1.基于博弈论的大规模混合星座分布式下行频谱共享方法，其特征在于，包括以下步骤：建立混合星座中的链路信道模型；将感知满意度函数作为用户性能的评估指标，捕捉不同用户的个性化网络需求和偏好；在拓扑时段内，每个LGS都被视为一个独立的参与者，在优化过程中，每个LGS都努力最大化其感知满意度，同时最小化对邻近LGS造成的干扰；制定频道分配博弈来捕捉到链路之间的相互作用和冲突，将频道分配问题形式化为一个潜在博弈；为解决博弈模型的纳什均衡解，将系统周期划分为若干个相等的拓扑周期，每个拓扑周期内地面-卫星链路的拓扑保持不变；拓扑周期进一步被划分为一个链路建立超帧和一个数据传输超帧；再使用基于随机学习的分布式信道分配算法进行分配。
2.根据权利要求1所述的基于博弈论的大规模混合星座分布式下行频谱共享方法，其特征在于，所述混合星座包括三颗GEO卫星和一个按照Walker模式配置的低地球轨道卫星LEO星座，LEO卫星集合 N L 为LEO卫星总数，第i个LEO卫星LEO i 的波束集合为 iN B 为第i个卫星的波束总数，LEO地面站LGS的集合为 N G 是LGS的总数，信道数量为N M (N G ＞N M )，LEO地面站LGS和地球静止卫星GGS可用信道的集合表示为
3.根据权利要求2所述的基于博弈论的大规模混合星座分布式下行频谱共享方法，其特征在于，所述混合星座中的链路信道模型如下：根据香农定理，第i个LEO卫星的第b个波束LEO ib 和LEO星座的第n个地面站LGS n 之间建立的下行链路 的信道容量定义为：其中， 表示LGS n 在信道a m 上接收到的信干噪比，B M 代表信道带宽；所述混合星座中的链路SINR模型如下：LGS n 通过信道a m 与链路 进行通信，它受到两种类型的潜在干扰影响：i)来自其他低轨道卫星的下行链路的同频干扰，记为I inter ；ii)来自同一低轨道卫星其他波束的下行链路的同频干扰，记为I exter ，LGS n 接收到的SINR表示为：其中， 表示链 路的信道噪声，P ib ，P kl ，P il 分别表示波束B ib ，B kl ，B il 的天线发射功率， 表示链路 的信道增益， 表示来自链路 的同频干扰增益， 表示来自链路 的同频干扰增益；信道增益 表示为： 是LEO i 到LGS n 自由空间衰落参数， 是B ib 天线最大发射增益， 是LGS n 天线最大接收增益；同频干扰增益 和 表示为： 是 对LGS n 干扰增益， 是LGS n 在LEO k 方向的接收增益；天线的发射增益和接收增益计算为：其中，G max 表示天线的最大增益，θ是天线的离轴角，η表示天线的效率， 和 分别为一阶和三阶贝塞尔函数，A表示天线有效面积，c代表光速，f是信道的中心频率，D是LEO卫星天线的直径，表示信号的波长；链路的路径损耗计算公式为：其中，d表示信号传播距离。
4.根据权利要求3所述的基于博弈论的大规模混合星座分布式下行频谱共享方法，其特征在于，感知满意度程度的计算方式如下：其中，r表示分配给用户的资源，r req 是用户所需的传输速率，而K是调整需求效用曲线斜率的参数，反映了对r req 的需求程度，具体而言，较低的K斜率表示用户对资源r req 不敏感，相反，较高的K斜率表示用户对资源r req 的需求强烈；采用感知满意度函数量化用户获得的资源水平，LGS n 的感知满意度函数定义如下：q n (a n ,a -n )＝s(r n ),其中，a -n 表示除a n 之外的LGS的频道选择策略，r n 是LGS n 获得的传输速率的归一化值；r n 的定义如下：系统的优化目标是所有LGS的总体感知满意度，定义如下：
5.根据权利要求4所述的基于博弈论的大规模混合星座分布式下行频谱共享方法，其特征在于，频道分配博弈问题表示为 其中 是LGS的集合， 是可用频道的集合，u n 表示LGS的效用函数。
6.根据权利要求5所述的基于博弈论的大规模混合星座分布式下行频谱共享方法，其特征在于，在拓扑时段内，对于LGS n 来说，相应的辐射波束B ix 是固定的，LGS n 获得的传输速率被视为链路 的通道容量，每个LGS都被视为一个独立的参与者，在优化过程中，每个LGS都努力最大化其感知满意度，同时最小化对邻近LGS造成的干扰；LGS n 可能与半径为 内的其他LGS存在潜在的同频干扰，存在潜在干扰的LGS被视为LGS n 的邻居，并表示为：其中d(LGS n ，LGS m )代表LGS n 和LGS m 之间的距离， 代表LGS n 的干扰保护半径。
7.根据权利要求6所述的基于博弈论的大规模混合星座分布式下行频谱共享方法，其特征在于，LGS n 的效用函数定义为：其中a -n 表示除了LGS n 以外的其他用户的频道选择序列， 表示LGS n 的邻居用户的频道选择序列， 表示LGS k 的邻居用户的频道选择序列；决策方法表示为:博弈模型进一步表示为：
8.根据权利要求7所述的基于博弈论的大规模混合星座分布式下行频谱共享方法，其特征在于，博弈模型 是一个精确势能博弈,假如存在一个势能函数 满足下式：所述博弈模型 是一个精确势博弈，所述博弈模型中至少存在一个纯策略NE，势能函数的全局或局部最优解构成纯策略NE。
9.根据权利要求8所述的基于博弈论的大规模混合星座分布式下行频谱共享方法，其特征在于，所述基于随机学习的分布式信道分配算法在链路建立超帧期间协商LGS的信道策略，确定最优的信道选择，当信道建立之后，LGS在数据传输超帧期间传输数据；链路建立超帧进一步被划分为若干个相等的时间间隔时隙，每个LGS在一个时隙内更新信道策略，而其他LGS保持不变，所有LGS在一个周期内更新一次信道策略，周期由NG个时隙组成，更新过程持续进行直到基于随机学习的分布式信道分配算法收敛或达到最大迭代次数。
10.根据权利要求9所述的基于博弈论的大规模混合星座分布式下行频谱共享方法，其特征在于，在所述基于随机学习的分布式信道分配算法中，首先将博弈G扩展为混合策略形式，LGS n 在时隙t的混合策略表示为：N G 为混合策略总数；LGS n 在时隙t处获得的奖励表示为：Step1：k＝0,t＝0,初始化混合策略向量 每一个LGS基于混合策略随机选择一个信道a m (0)；Step2：在迭代周期k的时间片t，每一个LGS基于当前混合策略选择一个信道；Step3：LGS n 通过获取的速率 计算效用函数u n (k)，a m (k)是时刻k第m个信道， 是B xy 至LGS n 的链路；Step4：按下列公式将LGS n 升级混合策略向量 if a m (k+1)＝a m (k)if a m (k+1)≠a m (k)其中，λ∈(0，1)表示LGS n 的学习步长， 是LGS n 的效用函数， 是LGS n 在时隙k选择信道a m 的概率；Step5：更新k＝k+1,返回步骤Step2直到满足算法终止条件。
