CN105763303A - 基于预测的混和自动重传请求算法 - Google Patents

Abstract

本发明公开了一种能够对抗无线信道中的干扰问题从而提高无线传输系统传输可靠性的基于预测的混和自动重传请求算法。该基于预测的混和自动重传请求算法通过对无线信道RS码监督元数量的预测动态调节HARQ传输中编码方案，并通过观测状态所对应的观测符号的比值关系确定下一时刻所采用的RS编码方案，该算法降低了重传次数及误码率，提升了吞吐量增加速度，相对传统的HARQ算法有较优越的性能。适合在无线传输技术领域推广应用。

Description

基于预测的混和自动重传请求算法

技术领域

本发明涉及无线传输技术领域，尤其是一种基于预测的混和自动重传请求算法。

背景技术

无线传输中差错控制的方式分为三类：前向纠错(FEC,ForwardErrorCorrection)、检错重传(ARQ,AutomaticRepeatreQuest)、混合自动重传请求(HARQ,HybridAutomaticRepeatRequest)。前向纠错(FEC)方式是发送端编码器通过加入冗余信息的方式将所发信息编码成纠错码，在接收端，若译码器有能力纠正接收到错误信息，则译码器自动对接收到的信息进行纠正。前向纠错无需将译码结果反馈给发送端，传输延迟小，但由于接收端无法完全纠正错误时不能反馈，所以其传输可靠性得不到保障，且由于纠错码冗余量恒定，无法适应时刻变化的信道。检错重传(ARQ)是发送端编码器将信息编码成可检错的码，根据接收的信息是否有错误向发送端发送反馈信号。若反馈否定信号，则将该信息重新发送；反之，则发送下一组信息。检错重传方式发送的检错码只需少许多余码元就可以使信息可靠传输，并且能够适应变化的信道，但由于反馈信道的存在，其传输延迟有所增大。混合自动重传请求算法(HARQ)是FEC和ARQ的结合，信息块经过无线信道到达接收端后，如果信息块的错误数量在纠错码纠错范围内，则接收端译码器对其进行纠错；如果纠错码的纠错能力不足以纠正信息块中的错误，则通过反馈信号请求发送端重传此信息块。HARQ结合了ARQ和FEC的优点，在一定程度上减少了时延，提高了带宽利用率。但由于无线信道不稳定，随时都有可能变化，产生突发错误，HARQ首次传输采用固定码率，在重传过程中调节码率，增强纠错能力，自适应能力略有不足。

发明内容

本发明所要解决的技术问题是提供一种能够对抗无线信道中的干扰问题从而提高无线传输系统传输可靠性的基于预测的混和自动重传请求算法。

本发明解决其技术问题所采用的技术方案为：该基于预测的混和自动重传请求算法，包括以下步骤：

A、建立HMM模型，所述HMM模型由集合λ＝{A,B,π}确定；

B、根据初始样本初始化HMM模型的参数A,B,π；

C、通过Viterbi算法根据已知观测序列O＝{O₁,O₂,...,O_T}计算出隐含状态序列Q＝{q₁,q₂,...,q_T}；

D、根据如下公式计算得到下一个隐含状态q_T+1，所述计算公式为其中，表示从隐含状态q_T转移到隐含状态j的概率；

E、根据如下公式计算得到隐含状态q_T+1所对应的观测符号O_T+1，所述计算公式为其中，表示隐含状态为q_T+1时产生观测状态为k的概率；

F、当前时刻为第t秒，计算第t+1秒RS编码所需的监督元数量u_t+1，确定编码方案，如果u_t+1超过设定的最大监督元数量，则以最大监督元数量作为编码方案；如果u_t+1低于设定的最小监督元数量，则以最小监督元数量作为编码方案；所述第t+1秒RS编码所需的监督元数量u_t+1＝Int(u_t×d_t,t+1)+1，u_t为t秒时RS码监督元数量；

G、判断译码是否成功，如果不成功且传输次数已达到设定的最大传输次数则放弃传输；如果不成功且传输次数小于最大传输次数，则增加监督元数量后再次传输；如果监督元数量高于上限或低于下限，则以最大监督元数或最小监督元数为编码方案；

H、经过一段时间τ，得到新的观测样本，然后根据新的观测样本利用Baum-Welch算法重新估计HMM参数A,B,π，重复步骤C至步骤H。

进一步的是，利用Baum-Welch算法重新估计HMM参数A,B,π的具体方法如下：

S1、通过观测样本得到该观测样本初始时刻隐含状态S_i的概率分布π＝{p{q₁＝S_i}}，1≤i≤6；

S2、定义前向变量:α_t(i)＝p(O₁O₂...O_t,q_t＝S_i|λ)，α_t(i)表示在上一次更新的HMM模型λ基础上，t时刻的状态S_i从开始到t时刻观测序列为O₁,O₂,...O_t的概率；

S3、定义后向变量:β_t(i)＝p{O_t+1O_t+2...O_T|q_t＝S_i,λ}，β_t(i)表示在上一次更新的HMM模型λ基础上，t时刻状态S_i从t+1时刻到最后时刻观测序列为O_t+1,O_t+2,...,O_T的概率；

S4、在上一次更新的HMM模型λ基础上，t时刻状态为S_i，t+1时刻状态为S_j的概率为

${\mathrm{\ξ}}_t(i,j)=\frac{{\mathrm{\α}}_t\left(i\right)a_{ij}{b}_j\left(O_{t+1}\right){\mathrm{\β}}_{t+1}\left(j\right)}{\underset{i=1}{\overset{N}{\mathrm{\Σ}}}\underset{j=1}{\overset{N}{\mathrm{\Σ}}}{\mathrm{\α}}_t\left(i\right)a_{ij}{b}_j\left(O_{t+1}\right){\mathrm{\β}}_{t+1}\left(j\right)},$

其中，a_ij＝p{q_t+1＝S_j|q_t＝S_i}，1≤i,j≤N,a_ij表示从状态i转换到状态j的概率；其中，b_j(O_t+1)为状态为S_j时产生观测符号O_t+1的概率；β_t+1(j)＝p{O_t+2O_t+3…O_T|q_t＝S_j,λ}，β_t+1(j)表示在上一次更新的HMM模型λ基础上，t+1时刻状态S_j从t+2时刻到最后时刻观测序列为O_t+2O_t+3…O_T的概率；

S5、通过如下公式计算得到r_t(i)，r_t(i)表示在上一次更新的HMM模型λ基础上，t时刻状态为S_i的概率；

S6、分别通过如下计算公式得到π，所述公式如下所述：

r_t(j)表示在上一次更新的HMM模型λ基础上，t时刻状态为S_j的概率；

S7、对计算得出的观测值概率进行判断，若计算得出的观测值概率没有达到阈值，重复步骤S1至S6，直到计算得出的观测值概率达到阈值，则该以及所对应的即为HMM重新估计的参数A,B,π。

本发明的有益效果：该基于预测的混和自动重传请求算法通过对无线信道RS码监督元数量的预测动态调节HARQ传输中编码方案，并通过观测状态所对应的观测符号的比值关系确定下一时刻所采用的RS编码方案，该算法降低了重传次数及误码率，提升了吞吐量增加速度，相对传统的HARQ算法有较优越的性能。

具体实施方式

本发明所述的基于预测的混和自动重传请求算法，包括以下步骤：

A、建立HMM模型，所述HMM模型由集合λ＝{A,B,π}确定；

B、根据初始样本初始化HMM模型的参数A,B,π；

C、通过Viterbi算法根据已知观测序列O＝{O₁,O₂,...,O_T}计算出隐含状态序列Q＝{q₁,q₂,...,q_T}；

D、根据如下公式计算得到下一个隐含状态q_T+1，所述计算公式为其中，表示从隐含状态q_T转移到隐含状态j的概率；

E、根据如下公式计算得到隐含状态q_T+1所对应的观测符号O_T+1，所述计算公式为其中，表示隐含状态为q_T+1时产生观测状态为k的概率；

F、当前时刻为第t秒，计算第t+1秒RS编码所需的监督元数量u_t+1，确定编码方案，如果u_t+1超过设定的最大监督元数量，则以最大监督元数量作为编码方案；如果u_t+1低于设定的最小监督元数量，则以最小监督元数量作为编码方案；所述第t+1秒RS编码所需的监督元数量u_t+1＝Int(u_t×d_t,t+1)+1，u_t为t秒时RS码监督元数量；其中，Int()表示向下取整运算，设定最大及最小监督元数目；

丢包率为信道状态的一种反应，丢包率的变化意味着信道状态的变化，同时误码率也会随信道状态的变化而变化，所以，误码率与丢包率存在正相关关系，根据不同时刻丢包率所对应观测符号的比值动态调节监督元数量，RS码编译码简单，且给定码长n和纠错能力m时，能直接确定一个RS码，适合预先设定码的纠错能力，对于RS码，2m个监督元，可以纠正m个错误；

G、判断译码是否成功，如果不成功且传输次数已达到设定的最大传输次数则放弃传输；如果不成功且传输次数小于最大传输次数，则增加监督元数量后再次传输；如果监督元数量高于上限或低于下限，则以最大监督元数或最小监督元数为编码方案；

H、经过一段时间τ，得到新的观测样本，然后根据新的观测样本利用Baum-Welch算法重新估计HMM参数A,B,π，重复步骤C至步骤H。

该基于预测的混和自动重传请求算法通过对无线信道RS码监督元数量的预测动态调节HARQ传输中编码方案，并通过RS码监督元数量的比值关系确定下一时刻所采用的RS编码方案，该算法降低了重传次数及误码率，提升了吞吐量增加速度，相对传统的HARQ算法有较优越的性能。

在上述实施方式中，利用Baum-Welch算法重新估计HMM参数A,B,π的具体方法如下：

S1、通过观测样本得到该观测样本初始时刻隐含状态S_i的概率分布π＝{p{q₁＝S_i}}，1≤i≤6；

S2、定义前向变量:α_t(i)＝p(O₁O₂...O_t,q_t＝S_i|λ)，α_t(i)表示在上一次更新的HMM模型λ基础上，t时刻的状态S_i从开始到t时刻观测序列为O₁,O₂,...O_t的概率；

S3、定义后向变量:β_t(i)＝p{O_t+1O_t+2...O_T|q_t＝S_i,λ}，β_t(i)表示在上一次更新的HMM模型λ基础上，t时刻状态S_i从t+1时刻到最后时刻观测序列为O_t+1,O_t+2,...,O_T的概率；

S4、在上一次更新的HMM模型λ基础上，t时刻状态为S_i，t+1时刻状态为S_j的概率为 ${\mathrm{\ξ}}_t(i,j)=\frac{{\mathrm{\α}}_t\left(i\right)a_{ij}{b}_j\left(O_{t+1}\right){\mathrm{\β}}_{t+1}\left(j\right)}{\underset{i=1}{\overset{N}{\mathrm{\Σ}}}\underset{j=1}{\overset{N}{\mathrm{\Σ}}}{\mathrm{\α}}_t\left(i\right)a_{ij}{b}_j\left(O_{t+1}\right){\mathrm{\β}}_{t+1}\left(j\right)},$

其中，a_ij＝p{q_t+1＝S_j|q_t＝S_i}，1≤i,j≤N,a_ij表示从状态i转换到状态j的概率；其中，b_j(O_t+1)为状态为S_j时产生观测符号O_t+1的概率；β_t+1(j)＝p{O_t+2O_t+3…O_T|q_t＝S_j,λ}，β_t+1(j)表示在上一次更新的HMM模型λ基础上，t+1时刻状态S_j从t+2时刻到最后时刻观测序列为O_t+2O_t+3…O_T的概率；

S5、通过如下公式计算得到r_t(i)，r_t(i)表示在上一次更新的HMM模型λ基础上，t时刻状态为S_i的概率；

S6、分别通过如下计算公式得到π，所述公式如下所述：

r_t(j)表示在上一次更新的HMM模型λ基础上，t时刻状态为S_j的概率；

S7、对计算得出的观测值概率进行判断，若计算得出的观测值概率没有达到阈值，重复步骤S1至S6，直到计算得出的观测值概率达到阈值，则该以及所对应的即为HMM重新估计的参数A,B,π。

在上述实施方式中，所述HMM模型由五个元素来表示：

1)隐含状态S，隐含状态是不可见的，隐含状态集合可以表示为S＝{S₁,S₂,...,S_N},t时刻的状态表示为q_t；

2)隐含状态所对应的观测序列O；观测序列集合可表示为O＝{O₁,O₂,...,O_M}；

3)状态转移矩阵A＝{a_ij}_N×N，其中，a_ij＝p{q_t+1＝S_j|q_t＝S_i}，1≤i,j≤N,即从状态i转换到状态j的概率；

4)观测符号概率分布矩阵B＝{b_jk}_N×M，其中，b_jk＝{O_k|q_t＝S_j}，1≤j≤N，1≤k≤M。表示状态为S_j时产生观测状态为k的概率；

5)初始状态分布π＝{π_i}，其中，π_i＝p{q₁＝S_i}，1≤i≤N；

一个HMM模型可由集合λ＝{A,B,π}确定。

Claims (2)

1.基于预测的混和自动重传请求算法，其特征在于包括以下步骤：

A、建立HMM模型，所述HMM模型由集合λ＝{A,B,π}确定；

B、根据初始样本初始化HMM模型的参数A,B,π；

C、通过Viterbi算法根据已知观测序列O＝{O₁,O₂,...,O_T}计算出隐含状态序列Q＝{q₁,q₂,...,q_T}；

D、根据如下公式计算得到下一个隐含状态q_T+1，所述计算公式为其中，表示从隐含状态q_T转移到隐含状态j的概率；

E、根据如下公式计算得到隐含状态q_T+1所对应的观测符号O_T+1，所述计算公式为其中，表示隐含状态为q_T+1时产生观测状态为k的概率；

F、当前时刻为第t秒，计算第t+1秒RS编码所需的监督元数量u_t+1，确定编码方案，如果u_t+1超过设定的最大监督元数量，则以最大监督元数量作为编码方案；如果u_t+1低于设定的最小监督元数量，则以最小监督元数量作为编码方案；所述第t+1秒RS编码所需的监督元数量u_t+1＝Int(u_t×d_t,t+1)+1，u_t为t秒时RS码监督元数量；

G、判断译码是否成功，如果不成功且传输次数已达到设定的最大传输次数则放弃传输；如果不成功且传输次数小于最大传输次数，则增加监督元数量后再次传输；如果监督元数量高于上限或低于下限，则以最大监督元数或最小监督元数为编码方案；

H、经过一段时间τ，得到新的观测样本，然后根据新的观测样本利用Baum-Welch算法重新估计HMM参数A,B,π，重复步骤C至步骤H。

2.如权利要求1所述的基于预测的混和自动重传请求算法，其特征在于：利用Baum-Welch算法重新估计HMM参数A,B,π的具体方法如下：

S1、通过观测样本得到该观测样本初始时刻隐含状态S_i的概率分布π＝{p{q₁＝S_i}}，1≤i≤6；

S2、定义前向变量:α_t(i)＝p(O₁O₂...O_t,q_t＝S_i|λ)，α_t(i)表示在上一次更新的HMM模型λ基础上，t时刻的状态S_i从开始到t时刻观测序列为O₁,O₂,...O_t的概率；

S3、定义后向变量:β_t(i)＝p{O_t+1O_t+2...O_T|q_t＝S_i,λ}，β_t(i)表示在上一次更新的HMM模型λ基础上，t时刻状态S_i从t+1时刻到最后时刻观测序列为O_t+1,O_t+2,...,O_T的概率；

S4、在上一次更新的HMM模型λ基础上，t时刻状态为S_i，t+1时刻状态为S_j的概率为

${\mathrm{\ξ}}_t(i,j)=\frac{{\mathrm{\α}}_t\left(i\right)a_{\mathrm{ij}}{b}_j\left(O_{t+1}\right){\mathrm{\β}}_{t+1}\left(j\right)}{\underset{i=1}{\overset{N}{\mathrm{\Σ}}}\underset{j=1}{\overset{N}{\mathrm{\Σ}}}{\mathrm{\α}}_t\left(i\right)a_{\mathrm{ij}}{b}_j\left(O_{t+1}\right){\mathrm{\β}}_{t+1}\left(j\right)},$

其中，a_ij＝p{q_t+1＝S_j|q_t＝S_i}，1≤i,j≤N,a_ij表示从状态i转换到状态j的概率；其中，b_j(O_t+1)为状态为S_j时产生观测符号O_t+1的概率；β_t+1(j)＝p{O_t+2O_t+3…O_T|q_t＝S_j,λ}，β_t+1(j)表示在上一次更新的HMM模型λ基础上，t+1时刻状态S_j从t+2时刻到最后时刻观测序列为O_t+2O_t+3…O_T的概率；

S5、通过如下公式计算得到r_t(i)，r_t(i)表示在上一次更新的HMM模型λ基础上，t时刻状态为S_i的概率；

S6、分别通过如下计算公式得到π，所述公式如下所述：

r_t(j)表示在上一次更新的HMM模型λ基础上，t时刻状态为S_j的概率；

S7、对计算得出的观测值概率进行判断，若计算得出的观测值概率没有达到阈值，重复步骤S1至S6，直到计算得出的观测值概率达到阈值，则该以及所对应的即为HMM重新估计的参数A,B,π。