短波信道估计中的三状态HMM性能分析

林　刚，程云鹏，江　汉，陈慧林，王志文

(1.解放军理工大学 通信工程学院研究生3队，江苏 南京 210007；2.解放军理工大学 通信工程学院，江苏 南京 210007)



短波信道估计中的三状态HMM性能分析

林刚1，程云鹏2，江汉2，陈慧林1，王志文1

(1.解放军理工大学 通信工程学院研究生3队，江苏 南京 210007；2.解放军理工大学 通信工程学院，江苏 南京 210007)

针对短波通信ALE协议中信道接入技术存在的不足，已有研究通过引入三状态隐马尔科夫模型(HMM)，将该模型用于预测短波信道可用性，选择信道接入。在先前研究基础上通过实测频谱数据来进一步检验该模型的性能，首先考虑短波信道的使用规律，对各频段实测频谱功率进行二次量化得到信道的三状态序列；然后计算三状态HMM下信道状态的预测准确率和空闲信道的利用率。仿真结果表明，三状态HMM的准确率和利用率均在80%以上，而且除了在短波频段表现很好外该模型在其他频段同样性能优异，这在实际场景中具有很高的应用价值。

HMM；短波ALE；信道估计；信道接入

0　引　言

短波通信[1]依靠1.5～30MHz的电磁波进行信号传输，具有无中继远程通信、抗毁性强、机动灵活、网络重构快捷等特点，在世界军备竞赛愈演愈烈的当今时代备受重视，是中远距离无线通信的重要手段。

自动链路建立(ALE)[2-3]技术是现代短波通信的关键技术之一，主要包括信道评估、链路建立和链路维持三个部分，主要任务是完成信道选择和信道接入。短波信道条件恶劣，信道特性随时间快速复杂变化；同时短波信道的开放性导致了通信干扰严重；另外短波信道受电离层传播特点影响具有明显的窗口效应。因此，短波通信需要不断地切换频率，如何高效选频也就显得至关重要。

标准的短波ALE利用CSMA[4-5]协议的发前侦听技术接入频谱，并采用感知、探测和监控技术评估信道使用状况和信道质量，但基站之间存在多种冲突，因为他们只在分配的根据经验统计的数量有限的可用的信道上传输信息，这些信道的可用性却是时变的，因此使用ALE的老式的短波数据频率方案不能以动态的方式充分利用短波通信中存在的大量的频谱“空洞”。由于具有强大的理论基础和非常好的可处理性，对于使用HMM进行数据预测的研究越来越多，包括语音识别、自然语言建模、生物序列分析(DNA、蛋白质等)、股市预报、地区冲突分析、地震预报等等，也就是说该模型对有序数据有广泛应用。将HMM的预测本领运用到信道接入中来，可以在数据传输之前就发现真正可用的信道，有助于减少切换成本，降低冲突率，提高通信效率。

传统的ALE优点在于原理简单，易于实现，但是并不能给出一个特定时间特定路径的最优信道。文献[6]提出了一种两状态马尔科夫基信道预测算法(MCPA)，与CSMA相比，MCPA的用户冲突率大大减少。文献[7]通过对928-948MHz频段的实时数据测量来验证了隐马尔科夫模型的正确性。文献[8]通过对短波频谱的实测数据进行HMM建模分析，进一步验证了HMM在信道预测接入方面具有很高的准确率。文献[9]提出了一种新的三状态HMM，通过仿真分别与两状态HMM和目前实际中应用的CSMA技术进行了性能对比，结果表明，该模型优于同类型的两状态模型，而且在信噪比较低、“部分可用”信道出现次数较多时较CSMA用户冲突率更低、信道接入率更高。

本文在文献[9]的工作基础上，将研究采用的模拟数据替换为频谱实测数据，将实际场景的数据映射为三状态HMM可用的状态序列，进一步检验该模型的性能。除了短波频段的数据外，本文还同时研究了另外三组其它频段的数据，仿真结果表明，无论是哪个频段，在符合本频段使用规律的前提下，三状态HMM均能很好地预测信道状态，具有很高的信道利用效率。

1　隐马尔科夫模型(HMM)理论

图1　HMM结构

1.1HMM的参数定义

一个完整的HMM定义包括：隐状态数目N和观察状态数目M、初始概率矩阵π以及转移概率矩阵A和观测概率矩阵B，具体定义如下：

1.2HMM要解决的三个问题

1.2.1评估问题

1.2.2解码问题

已知某一观测序列以及产生该观测序列的HMM参数，确定对应于该观测序列的状态序列。通常使用Viterbi算法来解决这一问题。

1.2.3参数训练问题

通过观测序列对模型参数进行训练，得到该模型的最优参数。通常使用Baum-Welch算法来进行训练。

1.3HMM中的常用算法

1.3.1Forward算法

算法运算量为N2T。

1.3.2Viterbi算法

Viterbi算法的具体据算步骤如下：

S1 递归初始化，

S2 递归计算，

1≤i≤N,2≤t≤T

S3 终止递归，

q*是最后一个决定的路线终点状态编号。

1.3.3 Baum-Welch算法

迭代关系式为：

1≤i≤N,1≤t≤T-1，

进而可以得到：

定义变量：

S3 利用以下公式更新HMM参数：

(1)

(2)

(3)

2　三状态HMM基短波信道预测模型

2.1频谱数据采集

HMM算法中非常重要的一步就是观测序列的获取，目前的大部分研究或者采用假设序列，或者采取其它频带范围内的观测数据，对于短波通信研究不具有实质性的指导意义。由于国内目前研究的大多是短波以外频段的HMM选频模型，对短波频段系统采集的频谱数据较少，故本文采用德国亚琛大学Dipl.-Ing. Matthias Wellens和Prof. Petri Mähönen测量的频谱数据来进行仿真研究，该数据除了短波频段数据外，还包含了其他多各频段的频谱样本，更具有对比性的研究价值，各项参数如表1所示。

表1　频谱测量参数

从数据采集到模型应用的过程如图2所示。

图2　数据采集及处理流程

首先利用Agilent E4440A频谱分析仪天线采集20～1 520 MHz范围内的频谱数据，并通过电脑存储一周内的数据并利用matlab进行转换。接下来将功率样本进行二次量化，最后利用量化后得到的状态序列来检验HMM的性能。

2.2信道状态划分

本文短波信道可用性划分的标准[3,8]是依据短波用户传输数据帧所需要的最长时间(即最长信道占用时间)来决定。具体划分方法文献[9]中已详细说明，本文不再赘述，划分结果如图3所示。

图3　短波信道可用性划分示意

计算每一个子时隙的接收功率值， 将感知功率值Pk与门限值Thr进行比较，量化如下：

统计1分钟内信道被使用的总时长，并按如下标准确定信道状态：

假设信道被用户占用的时间长度为ζ，单位为秒(s)。则信道可用性Y可表述为：

按照上述信道划分方法，本文的信道预测模型的隐状态和观测状态数均为3，预测流程如图4所示。

图4　短波信道可用性预测流程

3　仿真分析

本文仿真内容共选取了24 MHz、91.8 MHz、538.6 MHz、1 036.4 MHz四个频点的数据来进行仿真，主要为验证24 MHz短波频段的性能，同时考察该模型在其它频段的应用潜能。

3.1频谱数据预处理结果

图5给出的是20～1 520 MHz频段的前1 000时间点内的功率瀑布图，可以看出在20频点 、400频点、2 600频点和5 000频点附近频谱使用情况比较活跃，故本文仿真选取的也是这几个频点附近的数据，因为频谱活跃程度对验证模型的性能非常关键。

图5　全频段前1000时间点瀑布

图6给出的是4个频点一周内的功率统计直方图，可以看出所选取的频点功率均存在两个明显的峰值。这是因为功率较低的峰值表明信道只存在噪声，没有被使用，处于空闲状态；功率较高的峰值表明信道中既有噪声又有信号，处于被占用状态。峰值明显可以便于设置阈值，在两峰之间选取适当的阈值Thr，即可将功率测量结果映射为01序列，进而再二次量化为三状态序列。

(a)24 MHz功率统计

(b)91.8 MHz功率统计

(c)538.6 MHz功率统计

(d)1 036.4 MHz功率统计

3.2三状态HMM性能仿真

3.2.1HMM参数训练

表2给出的是采用预处理得到的三状态序列训练HMM的结果。利用得到的参数，即可通过前面列出的算法进行信道状态预测和接入。

表2　三状态HMM参数训练结果

3.2.2信道状态预测准确率和空闲信道接入率分析

定义信道状态预测准确率如下：

(4)

定义空闲信道利用率如下：

(5)

对于三状态HMM，

图7和图8给出的是4个信道的状态预测准确率曲线和空闲信道利用率曲线，可以看出二者均在80%以上。在实测数据的验证下，三状态HMM不仅仅是在24 MHz的短波频段性能优越，在其它频段也同样表现较好，这说明除了短波频段外，HMM模型在其它频段同样适用。这也对下一代与频谱感知相结合的ALE技术具有很高的参考价值。

图7　三状态HMM预测准确率曲线

图8　三状态HMM空闲信道利用率曲线

4　结　语

本文针对短波ALE系统中现有的信道接入技术存在的不足，结合已有的信道预测技术，引入了一种三状态HMM基信道预测模型，通过实测频谱数据来进行仿真分析。结果表明，三状态HMM不仅仅是在的短波频段性能优越，在其它频段也同样表现较好，这也对下一代与频谱感知相结合的ALE技术具有很高的参考价值。

本文所做研究是在把信道所受的干扰全部归类为噪声的假设下进行的，今后的工作中需要在考虑引入其他影响因素后的改进策略；另外当多个信道同时可用时的“优中选优”问题也是需要后续解决的。

[1]王金龙.短波数字通信研究与实践[M].北京：科学出版社，2013：1-4.WANG Jin-long. Research and Practice of HF Digital Communication [M].Beijing: Science Press,2013:1-4.

[2]王志文.短波3G ALE同步组网技术研究及仿真[J].通信技术，2013,46(09)：64-67.

WANG Zhi-wen. Simulation of High Frequency 3G-ALE SynchronizationMode [J].Communications Technology, 2013, 46(09):64-67.

[3]MIL-STD-188-141B，Mil. Std., Interoperability and Performance Standards for Data Modems [S], Draft Version Revised March 2000.

[4]姜绍君，王 颖. 基于 CSMA /CA 协议的隐藏终端问题的改进[J].计算机技术与发展,2015,25(01): 33-36.

JIANG Shao-jun, Wang Ying. Improvement of Hidden Terminal Problem based on CSMA /CA Protocol [J].Computer Technology and Development, 2015, 25(01):33-36.

[5]朱江.认知无线网络中基于隐马尔科夫预测的P-CSMA协议[J].电视技术，2014,38(19)：80-85.

ZHU Jiang. P-CSMA Protocol based on Hidden Markov Prediction in Cognitive Radio Networks[J].TV Engineering, 2014, 38(19):80-85.

[6]Akbar I A and Tranter W H. Dynamic Spectrum Allocation in Cognitive Radio Using Hidden Markov Models: Poisson Distributed Case[C]. Proceedings of IEEE Southeast Conference. USA:IEEE Press,2007:196-201.

[7]Ghosh C and Cordeiro C. Markov Chain Existence and Hidden Markov Models in Spectrum Sensing[C]. Proceedings of IEEE International Conference on Pervasive Computing and Communications. USA: IEEE Press,2009:1-6.

[8]Melian-Gutierrez L. HF Spectrum Activity Prediction Model based on HMM for Cognitive Radio Applications [J].Physical Communication, 2013, 9(4):199-211.

[9]Gang L and Yunpeng C. A Channel Availability Prediction Method Suitable for HF ALE System[C]. Software Engineering and Information Technology. Guilin, China: World Scientific,2016:41-45.

[10]Rabiner L. A Tutorial on Hidden Markov Models and Selected Applications in Speech Recognition [J]. Proceedings of the IEEE, 1989, 77(2):257-286.

[11]Nguyeny T, Mark B L and Ephraim Y. Hidden Markov Process based Dynamic Spectrum Access for Cognitive Radio[C].Information Sciences and Systems. Baltimore, USA：IEEE Press, 2011:1-6.

[12]Choi K W and Hossain E. Estimation of Primary User Parameters in Cognitive Radio Systems via Hidden Markov Model [J]. Signal Processing,2013,61(3):782-795.

林刚(1990—)，男，硕士，主要研究方向为无线通信，频谱预测；

程云鹏(1976—)，男，教授，主要研究方向为无线通信，信号处理；

江汉(1977—)，男，副教授，主要研究方向为无线通信技术与信息处理；

陈慧林(1991—)，男，硕士，主要研究方向为网络编码，移动通信；

王志文(1991—)，男，硕士，主要研究方向为认知无线电，宽带频谱感知。

NationalNaturalScienceFoundationofChina(No.61301160)

PerformanceAnalysisofThree-StateHMMinHFChannelEstimation

LINGang1,CHENGYun-peng2,JAINGHan2,CHENHui-lin1,WANGZhi-wen1

(1.PostgraduateTeam3CCE;2.CollegeofCommunicationsEngineering,PLAUniversityofScienceandTechnology,NanjingJiangsu21007,China)

AimingatthedrawbacksofspectrumaccessstrategyinHFALEprotocols,athree-stateHMMisintroducedtopredictthechannelavailabilityanddeterminethechannelaccessinthepreviousresearches.Basedonthepreviousresearch,theperformanceofthemodelisverifiedviatheactually-measureddata.Firstly,theusageregulationofHFchannelisfullyconsidered,andthesecondaryquantizationonthemeasuredspectrumpowerofeachbandisdone,thustoacquirethree-statesequenceofthechannel.Then,thepredictionaccuracyofchannelstatesandtheusagerateofidlechannelunderthree-stateHMMarecalculated.Simulationresultsshowthatboththepredictionaccuracyandtheusageratecouldreachavalueofover80percent.InadditiontoHFspectrum,thismodelcouldalsoexhibitexcellentperformanceinotherspectrum,andthusisoffairlyhighapplicationvalueinactualscene.

HMM;HFALE;channelestimation;spectrumaccess

10.3969/j.issn.1002-0802.2016.03.008

2015-10-20；

2016-01-28Receiveddate:2015-10-20；Reviseddate：2016-01-28

TN92

A

1002-0802(2016)03-0286-07

国家自然科学基金资助项目(No.61301160)