CN105472664A - 一种基于约简规则的无线通信系统抗干扰决策方法 - Google Patents

Abstract

本发明提出了一种基于约简规则的无线通信系统抗干扰决策方法，首先根据粗糙集理论简化决策空间，得到约简的决策规则；然后根据决策规则筛选遗传算法随机产生的初始种群，保留符合决策规则的个体；最后按遗传算法步骤来对通信参数进行寻优；为提高算法的实用性，本发明还采用在指定误码率下，使发射功率最小条件下传输速率最大化作为通信抗干扰决策的目标函数，避免了传统算法中对经验权重值的依赖，仿真结果表明：算法在保证计算准确性的前提下，显著提高了遗传算法的收敛速度，具有更强的实用性。

Description

一种基于约简规则的无线通信系统抗干扰决策方法

技术领域

本发明涉及无线通信领域，特别是一种基于约简规则的无线通信系统抗干扰决策方法。

背景技术

无线通信技术在近20年来得到迅猛发展，应用范围也涉及到政府机构、商用领域和日常生活的方方面面，但由于无线信道特有的开放性，无线通信系统也面临着越来越多的人为干扰。一直以来，通信抗干扰领域的主要技术手段之一是扩频通信技术，但在频谱资源日益紧张的今天，通过占用较多的频谱来换取较高的干扰容限的代价过于高昂。认知无线电(cognitiveradio,CR)的出现为解决这一问题提供了新的思路。学习推理和重配置通信参数的能力是CR的核心特征，其将认知和决策思想引入通信抗干扰领域，使得无线通信系统能够根据干扰环境选择合理的通信参数、主动适应干扰环境。现阶段CR中使用较多的是基于遗传算法(geneticalgorithm,GA)的决策方法，即根据相应的性能评价函数，在决策空间内进行最优搜索。

然而利用遗传算法解决决策问题时，需随机产生初始种群，若种群规模大将导致搜索空间大，遍历整个决策空间所需时间较长，不利于决策的实时性，一些学者针对该缺点在传统GA算法的基础上做出了改进：如TimNewman等人提出一种新的种群初始化方法，即假设CR用户周围无线电环境平稳变化，在基于遗传算法认知决策引擎可以利用前次认知迭代得到的最终结果作为当前迭代的初始种群，可以降低算法的决策时间，提高了算法的实时性能；还有学者针对遗传算法的其他缺点对其做出了改进，例如模拟退火算法，即利用模拟退火决定是否接受交叉变异操作后的新个体，该算法允许部分恶解进入下一代，扩大了参数寻优的范围，提高了算法的爬山能力和寻优范围；此外还有利用量子遗传算法，采用量子比特对染色体进行编码，用量子旋转门对种群进行更新，使得算法具有非线性特征和不确定性的特点，更加符合社会智能群体的进化模型。这类方法工作时无需历史的经验及先验知识，但是均要求各参数对系统性能的影响能够用较准确的公式来表示，且需要多次迭代来逐渐逼近最优的通信参数目标值，收敛速度慢，计算量大，耗时长。

发明内容

针对上述问题，本发明将基于遗传算法的决策方法与约简决策规则相结合，采用约简规则来提高传统遗传算法的收敛速度，降低复杂度，提高决策的实时性，本发明是这样实现的：一种基于约简规则的无线通信系统抗干扰决策方法，具体步骤如下：

第一步，建立抗干扰决策模型：

$\mathrm{\Ψ}\stackrel{\mathrm{\Δ}}{=}Mod\×Cod\×Pow\×CH---\left(1\right),$

式(1)中，Ψ代表决策空间；Mod是包含M₁种调制方式的调制子空间，Cod是包含M₂种信道编码码率的信道编码子空间，Pow是有N_P档发射功率可供选择的功率子空间，CH是有K个互不重叠的物理信道子空间， $CH\stackrel{\mathrm{\Δ}}{=}\{{\mathrm{CH}}_1,{\mathrm{CH}}_2,...,{\mathrm{CH}}_K\},$ 每次通信使用一个信道；

第二步，简化决策空间，得到约简的决策规则：

2.1压缩调制编码方式组合

系统有M₁种调制方式、M₂种信道编码方式，则最多有K₁＝M₁M₂种有效的信息传输速率，选出K₂(K₂＜K₁)种，决策空间Ψ由K₁×N_p×K缩减为K₂×N_p×K；

2.2压缩备选信道数目

将原始随机取值的信道状态转化为离散的信道状态：

$R_{min}\left(k\right)=max\left(R\right){|}_{{\mathrm{\γ}}_{\min }\left(k\right)}---\left(2\right),$

$R_{\max }\left(k\right)=\max \left(R\right){|}_{{\mathrm{\γ}}_{\max }\left(k\right)}---\left(3\right),$

式(2)和式(3)中，γ_min(k)表示系统第k个信道的最小信干比；

γ_max(k)表示系统第k个信道的最大信干比；

R_min(k)表示在γ_min(k)和用户误码率要求下所能达到的最大传输速率；

R_max(k)表示在γ_max(k)和用户误码要求下所能达到的最大传输速率；

则系统第k个信道的信道状态表示为R_c(k)＝[γ_min(k),γ_max(k)]；

2.3根据各信道的信道状态，将状态相同的信道聚合为一个信道子空间，信道子空间CH_Ai满足：

${\mathrm{CH}}_{Ai}\∩{\mathrm{CH}}_{Aj}=\mathrm{\φ},\∀i\≠j---\left(4\right),$

CH_A1∪CH_A2∪…∪CH_AG＝CH(5)；

式(4)和式(5)中，CH_Aj表示第j个信道子空间，CH_A1表示第1个信道子空间，CH_AG表示第G个信道子空间；

信道聚合后有G(G≤K₁+1)个信道子空间，每个信道状态包含K₃(0≤K₃≤K)个信道；

决策空间Ψ进一步下降为K₂N_pG+K₃；

2.4基于粗糙集理论的属性约简算法

将各范畴簇F_i＝{(C₁′,v_i1),...,(C_S′,v_iS)},i＝1,2....,N,S＝card(RED_D(C))转换成对应的决策规则于每条r_i，如果从r_i中删除(C_j′,v_ij)，得到新的规则r_i′，其余的规则也同时删除条件属性C_j′所对应的属性值，若没有与r_i′条件属性值均相同但决策属性值不同的规则，则删除属性C_j′下的值v_ij相对于决策属性；对决策规则r_i中所有属性下的属性值进行操作，获得规则r_i的一个完全约简规则r_i ^*；遍历所有决策规则；输出规则集R^*，算法结束；

第三步，按遗传算法步骤来对通信参数进行寻优：

3.1设计目标函数，其表达式如下：

$f=\frac{f_{max-put}}{f_{min-power}}---\left(6\right),$

$f_{min-power}=\frac{p_i}{p_{\max }}---\left(7\right),$

$f_{max-put}=\frac{C_i\×{\log }_2{M}_i}{C_{max}\×{\log }_2{M}_{max}}---\left(8\right),$

式(6)-(8)中，p_i表示第i个体当前的发射功率，p_max表示个体能够取得的最大发射功率，C_i表示第i个体当前的编码码率，M_i表示第i个体当前的调制进制数，C_max表示个体能取得的最高编码码率，M_max表示个体能取得的最高调制进制数；

3.2通信参数寻优：

选择目标函数值较优的若干个个体，并进行交叉重组及变异，得到子代种群，根据种群各个体的信干比，结合拟合误码率曲线的公式计算各个体误码率，保留误码率符合用户要求的个体，再计算种群各个体目标函数值，得到子代种群各个体的目标函数值，选取优秀的子代插入到父代中，得到完整种群；一次迭代完成，迭代计数器加1；若迭代次数小于预设次数，重复上述步骤，反之，终止迭代，取迭代停止时系统选择的通信参数作为抗干扰决策的最优解。

通信抗干扰系统最常见的三个决策目标为最小化发射功率、最大化传输速率、最小化误码率。由于各决策目标之间是相互制约的，各目标函数不可能同时达到最优。已有的基于遗传算法的决策方法通常是将以上决策目标分别转化成目标函数，然后进行加权。但权重的确定缺乏依据，存在较大的主观性，且与通信系统的实际情况差别较大。因此，本发明的目标函数的设计思想是：在满足用户误码率要求的基础上，首先使得发射功率最小化；在满足发射功率最小化的前提下，再使得传输速率最大化。这样，系统决策的目标函数更贴近无线通信系统工作的实际情况。

标准遗传算法过程包括编码、适应度计算、选择、交叉、变异几个步骤；而本发明采用二进制编码方式对抗干扰决策引擎需要调整的N个参数编码，然后连接构成一个染色体，随机生成初始种群后，根据约简决策规则筛选初始种群，以目标函数作为评价个体优劣的准则，选出目标函数值较优的个体，对优秀种群中的个体进行交叉重组和基因的变异操作，并按照这个过程进行迭代，算法以轮盘赌的方式选择种群中的优秀个体，并采用单点交叉和基本位变异方法，在这种迭代过程中，种群不断进化，并逐渐产生与最优解接近的个体，最终求得最优解。

与现有技术相比，本发明的有益效果在于：

第一，根据一定的准则，在不影响决策结果的前提下压缩决策空间，使得决策空间的数量级由10⁴下降到10²，降低了搜索决策空间的时间开销；

第二，以粗糙集理论作为抗干扰决策规则的提取方法，将压缩后的决策空间约简为少量决策规则，可以做到离线提取决策规则且无需先验知识；

第三，在遗传算法种群初始化过程中引入离线提取的决策规则，从而显著提高遗传算法的收敛速度。

附图说明

图1是抗干扰决策模型。

图2是基于RRGA的算法流程图。

图3是LDPC编码方式下不同编码码率与调制方式的误码率曲线。

图4是目标函数值和工作参数的选择仿真示意图。

具体实施方式

本实施例中，所述采用传统遗传算法(GA)是指“遗传算法与工程设计[M]”玄光男等，科学出版社，2000.一文所公开的GA算法。

图1是本发明抗干扰决策模型图，图2为基于RRGA的算法流程图，如图2所示，本发明基于约简规则遗传算法的抗干扰决策方法的基本流程为：

(a)建立决策空间，并在不影响决策结果的条件下压缩决策空间。

(b)基于RS理论约简决策空间，得到约简决策规则。

(c)根据各参数的取值范围建立随机的初始种群，初始化迭代计数器。

(d)根据步骤2得到的约简决策规则筛选初始种群中的个体，得到个体均为可行方案的新种群。

(e)计算当前种群各个体目标函数值。

(f)选择目标函数值较优的若干个个体，并进行交叉重组及变异，得到子代种群，根据种群各个体的信干比，结合拟合误码率曲线的公式计算各个体误码率，保留误码率符合用户要求的个体，返回步骤5，得到子代种群各个体的目标函数值，选取优秀的子代插入到父代中，得到完整种群。

(g)一次迭代完成，迭代计数器加1。若迭代次数小于预设次数，重复步骤(e)、(f)，反之，终止迭代，取迭代停止时系统选择的通信参数作为抗干扰决策的最优解。

以下通具体实施例进一步说明本发明的抗干扰决策方法：

选取出6种性能间隔适当的调制编码组合，如表1所示：

表16种调制编码组合

组合1

组合2

组合3

组合4

组合5

组合6

调制方式

BPSK

QPSK

QPSK

QPSK

8QAM

32QAM

LDPC编码码率

1/4

1/4

1/2

4/5

4/5

4/5

归一化速率

0.0625

0.125

0.25

0.4

0.6

1.0

莱斯信道下，表1所述的6种调制编码组合方式的误码率性能如图3所示，由图3得出每种调制编码方式工作的SJNR(Signaltojammingandnoiseratio)区间如表2所示：

表2制编码技术工作的SJNR区间

为了得到约简决策规则，

第一步，建立抗干扰决策模型：

每次通信干扰决策在决策空间Ψ中按一定准则选取一组参数，对于通信系统来说，对应信道k的信干比γ(k)是不可控因素，因此，所有信道干扰状态构成决策的状态空间，这属于抗干扰决策系统的已知信息；用户需求U_req对系统决策的约束约束条件与决策准则共同确定了系统的目标函数；因此，决策空间定义Ψ可表示为：

$\mathrm{\Ψ}\stackrel{\mathrm{\Δ}}{=}Mod\×Cod\×Pow\×CH---\left(1\right);$

即所有可变参数的笛卡尔积，其中，Mod是包含M₁种调制方式的调制子空间，Cod是包含M₂种信道编码码率的信道编码子空间，Pow是有N_P档发射功率可供选择的功率子空间，CH是有K个互不重叠的物理信道子空间， $CH\stackrel{\mathrm{\Δ}}{=}\{{\mathrm{CH}}_1,{\mathrm{CH}}_2,...,{\mathrm{CH}}_K\},$ 每次通信使用一个信道；

本实施例中，决策方案为表1中列出的6种调制编码组合与表2列出的7种信道状态的所有排列组合。本实施例设定用户对误码率的要求是＜10^-4，根据该误码率要求得到每种调制编码组合对应的信道状态，再根据信道状态计算出系统在各调制编码组合下为满足误码率要求所需的最小发射功率区间，最小发射功率为决策准则；决策表中各属性的值域如下：①调制方式(C₁)：BPSK，QPSK，8QAM，32QAM。②编码码率(C₂)：1/4，1/2，4/5。③最小信道状态(C₃)：最小发射功率下的信道状态，如表2所示。④发射功率(d)：0-20dBm，间隔为0.1dBm；则决策空间的规模为6×7×200＝8400，建立决策表如表3所示。不同于表1的是，当信道状态为0时，可以通过增大发射功率达到用户需求的误码率。

表3抗干扰决策表

第二步，利用粗糙集理论对决策空间进行简化，得到约简的决策规则：

2.1压缩调制编码方式组合

系统有M₁种调制方式、M₂种信道编码方式，则最多有K₁＝M₁M₂种有效的信息传输速率。根据每种调制编码组合的实际速率及相对应的误码性能的差别，通过仿真或实际性能测试，对于部分性能较差的调制编码组合弃之不用而选出K₂(K₂＜K₁)种。决策空间由K₁×N_p×K缩减为K₂×N_p×K；

2.2压缩备选信道数目

将原始随机取值的信道状态转化为离散的信道状态：

$R_{min}\left(k\right)=max\left(R\right){|}_{{\mathrm{\γ}}_{min}\left(k\right)}---\left(2\right),$

$R_{\max }\left(k\right)=\max \left(R\right){|}_{{\mathrm{\γ}}_{\max }\left(k\right)}---\left(3\right),$

其中，R_min(k)表示在γ_min(k)和用户误码率要求(如≤10^-4)下所能达到的最大传输速率，R_max(k)表示在γ_max(k)和用户误码要求下所能达到的最大传输速率；则系统第k个信道的信道状态可表示为R_c(k)＝[γ_min(k),γ_max(k)]；

2.3根据各信道的信道状态，将状态相同的信道聚合为一个信道子空间，信道子空间CH_Ai满足：

${\mathrm{CH}}_{Ai}\∩{\mathrm{CH}}_{Aj}=\mathrm{\φ},\∀i\≠j---\left(4\right),$

CH_A1∪CH_A2∪…∪CH_AG＝CH(5)；

其中，信道聚合后有G(G≤K₁+1)个信道子空间，每个信道状态包含K₃(0≤K₃≤K)个信道；

信道状态聚合后，抗干扰决策对信道的选择变为对信道子空间的选择，决策空间进一步下降为K₂N_pG+K₃；

2.4基于粗糙集理论的属性约简算法

将各范畴簇F_i＝{(C₁′,v_i1),...,(C_S′,v_iS)},i＝1,2....,N,S＝card(RED_D(C))转换成对应的决策规则于每条r_i，如果从r_i中删除(C_j′,v_ij)，得到新的规则r_i′，其余的规则也同时删除条件属性C_j′所对应的属性值，若没有与r_i′条件属性值均相同但决策属性值不同的规则，则属性C_j′下的值vi_j相对于决策属性d就是不必要的，可以删去，如此对决策规则r_i中所有属性下的属性值进行操作，获得规则r_i的一个完全约简规则r_i ^*；用上述方法遍历所有决策规则；输出规则集R^*，算法结束；

本实施例中，得到的约简后的结果如表4所示

表4属性值约减后的核值表

本实施例中得到的具有普遍适用性的决策规则如表5所示：

表5决策规则

干扰信息体现在信道状态中，从决策规则集可以看出，如果确定了信道状态，无需对所有的条件属性做出选择却仍然可以使发射功率最小，在一定程度上降低了决策过程的复杂度，例如：(c₁,BPSK)Λ(c₃≠0)→p＝0(覆盖规则2-7)，表示只要所选信道状态非0，且当调制方式选择BPSK时，无需考虑编码码率就可确定最小发射功率为0。

第三步，设计决策的与权重无关的目标函数，将得到的决策规则与传统遗传算法相结合，对发射功率、信道状态、调制方式和编码码率做出自适应选择，并对通信参数寻优：

3.1设计目标函数，其表达式如下：

$f=\frac{f_{max-put}}{f_{min-power}}---\left(6\right),$

$f_{min-power}=\frac{p_i}{p_{\max }}---\left(7\right),$

$f_{max-put}=\frac{C_i\×{\log }_2{M}_i}{C_{max}\×{\log }_2{M}_{max}}---\left(8\right),$

其中，p_i表示第i个体当前的发射功率，p_max表示个体能够取得的最大发射功率，C_i表示第i个体当前的编码码率，M_i表示第i个体当前的调制进制数，C_max表示个体能取得的最高编码码率，M_max表示个体能取得的最高调制进制数；

3.2通信参数寻优：

选择目标函数值较优的若干个个体，并进行交叉重组及变异，得到子代种群，根据种群各个体的信干比，结合拟合误码率曲线的公式计算各个体误码率，保留误码率符合用户要求的个体，再计算种群各个体目标函数值，得到子代种群各个体的目标函数值，选取优秀的子代插入到父代中，得到完整种群；一次迭代完成，迭代计数器加1；若迭代次数小于预设次数，重复上述步骤，反之，终止迭代，取迭代停止时系统选择的通信参数作为抗干扰决策的最优解。

本实施例中，为了方便GA的二进制编码，假设系统的发射功率为0～25.5dBm，取值间隔为0.1dBm，用8位二进制对其编码；系统的信干比为-4～21.5dB，取值间隔为0.1dB，也用8位二进制对其编码；系统的调制编码组合取图2所示的6种，本文还添加了(BPSK,1/2)和(BPSK,2/3)两种调制编码组合，用3位二进制对其编码；在GA产生初始种群后，用表4中的决策规则筛选种群中的个体，将符合决策规则的个体组成新的初始种群，进化该种群得到最优解。本实施例中遗传算法各参数设置如下：选择概率为0.8，交叉概率为0.8，变异概率为0.01，种群大小为150，最大进化代数为300。

抗干扰决策系统分别应用约简前后的GA得到的目标函数值和三种工作参数的选择结果如图4所示，其中traGA为传统的遗传算法，RRGA为本发明的遗传算法，两条曲线重合的部分表示两种方法下参数选择的结果相同，在进化的后期，所有曲线都趋于稳定，表示参数选择已达到最优组合，在进化过程中，各参数值在其取值范围内变化，并最终停留在某一固定值。具体的参数选择结果为：发射功率：0.1dBm，信干噪比：20.4dB，调制编码组合：(32QAM，4/5)。达到同一目标函数值时所需的进化代数越短表示算法收敛速度越快，基于本发明规则的GA在保证决策性能未受到影响的条件下收敛速度明显高于传统的遗传算法，这是由于基于规则筛选GA的初始种群，不仅减小了用于进化的种群规模，同时保证了并不丢失可行方案。GA算法的计算量主要集中在目标函数的计算上，本发明设计了相比基于权重法更加简单的目标函数对各工作参数做出选择，进一步提高了算法的收敛速度，采用规则和遗传算法相结合的抗干扰决策方法在搜索效率、收敛速度和算法稳定性方面均明显优于传统GA。

根据对本发明的说明，本领域的技术人员应该不难看出，本发明首先压缩决策空间，在保证不丢失可行方案的前提下进行算法迭代，从而在不影响决策准确性的条件下降低决策时间。实际应用场景中，往往无法给出各个决策目标准确的权重值。它提出一种有误码率约束的(发射功率)最小(传输速率)最大准则，具有更高的实际应用价值。

Claims (1)

1.一种基于约简规则的无线通信系统抗干扰决策方法，其特征在于，具体步骤如下：

第一步，建立抗干扰决策模型：

式(1)中，Ψ代表决策空间；Mod是包含M₁种调制方式的调制子空间，Cod是包含M₂种信道编码码率的信道编码子空间，Pow是有N_P档发射功率可供选择的功率子空间，CH是有K个互不重叠的物理信道子空间，每次通信使用一个信道；

第二步，简化决策空间，得到约简的决策规则：

2.1压缩调制编码方式组合

系统有M₁种调制方式、M₂种信道编码方式，则最多有K₁＝M₁M₂种有效的信息传输速率，选出K₂(K₂＜K₁)种，决策空间Ψ由K₁×N_p×K缩减为K₂×N_p×K；

2.2压缩备选信道数目

将原始随机取值的信道状态转化为离散的信道状态：

式(2)和式(3)中，γ_min(k)表示系统第k个信道的最小信干比；

γ_max(k)表示系统第k个信道的最大信干比；

R_min(k)表示在γ_min(k)和用户误码率要求下所能达到的最大传输速率；

R_max(k)表示在γ_max(k)和用户误码要求下所能达到的最大传输速率；

则系统第k个信道的信道状态表示为R_c(k)＝[γ_min(k),γ_max(k)]；

2.3根据各信道的信道状态，将状态相同的信道聚合为一个信道子空间，信道子空间CH_Ai满足：

CH_A1∪CH_A2∪…∪CH_AG＝CH(5)；

式(4)和式(5)中，CH_Aj表示第j个信道子空间；

CH_A1表示第1个信道子空间；

CH_AG表示第G个信道子空间；

信道聚合后有G(G≤K₁+1)个信道子空间，每个信道状态包含K₃(0≤K₃≤K)个信道；

决策空间Ψ进一步下降为K₂N_pG+K₃；

2.4基于粗糙集理论的属性约简算法

将各范畴簇F_i＝{(C₁′,v_i1),...,(C_S′,v_iS)},i＝1,2....,N,S＝card(RED_D(C))转换成对应的决策规则于每条r_i，如果从r_i中删除(C_j′,v_ij)，得到新的规则r′_i，其余的规则也同时删除条件属性C_j′所对应的属性值，若没有与r′_i条件属性值均相同但决策属性值不同的规则，则删除属性C_j′下的值v_ij相对于决策属性；对决策规则r_i中所有属性下的属性值进行操作，获得规则r_i的一个完全约简规则遍历所有决策规则；输出规则集R^*，算法结束；

第三步，按遗传算法步骤来对通信参数进行寻优：

3.1设计目标函数，其表达式如下：

式(6)-(8)中，p_i表示第i个体当前的发射功率，p_max表示个体能够取得的最大发射功率，C_i表示第i个体当前的编码码率，M_i表示第i个体当前的调制进制数，C_max表示个体能取得的最高编码码率，M_max表示个体能取得的最高调制进制数；

3.2通信参数寻优：

选择目标函数值较优的若干个个体，并进行交叉重组及变异，得到子代种群，根据种群各个体的信干比，结合拟合误码率曲线的公式计算各个体误码率，保留误码率符合用户要求的个体，再计算种群各个体目标函数值，得到子代种群各个体的目标函数值，选取优秀的子代插入到父代中，得到完整种群；一次迭代完成，迭代计数器加1；若迭代次数小于预设次数，重复上述步骤，反之，终止迭代，取迭代停止时系统选择的通信参数作为抗干扰决策的最优解。