Integrated satellite-terrestrial networks (ISTNs) toward beyond fifth-generation (B5G) wireless systems benefiting from both satellite and terrestrial systems can achieve all-time seamless and broad coverage. Considering the scarcity of frequency resources and intense satellite-terrestrial cochannel interference, intelligent resource allocation with high spectrum efficiency and low co-channel interference has received a substantial amount of attention. Focusing on the spectrum efficiency advantages achieved by spectrum sensing and prediction, a hierarchical satellite and terrestrial spectrum shared framework based on the spectrum management unit (SMU) is proposed. Moreover, an intelligent resource management scheme in the SMU composed of spectrum sensing, prediction and allocation is formulated to improve spectrum efficiency with different user densities. We present a support vector machine (SVM) based algorithm that improves the accuracy and robustness of the learned model for the detection of spectrum occupancy. Then, a convolutional neural network (CNN) based spectrum prediction (SP) is performed, where the CNN is trained with the historical detection results from spectrum sensing. In addition, an intelligent resource management scheme including spectrum sensing, prediction and allocation based on the priorities and requirements of users is proposed to improve spectrum utilization. The evaluation results demonstrate that the proposed intelligent resource management scheme can achieve lower error detection probability and better spectrum efficiency.

中文翻译：

---

面向B5G的卫星和地面频谱共享网络的智能资源管理

受益于卫星和地面系统的，朝着超越第五代（B5G）无线系统的集成卫星地面网络（ISTN）可以实现无时无刻的无缝覆盖。考虑到频率资源的稀缺和严重的卫星地面同信道干扰，具有高频谱效率和低同信道干扰的智能资源分配已经引起了广泛的关注。针对频谱感知和预测所带来的频谱效率优势，提出了一种基于频谱管理单元（SMU）的分层卫星和地面频谱共享框架。此外，SMU中的智能资源管理方案由频谱感知，制定了预测和分配方案，以提高具有不同用户密度的频谱效率。我们提出了一种基于支持向量机（SVM）的算法，该算法提高了用于频谱占用检测的学习模型的准确性和鲁棒性。然后，执行基于卷积神经网络（CNN）的频谱预测（SP），其中使用来自频谱感知的历史检测结果来训练CNN。此外，基于用户的优先级和需求，提出了一种智能资源管理方案，包括频谱感知，预测和分配，以提高频谱利用率。评估结果表明，所提出的智能资源管理方案可以降低检错概率，提高频谱利用率。我们提出了一种基于支持向量机（SVM）的算法，该算法提高了用于频谱占用检测的学习模型的准确性和鲁棒性。然后，执行基于卷积神经网络（CNN）的频谱预测（SP），其中使用来自频谱感知的历史检测结果来训练CNN。此外，基于用户的优先级和需求，提出了一种智能资源管理方案，包括频谱感知，预测和分配，以提高频谱利用率。评估结果表明，所提出的智能资源管理方案可以降低检错概率，提高频谱利用率。我们提出了一种基于支持向量机（SVM）的算法，该算法提高了用于频谱占用检测的学习模型的准确性和鲁棒性。然后，执行基于卷积神经网络（CNN）的频谱预测（SP），其中使用来自频谱感知的历史检测结果来训练CNN。此外，基于用户的优先级和需求，提出了一种智能资源管理方案，包括频谱感知，预测和分配，以提高频谱利用率。评估结果表明，所提出的智能资源管理方案可以降低检错概率，提高频谱利用率。执行基于卷积神经网络（CNN）的频谱预测（SP），其中使用来自频谱感知的历史检测结果来训练CNN。此外，基于用户的优先级和需求，提出了一种智能资源管理方案，包括频谱感知，预测和分配，以提高频谱利用率。评估结果表明，所提出的智能资源管理方案可以降低检错概率，提高频谱利用率。执行基于卷积神经网络（CNN）的频谱预测（SP），其中使用来自频谱感知的历史检测结果来训练CNN。此外，基于用户的优先级和需求，提出了一种智能资源管理方案，包括频谱感知，预测和分配，以提高频谱利用率。评估结果表明，所提出的智能资源管理方案可以降低检错概率，提高频谱利用率。提出了基于用户优先级和需求的预测和分配，以提高频谱利用率。评估结果表明，所提出的智能资源管理方案可以降低检错概率，提高频谱利用率。提出了基于用户优先级和需求的预测和分配，以提高频谱利用率。评估结果表明，所提出的智能资源管理方案可以降低检错概率，提高频谱利用率。