CN110826019B - 一种基于隐马尔科夫模型的空间频谱状态预测方法 - Google Patents
一种基于隐马尔科夫模型的空间频谱状态预测方法 Download PDFInfo
- Publication number
- CN110826019B CN110826019B CN201910977770.4A CN201910977770A CN110826019B CN 110826019 B CN110826019 B CN 110826019B CN 201910977770 A CN201910977770 A CN 201910977770A CN 110826019 B CN110826019 B CN 110826019B
- Authority
- CN
- China
- Prior art keywords
- state
- spectrum
- aircraft
- probability
- frequency spectrum
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04B—TRANSMISSION
- H04B17/00—Monitoring; Testing
- H04B17/30—Monitoring; Testing of propagation channels
- H04B17/382—Monitoring; Testing of propagation channels for resource allocation, admission control or handover
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D30/00—Reducing energy consumption in communication networks
- Y02D30/70—Reducing energy consumption in communication networks in wireless communication networks
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Optimization (AREA)
- Theoretical Computer Science (AREA)
- Mathematical Physics (AREA)
- Pure & Applied Mathematics (AREA)
- Computational Mathematics (AREA)
- Mathematical Analysis (AREA)
- Probability & Statistics with Applications (AREA)
- Software Systems (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Algebra (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Databases & Information Systems (AREA)
- Operations Research (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Electromagnetism (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明属于通信技术领域,具体涉及一种基于隐马尔科夫模型的空间频谱状态预测方法。本发明加入了空间位置信息,即得到已知地点1,2频谱感知序列条件下,通过HMM数据训练,结合同伦变换思想得到已知地点1,2间各地点A,B,Π矩阵,再根据HMM算法,预测飞行器各地点频谱状态。根据本发明方法预测的状态,让飞行器通信设备提前准备进行频谱感知,从而完成飞行器飞行通信,最终可应用在飞行器飞行通信的背景下。
Description
技术领域
本发明属于通信技术领域,具体涉及一种基于隐马尔科夫模型的空间频谱状态预测方法。
背景技术
随着民用和军事的需求以及技术的发展,当前我国飞行器的数量在不断增加,包括民航飞机、无人机、浮空器、高超声速飞行器等。飞行器增多伴随着航空通信业务量的增加,但由于频谱资源有限,会导致频谱资源紧缺进而影响飞行器的通信。然而目前已分配的频谱资源并没有得到充分利用,飞行器可以在合理的频谱管理下与其他用户共享频段进行通信。
共享频段通信中一个关键技术就是频谱预测。现有的频谱预测技术很多,主要可分为以下几大类:基于神经网络模型的预测、基于自回归模型的预测、基于机器学习的预测、基于马尔科夫模型/隐马尔科夫模型的预测等方法。但现有技术均是由本地历史频谱状态序列来预测该地点下一时刻的频谱状态,即预测“同一地点、下一时刻”的频谱。而飞行器位置是不断改变的,若运用现有技术预测出当前地点、下一时刻的状态后,飞行器已经飞离该地点,频谱环境已变化,预测结果即失效。针对飞行器,需要能够预测“下一地点、下一时刻”的技术,现有技术均无法做到。因此,当前缺乏一种可以预测不同地点的频谱状态方法。
发明内容
针对以上不足,为解决现有频谱预测技术不能预测下一地点、下一时刻的问题,本发明提供了一种基于隐马尔科夫模型的空间频谱状态预测方法,基于隐马尔科夫模型(Hidden Markov Model,HMM)频谱预测基础上,能够用于飞行器飞行中预测不同地点的频谱状态。
具体技术方案如下:
步骤1:记两个已知地点为地点1和地点2;地点1为信号中心基站处,地点2为飞行器的飞行路线终点,飞行器的飞行路线为已知地点1到已知地点2;测出已知地点1的历史频谱状态序列O1,已知地点2的历史频谱状态序列O2;O1,O2为m个数据的0,1序列;
On表示第n个位置的历史频谱状态序列,观测状态空间On={0,1},On=0表示频谱感知结果为空闲,On=1表示频谱感知结果为忙碌;
步骤2:飞行器在t时刻预测t+1时刻的频谱状态,记飞行器t时刻所处位置为地点3,t+1时刻所处位置为地点4;通过O1,O2得到飞行器所处地点4的频谱感知结果序列O4;
分别计算步骤1中测出的O1,O2频谱状态序列中1的数量l1,l2;将l1,l2通过反比例函数建模,得到不同位置的On中1的数量ln与d的关系;d为地点4与已知地点1的距离,根据d得到O4中1的数量l4;O4中0,1序列服从λ=l4/m的泊松分布;
步骤3:分别利用地点1的频谱感知序列O1,地点2的频谱感知序列O2进行模型训练得到HMM的Λ=(A,B,Π)参数;
首先选取A,B,Π初值,通过Baum-Welch算法对频谱感知序列O1和O2进行HMM训练,得到地点1和地点2的模型参数A1,B1,Π1,A2,B2,Π2;
a00:当前时刻频谱状态为0,下一时刻频谱状态0的概率;a01:当前时刻频谱状态为0,下一时刻频谱状态为1的概率;a10:当前时刻频谱状态为1,下一时刻频谱状态为0的概率;a11:当前时刻频谱状态为1,下一时刻频谱状态为1的概率;b00:当前时刻频谱状态为0,频谱感知得到的频谱状态为0的概率;b01:当前时刻频谱状态为0,频谱感知得到的频谱状态为1的概率;b10:当前时刻频谱状态为1,频谱感知得到的频谱状态为0的概率;b11:当前时刻频谱状态为1,频谱感知得到的频谱状态为1的概率;π1:初始状态频谱为空闲的概率;π2:初始状态频谱被占用的概率;
步骤4:根据同伦论知识,结合无人机通信的实际背景推导状态转移概率矩阵A与d的关系式;
同伦论的定义:X→Y,是连续映射的,q=[0,1],如果存在H:X×q→Y,对x∈X,H(x,0)=f(x),H(x,1)=g(x),则称f,g是同伦的;
当无人机从已知地点1到已知地点2的连续飞行过程中,无人机频谱预测的地点4与已知地点1距离d不断增大,d是一个变量,地点1的状态转移概率矩阵A1将连续变为地点2的状态转移概率矩阵A2;D是已知地点1与已知地点2的距离,飞行器飞行过程中,D是不改变的,为常量;参数q∝d,设当飞行器在地点1时,d=0,q=0,当飞行器在地点2时,d=D,所以,
同伦论公式:H(x,q)=k1(q)f(x)+k2(q)g(x)q∈[0,1] (1)
结合无人机通信的实际背景,公式(1)变为:
A(q)=k1(q)A1+k2(q)A2,q∈[0,1],d∈[0,D] (2)
由于D是已知的常量,只与飞行器的飞行路线有关,与飞行器飞行的距离无关,所以公式(2)可变为:
当d=0,q=0时,A(0)=A1,当d=D,q=1时,A(1)=A2带入公式(3)可得:
k1(0)=1,k2(0)=0;k1(1)=0,k2(1)=1 (4)
将公式(3)展开:
由状态转移概率A的定义可以知道:
将式子(6)带入公式(5)中可以得到:
由公式(6),(7),(8)可得:
所以,根据公式(3),(4),(9)可推得A矩阵随着距离d的变化公式:
步骤5:由步骤4得到的A(d),步骤3得到的B,Π,步骤2得到的O4,运用维特比Viterbi算法让飞行器在地点3时估计地点4的真实频谱状态序列Q;隐状态空间Q={0,1},Q=0表示真实频谱状态为空闲,Q=1表示真实频谱状态为忙碌;
步骤6:由步骤4得到的A(d),步骤3得到的B,Π,步骤5得到的Q,对下一时刻飞行器的频谱状态根据以下公式进行预测:
本发明中在HMM频谱预测的基础上,提出不同位置的频谱状态预测方法,即已知地点1、2的频谱感知序列,继承HMM频谱预测(步骤1-3,步骤5,步骤6为HMM频谱状态预测内容)的优点,同时结合同伦变换思想来改进HMM频谱预测,最终可应用在飞行器飞行通信的背景下。飞行器通常在某一路线飞行,会经过大量地点,我们先测出两个已知地点的历史频谱状态序列数据,记为已知地点1和已知地点2。假设飞行器在t时刻预测t+1时刻的频谱状态,记飞行器t时刻所处位置为地点3,t+1时刻所处位置为地点4。通过数据训练得到地点1和2的状态转移概率矩阵A1和A2,结合同伦变换的思想提出地点1和地点2之间任意地点的状态转移概率矩阵估计公式:
通过在HMM频谱预测中加入了空间位置信息,得到不同地点的A,B,Π矩阵去预测该地点的频谱状态。根据预测的状态,让飞行器通信设备提前准备进行频谱感知和频谱搬移,从而完成飞行器飞行通信。
综上所述,本发明在仅知道两个地点的先验信息下对其他地方均能进行有效预测,从而能够用于飞行器飞行中预测不同地点的频谱状态,完成飞行器飞行通信。
附图说明
图1为本发明的流程图;
图2为采用实测数据时,实施例的频谱预测概率和HMM频谱预测概率对比曲线。
图3为实施例频谱预测与HMM频谱预测的概率差值曲线。
具体实施方式
下面结合附图及具体实施例对本发明作进一步的详细描述。
本实施例数据由RTL-SDR无线电接收机对7个地点进行民航航空信号检测而得到,与成都双流机场塔台距离分别为0km,4.7km,9.6km,13.7km,18.2km,23km,25.4km。已知地点1为成都双流机场塔台的位置,已知地点2为距离机场塔台25.4km的成都工业学院。测试频段为民航航空波段12279200Hz,带宽为8K,采用8bit的Audio+基地在AM调制下的录制10分钟数据。处理数据时在MATLAB平台下进行,将该10分钟数据每隔0.5秒分割,若0.5秒内有航空信号,则表示该频段被占用,频谱状态为1,若该0.5秒内无航空信号,则该频段此时处于空闲,频谱状态为0。这样10分钟的采样数据就得到了1200个0或1的历史频谱状态感知序列。
本实施例在MATLAB平台编程进行计算,根据实测数据来得到预测概率。各参数选择如下:m=300,a00=0.6,a01=0.4,a10=0.5,a11=0.5,b00=0.7,b01=0.3,b10=0.6,b11=0.4,π0=0.8,π1=0.2。地点1,2距离为25.4km,取D=25.4,分别取d=0,4.7,9.6,13.7,18.2,23,25.4,求此7个地点的预测概率值。
所述在步骤3中A,B,Π初值选取具体如下:
记m个0,1序列On中,0后是0的数量为s1,0后是1的数量为s2,1后是0的数量为s3,1后是1的数量为s4;
记m个0,1序列On中,0数量为v1,1的数量为v1
根据Π=(π1;π1)中各参数的意义,选取初值π1=v1/m,π1=v2/m。
本实施例频谱预测概率和HMM频谱预测概率曲线在图2中所示。在图2中,本实施例为曲线2,HMM频谱预测是对比技术为曲线1,曲线2预测概率稍低于曲线1,即本发明预测效果稍差于对比技术。但背景技术中介绍过对比技术只能预测“同一地点、下一时刻”的频谱状态,不能应用于飞行器通信。这是因为对比技术曲线1使用7个地点历史频谱感知序列得到,即需求每个地点的先验信息才能预测,而这些信息在实际应用中是不可能预先得到的。本实施例曲线2采用基于同伦变换的HMM频谱预测方法,可以预测“下一地点、下一时刻”的频谱状态,虽然预测概率略低于对比技术,但本发明仅需知道两个地点的先验信息,其他地点不需知道,因此可应用于飞行器通信。
图3为本实施例频谱预测与HMM频谱预测的概率差值曲线。当飞行器在已知地点1和已知地点2时,本发明的A,B,Π矩阵与HMM频谱预测的A,B,Π矩阵相同,两种预测方法得到的预测概率也相同。而在其他地点,本发明预测的概率略低于HMM频谱预测,且越靠近地点1与2的中间点,预测概率相差越大。
结合图2和图3,可发现本发明的预测效果非常接近HMM频谱预测的效果,这意味着本发明在仅知道两个地点的先验信息下对其他地方均能进行有效预测,其预测效果非常接近拥有所有地点先验信息的HMM频谱预测。
Claims (2)
1.一种空间频谱状态预测方法,包括以下步骤:
步骤1:记两个已知地点为地点1和地点2;地点1为信号中心基站处,地点2为飞行器的飞行路线终点,飞行器的飞行路线为已知地点1到已知地点2;测出已知地点1的历史频谱状态序列O1,已知地点2的历史频谱状态序列O2;O1,O2为m个数据的0,1序列;
On表示第n个位置的历史频谱状态序列,观测状态空间On={0,1},On=0表示频谱感知结果为空闲,On=1表示频谱感知结果为忙碌;
步骤2:飞行器在t时刻预测t+1时刻的频谱状态,记飞行器t时刻所处位置为地点3,t+1时刻所处位置为地点4;通过O1,O2得到飞行器所处地点4的频谱感知结果序列O4;
分别计算步骤1中测出的O1,O2频谱状态序列中1的数量l1,l2;将l1,l2通过反比例函数建模,得到不同位置的On中1的数量ln与d的关系;d为地点4与已知地点1的距离,根据d得到O4中1的数量l4;O4中0,1序列服从λ=l4/m的泊松分布;
步骤3:分别利用地点1的频谱感知序列O1,地点2的频谱感知序列O2进行模型训练得到HMM的Λ=(A,B,Π)参数;
首先选取A,B,Π初值,通过Baum-Welch算法对频谱感知序列O1和O2进行HMM训练,得到地点1和地点2的模型参数A1,B1,Π1,A2,B2,Π2;
a00:当前时刻频谱状态为0,下一时刻频谱状态0的概率;a01:当前时刻频谱状态为0,下一时刻频谱状态为1的概率;a10:当前时刻频谱状态为1,下一时刻频谱状态为0的概率;a11:当前时刻频谱状态为1,下一时刻频谱状态为1的概率;b00:当前时刻频谱状态为0,频谱感知得到的频谱状态为0的概率;b01:当前时刻频谱状态为0,频谱感知得到的频谱状态为1的概率;b10:当前时刻频谱状态为1,频谱感知得到的频谱状态为0的概率;b11:当前时刻频谱状态为1,频谱感知得到的频谱状态为1的概率;π1:初始状态频谱为空闲的概率;π2:初始状态频谱被占用的概率;
步骤4:根据同伦论知识,结合无人机通信的实际背景推导状态转移概率矩阵A与d的关系式;
同伦论的定义:X→Y,是连续映射的,q=[0,1],如果存在H:X×q→Y,对x∈X,H(x,0)=f(x),H(x,1)=g(x),则称f,g是同伦的;
当无人机从已知地点1到已知地点2的连续飞行过程中,无人机频谱预测的地点4与已知地点1距离d不断增大,d是一个变量,地点1的状态转移概率矩阵A1将连续变为地点2的状态转移概率矩阵A2;D是已知地点1与已知地点2的距离,飞行器飞行过程中,D是不改变的,为常量;参数设当飞行器在地点1时,d=0,q=0,当飞行器在地点2时,d=D,所以,
同伦论公式:H(x,q)=k1(q)f(x)+k2(q)g(x)q∈[0,1] (1)
结合无人机通信的实际背景,公式(1)变为:
A(q)=k1(q)·A1+k2(q)·A2,q∈[0,1],d∈[0,D] (2)
由于D是已知的常量,只与飞行器的飞行路线有关,与飞行器飞行的距离无关,所以公式(2)可变为:
当d=0,q=0时,A(0)=A1,当d=D,q=1时,A(1)=A2带入公式(3)可得:
k1(0)=1,k2(0)=0;k1(1)=0,k2(1)=1 (4)
将公式(3)展开:
由状态转移概率A的定义可以知道:
将式子(6)带入公式(5)中可以得到:
由公式(6),(7),(8)可得:
所以,根据公式(3),(4),(9)可推得A矩阵随着距离d的变化公式:
步骤5:由步骤4得到的A(d),步骤3得到的B,Π,步骤2得到的O4,运用维特比Viterbi算法让飞行器在地点3时估计地点4的真实频谱状态序列Q;隐状态空间Q={0,1},Q=0表示真实频谱状态为空闲,Q=1表示真实频谱状态为忙碌;
步骤6:由步骤4得到的A(d),步骤3得到的B,Π,步骤5得到的Q,对下一时刻飞行器的频谱状态根据以下公式进行预测:
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910977770.4A CN110826019B (zh) | 2019-10-15 | 2019-10-15 | 一种基于隐马尔科夫模型的空间频谱状态预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910977770.4A CN110826019B (zh) | 2019-10-15 | 2019-10-15 | 一种基于隐马尔科夫模型的空间频谱状态预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110826019A CN110826019A (zh) | 2020-02-21 |
CN110826019B true CN110826019B (zh) | 2023-03-14 |
Family
ID=69549354
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910977770.4A Active CN110826019B (zh) | 2019-10-15 | 2019-10-15 | 一种基于隐马尔科夫模型的空间频谱状态预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110826019B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112202513B (zh) * | 2020-08-24 | 2022-05-20 | 宁波大学 | 基于生灭过程和粘性隐马尔可夫模型的多带频谱感知方法 |
Family Cites Families (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20080069079A1 (en) * | 2006-09-19 | 2008-03-20 | Star-H Corporation | System and method for spectrum sharing |
KR101090576B1 (ko) * | 2010-02-18 | 2011-12-08 | 인하대학교 산학협력단 | 무선 인지 시스템에서 마코프 모델을 이용한 가중치 할당 협력 스펙트럼 센싱 방법 |
CN102595570B (zh) * | 2012-01-11 | 2014-09-24 | 北京邮电大学 | 认知无线电系统中基于隐马尔可夫模型的频谱接入方法 |
CN104954088A (zh) * | 2014-03-28 | 2015-09-30 | 中国科学院声学研究所 | 基于部分可测马尔科夫决策过程模型的频谱检测方法 |
CN104333424B (zh) * | 2014-10-16 | 2018-01-05 | 北京邮电大学 | 一种频谱检测与未知噪声方差跟踪估计方法与装置 |
CN107070569A (zh) * | 2017-03-06 | 2017-08-18 | 广西大学 | 基于hmm模型的多点协作频谱感知方法 |
CN110190918B (zh) * | 2019-04-25 | 2021-04-30 | 广西大学 | 基于深度q学习的认知无线传感器网络频谱接入方法 |
-
2019
- 2019-10-15 CN CN201910977770.4A patent/CN110826019B/zh active Active
Non-Patent Citations (2)
Title |
---|
Van-Dinh Nguyen et al.Cooperative prediction and sensing based spectrum sharing in cognitive radio networks.2018,全文. * |
张凯.基于隐马尔可夫模型的频谱预测和感知方法研究.2016,全文. * |
Also Published As
Publication number | Publication date |
---|---|
CN110826019A (zh) | 2020-02-21 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Yang et al. | Machine‐learning‐based prediction methods for path loss and delay spread in air‐to‐ground millimetre‐wave channels | |
CN108764560B (zh) | 基于长短期记忆神经网络的航空器场面轨迹预测方法 | |
US10431103B2 (en) | Three-dimensional network coverage modeling for UAVs | |
CN107516417B (zh) | 一种挖掘时空关联关系的实时高速公路流量估计方法 | |
Cavalcanti et al. | A hybrid path loss prediction model based on artificial neural networks using empirical models for LTE and LTE-A at 800 MHz and 2600 MHz | |
Yang et al. | Machine-learning-based scenario identification using channel characteristics in intelligent vehicular communications | |
CN110346654B (zh) | 基于普通克里金插值的电磁频谱地图构建方法 | |
CN111381499B (zh) | 基于三维空间射频地图学习的网联飞行器自适应控制方法 | |
Redondi | Radio map interpolation using graph signal processing | |
CN110826019B (zh) | 一种基于隐马尔科夫模型的空间频谱状态预测方法 | |
Luo et al. | A two-step environment-learning-based method for optimal UAV deployment | |
US20220110021A1 (en) | Flow forecasting for mobile users in cellular networks | |
CN110247719A (zh) | 基于机器学习的5g时变信道回放与仿真方法 | |
Karra et al. | Prediction of received signal power in mobile communications using different machine learning algorithms: A comparative study | |
Suchanski et al. | Radio environment maps for military cognitive networks: construction techniques vs. map quality | |
Vankayala et al. | Radio map estimation using a generative adversarial network and related business aspects | |
Xue et al. | Deep learning based channel prediction for massive MIMO systems in high-speed railway scenarios | |
CN113114399B (zh) | 基于生成对抗网络的三维频谱态势补全方法和装置 | |
Zhang et al. | A ray-tracing and deep learning fusion super-resolution modeling method for wireless mobile channel | |
CN117560104A (zh) | 一种混合交通中可解释性机器学习辅助的信道模型的构建方法 | |
CN116723470B (zh) | 空中基站的移动轨迹预测模型的确定方法、装置和设备 | |
CN117440404A (zh) | 数据与知识双驱动的频谱地图智能精确构建方法 | |
CN114513805A (zh) | 无线建模方法和系统 | |
Zhao et al. | A new spectrum prediction method for UAV communications | |
Peng et al. | Hmm-lstm for proactive traffic prediction in 6g wireless networks |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |