坐标系下的地理方位的高程、经度、纬度和速度v

其中，

最后，按照以下方式求卫星相对移动终端的相对位置r和相对速度v：

步骤S4：根据卫星相对移动终端的相对位置和相对速度，对移动终端从所述卫星获得的接收信号对应的下变频信号进行多普勒频偏预补偿。

根据本发明的一个实施例，步骤S4具体包括以下步骤：

步骤S401：获取移动终端从所述卫星获得接收信号时移动终端的位置信息和速度信息以及卫星相对移动终端的相对位置和相对速度，以确定多普勒频偏的预补偿值。

根据本发明的一个实施例，确定多普勒频偏的预补偿值的方式可以根据多普勒频偏公式，计算得到多普勒频偏，具体计算方式为：

其中，

步骤S402：基于所述多普勒频偏的预补偿值对移动终端获得的所述接收信号对应的下变频信号进行多普勒频偏预补偿。

本发明的移动终端在开机完成初始化工作后，还可以通过判断当前星历数据库中卫星的最新星历距离当前时间点的时间间隔是否超过阈值，若没有超过阈值则表示星历数据不存在误差或误差很小，因此，根据本发明的另一实施例，提供另一种用于卫星通信信号的多普勒频偏的预补偿方法，在移动终端判断星历数据不存在误差或误差很小时，直接获取当前时刻的卫星轨道数据，并基于获取的卫星轨道数据执行上述实施例中的步骤S3和步骤S4，完成预补偿。

根据本发明的一个实施例，提供一种用于卫星通信信号的多普勒频偏的预补偿系统，包括：上述经训练的神经网络模型，用于预测当前时间点的卫星轨道数据中的多个轨道参数，多个轨道参数包括半长轴、偏心率、轨道倾角、近地点辐角和平近点角；上述经训练的线性函数模块，用于预测当前时间点卫星轨道数据中的升交点赤经参数；轨道外推模块，用于基于预测得到的半长轴、偏心率、轨道倾角、近地点辐角、平近点角和升交点赤经参数，确定卫星相对移动终端的相对位置和相对速度；预补偿模块，用于根据卫星相对移动终端的相对位置和相对速度，对移动终端从所述卫星获得的接收信号对应的下变频信号进行多普勒频偏预补偿。

为了验证本发明的效果，发明人对经过训练的线性函数模块和经训练的神经网络模型的多个LSTM神经网络单元进行测试，所述实验效果说明如下：

经过训练的线性函数模块预测升交点赤经的情况：参见图8，升交点赤经根据6个小时取样，呈现出周期为80天的锯齿波，使用线性拟合具有很好的效果。

经训练的半长轴轨道参数对应的LSTM神经网络单元：训练时的超参数：神经元个数为300个，最大迭代次数为120次，前80次的学习率为0.005，后面的40次的学习率为0.2。参见图9a，其坐标系的横坐标表示相应时间点，纵坐标表示半长轴的真实观测值和预测值，参见图9b，其坐标系的横坐标表示相应时间点，纵坐标表示半长轴的真实观测值和预测值间的误差值。图9a和图9b使用训练好的该轨道参数对应的LSTM神经网络单元从10月11日起对半长轴进行预测的结果，可以看出，半长轴的预测效果较好，预测最大误差在750m左右，RMSE为391.1401。

经训练的偏心率轨道参数对应的LSTM神经网络单元：训练时的超参数情况：神经元个数为200个，最大迭代次数为120次，前80次的学习率为0.005，后面的40次的学习率为0.2。参见图10a，其坐标系的横坐标表示相应时间点，纵坐标表示偏心率的真实观测值和预测值，参见图10b，其坐标系的横坐标表示相应时间点，纵坐标表示偏心率的真实观测值和预测值间的误差值。图10a和图10b为使用训练好的偏心率轨道参数对应的LSTM神经网络单元从10月11日起对偏心率进行预测的结果，可以看出，偏心率的预测效果较好，预测最大误差在5×10

经训练的轨道倾角轨道参数对应的LSTM神经网络单元：训练时的超参数情况：神经元个数为200个，最大迭代次数为120次，前80次的学习率为0.005，后面的40次的学习率为0.2。参见图11a，其坐标系的横坐标表示相应时间点，纵坐标表示轨道倾角的真实观测值和预测值，参见图11b，其坐标系的横坐标表示相应时间点，纵坐标表示轨道倾角的真实观测值和预测值间的误差值。图11a和图11b为使用训练好的轨道倾角轨道参数对应的LSTM神经网络单元从10月11日起对轨道倾角进行预测的结果，效果较为理想。

经训练的近地点辐角轨道参数对应的LSTM神经网络单元：训练时的超参数情况：神经元个数为200个，最大迭代次数为120次，前80次的学习率为0.005，后面的40次的学习率为0.2。参见图12a，其坐标系的横坐标表示相应时间点，纵坐标表示近地点辐角的真实观测值和预测值，参见图12b，其坐标系的横坐标表示相应时间点，纵坐标表示近地点辐角的真实观测值和预测值间的误差值。图12a和图12b为使用训练好的近地点辐角轨道参数对应的LSTM神经网络单元从10月11日起对近地点辐角进行预测的结果，可以看出，近地点辐角的整体预测效果中，预测最大误差在达到了0.4左右。

经训练的平近点角轨道参数对应的LSTM神经网络单元：训练时的超参数情况：神经元个数为200个，最大迭代次数为120次，前80次的学习率为0.005，后面的40次的学习率为0.2。参见图13a，其坐标系的横坐标表示相应时间点，纵坐标表示平近点角的真实观测值和预测值，参见图13b，其坐标系的横坐标表示相应时间点，纵坐标表示平近点角的真实观测值和预测值间的误差值。图13a和图13b为使用训练好的平近点角轨道参数对应的LSTM神经网络单元从10月11日起对平近点角进行预测的结果，可以看出，平近点角的整体预测效果较好，预测最大误差在达到了0.6左右。

需要说明的是，虽然上文按照特定顺序描述了各个步骤，但是并不意味着必须按照上述特定顺序来执行各个步骤，实际上，这些步骤中的一些可以并发执行，甚至改变顺序，只要能够实现所需要的功能即可。

本发明可以是系统、方法和/或计算机程序产品。计算机程序产品可以包括计算机可读存储介质，其上载有用于使处理器实现本发明的各个方面的计算机可读程序指令。

计算机可读存储介质可以是保持和存储由指令执行设备使用的指令的有形设备。计算机可读存储介质例如可以包括但不限于电存储设备、磁存储设备、光存储设备、电磁存储设备、半导体存储设备或者上述的任意合适的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括：便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、静态随机存取存储器(SRAM)、便携式压缩盘只读存储器(CD-ROM)、数字多功能盘(DVD)、记忆棒、软盘、机械编码设备、例如其上存储有指令的打孔卡或凹槽内凸起结构、以及上述的任意合适的组合。

以上已经描述了本发明的各实施例，上述说明是示例性的，并非穷尽性的，并且也不限于所披露的各实施例。在不偏离所说明的各实施例的范围和精神的情况下，对于本技术领域的普通技术人员来说许多修改和变更都是显而易见的。本文中所用术语的选择，旨在最好地解释各实施例的原理、实际应用或对市场中的技术改进，或者使本技术领域的其它普通技术人员能理解本文披露的各实施例。