一種在cr網(wǎng)絡(luò)中基于rlnc的退避頻譜預(yù)測方法
【專利摘要】本發(fā)明公開了一種在CR網(wǎng)絡(luò)中基于RLNC的退避頻譜預(yù)測方法。本發(fā)明利用在認知無線電的主用戶信道中引入隨機線性網(wǎng)絡(luò)編碼帶來的頻譜預(yù)測性和隱馬爾可夫模型對頻譜的預(yù)測作用，引入退避預(yù)測方法，進行下一時隙的頻譜狀態(tài)預(yù)測。本發(fā)明可以克服傳統(tǒng)認知無線電(CR)網(wǎng)絡(luò)中頻譜狀態(tài)轉(zhuǎn)換頻繁、頻譜空洞不易于感知以及現(xiàn)有頻譜預(yù)測算法可靠性較低的特點，結(jié)合在認知無線電網(wǎng)絡(luò)中引入隨機線性網(wǎng)絡(luò)編碼(RLNC)帶來的頻譜預(yù)測性和隱馬爾可夫模型對頻譜的預(yù)測作用，并引入退避預(yù)測方法，進行下一時隙的頻譜狀態(tài)預(yù)測，從而提高頻譜預(yù)測的可靠性。
【專利說明】
一種在CR網(wǎng)絡(luò)中基于RLNC的退避頻譜預(yù)測方法
技術(shù)領(lǐng)域
[0001] 本發(fā)明涉及認知無線電網(wǎng)絡(luò)中的頻譜預(yù)測領(lǐng)域，特別涉及認知無線電網(wǎng)絡(luò)中基于 隨機線性網(wǎng)絡(luò)編碼的退避頻譜預(yù)測方法。
【背景技術(shù)】
[0002] 隨著移動互聯(lián)網(wǎng)與智能移動終端等無線通信技術(shù)的高速發(fā)展，無線通信系統(tǒng)對頻 譜資源的需求急劇增加，而在固定的頻譜分配方式下，頻譜資源是有限的，頻譜供需矛盾日 益突出，因此，頻譜資源的日漸稀缺已成為制約無線通信發(fā)展的新瓶頸。然而，頻譜資源匱 乏的同時，固定的頻譜分配方式還導(dǎo)致了頻譜資源的極大浪費。根據(jù)美國聯(lián)邦通信委員會 (The Federal Communications Commission,FCC)工作報告顯不，在固定的頻譜分配政策 下，一些頻段非常擁擠，而部分頻段卻時?？臻e，目前平均頻譜利用率僅為15%~85%，造 成了極大的頻譜浪費。在這樣的背景下，Mi tola等人于1999年提出了認知無線電 (Cognitive Radio ,CR)技術(shù)。CR技術(shù)是一種智能的無線通信技術(shù)，能夠通過智能學(xué)習(xí)的方 式實現(xiàn)在保護主用戶(Primary User，PU)的同時，實現(xiàn)頻譜資源的有效利用，提高頻譜利用 率，從而解決頻譜緊缺、供需矛盾日益突出的問題。因此，認知無線電技術(shù)成為未來無線通 信發(fā)展的研究熱點之一
[0003] 頻譜感知是認知無線電的基本功能，是實現(xiàn)頻譜管理和共享的前提，在認知無線 電中具有基礎(chǔ)地位。由于次用戶具有較低的優(yōu)先級，因此必須保證當(dāng)主用戶出現(xiàn)時，次用戶 立即中止該信道的使用并進行信道切換，以保證不對主用戶通信造成有害干擾。但基于檢 測的頻譜感知算法，必然需要一定的時間進行頻譜狀態(tài)的檢測，即存在檢測時延。因此，如 何降低或消除檢測時延的影響，實現(xiàn)頻譜狀態(tài)的可靠預(yù)測，提高感知性能具有重要的研究 意義?；诖?，Akbar, I .A等人于2007年在Proceedings 2007 IEEE SoutheastCon上發(fā)表的 "Dynamic spectrum allocation in cognitive radio using hidden Markov models: Poisson distributed case" 一文，提出了基于HMM的前瞻式頻譜搬移算法，SU通過預(yù)測算 法預(yù)測頻譜狀態(tài)及PU信號出現(xiàn)的時間，從而在PU發(fā)起業(yè)務(wù)請求前進行頻譜切換，有效降低 SU和PU的傳輸沖突概率。Xing Xiaoshuang等人于2013年在IEEE Wireless Communications上發(fā)表的 "Spectrum prediction in cognitive radio networks"一文系 統(tǒng)地介紹了CR中基于預(yù)測的頻譜感知技術(shù)，并闡述了基于隱馬爾可夫模型(Hidden Markov M〇delS，HMM)的頻譜預(yù)測技術(shù)的提出、應(yīng)用和具體實現(xiàn)過程，論述了基于HMM的頻譜預(yù)測算 法在實際應(yīng)用中的優(yōu)越性。但是，由于在傳統(tǒng)的認知無線電網(wǎng)絡(luò)中，數(shù)據(jù)包傳輸具有隨機性 和零散性，頻譜狀態(tài)轉(zhuǎn)換頻繁，以上研究中的HMM模型均基于忙閑兩個狀態(tài)的頻繁轉(zhuǎn)換進行 預(yù)測，且以頻譜檢測結(jié)果作為HMM參數(shù)訓(xùn)練序列，可靠性較低。
[0004] 針對傳統(tǒng)認知無線電網(wǎng)絡(luò)中頻譜狀態(tài)轉(zhuǎn)換頻繁的問題，Wang Shanshan等人于 2012年在IEEE Transactions on Vehicular Technology上發(fā)表"The Impact of Induced Spectrum Predictability Via Wireless Network Coding"一文，提出網(wǎng)絡(luò)編碼對頻譜狀 態(tài)具有整形作用，通過在CR網(wǎng)絡(luò)的PU信道中引入網(wǎng)絡(luò)編碼，利用網(wǎng)絡(luò)編碼的整形作用使頻 譜結(jié)構(gòu)化，提高頻譜預(yù)測性；2014年，Anthony Fanous等人于2014年在IEEE Journal on Selected Areas in Communications上發(fā)表 "Rel iable Spectrum Sensing and Opportunistic Access in Network-Coded Communications"一文，對基于網(wǎng)絡(luò)編碼的頻 譜感知算法和機會式接入算法進行了探討，并驗證在認知無線電中引入網(wǎng)絡(luò)編碼能夠有效 提尚感知性能和吞吐率。
[0005] 綜上，針對頻譜狀態(tài)轉(zhuǎn)換頻繁以及現(xiàn)有的頻譜預(yù)測算法可靠性較低的問題，本發(fā) 明結(jié)合隱馬爾可夫模型對頻譜的預(yù)測作用和在認知無線電網(wǎng)絡(luò)中引入隨機線性網(wǎng)絡(luò)編碼 (Random Linear Network Coding,RLNC)帶來的頻譜預(yù)測性，提出一種認知無線電網(wǎng)絡(luò)中 基于隨機線性網(wǎng)絡(luò)編碼的退避頻譜預(yù)測方法，旨在實現(xiàn)頻譜狀態(tài)的可靠預(yù)測。

【發(fā)明內(nèi)容】

[0006] 本發(fā)明的一個目的是提供一種在CR網(wǎng)絡(luò)中基于RLNC的退避頻譜預(yù)測方法。本發(fā)明 可以克服傳統(tǒng)認知無線電(CR)網(wǎng)絡(luò)中頻譜狀態(tài)轉(zhuǎn)換頻繁、頻譜空洞不易于感知以及現(xiàn)有頻 譜預(yù)測算法可靠性較低的特點，結(jié)合在認知無線電網(wǎng)絡(luò)中引入隨機線性網(wǎng)絡(luò)編碼(RLNC)帶 來的頻譜預(yù)測性和隱馬爾可夫模型對頻譜的預(yù)測作用，并引入退避預(yù)測方法，進行下一時 隙的頻譜狀態(tài)預(yù)測，從而提高頻譜預(yù)測的可靠性。
[0007] 為了實現(xiàn)本發(fā)明的目的和解決上述存在的問題，本發(fā)明提供了一種在CR網(wǎng)絡(luò)中基 于RLNC的退避頻譜預(yù)測方法，本方法可實現(xiàn)的方案為:利用在認知無線電的主用戶信道中 引入隨機線性網(wǎng)絡(luò)編碼帶來的頻譜預(yù)測性和隱馬爾可夫模型對頻譜的預(yù)測作用，引入退避 預(yù)測方法，進行下一時隙的頻譜狀態(tài)預(yù)測。
[0008] 優(yōu)選的是，具體包括以下步驟：
[0009] 步驟一、初始化HMM參數(shù)模型λ= {Π ，Α，Β}:通過在認知無線電的主用戶信道中引 入隨機線性網(wǎng)絡(luò)編碼得到的主用戶信道頻譜狀態(tài)進行隱馬爾可夫模型建模得到HMM參數(shù)模 型 λ={Π ，Α，Β};
[0010] 步驟二、運行累積和能量檢測算法進行頻譜感知，得到T時隙的觀測值序列0={〇t e V11 = 1，2，…，T}，觀測值序列的狀態(tài)空間V = {0，1}，0表示次用戶判決該時隙為空閑，1則 判決為忙;將所述觀測值序列〇= loteV11 = 1，2，…，T}作為訓(xùn)練序列；
[0011] 步驟三、運行Baum-We I ch算法進行HMM參數(shù)Π 和A的訓(xùn)練，得到估計的HMM參數(shù)
[0012] 步驟四、運行Viterbi算法得至Ij隱藏狀態(tài)序列Q= {qi,q2,…，qt,…，qi·};
[0013] 步驟五、利用隱藏狀態(tài)序列0=&^2，"_4*，~4〇替代觀測值序列0，然后運行 步驟三進行二次HMM參數(shù)估計，得到HMM參數(shù)A q ;
[0014] 步驟六、利用HMM參數(shù)Aq和更新的觀測值序列計算下一時隙各個頻譜狀態(tài)的預(yù)測 概率，比較各頻譜狀態(tài)預(yù)測概率，概率高的頻譜狀態(tài)為下一時隙的頻譜狀態(tài)預(yù)測結(jié)果I 1 ;
[0015] 步驟七、根據(jù)頻譜狀態(tài)預(yù)測結(jié)果1_進行退避預(yù)測或頻譜檢測確認，進而更新觀測 值序列，進行下一時隙的頻譜狀態(tài)預(yù)測；
[0016] 步驟八、存儲頻譜狀態(tài)預(yù)測結(jié)果又+1。
[0017] 優(yōu)選的是，所述Π 為初始狀態(tài)概率分布，表示為11 = (31(),?}，jt〇和:^分別表示主用 戶信道初始狀態(tài)為閑或者忙狀態(tài)的概率，A為狀態(tài)轉(zhuǎn)移概率矩陣，表示為A= {aij} ο^υχο^+υ， aij = P{qt+i = Sj I qt = Si}表示當(dāng)前時刻t時頻譜狀態(tài)為Si，下一時亥ljt+1時轉(zhuǎn)移到Sj的轉(zhuǎn)移概 率，其中k為編碼塊大小;所述步驟一的HMM參數(shù)模型λ ={ Π ，A，B}的隱藏狀態(tài)空間為S ={0， 1，…，k}，其中0表示主用戶信道處于閑狀態(tài)，1~k均為忙狀態(tài);得到HMM的狀態(tài)轉(zhuǎn)移概率矩 陣A和觀測值概率矩陣B分別如下：
[0018；
[0019；
[0020]其中α為狀態(tài)0轉(zhuǎn)換為狀態(tài)1的概率，β為狀態(tài)k轉(zhuǎn)換為狀態(tài)0的概率，k為正整數(shù)，虛 警概率Pf和漏檢概率Pm的計算如下：
[0021]
[0022]
[0023] 別為下不完全伽馬函數(shù)和上不完全伽馬函數(shù)。
[0024]優(yōu)選的是，所述步驟三的具體實現(xiàn)為：
[0025] 1)利用觀測值序列0={〇te V |t=l，2，···，Τ}作為HMM訓(xùn)練序列，并通過以下兩個 式子進行參數(shù)的迭代估計，得到第r次迭代的參數(shù)如下：
[0026]
[0027]
[0028] 其中yt(i)表示在已知HMM模型和觀測值序列0={〇tG V| t = l，2,…，T}的情況下， t時刻信道頻譜狀態(tài)為Si的概率;表示時刻t時信道狀態(tài)Si在下一時刻t+i轉(zhuǎn)到狀態(tài) Sj的期望轉(zhuǎn)移概率;因此得到y(tǒng)t(i)和和的表達式如下：
[0029]
[0030]
[0031] 其中at(i)=P(0102…〇*沖=3」人），1^^彡1'-1為前向變量，即在給定的圓1模型入 下，時亥 lJt的狀態(tài)為Si且部分序列為oi〇2"_〇t的概率;相應(yīng)地，i5t( i) = P(〇t+i〇t+2…〇T，qt = Si 入），1^^彡1'-1為后向變量％(1)和仏(1)的計算分別由前向算法和后向算法得到；
[0032] 2)當(dāng)?shù)玫降腍MM參數(shù)滿足收斂條件時，結(jié)束迭代，得到HMM參數(shù)i = <(元。
[0033]優(yōu)選的是，所述迭代收斂條件為當(dāng)Ar = K，Ar}與λη ={ n，An}的各個參數(shù)的對 應(yīng)元素差的平方和小于1〇_6時，迭代結(jié)束。
[0034] 優(yōu)選的是，所述步驟四的具體實現(xiàn)為：
[0035] 1)初始化：
[0036]
[0037] 其中St(i)為Viterbi變量，表示時刻t時，HMM通過某一狀態(tài)序列路徑到達狀態(tài)S i， 且觀測值序列為0102…OT的最大概率，表不如下：
[0038]
[0039]
[0040]
[0041]
[0042]
[0043]
[0044]
[0045]
[0046]
[0047]
[0048] 優(yōu)選的是，所述步驟六計算下一時隙各個狀態(tài)的預(yù)測概率的具體遞歸計算公式如 下：
[0049]
[0050]
[0051]
[0052] 其中，A〇; U)的初始值為5(6 |_>〇 =及表示時亥l」t=l時，HMM處于狀態(tài)幻時 的概率，ι?+1即為下一時隙的預(yù)測狀態(tài)。
[0053] 優(yōu)選的是，所述步驟七根據(jù)頻譜狀態(tài)預(yù)測結(jié)果.?M| = 1~k則進行退避預(yù)測，若頻譜 狀態(tài)預(yù)測結(jié)果=Q則進行頻譜檢測。
[0054] 優(yōu)選的是，所述步驟七根據(jù)頻譜狀態(tài)預(yù)測結(jié)果爲(wèi)+1進行不同的操作：
[0055] 1)退避預(yù)測:若頻譜狀態(tài)預(yù)測結(jié)果.f,, i = 1~k為忙，則對上一時隙的頻譜狀態(tài)$進行 檢測確認，若為空閑，則退避k時隙后再進行預(yù)測，并將之后的k個時隙的觀測結(jié)果序列 設(shè)為忙，并加入HMM的觀測值序列，更新觀測值序列，重復(fù)步驟三至步驟七進行下一時隙的 頻譜預(yù)測；若上一時隙的頻譜狀態(tài)式=1~k為忙，則退避1時隙，并將1時隙忙的觀測結(jié)果加 入觀測值序列，更新觀測值序列，重復(fù)步驟三至步驟七進行下一時隙的頻譜預(yù)測；
[0056] 2)頻譜檢測:若頻譜狀態(tài)預(yù)測結(jié)果.?;+1=0為閑，則運行步驟二的⑶SUM頻譜檢測算 法進行頻譜檢測，以確認頻譜預(yù)測結(jié)果，若該時隙的觀測值序列〇= 1為忙，則次用戶不進行 數(shù)據(jù)傳輸，并得到該時隙的觀測值結(jié)果為忙，加入HMM的觀測值序列，更新觀測值序列，重復(fù) 步驟三至步驟七進行下一時隙的頻譜預(yù)測;若〇 = 〇為閑，則進行數(shù)據(jù)傳輸，并得到該時隙的 觀測值結(jié)果為閑，更新觀測值序列，重復(fù)步驟三至步驟七進入下一時隙的預(yù)測。
[0057]本發(fā)明至少包括以下有益效果:本發(fā)明能夠克服傳統(tǒng)認知無線電網(wǎng)絡(luò)中頻譜狀態(tài) 轉(zhuǎn)換頻繁、頻譜空洞不易于感知以及現(xiàn)有頻譜預(yù)測發(fā)法可靠性較低的特點。在認知無線電 中引入隨機線性網(wǎng)絡(luò)編碼，對隨機零散的頻譜狀態(tài)進行整形，使頻譜狀態(tài)趨于規(guī)律化，更易 于感知;然后利用隱馬爾可夫模型對引入隨機網(wǎng)絡(luò)編碼后的主用戶信道頻譜狀態(tài)進行建模 分析;在頻譜預(yù)測過程中，相對于傳統(tǒng)的基于HMM的頻譜預(yù)測算法，本發(fā)明提出利用估計的 隱藏狀態(tài)序列作為觀測值序列進行二次HMM參數(shù)估計，并基于引入隨機線性網(wǎng)絡(luò)編碼后的 隱馬爾可夫模型提出退避頻譜預(yù)測算法，進而提高頻譜預(yù)測的可靠性。
【附圖說明】
[0058] 圖1為本發(fā)明在CR網(wǎng)絡(luò)中基于RLNC的退避頻譜預(yù)測方法的流程圖；
[0059] 圖2為本發(fā)明CR網(wǎng)絡(luò)模型；
[0060] 圖3為本發(fā)明引入RLNC前后的頻譜結(jié)構(gòu)比較圖；
[0061 ]圖4為本發(fā)明基于RLNC的主用戶信道頻譜狀態(tài)模型；
[0062] 圖5為本發(fā)明Baum-We I ch算法實現(xiàn)過程。
【具體實施方式】
[0063] 下面結(jié)合附圖對本發(fā)明做進一步的詳細說明，以令本領(lǐng)域技術(shù)人員參照說明書文 字能夠據(jù)以實施。
[0064]在圖2所示認知無線電（CR)網(wǎng)絡(luò)模型中，一個認知無線電網(wǎng)絡(luò)包含N個PU信道和M 個SU，其中每個PU信道由一個PU基站(Base Station，BS)和L個PU接收節(jié)點構(gòu)成一個PU子網(wǎng) 絡(luò)。在每個PU子網(wǎng)絡(luò)中，數(shù)據(jù)包以數(shù)據(jù)塊的形式到達BS，且到達過程服從Poisson分布，平均 速率為V。在PU傳輸過程中引入隨機線性網(wǎng)絡(luò)編碼，利用隨機線性網(wǎng)絡(luò)編碼對零散隨機的頻 譜狀態(tài)進行整形，使頻譜狀態(tài)結(jié)構(gòu)化和規(guī)律化，如圖3所示。當(dāng)編碼塊大小為k時，BS累積k個 數(shù)據(jù)包后進行隨機線性網(wǎng)絡(luò)編碼再廣播給各個PU接收節(jié)點。SU通過頻譜感知算法感知PU信 道并利用空閑頻譜傳輸數(shù)據(jù)。假設(shè)各信道時間同步，一個主用戶數(shù)據(jù)包傳輸?shù)臅r間為一個 時隙。
[0065] 在下面的實施例中，假設(shè)PU信號S[i]~CN(0，1)，噪聲N[i]~CN(0，1)，即信噪比為 SNR = OdB;編碼塊大小為k。數(shù)據(jù)塊到達BS的平均速率為實驗對200個 時隙進行感知，每個時隙采樣20個樣本。
[0066] 本發(fā)明的一種實現(xiàn)形式可以是:利用在認知無線電的主用戶信道中引入隨機線性 網(wǎng)絡(luò)編碼帶來的頻譜預(yù)測性和隱馬爾可夫模型對頻譜的預(yù)測作用，然后對得到的HMM參數(shù) 模型引入退避預(yù)測方法，進行下一時隙的頻譜狀態(tài)預(yù)測，從而可以提高頻譜預(yù)測的可靠性。
[0067] 如圖1所示，本發(fā)明的方法包括步驟以下：
[0068] 步驟101、初始化HMM參數(shù)模型λ= {Π ，Α，Β}:通過在認知無線電的主用戶信道中引 入隨機線性網(wǎng)絡(luò)編碼得到的主用戶信道頻譜狀態(tài)進行隱馬爾可夫模型建模得到HMM參數(shù)模 型 λ={Π ，Α，Β};
[0069] 步驟102、運行累積和能量檢測(CUSUM)算法進行頻譜感知，得到T時隙的觀測值序 列0= {0te V| t = 1，2,…，Τ}，觀測值序列的狀態(tài)空間V= {0,1}，0表示次用戶判決該時隙為 空閑，1則判決為忙;將所述觀測值序列0={〇?￡ν|?=1，2Γ··，ΤΗ·^^Ι^^1^;
[0070] 步驟103、運行Baum-WeIch算法進行HMM參數(shù)π和A的訓(xùn)練，得到估計的HMM參數(shù) Λ ( Λ： Λ Λ X. ~ III, I ；：
[0071 ] 步驟104、運行Viterbi算法得到隱藏狀態(tài)序列Q= {qi，q2, ···，qt,…，qi·};
[0072] 步驟105、利用隱藏狀態(tài)序列Q= {qi，q2,…，qT}替代觀測值序列0,然后運行 步驟103進行二次HMM參數(shù)估計，得到HMM參數(shù)Aq ;
[0073] 步驟106、利用HMM參數(shù)Aq和更新的觀測值序列計算下一時隙各個頻譜狀態(tài)的預(yù)測 概率，比較各頻譜狀態(tài)預(yù)測概率，概率高的頻譜狀態(tài)為下一時隙的頻譜狀態(tài)預(yù)測結(jié)果
[0074] 步驟107、根據(jù)頻譜狀態(tài)預(yù)測結(jié)果Iwl進行退避預(yù)測或頻譜檢測確認，進而更新觀 測值序列，進行下一時隙的頻譜狀態(tài)預(yù)測；
[0075] 步驟108、存儲頻譜狀態(tài)預(yù)測結(jié)果為+1。至此完成了整個頻譜預(yù)測過程，通過執(zhí)行該 方法過程，能夠克服傳統(tǒng)認知無線電網(wǎng)絡(luò)中頻譜狀態(tài)轉(zhuǎn)換頻繁、頻譜空洞不易于感知以及 現(xiàn)有頻譜預(yù)測算法可靠性較低的特點，有效提高頻譜預(yù)測概率、減小虛警概率，具有較高的 預(yù)測可靠性，進而實現(xiàn)在降低次用戶對主用戶的干擾的同時提高頻譜預(yù)測的正確性。
[0076] 特別的是，在步驟101的HMM參數(shù)模型λ ={ Π ，A，B}初始化中，所述的HMM是在主用 戶信道中引入隨機線性網(wǎng)絡(luò)編碼后的主用戶信道狀態(tài)模型，表示為λ= { Π ，Α，Β}。假設(shè)每個 主用戶信道由一個主用戶基站(Base Station，BS)和L個主用戶接收節(jié)點構(gòu)成一個主用戶 子網(wǎng)絡(luò)。當(dāng)編碼塊大小為k時，BS累積k個數(shù)據(jù)包后進行隨機線性網(wǎng)絡(luò)編碼后再廣播給各個 主用戶接收節(jié)點。具體實現(xiàn)過程描述如下：
[0077] (I )BS累積k個數(shù)據(jù)包并組成數(shù)據(jù)塊X= [X1，…，Xk];
[0078] (2)由伽羅華域GF(q)隨機生成編碼系數(shù)向量(長度為k)，對數(shù)據(jù)塊進行隨機線性 網(wǎng)絡(luò)編碼，其中每個編碼包表不為:W = 1，2, · .· ·，編碼系數(shù)c!」G GF (q);
[0079] (3)BS廣播編碼數(shù)據(jù)包給各主用戶接收節(jié)點；
[0080] (4)每個接收節(jié)點接收到k個編碼數(shù)據(jù)包后完全解碼出原始數(shù)據(jù)包X;
[0081] (5)BS繼續(xù)處理下一個數(shù)據(jù)塊。若緩存器中不足k個數(shù)據(jù)包，則BS停止傳輸并等待 緩存k個數(shù)據(jù)包后再處理。
[0082] 如圖4所示，假設(shè)一個主用戶數(shù)據(jù)包傳輸?shù)臅r間為一個時隙，主用戶信道的狀態(tài)在 一個時隙內(nèi)不改變，則需要k個時隙來傳輸k個編碼數(shù)據(jù)包，即忙時段至少為k時隙。因此，將 主用戶信道狀態(tài)建模為k+Ι個狀態(tài)的馬爾可夫過程，即HMM的隱藏狀態(tài)空間定義為S= {0， 1，…，k}，其中0表示主用戶信道處于閑狀態(tài)，1~k表示忙狀態(tài)。HMM參數(shù)中，Π 為初始狀態(tài)概 率分布，表示為11 = (31(),?}，jt〇和JT1分別表示主用戶信道初始狀態(tài)為閑/忙狀態(tài)的概率;A為 狀態(tài)轉(zhuǎn)移概率矩陣，表示為A= {aij}(k+i)x(k+i)，aij = P{qt+i = Sj I qt = Si}表示當(dāng)前時刻t時狀 態(tài)為S1，下一時刻t+Ι時轉(zhuǎn)移到&的轉(zhuǎn)移概率。在本發(fā)明中，由于BS接收到k個數(shù)據(jù)包并進行 隨機線性網(wǎng)絡(luò)編碼后，便開始k時隙的忙狀態(tài)，假設(shè)α為狀態(tài)〇轉(zhuǎn)換為狀態(tài)1的概率，β為狀態(tài)k 轉(zhuǎn)換為狀態(tài)〇的概率，則得到狀態(tài)轉(zhuǎn)移概率矩陣A如下：
[0083]
[0084] B為HMM參數(shù)中的觀測值概率矩陣，表示為B = {bij} (k+i)x2，其中bij表示t時刻頻譜 真實狀態(tài)為Si時SU的觀測結(jié)果為V j的概率，即M = PIot = VjIqt = Sih觀測值概率矩陣主要 受頻譜感知算法的檢測性能影響。虛警概率Pf為當(dāng)PU信號不存在而SU判斷為存在的概率； 漏檢概率P m則為當(dāng)PU信號存在而SU判斷PU不存在的概率。由此，可以得到觀測值概率矩陣B 表示如下：
[0085]
[0086] 本發(fā)明算法中的頻譜檢測算法是在高斯信道下采用能量檢測算法，假設(shè)η為一個 時隙內(nèi)的采樣樣本數(shù)，檢測閾值為τ，則漏檢概率P m和虛警概率Pf分別由下式計算得到：
[0087]
[0088]
[0089]
為下不完全伽馬函數(shù)和上不完全伽馬函數(shù)。
[0090] 如圖5所示，步驟103可以通過如下實現(xiàn)：
[0091] 1)利用觀測值序列0={〇te V |t=l，2，···，Τ}作為HMM訓(xùn)練序列，并通過以下兩個 式子進行參數(shù)的迭代估計，得到第r次迭代的參數(shù)如下：
[0092]
[0093]
[0094] 其中yt(i)表示在已知HMM模型和觀測值序列0={〇tG V| t = l，2,…，T}的情況下， t時刻信道頻譜狀態(tài)為Si的概率;表示時刻t時信道狀態(tài)Si在下一時刻t+i轉(zhuǎn)到狀態(tài) Sj的期望轉(zhuǎn)移概率;因此得到y(tǒng)t(i)和和的表達式如下：
[0095]
[0096]
[0097] 其中at(i) =P(0102…0t，qt = Si I λ), 1彡t彡T-I為前向變量，即在給定的HMM模型λ 下，時亥lJt的狀態(tài)為Si且部分序列為oi〇2"_〇t的概率;相應(yīng)地，i5t( i) = P(〇t+i〇t+2…〇T，qt = Si 入），1^^彡1'-1為后向變量％(1)和仏(1)的計算分別由前向算法和后向算法得到；
[0098] 2)當(dāng)?shù)玫降腍MM參數(shù)滿足收斂條件時，結(jié)束迭代，得到HMM參數(shù).
[0099] 特別的是，還可以將上述的迭代收斂條件設(shè)為當(dāng)Ar={jir，Ar}與 各個參數(shù)的對應(yīng)元素差的平方和小于1〇_6時，迭代結(jié)束。
[0100] 特別的是，對于步驟104可以通過如下實現(xiàn)：
[0101] 1)初始化：
[0102] δι(?) =jiibi(oi) ,i = l ,··· ,k+l
[0103] 其中St(i)為Viterbi變量，表示時刻t時，HMM通過某一狀態(tài)序列路徑到達狀態(tài)Si, 且觀測值序列為0102…OT的最大概率，表不如下：
[0104] 4 (/) =. max 備..%+? =i,(??11) ' mi' 'iZr--I
[0105] 或者，5t(i)通過遞歸得到：
[0106]
[0107]
[0108]
[0109]
[0110]
[0111]
[0112]
[0113]
[0114] 對于步驟105可以是將步驟104中得到的最佳隱藏狀態(tài)序列Q={qi，q2，~，qt，…， Qt}替代觀測值序列0= lote V11 = 1，2，…，T}作為Baum-Welch算法的HMM參數(shù)訓(xùn)練序列，并 重新運行Baum-We I ch算法進行HMM參數(shù)的二次估計得到新的HMM參數(shù)Aq。
[0115] 對于步驟106計算下一時隙各個頻譜狀態(tài)的預(yù)測概率的具體遞歸計算公式可以選 擇如下：
[0116]
[0117]
[0118]
[0119] 其中，巧(Λ U)的初始值為巧O1 |只）=之，弋表示時刻t = l時，HMM處于狀態(tài)si時 的概率，??+1即為下一時隙的預(yù)測狀態(tài)。
[0120] 特別的是，所述步驟107可以根據(jù)頻譜狀態(tài)預(yù)測結(jié)果1,+1=1~k則進行退避預(yù)測，若 頻譜狀態(tài)預(yù)測結(jié)果=O則進行頻譜檢測。
[0121] 特別的是，所述步驟107可以根據(jù)頻譜狀態(tài)預(yù)測結(jié)果毛+1進行不同的操作：
[0122] 1)退避預(yù)測:若頻譜狀態(tài)預(yù)測結(jié)果Ι?+1 =丨~k為忙，則對上一時隙的頻譜狀態(tài)為進行 檢測確認，若.?, =〇為空閑，則退避k時隙后再進行預(yù)測，并將之后的k個時隙的觀測結(jié)果序列 設(shè)為忙，并加入HMM的觀測值序列，更新觀測值序列，重復(fù)步驟103至步驟107進行下一時隙 的頻譜預(yù)測;若上一時隙的頻譜狀態(tài)見=1~k為忙，則退避1時隙，并將1時隙忙的觀測結(jié)果 加入觀測值序列，更新觀測值序列，重復(fù)步驟103至步驟107進行下一時隙的頻譜預(yù)測；
[0123] 2)頻譜檢測:若頻譜狀態(tài)預(yù)測結(jié)果I1=O為閑，則運行步驟二的⑶SUM頻譜檢測算 法進行頻譜檢測，以確認頻譜預(yù)測結(jié)果，若該時隙的觀測值序列0= 1為忙，則次用戶不進行 數(shù)據(jù)傳輸，并得到該時隙的觀測值結(jié)果為忙，加入HMM的觀測值序列，更新觀測值序列，重復(fù) 步步驟103至步驟107進行下一時隙的頻譜預(yù)測;若0 = 0為閑，則進行數(shù)據(jù)傳輸，并得到該時 隙的觀測值結(jié)果為閑，更新觀測值序列，重復(fù)步驟步驟103至步驟107進入下一時隙的預(yù)測。
[0124]盡管本發(fā)明的實施方案已公開如上，但其并不僅僅限于說明書和實施方式中所列 運用，它完全可以被適用于各種適合本發(fā)明的領(lǐng)域，對熟悉本領(lǐng)域的人員而言，可容易地實 現(xiàn)另外的修改，因此在不背離權(quán)利要求及等同范圍所限定的一般概念下，本發(fā)明并不限于 特定的細節(jié)和這里示出與描述的圖例。
【主權(quán)項】
1. 一種在CR網(wǎng)絡(luò)中基于化NC的退避頻譜預(yù)測方法，其特征在于，利用在認知無線電的 主用戶信道中引入隨機線性網(wǎng)絡(luò)編碼帶來的頻譜預(yù)測性和隱馬爾可夫模型對頻譜的預(yù)測 作用，引入退避預(yù)測方法，進行下一時隙的頻譜狀態(tài)預(yù)測。2. 根據(jù)權(quán)利要求1所述的在CR網(wǎng)絡(luò)中基于化NC的退避頻譜預(yù)測方法，其特征在于，具體 包括W下步驟： 步驟一、初始化HMM參數(shù)模型A= {n，A，B}:通過在認知無線電的主用戶信道中引入隨 機線性網(wǎng)絡(luò)編碼得到的主用戶信道頻譜狀態(tài)進行隱馬爾可夫模型建模得到HMM參數(shù)模型入 = {n，A，B}; 步驟二、運行累積和能量檢測算法進行頻譜感知，得到T時隙的觀測值序列O=IotGVlt =1，2,…，T}，觀測值序列的狀態(tài)空間V= {0,1}，0表示次用戶判決該時隙為空閑，1則判決 為忙;將所述觀測值序列O=IotEVl t=l，2,…，T}作為訓(xùn)練序列； 步驟立、運行Baum-We 1 Ch算法進行HMM參數(shù)n和A的訓(xùn)練，得到估計的HMM參數(shù)步驟四、運行￥1*6&1算法得到隱藏狀態(tài)序列9=^1，92，-'，9*，'''，91}; 步驟五、利用隱藏狀態(tài)序列Q= {qi，q2,…，qt，…，Qt}替代觀測值序列0,然后運行步驟S 進行二次HMM參數(shù)估計，得到HMM參數(shù)Aq ; 步驟六、利用HMM參數(shù)Ag和更新的觀測值序列計算下一時隙各個頻譜狀態(tài)的預(yù)測概率， 比較各頻譜狀態(tài)預(yù)測概率，概率高的頻譜狀態(tài)為下一時隙的頻譜狀態(tài)預(yù)測結(jié)果馬+1; 步驟屯、根據(jù)頻譜狀態(tài)預(yù)測結(jié)果進行退避預(yù)測或頻譜檢測確認，進而更新觀測值序 列，進行下一時隙的頻譜狀態(tài)預(yù)測； 步驟八、存儲頻譜狀態(tài)預(yù)測結(jié)果。3. 根據(jù)權(quán)利要求2所述的在CR網(wǎng)絡(luò)中基于化NC的退避頻譜預(yù)測方法，其特征在于，所述 n為初始狀態(tài)概率分布，表示為n = {31日，311} ,31日和JIi分別表示主用戶信道初始狀態(tài)為閑或 者忙狀態(tài)的概率，A為狀態(tài)轉(zhuǎn)移概率矩陣，表示為A = {aij} (k+i)X(k+i)，au = P {qt+i = Sj I qt = Si} 表示當(dāng)前時刻t時頻譜狀態(tài)為Si,下一時刻t+1時轉(zhuǎn)移到&的轉(zhuǎn)移概率，其中k為編碼塊大??； 所述步驟一的HMM參數(shù)模型A= { n，A，B}的隱藏狀態(tài)空間為S= {0，1，…，k}，其中0表示主用 戶信道處于閑狀態(tài)，1~k均為忙狀態(tài);得到HMM的狀態(tài)轉(zhuǎn)移概率矩陣A和觀測值概率矩陣B分 別如下：其中a為狀態(tài)O轉(zhuǎn)換為狀態(tài)I的概率，e為狀態(tài)k轉(zhuǎn)換為狀態(tài)O的概率，k為正整數(shù)，虛警概 率Pf和漏檢概率Pm的計算如下：其中分別為下 不完全伽馬函數(shù)和上不完全伽馬函數(shù)。4. 根據(jù)權(quán)利要求2或3所述的在CR網(wǎng)絡(luò)中基于化NC的退避頻譜預(yù)測方法，其特征在于， 所述步驟=的具體實現(xiàn)為： 1) 利用觀測值序列O= IotGVl t = l，2,…，T}作為HMM訓(xùn)練序列，并通過W下兩個式子進 行參數(shù)的迭代估計，得到第r次迭代的參數(shù)如下：其中丫 t(i)表示在已知HMM模型和觀測值序列0= {Ot E V 11 = 1，2，…，T}的情況下，t時 刻信道頻譜狀態(tài)為Si的概率;Ct(i，j)表示時刻t時信道狀態(tài)Si在下一時刻t+1轉(zhuǎn)到狀態(tài)Sj的 期望轉(zhuǎn)移概率;因此得到T t( i)和和Ct(i，j)的表達式如下：其中at(i)=P(Ol02…ot，qt = Si|A)，l《t《T-l為前向變量，即在給定的HMM模型入下，時 亥Ijt的狀態(tài)為Si且部分序列為0102-0t的概率;相應(yīng)地，0t(i)=P(Ot+lOt+2-〇T，qt = Si|A)，l《 t《T-l為后向變量;at(i)和Mi)的計算分別由前向算法和后向算法得到； 2) 當(dāng)?shù)玫降腍MM參數(shù)滿足收斂條件時，結(jié)束迭代，得到HMM參數(shù)i = 。5. 根據(jù)權(quán)利要求4所述的在CR網(wǎng)絡(luò)中基于化NC的退避頻譜預(yù)測方法，其特征在于，所述 迭代收斂條件為當(dāng)、={ Kr，Ar }與、-1 ={ JIr-I，Ar-I }的各個參數(shù)的對應(yīng)元素差的平方和小于 1〇-6時，迭代結(jié)束。6. 根據(jù)權(quán)利要求5所述的在CR網(wǎng)絡(luò)中基于化NC的退避頻譜預(yù)測方法，其特征在于，所述 步驟四的具體實現(xiàn)為： 1) 初始化： 5i(i) = JTibi(Oi), i = l,,k+l7. 根據(jù)權(quán)利要求2或6所述的在CR網(wǎng)絡(luò)中基于化NC的退避頻譜預(yù)測方法，其特征在于， 所述步驟六計算下一時隙各個狀態(tài)的預(yù)測概率的具體遞歸計算公式如下： 其中St(i)為Viterbi變量，表示時刻t時，HMM通過某一狀態(tài)序列路徑到達狀態(tài)Si,且觀 測值序列為0102... OT的戶+她歲主下- 或者，St(i)通過il 2) 循環(huán)迭代： j = l，...，k+l t = 2，...，T 3) 迭代結(jié)束：其中，巧(A U)的初始值為巧(A i>'i) =考,冷,表示時刻t = l時，HMM處于狀態(tài)Si時的概 率，馬+1即為下一時隙的預(yù)測狀態(tài)。8. 根據(jù)權(quán)利要求2所述的在CR網(wǎng)絡(luò)中基于化NC的退避頻譜預(yù)測方法，其特征在于，所述 步驟屯根據(jù)頻譜狀態(tài)預(yù)測結(jié)果《,+1=1~k則進行退避預(yù)測，若頻譜狀態(tài)預(yù)測結(jié)果則進 行頻譜檢測。9. 根據(jù)權(quán)利要求8所述的在CR網(wǎng)絡(luò)中基于化NC的退避頻譜預(yù)測方法，其特征在于，所述 步驟屯根據(jù)頻譜狀態(tài)預(yù)測結(jié)果進行不同的操作： 1)退避預(yù)測:若頻譜狀態(tài)預(yù)測結(jié)果是+1=1-^1為忙，則對上一時隙的頻譜狀態(tài)竄進行檢測 確認，若毎=0為空閑，則退避k時隙后再進行預(yù)測，并將之后的k個時隙的觀測結(jié)果序列設(shè)為 忙，并加入HMM的觀測值序列，更新觀測值序列，重復(fù)步驟=至步驟屯進行下一時隙的頻譜 預(yù)測；若上一時隙的頻譜狀態(tài)駕=1~k為忙，則退避I時隙，并將I時隙忙的觀測結(jié)果加入觀 測值序列，更新觀測值序列，重復(fù)步驟=至步驟屯進行下一時隙的頻譜預(yù)測； 2)頻譜檢測:若頻譜狀態(tài)預(yù)測結(jié)果?,11 =O為閑，則運行步驟二的CUSUM頻譜檢測算法進 行頻譜檢測，W確認頻譜預(yù)測結(jié)果，若該時隙的觀測值序列O= 1為忙，則次用戶不進行數(shù)據(jù) 傳輸，并得到該時隙的觀測值結(jié)果為忙，加入HMM的觀測值序列，更新觀測值序列，重復(fù)步驟 =至步驟屯進行下一時隙的頻譜預(yù)測;若0 = 0為閑，則進行數(shù)據(jù)傳輸，并得到該時隙的觀測 值結(jié)果為閑，更新觀測值序列，重復(fù)步驟=至步驟屯進入下一時隙的預(yù)測。
【文檔編號】H04B17/382GK105915300SQ201610235479
【公開日】2016年8月31日
【申請日】2016年4月16日
【發(fā)明人】覃團發(fā), 鄭詩庭, 楊文偉, 胡永樂, 沈湘平, 萬海斌
【申請人】廣西大學(xué), 潤建通信股份有限公司