基于隐马尔可夫模型的短波认知频率选择方法

王董礼 曹鹏 黄国策 孙启禄 李连宝

摘要：针对短波频谱利用率低下及频率选择不够智能的局限性，提出一种基于隐马尔可夫模型（HMM）的短波认知频率选择方法。应用认知无线电原理，将短波传统用户作为主用户，将采用认知无线电技术的短波电台作为认知用户。首先，建立隐马尔可夫模型，结合频谱感知历史数据预测主用户信道状态；其次，在预测空闲的基础上估计信道参数；最后，根据估计的信道参数选择最优频率。仿真结果表明，所提方法能够准确预测传统短波用户信道状态，快速估计信道参数。在设定的仿真条件下，所提方法的成功传输率分别较HMM预测和能量感知随机信道选择方法有5.54%和10.56%的提升，能够选择最优信道。

关键词：短波认知通信；隐马尔可夫模型；信道状态预测；参数估计；频率选择

中图分类号：TN92 文献标志码：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

短波具有超视距通信能力，开通架设方便，一直是重要的远程和机动通信手段，用途十分广泛。由于短波频段用户众多，加上短波信道的时变衰落特性，使得真正可用短波频率较少，频谱资源十分紧张。短波工业协会（High Frequency Industry Association，HFIA）的研究表明，看似拥挤的短波频段存在数量可观的频谱空洞[1-2]，但是如何感知和选取频谱空洞，这就要求短波通信系统具有认知能力。传统认知无线电的研究主要集中在短波以上频段，2009年，Koski等[3]从动态频谱接入的角度首次提出将认知无线电应用到短波通信中。在短波中应用认知无线电技术，能够提高短波频谱利用率，减少短波用户之间非合作式频率竞争导致的干扰冲突和用频紧张[4-5]。结合短波频段的特殊性，频率选择是短波通信的关键，而使用认知无线电技术能够为短波频率选择提供依据，因此，将认知无线电技术应用到短波通信中，可以使短波认知用户根据周围环境动态选择最佳工作频率，调整自身参数以优化通信效果，提高短波通信质量。

根据现有短波频谱静态分配机制和认知无线电原理，将3kHz带宽传统用户作为主用户，主用户无需采用任何智能策略即可使用授权频谱。将采用认知无线电技术的短波电台作为认知用户，为避免与非合作传统用户之间产生相互干扰，短波认知用户必须能够预测传统用户的信道状态，从而在传统用户信道空闲的情况下接入使用， 因此短波认知用户频谱接入机会很大程度上依赖于主用户的信道状态，而针对其可采用马尔可夫模型进行描述[6-7]。文献[8]将传统短波用户信道状态建模为隐马尔可夫模型（Hidden Markov Model，HMM），用14MHz频段实测数据验证该模型的正确性和可靠性，准确率达95%。文献[9]在文献[8]模型的基础上，用8min的实测结果对传统短波用户信道状态进行预测，平均预测错误率仅为5.8%。但是文献[9]只对信道状态进行预测，没有对预测出的可用信道进行评估，本文在此基础上提出基于HMM的短波认知频率选择方法。该方法通过建立HMM，利用频谱感知历史数据对传统短波用户信道状态进行预测，对预测空闲的信道估计相应参数，据此结合短波业务传输需求选择最优频率。

2.4 频率选择

假设存在多个3kHz传统短波用户信道，在每个信道上短波认知用户频率选择的流程如图2所示。首先，使用频谱感知获得观察数据，对建立的模型进行训练，结合观察数据和训练后的模型对传统短波用户信道状态进行预测；其次，如果预测的信道状态为空闲（即q*T+1=0），则使用训练后反映真实信道情况的HMM参数λ*=（π*，A*，B*），对预测结果为空闲的信道进行参数c=（μ，θ，rSNR）的估计；最后，在保证短波认知用户业务传输时间小于预测空闲信道的平均空闲时间Toff=1/θ的情况下，根据信噪比rSNR选择满足短波业务服务质量（Quality of Service，QoS）需求的最佳频率。

在保证信道状态预测具有较高准确率的同时，对预测结果空闲的信道进行参数估计。根据表1参数，通过式（1）、（2）、（7）和模型训练得到的状态转移概率矩阵A、观察概率矩阵B的估计值能够获得信道参数c，因此对c的估计可以转化为对信道状态HMM真实参数的估计。在=0.5，Tinter=22 时，仿真采用的参数如表2所示，HMM各个参数收敛过程及最终的估计结果如图4、5所示，从图中可以看出，经过22次迭代后，矩阵A和B能够快速收敛于真实值，因此估计的信道参数能够准确反映主用户信道状况，通过信道参数c，短波认知用户能够选择最优频率进行业务传输。

假设有3条独立短波信道，信噪比分别为0dB、-5dB、-10dB，其他参数如表1。相同条件下，分别对本文方法、HMM预测随机信道选择和能量感知随机信道选择方法进行仿真对比，结果如图6所示，在时隙T小于1000时，HMM预测随机信道选择Rsuccess略优于能量感知随机信道选择，HMM预测最优信道选择Rsuccess最优。对频谱感知历史数据进行学习能够提高成功传输率，能量感知随机信道选择不具有学习功能，HMM预测随机信道选择利用部分学习结果，HMM预测最优信道选择能够利用全部学习结果，因而具有较高的成功传输率，随着T增加，HMM预测最优信道选择的成功传输率为85.47%，相较HMM预测随机信道选择有5.54%的提升，较能量感知随机信道选择有10.56%的提升。

相同条件下上述3条信道，Rsuccess中选择0dB信道的比率越高，方法性能越好，采用Roptimal表示不同方法0dB信道的选择比率。仿真结果如图7所示，由于0dB信道并非任意时隙处于空闲状态，因此该信道并非任意时隙都被选择，HMM预测最优信道选择方法的Roptimal随着时隙T增加稳定于68.01%，低于图6中的成功传输率，与理论分析一致，HMM 预测随机信道选择和能量感知随机信道选择的Roptimal稳定于26.21%，约为相应成功传输率的1/3， 因此，在相同条件下，本文方法能够在预测信道空闲基础上，优先选择信噪比最高的信道，提高短波通信质量。

4 结语

频率选择是提高短波通信质量的关键。本文提出一种基于HMM的短波认知频率选择方法，该方法建立HMM，利用统计学习方法对频谱感知历史数据进行学习，在保证具有较高预测准确率的同时，能够精确估计信道参数选择最优频率，较HMM预测随机信道选择和能量感知随机信道选择方法具有更好的性能。由于短波的超视距传输特性，在发射端通过认知技术选择的可用频率，在接收端未必可用，因此将认知无线电应用到短波通信中，需要结合频率探测，才能够使短波认知用户选择最佳通信频率，是下一步的研究重点。

参考文献：

[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]姚富强， 刘忠英， 赵杭生.短波电磁环境问题研究——对认知无线电等通信技术再认识[J].中国电子科学研究院学报， 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.