基于人工智能的堆叠集成智能技术：用于卫星地面融合网络中的鲁棒链路质量分类与自适应资源管理

《IEEE Open Journal of the Communications Society》：AI-Driven Stacked Ensemble Intelligence for Robust Link Quality Classification and Adaptive Resource Management in Satellite Terrestrial Integrated Networks

　　

摘要：

卫星-地面集成网络（STIN）作为一种关键的架构模式应运而生，它通过结合卫星系统的广泛覆盖范围与地面网络的高容量和低延迟，实现了无缝、全球性的且具有弹性的无线连接。尽管具有这些优势，STIN仍面临诸多挑战，这些挑战源于异构的链路质量、动态的网络拓扑结构、较长的传播延迟以及高度变化的信道条件，这些因素可能使通信变得复杂且难以适应。在空间-地面集成环境中，准确及时地评估链路质量对于实现有效的资源管理、自适应调制与编码以及强大的网络控制至关重要。本研究提出了一种基于堆叠集成学习架构的STIN链路质量分类模型。该模型结合了多种轻量级机器学习分类器和一个元级学习器，以捕捉卫星轨道参数、空间特征与链路动态之间的复杂非线性关系。该框架将卫星-地面链路分为三种运行状态：良好、中等和较差，为跨层资源分配和自适应通信策略提供了可操作的决策依据。广泛的实验评估表明，所提出的模型分类准确率达到96.79%，宏观平均F1分数达到96.88%，而仅使用决策树的模型准确率为85%，基于机器学习的模型准确率为88%。这表明该模型在所有链路类别中都表现出高度平衡和稳健的性能。混淆矩阵分析显示，误分类仅发生在相邻的链路质量状态之间，而没有出现良好链路与较差链路之间的严重误分类情况，从而确保了决策的高可靠性。与单一模型基线相比，所提出的方法在异构和动态的STIN条件下提高了预测的稳定性和鲁棒性。

显示更多