［陳劉偉 胡娟 劉振杰］

1 引言

目前大規(guī)模節(jié)點組網傳輸已越來越受到關注和研究，如軍事應用中的無人機蜂群，通過部署大規(guī)模的無人機進行組網，系統(tǒng)之間的控制信息和業(yè)務信息高效可靠傳輸，包括跟蹤定位、遙測、遙控等窄帶控制信息和監(jiān)測、傳感等寬帶業(yè)務信息[1,2]，要求通信系統(tǒng)滿足高效大容量傳輸性能。無線傳感網中部署大規(guī)模節(jié)點，獲取監(jiān)測、感知和采集各種環(huán)境或監(jiān)測對象信息，并將這些信息傳送至后臺數據服務中心。同時又將后臺數據中心發(fā)布的命令下達至各傳感器節(jié)點，對監(jiān)測、感知和采集等各行為進行調整從而實現(xiàn)用戶、環(huán)境、計算設備實時動態(tài)的交互[3]。

傳統(tǒng)自組織網絡通信中，所有節(jié)點共享單一信道。同頻組網下，TDMA 模式，整個網絡共享傳輸帶寬，每個節(jié)點平均占用的帶寬有限，當網絡傳輸總帶寬為20 Mbit/s的系統(tǒng)，當網絡中僅容納20 個節(jié)點時，每個節(jié)點的平均帶寬就將可能不足1 Mbit/s；CSMA 模式下，隨著網絡中節(jié)點數量的遞增，各節(jié)點對空口資源進行自主無序的競爭，導致網絡的有效信息傳輸能力急劇下降，甚至使系統(tǒng)無法正常運行。

新型智能無線通信系統(tǒng)采用自主設計的多通道多信道自組網波形，利用頻譜預測技術、智能頻譜分配策略對節(jié)點使用的工作頻點進行動態(tài)自適應分配[4]，使得頻譜資源在不相互干擾的情況下得以重復利用，實現(xiàn)不同用戶間多數據流并行傳輸，突破節(jié)點間數據交互的瓶頸，提升網絡整體吞吐量[5]。

2 多信道動態(tài)頻譜協(xié)作模型

多信道動態(tài)頻譜協(xié)作技術將人工智能算法引入頻譜預測及頻譜決策中，比傳統(tǒng)的多信道分配算法更能夠適應復雜多變的環(huán)境，較單信道環(huán)境大大提高了頻譜利用率。多通道多信道MAC 層信道協(xié)商協(xié)議根據頻譜決策結果進行多信道協(xié)商，完成多信道同步及信道切換等工作[6]。

無線自組網節(jié)點用戶獨立的進行頻譜感知，MAC 層根據PHY 層的認知信息以及鏈路層特性通過和其他節(jié)點用戶競爭獲得頻譜使用權，其中，頻譜接入決策由用戶自己根據智能頻譜預測及頻譜決策評估結果獨立的決定，并根據信道協(xié)商策略通知其鄰居節(jié)點。實現(xiàn)多路數據流并行傳輸，使得網絡總流量隨節(jié)點數的增加而不斷增加。頻譜協(xié)作方案包括頻譜預測、干擾計算、頻譜決策以及多信道協(xié)商4 個部分。模塊架構如圖1 所示。

圖1 頻譜協(xié)作多址接入架構圖

系統(tǒng)采用分級干擾預測模型，結合PHY 層的感知信息以及鏈路層特性，充分考慮到節(jié)點特性、無線電波傳播損耗、地理地形特征、時間和空間特性等因素，對節(jié)點逐對進行電磁干擾的分析和計算。為頻譜決策模塊提供決策依據，頻譜決策模塊調用機器學習算法進行頻譜分配，MAC 層多信道協(xié)商協(xié)議根據頻譜決策結果進行信道協(xié)商以完成動態(tài)多信道接入，使得頻譜資源在不相互干擾的情況下得以高效重復利用，實現(xiàn)不同用戶間多數據流并行傳輸，系統(tǒng)吞吐量隨著網絡容量的擴大而增大。

3 多信道動態(tài)頻譜協(xié)作方案實現(xiàn)

根據圖1 可知頻譜協(xié)作方案包括頻譜預測、干擾計算、頻譜決策以及多信道協(xié)商4 個部分?，F(xiàn)根據每個部分的基本實現(xiàn)思路對多信道動態(tài)頻譜協(xié)作方案的技術路線進行分析。

3.1 干擾預測模型

分級干擾預測模型的主要思想是通過發(fā)射機發(fā)射的有效功率在接收機處產生的干擾功率與接收機敏感度函數相比較來確定是否存在干擾。判斷兩個節(jié)點之間是否兼容則是根據節(jié)點各層的感知信息，按照電磁兼容分析預測模型進行分析，判斷節(jié)點間是否存在干擾。感知信息主要包含：反映物理層特性的參數指標，由PHY 層的感知模塊提供輸入，如物理帶寬、接口的位吞吐量等；反映網絡物理層配置的參數指標，如節(jié)點的收發(fā)功率、信道狀態(tài)（信噪比、誤碼率、信道容量等）、調制方式、編碼速率及編碼方式等；反映鏈路層特性的幀吞吐率、幀傳輸時延等；反映網絡層特性的丟包率、路徑長度、生存時間、最短距離、路由時延、時延抖動、網絡負載等。

兩個無線節(jié)點收發(fā)設備之間的兼容判斷可簡單用公式（1）表示。

潛在干擾問題可由有效功率和敏感度閾值之差，即干擾余量IM 來表示。

結合無線自組織網絡應用，尤其是大容量網絡架構中，由于每個無線收發(fā)節(jié)點的頻率覆蓋范圍有限，可以對逐對頻率電磁兼容分析進行優(yōu)化，也就是在無線節(jié)點設備的頻率分配和頻率協(xié)調過程中，充分考慮設備的拓撲特點、結合所在覆蓋范圍內的鄰居節(jié)點信息，簡化分析循環(huán)的次數。

具體流程如圖2 所示。

圖2 干擾預測流程圖

如圖2 所示，第一級預測稱作快速篩選，這一級僅考慮頻率因素，從而以最快的速度把不需要考慮的干擾篩選掉，保留需要的。第二級預測是幅度篩選，以前一級快速篩選結果作為基礎，僅在相當粗略的程度上考慮距離、方向、頻率時間上面的影響。在此階段還可以結合無線自組織網絡拓撲特點引入節(jié)點覆蓋門限進行優(yōu)化處理。第三個篩選階段是頻率篩選以幅度篩選結果作為基礎，通過考慮附加的干擾抑制來詳細處理頻率變量。第四級詳細預測階段包括詳細考慮時間、距離和方向變量。

3.2 頻譜預測

干擾預測模塊需要根據頻譜感知的結果進行干擾預測，進而影響后續(xù)的頻譜接入決策。因此感知結果的準確度對頻譜接入決策的性能有直接的影響。在實際實現(xiàn)過程中，由于存在感知時延，感知結果往往不準確。為了降低感知時延對感知結果的影響，頻譜預測技術應運而生。用戶可以根據己有的環(huán)境信息對頻譜狀態(tài)進行預測，預測結果能夠幫助用戶掌握更多的頻譜狀態(tài)信息，指導其頻譜接入決策的制定。

基于不同的計算方法，現(xiàn)有的頻譜預測技術大致可以分為3 類：基于隱馬爾可夫的頻譜預測技術、基于人工神經網絡的頻譜預測技術、基于回歸分析的頻譜預測技術。頻率干擾預測模型分析的基礎上，嘗試運用人工智能算法進行建模，來研究動態(tài)頻譜分配的問題。

3.2.1 基于隱馬爾可夫過程的頻譜預測

隱馬爾可夫模型可以看作是馬爾可夫過程和隨機過程的混合推廣模型，其中隱狀態(tài)的變化是一個馬爾可夫過程，而基于一個特定隱狀態(tài)的觀察結果則是一個隨機過程。在認知無線電網絡中，頻譜的真實使用狀態(tài)（空閑或者占用）一般不直接可見，可以將其稱為隱含狀態(tài)。雖然用戶不可以直接獲取到頻譜的真實狀態(tài)，但是，它可以通過頻譜感知獲得頻譜的觀察狀態(tài)[7]。根據這些信息，可以基于隱馬爾可夫模型來分析用戶的頻譜預測過程。

隱馬爾可夫模型主要包含5 個元素：2 個狀態(tài)空間和3 個概率矩陣。

隱含狀態(tài)轉移概率矩陣A

可觀測狀態(tài)轉移概率矩陣B

用戶根據頻譜預測之前的相關先驗知識，基于隱馬爾可夫模型的頻譜預測過程如下所示。

（1）隱馬爾可夫模型訓練

（2）頻譜狀態(tài)估計

通過解決優(yōu)化問題來估計真實的頻譜狀態(tài)。通過估計使頻譜感知結果序列概率最大的頻譜狀態(tài)序列來得到真實的未知的頻譜狀態(tài)序列。

（3）頻譜狀態(tài)預測

前兩步己經得到隱馬爾可夫的模型參數和真實的頻譜狀態(tài)預測序列，接下來，用戶就可以根據如下公式對未來的頻譜狀態(tài)進行預測，表示N+1 時隙的頻譜狀態(tài)的預測結果。

3.2.2 基于人工神經網絡的頻譜預測

神經網絡是由很多的結構單元通過相互連接構成的非線性自適應系統(tǒng)，通過修改結構單元的排列方式和連接方式，可以組成不同的網絡模型。目前常用的神經網絡模型有以下幾種。

Hopfield 模型：該模型是由美國的物理學家Hopfield提出的，它是一種循環(huán)神經網絡，輸出和輸入之間有反饋連接。

Boltzmann模型：Ackley等人以模擬退火思想為基礎，對Hopfield 模型引入了隨機機制，提出了Boltzmann 隨機模型。

BP 神經網絡模型：D.E.Rumelhart 等人在多層前向神經網絡模型的基礎上，引入反向傳播學習算法（BP 算法），解決了神經網絡學習過程中的權值更新問題。這種基于反向傳播算法的多層前向祌經網絡模型被稱為BP神經網絡模型[8]。

BP 神經網絡主要由3 部分構成：一組感知卑元或者稱為源節(jié)點組成輸入層，一層或者多層計算節(jié)點組成隱含層，同時還有一層計算節(jié)點組成的輸出層。神經網絡輸入信號在每層遞進的基礎上向前傳播通過網絡。

函數信號是從神經網絡輸入層的末端而來的輸入信號，通過網絡向前傳播，到達神經網絡輸出層的末端時變?yōu)檩敵鲂盘枴：瘮敌盘栐谕ㄟ^網絡上的每一個神經元時，該處的信號都被當作輸入信號，然后利用與該神經元有關系的權值和閾值的一個傳遞函數來計算它的輸出。函數信號同時也被視為輸入信號。誤差信號是由神經網絡的輸出層神經元產生的，并通過神經網絡從輸出層開始，逐層的反向傳播。

BP 神經網絡頻譜預測模型的隱含層和輸出層神經元的傳遞函數均選用雙曲正切函數。其函數表達式為

其中

對于信道狀態(tài)預測問題，基于神經網絡的頻譜預測模型使用兩層隱含層就足夠了，第一層隱含層含15 個神經元，第二層隱含層含有20 個神經元，輸出層只有1 個神經元。神經網絡頻譜預測模型的階數設置為4。

基于神經網絡頻譜預測的主要步驟如下。

（1）BPNN 頻譜預測模型的構建：采用的BPNN 結構為4-15-20-1，即輸入層有4 個神經元，表示預測時間點前4 個時隙的信道狀態(tài)，隱含層包含兩層，分別含有15 個，20 個神經元，輸出層有一個神經元，為BPNN 預測的信道狀態(tài)。網絡連接權值和閾值在參數初始化時隨機得到。

（2）BPNN 頻譜預測模型訓練：用排隊模型產生的數據作為頻譜數據，對頻譜預測模型進行訓練，網絡的訓練次數設置為50 次。

（3）BPNN 頻譜預測：利用訓練好的BPNN 頻譜預測模型預測信道狀態(tài)，并對預測結果進行分析。

3.2.3 基于回歸分析的頻譜預測

回歸分析方法通過分析數據的內在規(guī)律，建立變量之間的依賴關系，可以實現(xiàn)對數據的預測或者控制?；貧w模型可以分為兩種，一種是線性回歸模型，該模型通常用于對連續(xù)數據進行分析和預測；另一種是非線性回歸模型，該模型是線性回歸模型的擴展，通過變量代換，可以將很多的非線性回歸轉化為線性回歸。

預測方法如公式（9）。

3.3 頻譜決策

通過感知及預測過程，系統(tǒng)可以檢測到多個可用的頻譜資源，由于頻譜狀態(tài)會隨時間改變，不同的接入選擇在信號傳輸性能方面表現(xiàn)不一樣。因此需要選擇一個高效的頻譜分配策略來進行頻譜決策。

遺傳算法借鑒了自然界的遺傳和進化現(xiàn)象的一種隨機優(yōu)化搜索算法。要運用遺傳算法解決頻譜分配問題首先要構造一個適應度函數，根據分級干擾預測模型可以得到系統(tǒng)中總的干擾數I[9]。適應度函數公式如公式（10）。

其中，C為常數，該值若太大會使個體間的適應度差異變小，不利于選擇操作的執(zhí)行，太小又會使個體間的適應度差異過大，引起算法的提前收斂，具體需要在算法優(yōu)化時調整。方案設計初始化群體規(guī)模在系統(tǒng)可用頻點列表中隨機生成。設初始化群體規(guī)模為M，為無線自組網中N個節(jié)點分配M個頻組。干擾數為0 的頻組就是算法所需要的無干擾個體。一旦搜索到無干擾個體則進行保存。算法實現(xiàn)流程如圖3 所示。

圖3 頻譜決策流程圖

其中，K 表示算法的迭代次數。

染色體編碼采用符號編碼方式，即對節(jié)點的可用頻點進行編號，這樣每組節(jié)點都分得一個頻點編號之后，就得到了一個個體編碼串。選擇操作用來確定重組或交叉?zhèn)€體，以及被選個體將產生多少個子代個體。適應度好的父輩個體將會有較高的概率成為新一代的個體。本方案選用輪盤賭的方法來選擇個體。交叉操作是產生新個體的重要操作，本方案采用單點隨機交叉的方法。主要過程如下。

（1）將選擇操作中選出的個體進行配對,配對的方式是對存儲位置相鄰的個體進行配對。

（2）產生一個[0,1]之間的隨機數,并與交叉概率進行比較，如隨機數小于交叉概率則進行交叉，反之則不進行。

（3）產生隨機的交叉點對需要交叉的配對進行交叉。

變異操作可以為種群提供新的個體，使算法保持種群的多樣性。方案采用了標準遺傳算法中的隨機點變異法。算法中的交叉概率、變異概率等參數的選取都非常重要，需要在算法仿真環(huán)境中不斷優(yōu)化。

3.4 信道協(xié)商

基于頻譜決策的結果，設計一種多通道多信道的信道協(xié)商方法，來完成多信道同步及信道切換工作。整個協(xié)商過程包括信道協(xié)商觸發(fā)檢測和信道協(xié)商交互兩個過程。在觸發(fā)檢測過程中，節(jié)點根據鄰居關系變化和信道狀態(tài)變化進行檢測，這兩個檢測過程并行運行[10]。

信道協(xié)商交互過程如下所述。每個通信節(jié)點設備具備兩個獨立的射頻通道：感知通道和主通道。其中主通道的工作信道實現(xiàn)系統(tǒng)內頻譜共享；感知通道主要用于接收感知，所有節(jié)點使用同一個工作信道。節(jié)點設備初始建立相鄰關系過程通過主動周期性廣播的方式實現(xiàn)。信道協(xié)商過程通過單播握手的方式實現(xiàn)，節(jié)點設備發(fā)送信道協(xié)商請求消息后即切換到重新選定的信道上接收信道協(xié)商響應消息。協(xié)商過程基于競爭策略，采用握手機制。過程描述如圖4 所示。

圖4 信道協(xié)商握手機制圖

（1）當發(fā)端有數據希望發(fā)給收端時，在RTS 中攜帶優(yōu)選Fd 頻點（同時攜帶備選頻點）及待發(fā)數據量和信道質量、業(yè)務優(yōu)先級等信息；RTS 消息在Fc 信道上發(fā)出。

（2）收端在收到此信息后在Fd 上響應CTS，CTS中攜帶優(yōu)選Fd 頻點及信道占用時長，如果此CTS 中攜帶的信息與RTS 中的信息存在不一致的地方，比如選定的Fd 發(fā)生變化或信道占用長度發(fā)生變化，則需要發(fā)送CFM，否則發(fā)端可以直接發(fā)送DATA。

（3）當發(fā)端接收到CTS 后，如果發(fā)現(xiàn)需要進行應答，則響應CFM，其中攜帶選定的頻點/占用的時長等，然后將Tx/Rx 通道切換到選定的Fd 上進行數據傳輸；否則，直接將Tx/Rx 通道切換到選定的Fd 上進行數據傳輸。

4 多信道動態(tài)頻譜協(xié)作方案分析

利用感知通道網絡中的節(jié)點實時獲取各自空口有效的時頻資源，打破網絡傳輸的資源瓶頸，通過分布式資源調度與協(xié)商，實現(xiàn)多數據流并行傳輸，滿足網絡流量隨網絡規(guī)模的增加而增長。

圖5 和圖6 分別為采用頻譜協(xié)作多址接入（SCMA）與TDMA 及CSMA 相比網絡流量及業(yè)務時延在自組網場景下隨網絡節(jié)點數變化的示意圖，隨著網絡規(guī)模的增加，由于SCMA 可以利用海量的時頻資源，因此網絡流量獲得極大的提升，業(yè)務時延則增加不多。

圖5 不同接入方式下網絡流量對比

圖6 不同接入方式下時延對比

5 結語

基于多信道動態(tài)頻譜協(xié)作方法，利用頻譜預測、智能頻譜決策和多信道協(xié)商技術對節(jié)點使用的工作頻點進行動態(tài)自適應分配，使得頻譜資源在不相互干擾的情況下得以重復利用，實現(xiàn)不同用戶間多數據流并行傳輸，突破節(jié)點間數據交互的瓶頸，提升網絡整體吞吐量。