一种面向山区场景的多信道接入策略

彭艺 谢钊萍 魏翔 朱桢以

引用本文:
Citation:

一种面向山区场景的多信道接入策略

    作者简介: 谢钊萍(1995−),女,广西人,硕士生,主要研究无线通信信道. E-mail:304410992@qq.com;
    通讯作者: 彭艺, 527037928@qq.com
  • 中图分类号: TN929

A multi-channel access algorithm for mountain scene

    Corresponding author: PENG Yi, 527037928@qq.com ;
  • CLC number: TN929

  • 摘要: 针对现有山区通信场景中认知无线电单信道传输的不可靠性问题,提出一种新型频谱感知与多信道接入策略. 首先,为了解决传统山区场景模型准确性低和通用性差的缺点,利用Global Mapper软件对山区通信场景进行了3D高精度还原;然后,考虑到单信道传输效率低和通信保障能力不足的问题,在一元隐马尔可夫的基础上,得到一种多元隐马尔可夫算法;最后,以昆明市某山区信道质量数据进行验证. 实验结果表明:在信道数为8的情况下,改进的多元模型碰撞概率和次要用户成功传输概率分别为24%和65%,具有更高的接入率和网络吞吐量.
  • 图 1  多用户系统模型

    Figure 1.  System model of Multi-user

    图 2  频谱感知对比图

    Figure 2.  Comparison graph of Spectrum sensing

    图 3  多信道接入策略

    Figure 3.  Strategy of multi-channel access

    图 4  多元隐马尔可夫结构图

    Figure 4.  Structure graph of multiple hidden Markov

    图 5  测试场景3D效果图

    Figure 5.  3D rendering of the test scene

    图 6  地形起伏情况剖面图

    Figure 6.  Cross-sectional view of terrain undulation

    图 7  不同信道数量的传输成功概率

    Figure 7.  Transmission success probability under different channel numbers

    图 8  信道碰撞概率对比图

    Figure 8.  Comparison of channel collision probability

  • [1] Agugo F O, Adekunle A S. Characterization of near-ground radiowave propagation profile of the mangrove and rain forest areas of nigeria[C]//3rd IEEE International Conference on Adaptive Science and Technology(ICAST 2011), Abuja, Nigeria, 2011: 249-255.
    [2] Al-Hourani A, Guvenc I. On modeling satellite-to-ground path-loss in urban environments[J]. IEEE Communications Letters, 2021, 25(3): 696-700. DOI:  10.1109/LCOMM.2020.3037351.
    [3] Li Y, Wu M F, Yilmaz A E, et al. Investigation of short-range radiowave propagation at HF/VHF frequencies in a forested environment[J]. IEEE Antennas and Wireless Propagation Letters, 2009, 8: 1 182-1 185. DOI:  10.1109/LAWP.2009.2034478.
    [4] Li L W, Lee C K, Yeo T S, et al. Wave mode and path characteristics in a four-layered anisotropic forest environment[J]. IEEE Transactions on Antennas and Propagation, 2004, 52(9): 2 445-2 455. DOI:  10.1109/TAP.2004.834021.
    [5] Attalla S A, Seddik K G, El-Sherif A A, et al. Hybrid ARQ-CQI feedback-based access scheme in cognitive radio networks[J]. IEEE Transactions on Cognitive Communications and Networking, 2020, 6(2): 728-739. DOI:  10.1109/TCCN.2019.2944398.
    [6] 王若男, 常俊, 宗容, 等. 基于损失制轮询调度的频谱接入机制研究[J]. 云南大学学报: 自然科学版, 2018, 40(1): 50-56. DOI:  10.7540/j.ynu.20170266. Wang R N, Chang J , Zong R, et al. Research on spectrum access mechanism based on loss polling scheduling[J]. Journal of Yunnan University:Natural Sciences Edition, 2018, 40(1): 50-56.
    [7] Ke M, Gao Z, Wu Y, et al. Compressive sensing-based adaptive active user detection and channel estimation: Massive access meets massive MIMO[J]. IEEE Transactions on Signal Processing, 2020, 68: 764-779. DOI:  10.1109/TSP.2020.2967175.
    [8] Yang R N, Zhang W T, Lou S T. Adaptive blind channel estimation for MIMO-OFDM systems based on PARAFAC[J]. Wireless Communications and Mobile Computing, 2020(5): 1-17.
    [9] Ye H, Li G Y, Juang B H. Power of deep learning for channel estimation and signal detection in OFDM systems[J]. IEEE Wireless Communications Letters, 2017, 7(1): 114-117.
    [10] Luo C, Ji J, Wang Q, et al. Channel state information prediction for 5G wireless communications: A deep learning approach[J]. IEEE Transactions on Network Science and Engineering, 2018, 7(1): 227-236.
    [11] Fernandes S S, Makiuchi M R, Lamar M V, et al. An adaptive recurrent neural network model dedicated to opportunistic communication in wireless networks[C]//IEEE International Joint Conference on Neural Networks (IJCNN), Rio de Janeiro, Brazil, 2018: 1-8.
    [12] Shakeel A, Hussain R, Iqbal A, et al. Spectrum handoff based on imperfect channel state prediction probabilities with collision reduction in cognitive radio Ad hoc networks[J]. Sensors, 2019, 19(21): 4 741-4 195. DOI:  10.3390/s19214741.
    [13] 王凡, 赵杭生, 姚富强, 等. 基于定价的认知无线网络按需多信道接入策略[J]. 应用科学学报, 2011, 29(4): 353-359. DOI:  10.3969/j.issn.0255-8297.2011.04.004. Wang F, Zhao H S, Yao F Q, et al. On-demand multiple channels access strategy in cognitive radio networks based on pricing[J]. Journal of Applied Sciences, 2011, 29(4): 353-359.
    [14] 王董礼, 王叶群, 孙启禄, 等. 基于UCB改进的短波认知多信道选择算法[J]. 东南大学学报: 自然科学版, 2019, 49(5): 897-903. Wang D L, Wang Y Q, Sun Q L, et al. Improved HF cognitive multi channel selection algorithm based on UCB[J]. Journal of Southeast University: Natural Science Edition, 2019, 49(5): 897-903.
    [15] Varzakas P, Tombras G S. Spectral efficiency for a hybrid DS/FH code-division multiple-access system in cellular mobile radio[J]. IEEE Transactions on Vehicular Technology, 2001, 50(6): 1 321-1 327. DOI:  10.1109/25.966565.
    [16] Wu F, Chen L, Zhao N, et al. Computation over multi-access channels: Multi-hop implementation and resource allocation[J]. IEEE Transactions on Communications, 2020(99): 1-1.
    [17] 马小琴. 多信道下基于ZIPF分布的调度策略研究[J]. 云南大学学报: 自然科学版, 2013, 35(5): 627-631. DOI:  10.7540/j.ynu.201204. Ma X Q. ZIPF - based schedule algorithm in multi - channel broadcast[J]. Journal of Yunnan University: Natural Sciences Edition, 2013, 35(5): 627-631.
    [18] Jiang D, Han Y, Lyu Z, et al. Dynamic access approach to multiple channels in pervasive wireless multimedia communications for technology enhanced learning[J]. Journal of Intelligent & Fuzzy Systems, 2016, 31(5): 2 497-2 509.
  • [1] 唐菁敏张晓颍曹操马社方 . 基于粒子群算法的认知无线电下行链路中的OFDMA资源分配算法. 云南大学学报(自然科学版), doi: 10.7540/j.ynu.20150023
    [2] 彭艺宋浩苏黎韡 . 一种优化的认知无线电网络分簇协作频谱感知算法. 云南大学学报(自然科学版), doi: 10.7540/j.ynu.20140624
    [3] 彭艺侯永技龙华 . 一种优化的认知无线电网络资源协同分配算法. 云南大学学报(自然科学版), doi: 10.7540/j.ynu.20140263
    [4] 朱军龙龙华彭艺邵玉斌 . 认知无线电网络频谱共享中的带宽竞争. 云南大学学报(自然科学版),
    [5] 徐帅龙华刘增力邵玉斌 . 一种基于信噪比(SNR)比较的感知节点数目优化算法. 云南大学学报(自然科学版),
    [6] 彭艺苏黎韡喻正坤李海涛 . 基于多属性的二次迭代SAW供需匹配网络的研究. 云南大学学报(自然科学版), doi: 10.7540/j.ynu.20140449
    [7] 张春平曹金石唐菁敏彭艺刘禹平 . p次方检测器协作频谱感知系统性能优化. 云南大学学报(自然科学版), doi: 10.7540/j.ynu.20130143
    [8] 张宇眉赵东风余江 . 无线局域网中多信道预约冲突避免接入协议研究. 云南大学学报(自然科学版),
    [9] 杜世平 . 混合二阶隐马尔可夫模型的Baum-Welch算法. 云南大学学报(自然科学版),
    [10] 周挚刘琼仙梁虹全海燕张婕旷昆萍崔建文王建刘庆 . 流动强震观测无线接入远程通信实用方案. 云南大学学报(自然科学版),
    [11] 任修仕邵剑飞 . 认知无线电中一种非高斯背景下的协同频谱感知方案. 云南大学学报(自然科学版), doi: 10.7540/j.ynu.20150161
    [12] 王亚宁赵东风孙权李剑 . 数字集群移动通信系统随机多址预约信道分析. 云南大学学报(自然科学版),
    [13] 牛勤赵东风何敏 . 概率函数检测随机多址接入无线传感器网络MAC协议分析. 云南大学学报(自然科学版),
    [14] 赵东风陈德章王靖宇李霖王东鸿 . 昆明地区无线电电子地图开发技术与编程设计. 云南大学学报(自然科学版),
    [15] 佘明辉林琳赵东风 . 自适应多通道二维概率型时隙式随机多址无线通信网络协议分析. 云南大学学报(自然科学版),
    [16] 申东娅刘善根赵翠芹贺燕马咏玲 . 基于独立阴影的卫星移动通信信道模型及仿真. 云南大学学报(自然科学版),
    [17] 陈剑培申东娅 . 基于RMLN统计模型的无线信道特性研究. 云南大学学报(自然科学版), doi: 10.7540/j.ynu.20170712
    [18] 李勇余江刘言立宗容胡劲松 . 基于CRC-RS编码的无线双信道模型. 云南大学学报(自然科学版), doi: 10.7540/j.ynu.20120617
    [19] 马小琴 . 多信道下基于ZIPF分布的调度策略研究. 云南大学学报(自然科学版), doi: 10.7540/j.ynu.20120400
    [20] 郑丽莉赵东风丁洪伟 . 多信道1-CSMA协议性能分析. 云南大学学报(自然科学版),
  • 加载中
图(8)
计量
  • 文章访问数:  408
  • HTML全文浏览量:  225
  • PDF下载量:  9
  • 被引次数: 0
出版历程
  • 收稿日期:  2021-04-20
  • 录用日期:  2021-07-25
  • 网络出版日期:  2021-10-09

一种面向山区场景的多信道接入策略

    通讯作者: 彭艺, 527037928@qq.com
    作者简介:谢钊萍(1995−),女,广西人,硕士生,主要研究无线通信信道. E-mail:304410992@qq.com
  • 昆明理工大学 信息工程与自动化学院,云南 昆明 650500

摘要: 针对现有山区通信场景中认知无线电单信道传输的不可靠性问题,提出一种新型频谱感知与多信道接入策略. 首先,为了解决传统山区场景模型准确性低和通用性差的缺点,利用Global Mapper软件对山区通信场景进行了3D高精度还原;然后,考虑到单信道传输效率低和通信保障能力不足的问题,在一元隐马尔可夫的基础上,得到一种多元隐马尔可夫算法;最后,以昆明市某山区信道质量数据进行验证. 实验结果表明:在信道数为8的情况下,改进的多元模型碰撞概率和次要用户成功传输概率分别为24%和65%,具有更高的接入率和网络吞吐量.

English Abstract

  • 近几年来,随着无线通信技术的快速发展,农村、丘陵和山区环境中无线信号的使用也变得更加广泛[1-4]. 但在一些山区场景中,会出现信道占用极少的情况,容易造成频谱资源的浪费. 为了能充分利用频谱资源,在认知无线电网络中主要通过有效的接入技术实现授权用户(Primary Users,PU)和次要用户(Secondary User,SU)的频谱共享.

    到目前为止,研究人员已经提出了许多信道接入的方法. 例如:Sara[5]提出了一种具有反馈的接入算法,该算法可以避免PU与SU之间发生碰撞,最大限度的提高SU的服务速率;王若男等[6]针对多种数据需要发送的情况提出一种损失制接入算法,优化参数,有效减少频谱空洞;文献[7-8]提出自适应的接入模型,与非自适应的方法相比,具有较好的预测精度,且误报率更低;文献[9-12]提出应用深度学习的方法预测信道状态,得到的预测结果稳定且快速的预测出了信道值,是用于信道接入和信号检测有效的方法. 以上这些算法使用的无线数据传输方式都是基于单信道的,极大地限制了数据传输速率. 为此,文献[13]提出一种多信道通信策略,建立非合作博弈论模型,提高认知无线电网络的有效容量;文献[14]建立短波多用户信道选择策略,选出了所需的空闲信道数量,为认知用户提供了等效宽带传输;文献[15-18]考虑网络流量和用户行为,提出向多通道进行动态访问的算法. 这些文献都表明多信道方法的可行性. 本文将多信道与山区场景进行结合,向多个信道采用机会主义频谱访问,利用智能算法的优点,提出符合山区场景的多元隐马尔可夫信道接入算法.

    • 认知无线电是一种智能的无线通信系统,能够捕获或感知无线信道中的信息,从而得到某个时隙或某个空间中未使用的频谱资源.

      通常,认知无线电网络系统主要由两部分组成:PU和SU. PU具有使用频谱的优先权,当PU不存在时,SU可以利用频谱空洞获得某个频段的使用权. 如图1所示,存在 $m$ 个授权用户 $ P=\{ {p_{1}},{p_{2}},\cdots, $$ {p_m} \} $$n$ 个次要用户 $S = \{ {s_{1}},{s_{2}},\cdots,{s_n}\}$ 的多信道山区系统,其中山林环境中的树木和石块对信号传输会造成一定的衰落、衍射和吸收.

      图  1  多用户系统模型

      Figure 1.  System model of Multi-user

      传统的频谱感知方式是一个时隙进行一次频谱感知,SU在进行信道接入前,需要对每个时隙都进行频谱感知,如图2(a)所示. 改进后的系统采用机会式频谱感知方式,每个授权信道可以划分为 $t$ 个时隙,若第 $g$${\text{1}} \leqslant g \leqslant t$)个时隙处于忙碌状态,则在第 $g + {\text{1}}$ 个时隙将不再进行感知,在 $g + 2$ 个时隙才再次进行感知,判断信道状态;若第 $g$$1 \leqslant g \leqslant t$)个时隙处于空闲状态,为了避免信道接入过程发生冲突,在 $g + 1$ 时隙仍还需要对其进行感知,具体的频谱感知过程如图2(b)所示,绿色部分表示感知时间,这样可有效地减少频谱感测过程中所需的感知时间,提高认知用户的传输速率.

      图  2  频谱感知对比图

      Figure 2.  Comparison graph of Spectrum sensing

    • 根据提出的频谱感知模型可以看出,缩短频谱感知时间可以加快数据传输速率,提高频谱资源的利用率,而多信道的接入策略既可以更好的描述真实的传播环境,又可以提高信道传输的可靠性.

      因此,本文设计了一种多信道接入策略,如图3所示. 在该策略中,将基站授权的总带宽均匀划分为 $K$ 个带宽相同的信道,SU用户对信道进行感知,每个信道具有信道忙碌和信道空闲两种状态,在感知到信道空闲时,SU用户进行接入,若在当前信道的下一时隙信道状态为忙碌,也可对相邻的其它的信道进行感知,直到感知到的当前信道和相邻信道都无空闲时隙时,SU用户进入等待状态.

      图  3  多信道接入策略

      Figure 3.  Strategy of multi-channel access

    • 针对多元信道接入策略,提出的多元隐马尔可夫模型由两部分组成,如图4所示. 第一部分由信道的真实情况序列组成,第二部分由观测序列组成.

      图  4  多元隐马尔可夫结构图

      Figure 4.  Structure graph of multiple hidden Markov

      $t$ 个时隙内,用 ${c_g}$ 表示每个时隙信道的真实状态,${o_g}$ 表示状态相关的随机变量. 简单来说,${c_g}$ 经过随机过程,到达观测部分 ${o_g}$${o_g}$ 的分布仅取决于当前状态 ${c_g}$,而不取决于先前的状态与观测值,各信道之间条件独立性成立.

      按照模型的核心思想,我们可以对本算法的相关参数进行定义:①所有可能的状态集合:$ U= $$ \left\{{\text{忙碌}}\text{,}{\text{空闲}}\right\}=\left\{{u}_{1},{u}_{2}\right\} $;②所有可能的观测集合:$V = $$ \left\{ {{v_1},{v_2}} \right\}$;③信道 $ K=({L}^{1},{L}^{2},\cdots,{L}^{k}) $ 其中,${L^q} = (L_1^q, $$ L_2^q,\cdots, L_t^q)$$q \in (1,\cdots,k)$;④概率参数如式(1)~(3).

      初始状态概率分布为:

      $ {\pi }_{0}=({\pi }_{{u}_{1}},{\pi }_{{u}_{2}}{)}^{\text{T}}. $

      转移概率分布为:

      $ {{A}} = \left[ {\begin{array}{*{20}{c}} {a_{{u_i},{u_j}}^{{L^1},{L^1}}}& \cdots &{a_{{u_i},{u_j}}^{{L^1},{L^k}}} \\ \vdots & \vdots & \vdots \\ {a_{{u_i},{u_j}}^{{L^k},{L^1}}}& \cdots &{a_{{u_i},{u_j}}^{{L^k},{L^k}}} \end{array}} \right]. $

      观测概率分布为:

      $ {{B}} = \left[ {\begin{array}{*{20}{c}} {b_{{u_j}}^{{L^1}}\left( {{o_1}} \right)}& \cdots &{b_{{u_j}}^{{L^1}}\left( {{o_t}} \right)} \\ \vdots & \vdots & \vdots \\ {b_{{u_j}}^{{L^k}}\left( {{o_1}} \right)}& \cdots &{b_{{u_j}}^{{L^k}}\left( {{o_t}} \right)} \end{array}} \right]. $

      在这个策略中,根据式(1)~(3)可将多元隐马尔可夫过程用 $\varLambda = \left( {A,B,{{{\pi}} _0}} \right) $ 来进行描述. 其中,${\pi _{u1}}$${\pi _{u2}}$ 为初始状态 $a_{{u_i},{u_j}}^{{L^p},{L^q}}$ 表示状态转移概率,即在信道 $p$ 的状态 ${u_i}$ 转移到信道 $q$ 的状态 ${u_j}$$p,q \in $$ (1,\cdots,k)i=\{1,2\},\;j=\{1,2\}$$b_{{u_j}}^{{L^p}}({o_g})$ 表示在 $g$ 时刻信道 $p$ 真实状态为 ${u_j}$ 时的观测概率.

    • 隐马尔可夫模型状态之间的变化由马尔可夫链的转移概率控制. 转移概率和对应的观测概率可定义为:

      $ \left\{ {\begin{array}{*{20}{c}} {a_{{u_i},{u_j}}^{{L^p},{L^q}} = P(c_g^{{L^q}} = {u_j}|c_{g - 1}^{{L^p}} = {u_i}),} \\ {b_{{u_j}}^{{L^q}}({o_g}) = P(o_g^{{L^q}} = {v_j}|c_g^{{L^q}} = {u_j}).} \end{array}} \right. $

      假设我们观察到一系列观测值 $C = \left\{ {{o_1},...,{o_t}} \right\}$,通过最大似然估计可以得到相对应的概率为:

      $ \begin{split} &P(\Lambda |{o_1},\cdots,{o_t}) \\ &= \sum\limits_{{c_1} = 1}^2 {...\sum\limits_{{c_g} = 1}^2 {{\pi _{{c_1}}}} } P({o_1}|{c_1})\prod\limits_{g = 2}^t {a_{{u_i},{u_j}}^{{L^p},{L^q}}p({o_g}|{c_g})} \\ &= \sum\limits_{{c_1} = 1}^2 {...\sum\limits_{{c_t} = 1}^2 {{\pi _{{c_1}}}} } b_{{u_i}}^{L{}^p}({o_1})\prod\limits_{g = 2}^t {a_{{u_i},{u_j}}^{{L^p},{L^q}}} b_{{u_i}}^{{L^p}}({o_g}). \end{split} $

      实际上,无法直接评估此表达式,则引入前向概率 ${\alpha _{{u_i}}}(g)$ 和后向概率 ${\;\beta _{{u_i}}}(g)$,创建似然计算可行的递归过程. 前后向概率定义如下:

      $ {\alpha _{{u_i}}}(g) = p({o_1},\cdots,{o_g},{c_g} = {u_i}), $

      $ {\beta _{{u_i}}}(g) = p({o_{g + 1}},\cdots,{o_t}|{c_g} = {u_i}). $

      根据前向概率,可以将似然函数计算为:

      $ P = \sum\limits_{{u_i} = 1}^2 {{\alpha _{{u_i}}}} (t). $

      将得到的函数表达式进行参数估计时采用期望最大化算法(Expectation Maximization,EM),未观察到的量视为缺失.

      定义观测数据为:

      $ O = \left[ {\begin{array}{*{20}{c}} {o_1^{{L^1}}}& \cdots &{o_t^{{L^1}}} \\ \vdots & & \vdots \\ {o_1^{{L^k}}}& \cdots &{o_t^{{L^k}}} \end{array}} \right], $

      隐数据为:

      $ C = \left[ {\begin{array}{*{20}{c}} {c_1^{{L^1}}}& \cdots &{c_t^{{L^1}}} \\ \vdots & & \vdots \\ {c_1^{{L^k}}}& \cdots &{c_t^{{L^k}}} \end{array}} \right]. $

      式中,$O \in {R^{t \times k}}$$C \in {R^{t \times k}}$$(O,C)$ 为完全数据,对数似然函数 $\log P(O,C|\Lambda )$;并定义缺失数据的随机变量是 $P(O,C,\overline \Lambda )$,完整数据的可能性根据丢失的数据可写为:

      $ \begin{split} &P(\Lambda ,\overline \Lambda ) = \log \pi {{\kern 1pt} _{{c_1}}}P(O,C,\overline \Lambda ) + \\ &\sum\limits_{{u_i} = 1}^2 {\sum\limits_{{u_j} = 1}^2 {\sum\limits_{g = 2}^t {\log a_{{c_{(g - 1)}},{o_g}}^{}P(O,C,} } } \overline \Lambda ) + \\ &\sum\limits_{{u_i} = 1}^2 {\sum\limits_{k = 2}^K {P(O,C,\overline \Lambda )\sum\limits_{g = 2}^t {\log } } } b_{{u_i}}^{{L^p}}({o_g}), \end{split} $

      也可写为:

      $ \begin{split} &P(\Lambda ,\overline \Lambda ) = \log \pi {{\kern 1pt} _{{c_1}}}P(O,C,\overline \Lambda ) + \\ &\sum\limits_{{u_i} = 1}^2 {\sum\limits_{{u_j} = 1}^2 {\sum\limits_{g = 2}^t {\log a_{{u_i},{u_j}}^{{L^p},{L^q}}P(O,C,} } } \overline \Lambda ) + \\ &\sum\limits_{{u_i} = 1}^2 {\sum\limits_{k = 2}^K {P(O,C,\overline \Lambda )\sum\limits_{g = 2}^t {\log } } } b_{{u_i}}^{{L^p}}({o_g}). \end{split} $

      EM算法的具体步骤如下:

      步骤 1 使用观测到的数据和当前估计值计算后向概率和前向概率.

      $ \beta _{{u_i}}^{{L^p}}(g) = \sum\limits_{{u_i} = 1}^2 {a_{{u_i},{u_j}}^{{L^p},{L^q}}} b_{{u_j}}^{{L^q}}({o_{g + 1}}){\beta _{{u_j}}}(g + 1), $

      $ \alpha _{{u_i}}^{{L^p}}(g) = \sum\limits_{{u_i} = 1}^2 {{\alpha _{{u_j}}}} (g - 1)a_{{u_j},{u_i}}^{{L^q},{L^p}}b_{{u_j}}^{{L^q}}({o_{g - 1}}). $

      并利用前后概率,计算当前变量的期望值. 定义当前估计的概率 $I_{{u_j},{u_i}}^{{L^q},{L^p}}(g)$$D_{{u_i}}^{{L^p}}(g)$.

      $ I_{{u_j},{u_i}}^{{L^q},{L^p}}(g) = \frac{{a_{{u_j},{u_i}}^{{L^q},{R^p}}b_{{u_i}}^{{L^p}}({o_g})\alpha _{{u_j}}^{{L^q}}(g - 1)\beta _{{u_i}}^{{L^p}}(g)}}{{\displaystyle\sum\limits_{{u_i} = 1}^2 {{\alpha _{{u_i}}}(g)} }}, $

      $ D_{{u_i}}^{{L^p}}(g) = \frac{{\alpha _{{u_i}}^{{L^p}}(g)\beta _{{u_i}}^{{L^p}}(g)}}{{\displaystyle\sum\limits_{{u_i} = 1}^2 {\alpha _{{u_i}}^{{L^p}}(g)} }}. $

      初始值:

      $ \alpha _{{u_i}}^{{L^p}}(1) = {\pi _{{c_1} = {u_i}}}b_{{u_i}}^{{L^p}}({o_1}). $

      步骤 2 更新参数估计值.

      在进行更新的过程默认为迭代的过程,如果指定了收敛准则,则停止迭代,否则返回步骤1进行另一次迭代.

      $ \alpha _{{u_i}}^{{L^p}}(g) = \frac{{\alpha _{{u_i}}^{{L^p}}(g)}}{{\displaystyle\sum\limits_{p = 1}^K {\displaystyle\sum\limits_{{u_i} = 1}^2 {\alpha _{{u_i}}^{{L^p}}(g)} } }}, $

      $ \alpha _{{u_j},{u_i}}^{{L^p},{L^q}} = \frac{{\displaystyle\sum\limits_{g = 2}^t {u_{{u_j},{u_i}}^{{L^q},{L^P}}(g)} }}{{\displaystyle\sum\limits_{p = 1}^K {\displaystyle\sum\limits_{{u_j} = 1}^2 {\displaystyle\sum\limits_{g = 2}^t {I_{{u_j},{u_i}}^{{L^q},{L^p}}(g)} } } }}, $

      $ b_{{u_i}}^{{L^p}}({o_g}) = \frac{{\displaystyle\sum\limits_{g = 1}^t {D_{{u_i}}^{{L^p}}(g)} }}{{\displaystyle\sum\limits_{g = 1}^t {\displaystyle\sum\limits_{p = 1}^k {D_{{u_i}}^{{L^p}}(g)} } }}. $

      步骤2等效于最大化离散模型的加权对数似然,如果可以使用良好的初始估计,则数值优化效果很好. 另外,对于步骤2,由于使用了一个迭代过程,极大地减少了计算时间.

    • 采用维特比算法,使用一种基于动态规划的方式寻找最佳状态序列,即把整个信道路径按照时隙分成每一个小序列,基于每一步的结果再去寻找下一时隙的策略,这样就可以通过寻找局部最优去寻找得到全局最优解.

      首先,定义两个变量 $\delta $$\varphi $$\delta $ 表示为在时刻 $g$ 状态为 ${u_i}$ 的所有信道中概率最大值,$\varphi $ 表示为在时刻 $g$ 状态为 ${u_j}$,在 $g - 1$ 时刻状态为 ${u_i}$ 的概率最大值子信道. 则可得到:

      $ {\delta _1}({u_i}) = \prod\limits_{p = 1}^k {\pi _{{u_i}}^{{L^p}}} b_{{u_i}}^{{L^p}}({o_1}), $

      $ {\delta _t}({u_j}) = \max \left[ {\delta _{g - 1}^{{L^p}}({u_i})a_{{u_i},{u_j}}^{{L^p},{L^q}}} \right]b_{{u_j}}^{{L^q}}({o_g}), $

      $ \varphi ({u_j}) = \arg \max [\delta _{g - 1}^{{L^p}}({u_i})a_{{u_i},{u_j}}^{{L^p},{L^q}}]. $

      然后,定义变量 ${p^*}$ 表示最优的信道路径概率:

      $ {p^*} = \mathop {\max }\limits_{1 \leqslant p \leqslant k} {\delta _g}({u_j}), $

      $ \varphi = (\varphi _1^*,\varphi _2^*,\cdots,\varphi _g^*). $

      根据最优路径概率,可找到最优路径的终点 $\varphi _t^*$,接着采用逆向方法递推的找到节点 $\varphi _{t - 1}^*,\cdots,\varphi _1^*$.

      本文设计的改进式隐马尔可夫接入策略流程步骤如下:

      步骤 1 通过频谱感知获取信道状态信息;

      步骤 2 对接入模型进行理论分析,通过式(2)和(3)得到多元转移概率;

      步骤 3 进行参数估计,根据观测到的历史信道信息,预测出未来时隙的信道状态;

      步骤 4 进行参数更新,通过式(22)和(23)得到概率最大值子信道,建立候选信道路径;

      步骤 5 反复进行步骤3~4,优化参数,直至得到最优接入路径,则算法结束.

    • 按照图3的接入策略,PU到达信道速率服从参数为 ${\lambda _p}$ 的泊松分布,占用单个信道时隙 $\psi $ 由感知时隙 $\phi $ 和数据传输时隙 $\gamma $ 两部分组成. 当用户选择第 $p$ 个信道进行接入时,如果感知第 $p$ 个信道处于空闲状态,用户能够实现信道接入. 此时收益为 ${f^{{L_p}}} = 1$$K$ 个信道 $t$ 个时隙的累积收益为 ${W_{K,t}}$

      $ {W_{K,t}} = \sum\limits_{p = 1}^K {\sum\limits_{g = 1}^t {f_g^{{L_P}}} } . $

      可成功传输概率为 ${P_{{\text{success}}}}$

      $ {P_{{\text{success}}}} = \frac{{\displaystyle\sum\limits_{p = 1}^K {\displaystyle\sum\limits_{g = 1}^t {f_g^{{L_P}}} } }}{{Kt}}. $

      PU占用 $K$ 个信道的概率为 ${P_{{\text{possess}}}}$

      $ {P_{{\text{possess}}}} = \frac{{\displaystyle\sum\limits_{p = 1}^K {{e^{ - {\lambda _p}{\psi _p}}}} }}{K}. $

      PU不占用 $K$ 个信道的概率为 ${P_{{\text{absence}}}}$

      $ {P_{{\text{absence}}}} = \frac{{\displaystyle\sum\limits_{p = 1}^K {(1 - {e^{ - {\lambda _p}{\gamma _p}}})} }}{K}. $

      由式(28)(29),可以得到SU和PU发生碰撞的概率为:

      $ {P_{{\text{collision}}}} = \frac{{\displaystyle\sum\limits_{p = 1}^K {\displaystyle\sum\limits_{p = 1}^K {{e^{ - {\lambda _p}{\psi _p}}}} (1 - {e^{ - {\lambda _p}{\gamma _p}}})} }}{{{K^2}}}. $

    • 本次测试,发射机频率为709 MHz,发射功率为43 dBm,站点位于昆明市某山顶部,该地区含有人工种植松树树木和少量石头,树木之间的相隔距离为4~6 m,信号在50 m范围内时,树木表层仅存在反射现象. 打开Global Mapper软件,导入测试场景的地图,在弹出的对话框中,任意选择某一坐标为发射点,得到传播路径如图5中黄线所示. 从图5可以清晰看到场景具有一定的起伏性,

      图  5  测试场景3D效果图

      Figure 5.  3D rendering of the test scene

      进一步,我们可以得到该条路径的地形剖面图如图6所示. 图6横坐标反映出发射点与接收点之间水平传输距离为0.637 km,纵坐标垂直高度为45 m. 有效且直观地反映出两点之间的地形起伏情况.

      图  6  地形起伏情况剖面图

      Figure 6.  Cross-sectional view of terrain undulation

    • 本文基本仿真参数设置如下:SU用户数 $S = 20$,信道具有相同传输速率1 Mb/s,将文献[13-14]提出的多信道接入策略与本文算法进行比较. 图7为不同信道数量的数据传输概率仿真图,由图7可知,随着时隙数 $t$ 增加,在信道数量 $K = 2$ 时,3种算法都具有较高的成功传输概率,但当信道数量 $K = 8$ 时,由于本文算法不仅考虑了同信道之间的数据传输,还考虑了相邻信道的数据传输,因此具有较优的信道收益.

      图  7  不同信道数量的传输成功概率

      Figure 7.  Transmission success probability under different channel numbers

      接着,我们从PU用户和SU用户角度出发,考虑了3种算法的碰撞概率. 由图8可见,当试图提高PU用户的到达速率参数时,本文算法仍然具有较低的碰撞概率,这是由于改进了频谱感知策略,使得信道碰撞概率优化效果明显.

      图  8  信道碰撞概率对比图

      Figure 8.  Comparison of channel collision probability

    • 本文提出一种多信道的接入策略,考虑山区环境下的传播特点,对传统的隐马尔可夫算法进行改进,使其可容纳多个次级用户. 通过仿真实验,证明新算法具有较稳定的接入性能,且信道效率得到明显提高. 在信号弱覆盖场景下,具有明显的优势. 新算法为山区场景提供一个具有理论指导意义的信道接入方案,在未来的工作将考虑对历史信道数据进行训练以提供一个可靠的数据源模型.

参考文献 (18)

目录

    /

    返回文章
    返回