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

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

一种基于隐马尔科夫模型的空间频谱状态预测方法

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；

O_n表示第n个位置的历史频谱状态序列，观测状态空间O_n＝{0，1},O_n＝0表示频谱感知结果为空闲，O_n＝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O_n中1的数量l_n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；

为状态转移概率矩阵，

为观测概率矩阵，Π＝[π₁；π₂]为初始状态概率向量；

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；

根据B，Π的实际意义得到：

Π₁≈Π₂≈[π₁，π₂]＝Π；

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O_n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；

根据

中各参数的意义，选取初值a₀₀＝s₁/m,a₀₁＝s₂/m,a₁₀＝s₃/m,a₁₁＝s₄/m；

记m个0,1序列O_n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；

O_n表示第n个位置的历史频谱状态序列，观测状态空间O_n＝{0，1},O_n＝0表示频谱感知结果为空闲，O_n＝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O_n中1的数量l_n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；

为状态转移概率矩阵，

为观测概率矩阵，Π＝[π₁；π₂]为初始状态概率向量；

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；

根据B，Π的实际意义得到：

Π₁≈Π₂≈[π₁；π₂]＝Π；

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：

中，a₀₀+a₀₁＝1,a₁₀+a₁₁＝1 (6)

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：

2.如权利要求1所述空间频谱状态预测方法，其特征在于：

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O_n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；

根据

中各参数的意义，选取初值a₀₀＝s₁/m,a₀₁＝s₂/m,a₁₀＝s₃/m,a₁₁＝s₄/m；

记m个0,1序列O_n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。

Images