Master Thesis MSTR-2021-112

BibliographyHoleczek, Cedric: Entwicklung eines neuronalen Netzwerks zur Optimierung der Datenübertragungsqualität von Kleinsatellitenplattformen.
University of Stuttgart, Faculty of Computer Science, Electrical Engineering, and Information Technology, Master Thesis No. 112 (2021).
60 pages, german.
Abstract

Kleinsatelliten sind heute eine zunehmend wichtige Möglichkeit für die Forschung, Experimente und Nutzlasten in Erdumlaufbahnen zu bringen. Bei diesen Satellitensystemen besteht einerseits ein wachsender Bedarf an Datenübertragung zu einer Bodenstation, andererseits gelten in der Raumfahrt verschiedene Einschränkungen bei Aufbau und Betrieb von Funkkommunikationssystemen. Heutige Funksysteme haben meist statische Transceiver-Konfigurationen und die genutzten Übertragungsraten entsprechen der Worst-case-Betrachtung für den jeweiligen Fall. Neuerdings werden adaptive Ansätze für den Betrieb von Funkverbindungen zwischen Satellit und Bodenstation beschrieben, bei denen die Transceiver-Konfiguration, gesteuert durch einen lernenden Algorithmus, im Betrieb verändert und den jeweiligen äusseren Einflüssen angepasst wird. Die Grundlage für die verwendeten Algorithmen ist das Reinforcement Learning Model. Ziel dieser Arbeit war die Weiterentwicklung eines für die Raumfahrtfunkkommunikation entwickelten Algorithmus und der Test dieses Algorithmus' innerhalb einer Simulationsumgebung, um die Auswirkungen der Veränderungen zu bewerten. Der modifizierte Algorithmus wurde in einer Software-Simulationsumgebung betrieben, welche die digitale Signalverarbeitung von Sender und Empfänger sowie die sich verändernden Übertragungsbedingungen während eines Satellitenüberfluges abbildete. Die Modifikation wurde mit dem Originalalgorithmus hinsichtlich der erreichbaren Datenübertragung verglichen. Unter anderem wurde die Anzahl der für das Lernen verwendeten Neuronalen Netze variiert. Weiterhin wurden verschiedene Hyperparameter variiert und die Auswirkungen auf die Datenübertragung untersucht. Eine Anpassung der Hyperparameter führte dabei zu einer Übertragung von 57,8% mehr Daten als bei der Baseline-Implementierung. Sowohl die Veränderung in der Architektur als auch die Reduzierung der parallel ausgeführten Neuronalen Netze führte zu leichten Performanzeinbußen von 4,0% und 3,3%. Die Ergebnisse der hier durchgeführten Software-Simulationen lassen sich jedoch nicht auf Hardware-Simulationsumgebungen oder tatsächliche Funkverbindungen übertragen. Die Implementierung der verschiedenen Algorithmusvarianten erlaubt es, diese Varianten zukünftig auch mit Hardware-Übertragungsstrecken zu testen und später ein solches System auf einem Kleinsatelliten zu erproben.

Full text and
other links
Volltext
Department(s)University of Stuttgart, Institute of Artificial Intelligence, Analytic Computing
Superviser(s)Staab, Prof. Steffen; Klinkner, Prof. Sabine; Potyka, Dr. Nico; Pätschke, Susann
Entry dateMay 17, 2024
   Publ. Computer Science