一种基于向量回归的无人机通信信道选择方法

刘尧+彭艺

摘要：

由于无人机通常工作于复杂的电磁环境与多变的地理环境中，因此无人机通信通常采用跳频技术对抗干扰。然而传统的无人机跳频通信仅仅是简单的固定跳频信道接入，如当前使用信道发生用户冲突或者突然衰落时，通信可能会延迟甚至中断。因此，文章结合认知无线电技术（CR），提出一种基于向量回归的无人机认知跳频通信信道选择方法，运用基于向量回归建立预测最小信噪比模型，基于CR建立跳频信道集并在当前跳频通信时同时检测下一跳通信信道状态及动态选择信道，从而保证了跳频接入的可靠性。仿真表明，此方法较传统跳频通信有更高的传输速率和较低的误码率，对无人机的通信质量有较大提升。

关键词：

无人机通信；认知无线电；向量回归；频谱感知；跳频通信

DOIDOI：10.11907/rjdk.172517

中图分类号：TP393

文献标识码：A文章编号文章编号：1672-7800（2018）001-0195-04

Abstract：Since unmanned aerial vehicles （UAV） are usually employed in complex electromagnetic environments and diverse geographic environments， the frequency-hopping technology is often used in UAV communications to compete interference. However， the traditional frequency-hopping technology is just a fixed access of frequency-hopping communication channel. Once the current using channel has user conflicts or a sudden fading， the communication may delay or interrupt. So， combine with cognitive radio （CR） technology， a frequency-hopping communication channel selection method for UAV based on RVR （Relevance Vector Regression） is addressed. The method based on RVR to establish the model to predict minimum SNR，and constitute the frequency-hopping channel set based on cognitive radio. The next frequency-hopping channel will be estimated meanwhile when the frequency-hopping is going in order to ensure the reliability of the frequency-hopping access. The simulation indicated that the method proposed has better data rate and lower error rate， and an obvious improvement of the communication quality.

Key Words：UAV communication； cognitive radio； relevance vector regression； spectrum sensing； frequency hopping communication

0引言

无人机（Unmanned Aerial Vehicles，UAV）广泛应用于军事、科研、地形测绘、搜救和快递业务等各个方面[1]。根据国家工信部《中华人民共和国无线电频率划分规定》及我国频谱使用情况规定，840.5-845MHz、1 430-1 444MHz和2 408-2 440MHz频段用于无人驾驶航空器系统，无人机的频谱资源十分紧张。当使用无人机覆盖一块区域进行通信时，由于无人机的位置在不断变化，且每个无人机所处的电磁环境也有所不同，在干扰环境下用户如何选择通信信道成为无人机通信的关键问题。传统的无人机跳频通信是事先选择出可用频率集，确定一个固定跳频图案，通信双方按跳频图案同步跳频通信，此方法虽然能对抗干扰与衰落，但在时变动态衰落的无人机通信环境中，信道状态动态变化，用户按预定信道跳频会出现跳到衰落或碰撞信道导致通信中斷。因此，无人机跳频通信中需要对信道状态进行感知，并动态地切换合适的通信信道，因此本文提出将基于认知无线电的感知技术应用于无人机通信环境，并提出了一种基于向量回归（Relevance Vector Regression，RVR）的无人机认知跳频通信信道选择方法。

1.3信道选择接入

采用RVR方法根据无人机所处的环境实时预测满足通信的最低信噪比，将满足最低信噪比要求的可用于通信的信道作为跳频通信所用的频道序列和备用信道。无人机根据生成的频道序列进行跳频通信。跳频通信期间，在完成当前这一跳频通信的同时检测下一跳所用信道的状态，如若出现信道衰落或者用户冲突，立即采用备用信道替代原本的下一跳信道，从而保证信道的有效性和无人机通信的可靠性。信道选择接入的流程如图2所示。

如图3所示，用户按照事先感知的频谱生成跳频信道和备用信道，正常通信时首先选择信道1进行通信，同时检测信道2的可用性。使用信道1通信完成后，使用信道2进行通信，同时检测信道3的可用性，发现信道3被其他用户使用，所以下一跳不能再使用信道3进行跳频通信，否则会产生冲突，所以使用信道2完成通信后，下一跳采用备用信道n-r进行通信，同时检测信道4的可用性。在采用当前信道进行通信的同时会检测下一个信道的状况，如果下一跳信道出现衰落或者用户冲突，立即使用备用信道，然后再检测下一跳信道的状况。如图3，在使用信道5进行通信的时候检测到信道6出现衰落，不适合进行通信，所以使用了备用信道n-r+1进行下一次的跳频通信。这样就可以大大减少其他用户出现和信道衰落对跳频通信产生的影响，极大地提高通信的质量。endprint

2性能分析

无人机通信信道传播特性可以用Okumur模型进行描述[8-9]，仿真实验通过比较传统跳频方法，基于RVR跳频接入方法和实际飞行过程的信道参数，对提出的方法进行分析[10]。全程路程大约5.4km，从学校门口出发，途经小区、公路、大学城区，最终飞到山区结束。在航线附近点M有1 个随机二元码干扰源，其带宽为3.5MHz，针对无人机通信信道的干扰，中心频率为1 441MHz，是一个宽带干扰，功率为-6～6dB，对无人机的通信有较大影响。信道噪的声功均为-82.5dBm，记录的信噪比和传输速率如图4所示。

图5是为了保证相同误码率为1%时需要的小信噪比的值。开始阶段，两种方法相差不大，然而飞行到小区，受到建筑的遮挡，需要的最小信噪比有所增大，飞到开阔道路后，则有所下降；飞到受到宽带干扰的干扰源上空时，对信道状态进行预测及对下一跳信道状态进行检测的RVR技术，需要较小的信噪比即可同普通跳频技术达到

相同的误码率；而后无人机飞进山区，受到高山的遮挡，信噪比又有所上升。通过仿真实验可看出，基于RVR最小信噪比预测的跳频方法在无人机通信信道选择具有一定的优势，尤其是面对复杂多变的电磁干扰环境时，具有较好的抗干扰效果和较高的信噪比，对无人机的通信质量有一定提升。

3结语

本文针对无人机（UAV）复杂的电磁环境和多变的通信环境，提出在传统的跳频通信中引入认知无线电技术对抗跳频信道动态衰落问题，并提出了一种基于向量回归（RVR）的无人机认知跳频通信信道选择方法。仿真表明，该方法较传统的跳频通信有更高的传输速率和较低的误码率，能提高无人机的通信质量。

参考文献：

[1]VACHTSEVANOS G J，VALAVANIS K P. Handbook of unmanned aerial vehicles[M]. Berlin： Springer Netherlands，2014.

[2]張宇航，张晔.SVM和RVM对高光谱图像分类的应用潜能分析[J].哈尔滨工业大学学报，2012，44（3）：34-39.

[3]YUAN J，YU T，WANG K S，et al. Adaptive spherical gaussian kernel for fast relevance vector machine regression[C]. Proceedings of the 7th World Congress on Intelligent Control and Automation，2008：2071-2078.

[4]SHEN Y，LIU G H，LIU H.Classification method of power quality disturbances based on RVM[C]. Proceedings of the 8th World Congress on Intelligent Control and Automation，2010：6130-6135.

[5]董争.基于相关向量机的大规模分类问题的研究[D].广州：华南理工大学，2009.

[6]吴冰.相关向量回归元建模关键技术及其应用研究[D].长沙：国防科学技术大学，2011.

[7]TIPPING M E. Sparse bayesian learning and the relevance vector machine[J]. Journal of Machine Learning Research，2001（3）：211-244.

[8]HATA M. Empirical formula for propogation loss in land mobile radio services[C].IEEE Transactions on Vehicular Technology，1980，29（3）：317-325.

[9]张延华，段占云，沈兰荪，等.Okumura-Hata传播预测模型的可视化仿真研究[J].电波科学学报，2001，16（1）：89-92.

[10]张文秋，丁文锐，刘春辉.一种无人机数据链信道选择和功率控制方法[J].北京航空航天大学学报，2017，43（3）：583-591.

（责任编辑：何丽）endprint