CN111669241A - 一种短波通信信道可用性的高效预测方法 - Google Patents

Abstract

本发明涉及一种短波通信信道可用性的高效预测方法。本发明方法依据短波通信中信道的使用规律建立了一种状态数目为三的HMM预测模型，并通过信道可用性历史状态的学习对隐马尔科预测模型进行优化，使得优化后的预测模型能准确预测信道空闲/占用状态。仿真结果表明，本发明所述预测模型能够很好的预测信道变化情况，准确率可达89％以上，其本发明方法克服常用单时隙频谱预测技术会产生信道切换开销的不足，对于传播时延较大的短波通信而言更具实际意义。

Description

一种短波通信信道可用性的高效预测方法

技术领域

本发明涉及短波通信系统中频谱感知以及信道可用性预测技术领域，特别是适用于短波通信系统中信道可用性的高效预测方法。

背景技术

短波通信依靠1.5-30MHz范围内的电磁波通过大气电离层的反射进行信号传输，是最早出现并被广泛应用的无线通信方式，至今仍是中远距离无线通信的重要手段。由于电离层的变化会导致短波通信存在严重的频率选择性衰落，因此如何选择合适的频率以提高通信的可靠性一直是亟待解决的难题之一。传统的短波自动链路建立(ALE)通信系统的频率使用方式是依据频率规划部门下发的指定频率集，其准确性建立在长期统计结果分析和预报上，已经不能适应日益拥挤的电离层电磁环境下可靠短波通信。

美国国防部在下一代自动链路建立标准MIL-STD-188-141C中明确提出利用认知无线电相关技术解决频谱感知、频谱预测及利用问题，因此如何把认知无线电相关技术和短波通信相结合是目前的研究热点，也是下一代短波通信关键技术之一。

频谱预测从技术路线上可分为基于数据挖掘、机器学习和历史行为模型三大类，前两类因其需要海量原始样本、运算量巨大的缺点只适合离线频谱分析；最后一种依据信道历史状态行为变化，结合性能优异的预测算法可推演出信道状态未来变化情况，其中基于马尔科夫链模型的预测方法是这类技术的典型代表。

发明内容

针对传统短波ALE系统中频率使用方式的不足，本发明提出一种短波通信信道可用性的高效预测方法，建立状态数目为三的隐马尔科预测模型，并通过信道可用性历史状态的学习对隐马尔科预测模型进行优化，使得优化后的预测模型能准确预测信道空闲/占用状态，准确率可达89％以上，同时可以大幅减少单时隙频谱预测技术产生的信道切换开销。

为了解决上述技术问题，本发明提供一种短波通信信道可用性的高效预测方法，步骤如下：

步骤1、对N个时隙t_s的短波通信信号逐时隙进行频谱感知，形成信道状态序列E＝{e₁...e_n...e_N}；以M个连续时隙t_s为观测单元，将N个时隙t_s划分为T段，依据短波信道可用性分类标准对E＝{e₁...e_n...e_N}进行处理获得信道可用性观测序列O＝{o₁...o_t...o_T}，e_n为相应时隙的信道状态，M＜N，

t∈T，o_t为第t第个观测单元的信道可用性；

步骤2、构建转移状态数目为三的隐马尔科夫预测模型λ＝(A,B,π)，将信道可用性观测序列O＝{o₁,o₂...o_T}作为训练样本，采用Baum-Welch算法对预测模型λ＝(A,B,π)进行学习训练，得到最优预测模型

其中P(·)表示概率分布函数，P(O|λ)表示在给定某一预测模型λ下，得到可用性观测序列O的概率值；

步骤3、根据训练得到的最优预测模型

和信道可用性观测序列O＝{o₁,o₂...o_T}，通过前向算法分别计算获得{s₁,s₂,s₃}三种状态下可用性观测序列O的概率值

以及

从{s₁,s2,s3}三种状态中选出对应概率值最大的状态作为下一时段信道可用性的预测值o_T+1。

较佳地，在步骤1中，使用频谱监测设备对指定信道进行监听，获得某一信道上N个时隙t_s内信号功率值P＝{p₁...p_n...p_N}，然后按照式(1)把N个时隙内信号功率值P量化为信道状态序列E＝{e₁...e_n...e_N},e_n∈{'0','1'},n∈{1,2...,N}，信道状态序列中的“0”和“1”分别表示信道空闲和信道被占用两种状态；

E＝{e₁,e₂...e_N},

式(1)中，Thr是满足最大检测概率下对应的最佳信号功率值检测门限值；p_n为相应时隙的信号功率值；

{s₁:信道不可用，s₃:信道可用，s₂:信道部分可用}，t＝1,2...T。

较佳地，在步骤2中，

转移概率矩阵

a_ij＝P(q_t+1＝s_j|q_t＝s_i)，1≤i≤3，

1≤j≤3，t＝1,2...T，q_t表示信道在t时刻的状态；a_ij表示信道从t时刻的状态s_i转移到t+1时刻状态s_j的转移概率；

观测概率矩阵

b_jk＝P(o_t＝s_k|q_t＝s_j)，1≤j≤3，1≤k≤3，o_t为t时刻的状态观测值；b_jk表示信道的隐藏状态为s_j时，通过频谱感知得到的信道状态为s_k的概率；

初始概率矩阵π＝{π_i}，其中π_i＝P(q₁＝s_i)。

较佳地，在步骤3中，

定义中间变量α_t(i)＝P(o₁,o₂,...,o_t,qt＝i|λ)表示前向因子，其迭代关系如式(2)所示：

基于前向算法的信道可用性预测过程如下：

Step1：初始化，α₁(j)＝π_jb_j(o₁),i＝1,2,3

Step2：迭代计算：

i＝1,2,3；t＝1,2,...T-1

Step3：当t＝T时，迭代计算结束，

Step4：选出对应概率值最大的状态作为下一时段信道可用性的预测值o_T+1，

本发明与现有技术相比，其显著优点在于：

(1)本发明通过建立状态数目为三的隐马尔科预测模型，通过信道可用性历史状态的学习，使得优化后的预测模型能准确预测信道空闲/占用状态，准确率可达89％以上，可以大幅减少单时隙频谱预测技术产生的信道切换开销；

(2)本发明方法可依据信道历史状态行为变化，结合性能优异的预测算法可推演出信道状态未来变化情况，克服了数据挖掘、机器学习等预测方法需要海量样本数据、运算复杂等缺点，可在线实时预测，方便工程实现，易于推广。

附图说明

图1是本发明信道可用性分类预处理示意图。

图2是本发明隐马尔科夫预测模型状态转移图。

图3是本发明通信信道可用性预测流程图。

图4本发明HMM模型信道预测准确率变化曲线。

图5本发明信道可用性预测准确率的变化曲线。

具体实施方式

容易理解，依据本发明的技术方案，在不变更本发明的实质精神的情况下，本领域的一般技术人员可以想象出本发明的多种实施方式。因此，以下具体实施方式和附图仅是对本发明的技术方案的示例性说明，而不应当视为本发明的全部或者视为对本发明技术方案的限制或限定。

步骤1、对1.5-30MHz频段内的短波通信信号逐时隙进行频谱感知获得信号功率值，时隙长度t_s＝1s，时隙总个数为N，信道带宽为3kHz，形成信道状态序列E＝{e₁,e₂...e_N}；然后依据短波信道可用性分类标准对E＝{e₁,e₂...e_N}进行预处理，在预处理时，以M个连续时隙(长度t_s＝1s)为观测单元得到信道可用性观测序列O＝{o₁,o₂...o_T}，

结合图1，具体如下：

利用频谱监测设备对指定信道进行监听，获得某一信道上N个时隙t_s内信号功率值P＝{p₁，p₂...p_N}。按照式(1)把N个时隙内信号功率值P量化为信道状态序列E＝{e₁,e₂...e_N},e_n∈{'0','1'},n∈{1,2...,N}，序列中的“0”和“1”分别表示信道空闲和信道被占用两种状态。

E＝{e₁,e₂...e_N},

式(1)中，Thr是满足最大检测概率下对应的最佳信号功率值检测门限值。

信道状态序列E中的各信道状态e_n仅能反映短时(即当前时隙t_s＝1秒)内是否存在其他用户在使用该信道，如果想预测出该短时过后信道是否空闲，则需要从更长的时间范围内统计分析信道的占用状态，而信道状态序列E只反映了一定时间范围内的占用状态。因此，本发明在一定时间范围内对多个时隙的信道状态进行处理，即对一定时间范围内的信道状态序列E进行处理从而获得信道可用性o_t。为方便起见，本实施例以1分钟(M＝60)为时间跨度来考察信道的可用性，定义ζ为各1分钟时间跨度内信道状态序列E＝{e₁,e₂...e_N}中状态为“1”，即信道被占用的数目，则各1分钟时间跨度内信道可用性o_t可表述为：

{s₁:信道不可用，s₃:信道可用，s₂:信道部分可用}，t＝1,2...T

从而形成一定时间范围内信道可用性观测序列O＝{o₁,o₂...o_T}，由于信道可用性o_t为时间跨度为1分钟内的可用性，则可用性观测序列的时隙长度可以视为1分钟。

步骤2、构建转移状态数目为三的隐马尔科夫(HMM)预测模型λ＝(A,B,π)，利用信道可用性观测序列O＝{o₁,o₂...o_T}，采用Baum-Welch算法对构造的预测模型λ进行学习训练，得到最优模型参数

其中P(·)表示概率分布函数，P(O|λ)表示在给定某一预测模型λ下，得到可用性观测序列O的概率值。具体过程如下：

依据步骤1中关于信道可用性三种状态的定义，构建其状态转移示意图如图2所示，在利用隐马尔科夫模型对信道状态建模时，一般把信道的真实状态建模为隐藏状态；当建模信道观测状态时就必须考虑通信信道中的噪声和干扰，一般而言，把通过频谱感知获得的信道观测值建模为观测状态，参照隐马尔科夫模型(HMM)λ＝(A,B,π)的定义，其中，转移概率矩阵

a_ij＝P(q_t+1＝s_j|q_t＝s_i)，1≤i≤3，

1≤j≤3，t＝1,2...T，q_t表示信道在t时刻的状态(隐藏状态)；a_ij表示信道从t时刻的状态s_i转移到t+1时刻状态s_j的转移概率；

观测概率矩阵

b_jk＝P(o_t＝s_k|q_t＝s_j)，1≤j≤3，1≤k≤3，o_t为t时刻的状态观测值；b_jk表示信道的隐藏状态为s_j时，通过频谱感知得到的信道状态(观测值)为s_k的概率；

初始概率矩阵π＝{π_i}，其中π_i＝P(q₁＝s_i)，1≤i≤3，以上表述中P(·)表示概率分布函数，一般用λ＝(A,B,π)来表示一个完整的HMM预测模型。

把观测状态的历史值O＝{o₁,o₂...o_T}作为训练样本，通过Baum-Welch算法来逐时隙的更新预测模型λ的参数A和参数B，训练的终止条件是求得概率函数

值达到最大，从而得到最优模型参数

表示训练得到的最优预测模型参数值。

步骤3、根据训练得到的预测模型参数

和信道可用性观测序列O＝{o₁,o₂...o_T}，通过前向算法分别计算给定的预测模型

下得到可用性观测序列O的概率值

以及

这三个值表示在最优预测模型

条件下，{s₁,s₂,s₃}三种状态分别对应的后验概率，从{s₁,s₂,s₃}选出对应概率最大的值作为下一时段(t＝T+1)信道可用性的预测值o_T+1，具体过程如下：

为了方便表述后面的计算流程，定义中间变量α_t(i)＝P(o₁,o₂,...,o_t,qt＝i|λ)表示前向因子，其迭代关系分别如下：

那么基于前向算法的信道可用性预测过程如下：

Step1：初始化，α₁(j)＝π_jb_j(o₁),i＝1,2,3

Step2：迭代计算：

i＝1,2,3；t＝1,2,...T-1

Step3：当t＝T时，迭代计算结束，

Step4：选出对应概率最大的值作为下一时段(t＝T+1)信道可用性的预测值o_T+1，

对于该信道的频谱占用情况发生变化的情况，比如该信道上出现新的通信信号，或者原来存在的通信信号消失，则重复步骤1--步骤3。

实施示例

按照本发明提供的通信信道可用性预测流程如图3所示，包括三部分：频谱感知、预测模型构建与训练、信道可用性预测。实施示例按照表1中给出的HMM参数值，利用Mat软件生成长度为500的信道可用性观测序列和对应的隐状态序列，然后按照图2所示的信道可用性状态转移图进行仿真，首先利用500个观测序列值作为训练样本进行模型参数学习，学习训练得到的最佳模型参数见表1的第3列。

仿真中采用满足概率分布为泊松分布的数据来模拟信道占用状况，然后将其映射为隐状态序列，然后通过引入白噪声来生成模拟实际短波信道中信道可用性序列，其主要目的是对比不同信噪比下HMM模型的预测准确性。选取的训练序列仍为500个样本点，信噪比的取值分别为5dB、10dB、15dB和20dB。

图4是信噪比20dB条件下500个样点下预测准确率的变化曲线，可以看出随着训练序列长度的增加，模型预测准确率渐趋稳定，达到了73％。

依据本发明中对信道可用性的划分准则，定义信道接入率η，

其中

表示预测准确率，a表示信道状态“可用”被预测为“部分可用”的情况，b表示信道状态“部分可用”被预测为“可用”的情况。与

相比，由于信道状态“可用”与“部分可用”情况下均可以选择接入，所以η在验证模型的有效性上更反映信道的实际利用情况。图5表示的是不同信噪比下模型预测准确率以及接入率的变化曲线，可以看出随着信噪比的增加，信道接入率η和预测准确率

都在增加并趋于稳定，在信噪比25dB时信道接入率可达到89％，满足短波信道接入时对信道可用性的预测需求。

表1 HMM模型参数假设值和训练学习的结果值

Claims (4)

1.一种短波通信信道可用性的高效预测方法，其特征在于，步骤如下：

步骤1、对N个时隙t_s的短波通信信号逐时隙进行频谱感知，形成信道状态序列E＝{e₁...e_n...e_N}；以M个连续时隙t_s为观测单元，将N个时隙t_s划分为T段，依据短波信道可用性分类标准对E＝{e₁...e_n...e_N}进行处理获得信道可用性观测序列O＝{o₁...o_t...o_T}，e_n为相应时隙的信道状态，M＜N，

t∈T，o_t为第t第个观测单元的信道可用性；

步骤2、构建转移状态数目为三的隐马尔科夫预测模型λ＝(A,B,π)，将信道可用性观测序列O＝{o₁,o₂...o_T}作为训练样本，采用Baum-Welch算法对预测模型λ＝(A,B,π)进行学习训练，得到最优预测模型

其中P(·)表示概率分布函数，P(O|λ)表示在给定某一预测模型λ下，得到可用性观测序列O的概率值；

步骤3、根据训练得到的最优预测模型

和信道可用性观测序列O＝{o₁,o₂...o_T}，通过前向算法分别计算获得{s₁,s₂,s₃}三种状态下可用性观测序列O的概率值

以及

从{s₁,s₂,s₃}三种状态中选出对应概率值最大的状态作为下一时段信道可用性的预测值o_T+1。

2.如权利要求1所述的短波通信信道可用性的高效预测方法，其特征在于，步骤1中，使用频谱监测设备对指定信道进行监听，获得某一信道上N个时隙t_s内信号功率值P＝{p₁...p_n...p_N}，然后按照式(1)把N个时隙内信号功率值P量化为信道状态序列E＝{e₁...e_n...e_N},e_n∈{'0','1'},n∈{1,2...,N}，信道状态序列中的“0”和“1”分别表示信道空闲和信道被占用两种状态；

式(1)中，Thr是满足最大检测概率下对应的最佳信号功率值检测门限值；p_n为相应时隙的信号功率值；

{s₁:信道不可用，s₃:信道可用，s₂:信道部分可用}，t＝1,2...T。

3.如权利要求2所述的短波通信信道可用性的高效预测方法，其特征在于，步骤2中，

转移概率矩阵

a_ij＝P(q_t+1＝s_j|q_t＝s_i)，1≤i≤3，

1≤j≤3，t＝1,2...T，q_t表示信道在t时刻的状态；a_ij表示信道从t时刻的状态s_i转移到t+1时刻状态s_j的转移概率；

观测概率矩阵

b_jk＝P(o_t＝s_k|q_t＝s_j)，1≤j≤3，1≤k≤3，o_t为t时刻的状态观测值；b_jk表示信道的隐藏状态为s_j时，通过频谱感知得到的信道状态为s_k的概率；

初始概率矩阵π＝{π_i}，其中π_i＝P(q₁＝s_i)。

4.如权利要求3所述的短波通信信道可用性的高效预测方法，其特征在于，步骤3中，

定义中间变量α_t(i)＝P(o₁,o₂,...,o_t,q_t＝i|λ)表示前向因子，其迭代关系如式(2)所示：

基于前向算法的信道可用性预测过程如下：

Step1：初始化，α₁(j)＝π_jb_j(o₁),i＝1,2,3

Step2：迭代计算：

Step3：当t＝T时，迭代计算结束，

Step4：选出对应概率值最大的状态作为下一时段信道可用性的预测值o_T+1，

Images