基于隱馬爾可夫模型的短波認知頻率選擇方法

王董禮 曹鵬 黃國策 孫啟祿 李連寶

摘要：針對短波頻譜利用率低下及頻率選擇不夠智能的局限性，提出一種基于隱馬爾可夫模型（HMM）的短波認知頻率選擇方法。應用認知無線電原理，將短波傳統用戶作為主用戶，將采用認知無線電技術的短波電臺作為認知用戶。首先，建立隱馬爾可夫模型，結合頻譜感知歷史數據預測主用戶信道狀態；其次，在預測空閑的基礎上估計信道參數；最后，根據估計的信道參數選擇最優頻率。仿真結果表明，所提方法能夠準確預測傳統短波用戶信道狀態，快速估計信道參數。在設定的仿真條件下，所提方法的成功傳輸率分別較HMM預測和能量感知隨機信道選擇方法有5.54%和10.56%的提升，能夠選擇最優信道。

關鍵詞：短波認知通信；隱馬爾可夫模型；信道狀態預測；參數估計；頻率選擇

中圖分類號：TN92 文獻標志碼：A

Abstract：Since the limitation of inefficient use and unintelligent frequency selection of the HF （High Frequency） band， a method of HF cognitive frequency selection using Hidden Markov Model （HMM） was proposed. Applying cognitive radio principles to HF communications， HF legacy users were considered as primary users， and the HF radio using cognitive technologies were seen as the secondary user. Firstly， the HMM was established to predict channel states of HF legacy users based on the history data of spectrum sensing； secondly， channel parameters were estimated if the predicted state was idle； finally， the optimal frequency was selected among the channels whose predicted states were idle according to the estimated channel parameters. Simulation results show that the proposed method can be used to actually predict HF legacy users channel states and quickly estimate channel parameters. Under the given simulation conditions， the successful transmission ratio of the proposed method is 5.54% and 10.56% higher than the methods of random channel selection using HMM prediction and energy detection， therefore the proposed method can select the optimal channel.

Key words：High Frequency （HF） cognitive communication； Hidden Markov Model （HMM）； channel state prediction； parameter estimation； frequency selection

0 引言

短波具有超視距通信能力，開通架設方便，一直是重要的遠程和機動通信手段，用途十分廣泛。由于短波頻段用戶眾多，加上短波信道的時變衰落特性，使得真正可用短波頻率較少，頻譜資源十分緊張。短波工業協會（High Frequency Industry Association，HFIA）的研究表明，看似擁擠的短波頻段存在數量可觀的頻譜空洞[1-2]，但是如何感知和選取頻譜空洞，這就要求短波通信系統具有認知能力。傳統認知無線電的研究主要集中在短波以上頻段，2009年，Koski等[3]從動態頻譜接入的角度首次提出將認知無線電應用到短波通信中。在短波中應用認知無線電技術，能夠提高短波頻譜利用率，減少短波用戶之間非合作式頻率競爭導致的干擾沖突和用頻緊張[4-5]。結合短波頻段的特殊性，頻率選擇是短波通信的關鍵，而使用認知無線電技術能夠為短波頻率選擇提供依據，因此，將認知無線電技術應用到短波通信中，可以使短波認知用戶根據周圍環境動態選擇最佳工作頻率，調整自身參數以優化通信效果，提高短波通信質量。

根據現有短波頻譜靜態分配機制和認知無線電原理，將3kHz帶寬傳統用戶作為主用戶，主用戶無需采用任何智能策略即可使用授權頻譜。將采用認知無線電技術的短波電臺作為認知用戶，為避免與非合作傳統用戶之間產生相互干擾，短波認知用戶必須能夠預測傳統用戶的信道狀態，從而在傳統用戶信道空閑的情況下接入使用， 因此短波認知用戶頻譜接入機會很大程度上依賴于主用戶的信道狀態，而針對其可采用馬爾可夫模型進行描述[6-7]。文獻[8]將傳統短波用戶信道狀態建模為隱馬爾可夫模型（Hidden Markov Model，HMM），用14MHz頻段實測數據驗證該模型的正確性和可靠性，準確率達95%。文獻[9]在文獻[8]模型的基礎上，用8min的實測結果對傳統短波用戶信道狀態進行預測，平均預測錯誤率僅為5.8%。但是文獻[9]只對信道狀態進行預測，沒有對預測出的可用信道進行評估，本文在此基礎上提出基于HMM的短波認知頻率選擇方法。該方法通過建立HMM，利用頻譜感知歷史數據對傳統短波用戶信道狀態進行預測，對預測空閑的信道估計相應參數，據此結合短波業務傳輸需求選擇最優頻率。

2.4 頻率選擇

假設存在多個3kHz傳統短波用戶信道，在每個信道上短波認知用戶頻率選擇的流程如圖2所示。首先，使用頻譜感知獲得觀察數據，對建立的模型進行訓練，結合觀察數據和訓練后的模型對傳統短波用戶信道狀態進行預測；其次，如果預測的信道狀態為空閑（即q*T+1=0），則使用訓練后反映真實信道情況的HMM參數λ*=（π*，A*，B*），對預測結果為空閑的信道進行參數c=（μ，θ，rSNR）的估計；最后，在保證短波認知用戶業務傳輸時間小于預測空閑信道的平均空閑時間Toff=1/θ的情況下，根據信噪比rSNR選擇滿足短波業務服務質量（Quality of Service，QoS）需求的最佳頻率。

在保證信道狀態預測具有較高準確率的同時，對預測結果空閑的信道進行參數估計。根據表1參數，通過式（1）、（2）、（7）和模型訓練得到的狀態轉移概率矩陣A、觀察概率矩陣B的估計值能夠獲得信道參數c，因此對c的估計可以轉化為對信道狀態HMM真實參數的估計。在=0.5，Tinter=22 時，仿真采用的參數如表2所示，HMM各個參數收斂過程及最終的估計結果如圖4、5所示，從圖中可以看出，經過22次迭代后，矩陣A和B能夠快速收斂于真實值，因此估計的信道參數能夠準確反映主用戶信道狀況，通過信道參數c，短波認知用戶能夠選擇最優頻率進行業務傳輸。

假設有3條獨立短波信道，信噪比分別為0dB、-5dB、-10dB，其他參數如表1。相同條件下，分別對本文方法、HMM預測隨機信道選擇和能量感知隨機信道選擇方法進行仿真對比，結果如圖6所示，在時隙T小于1000時，HMM預測隨機信道選擇Rsuccess略優于能量感知隨機信道選擇，HMM預測最優信道選擇Rsuccess最優。對頻譜感知歷史數據進行學習能夠提高成功傳輸率，能量感知隨機信道選擇不具有學習功能，HMM預測隨機信道選擇利用部分學習結果，HMM預測最優信道選擇能夠利用全部學習結果，因而具有較高的成功傳輸率，隨著T增加，HMM預測最優信道選擇的成功傳輸率為85.47%，相較HMM預測隨機信道選擇有5.54%的提升，較能量感知隨機信道選擇有10.56%的提升。

相同條件下上述3條信道，Rsuccess中選擇0dB信道的比率越高，方法性能越好，采用Roptimal表示不同方法0dB信道的選擇比率。仿真結果如圖7所示，由于0dB信道并非任意時隙處于空閑狀態，因此該信道并非任意時隙都被選擇，HMM預測最優信道選擇方法的Roptimal隨著時隙T增加穩定于68.01%，低于圖6中的成功傳輸率，與理論分析一致，HMM 預測隨機信道選擇和能量感知隨機信道選擇的Roptimal穩定于26.21%，約為相應成功傳輸率的1/3， 因此，在相同條件下，本文方法能夠在預測信道空閑基礎上，優先選擇信噪比最高的信道，提高短波通信質量。

4 結語

頻率選擇是提高短波通信質量的關鍵。本文提出一種基于HMM的短波認知頻率選擇方法，該方法建立HMM，利用統計學習方法對頻譜感知歷史數據進行學習，在保證具有較高預測準確率的同時，能夠精確估計信道參數選擇最優頻率，較HMM預測隨機信道選擇和能量感知隨機信道選擇方法具有更好的性能。由于短波的超視距傳輸特性，在發射端通過認知技術選擇的可用頻率，在接收端未必可用，因此將認知無線電應用到短波通信中，需要結合頻率探測，才能夠使短波認知用戶選擇最佳通信頻率，是下一步的研究重點。

參考文獻：

[1]FURMAN W. Summary — Wideband HF channel availability working group[R/OL].[20140213].http：//www.hfindustry.com/meetings_presentations/presentation_materials/2015_feb_hfia/presentations/4HFIAWidebandHF.pdf.

[2]WATSON B. Wide band HF UK spectrum utilisation[R/OL].[20150210].http：//www.hfindustry.com/ca_meetings/presentation_materials/2015_feb_wb/2WideBandHFSpectrumAvailability.pdf.

[3]KOSKI E， FURMAN W N. Applying cognitive radio concepts to HF communications[C]// Proceedings of the IET 11th International Conference on Ionospheric Radio Systems and Techniques. New York： IET， 2009：1-6.

[4]VANNINEN T， LINDEN T， RAUSTIA M， et al. Cognitive HFnew perspective to use the high frequency band[C]// Proceedings of the 9th International Conference on Cognitive Radio Oriented Wireless Networks. Piscataway， NJ： IEEE， 2014：108-113.

[5]姚富強， 劉忠英， 趙杭生.短波電磁環境問題研究——對認知無線電等通信技術再認識[J].中國電子科學研究院學報， 2015， 10（2）：156-161.（YAO F Q， LIU Z Y， ZHAO H S. Study on the issues of HF electromagnetic environment[J]. Journal of China Academy of Electronics and Information Technology， 2015， 10（2）：156-161.）

[6]SALEEM Y， REHMANI M H. Primary radio user activity models for cognitive radio networks： a survey[J]. Journal of Network and Computer Applications， 2014， 43（1）：1-16.

[7]GHOSH C， CORDEIRO C， DHARMA P， et al. Markov chain existence and hidden Markov models in spectrum sensing[C]// Proceedings of 11th IEEE International Conference on Pervasive Computing and Communications. Piscataway， NJ： IEEE， 2009： 1-6.

[8]MELINGUTIRREZ L， ZAZO S， BLANCOMURILLO J L， et al. Efficiency improvement of HF communications using cognitive radio principles[C]// Proceedings of the 12th IET International Conference on Ionospheric Radio Systems and Techniques. New York： IET， 2012：1-5.

[9]MELINGUTIRREZ L， ZAZO S， BLANCOMURILLO J L， et al. HF spectrum activity prediction model based on HMM for cognitive radio applications[J]. Physical Communication， 2013， 9：199-211.

[10]HEYDARI R， AHMADI M， MAKKI S V， et al. Cognitive radio channel behavior prediction using the hidden Markov model[C]// Proceedings of the 2014 7th International Symposium on Telecommunications. Piscataway， NJ： IEEE， 2014： 993-998.

[11]URKOWITZ H. Energy detection of unknown deterministic signals[J]. Proceedings of the IEEE， 1967，55（4）：523-531.

[12]CHOI K W， HOSSAIN E. Estimation of primary user parameters in cognitive radio systems via hidden Markov model[J]. IEEE Transactions on Signal Processing， 2013，61（3）：782-796.

[13]RABINER L R. A tutorial on hidden Markov models and selected applications in speech recognition[J]. Proceedings of the IEEE， 1989， 77（2）： 257-286.

[14]CHEN Z， GUO N， HU Z， et al. Experimental validation of channel state prediction considering delays in practical cognitive radio[J].IEEE Transactions on Vehicular Technology， 2011，60（4）：1314-1325.