基于隐马尔可夫模型的短波认知频率选择方法

针对短波频谱利用率低下及频率选择不够智能的局限性,提出一种基于隐马尔可夫模型(HMM)的短波认知频率选择方法。应用认知无线电原理,将短波传统用户作为主用户,将采用认知无线电技术的短波电台作为认知用户。首先,建立隐马尔可夫模型,结合频谱感知历史数据预测主用户信道状态;其次,在预测空闲的基础上估计信道参数;最后,根据估计的信道参数选择最优频率。仿真结果表明,所提方法能够准确预测传统短波用户信道状态,快速估计信道参数。在设定的仿真条件下,所提方法的成功传输率分别较HMM预测和能量感知随机信道选择方法有5.54%和10.56%的提升,能够选择最优信道。

基于UCB的短波认知信道选择算法

针对短波频段用户间冲突碰撞严重的问题,应用认知无线电原理,提出一种改进的UCB(Upper Confidence Bound)算法进行动态频谱接入以缓和相互干扰。该算法设置信道质量差异因子,利用探索结果动态调整信道数量和探索系数,缩减探索范围,平衡探索和利用比重。通过建立适当的评价准则,分析该算法在机器学习和认知背景下的性能。仿真结果表明,所提算法能够快速收敛于最优信道,较原始UCB算法和随机信道选择算法具有较高的成功传输率和较低的累积接入损失。

基于UCB改进的短波认知多信道选择算法

为了提高UCB算法在短波多信道选择时的成功传输率,结合短波宽带应用背景,提出一种基于UCB改进的短波认知多信道选择算法.该算法根据认知无线电原理,通过把应用认知无线电技术的短波电台作为认知用户,利用强化学习中UCB索引值对信道进行排序,并引入次序感知策略进行多信道选择,直到选出所需数量的空闲信道,从而为认知用户提供等效宽带传输.仿真结果表明,与原始UCB多信道选择算法相比,所提算法通过次序感知策略适当增加感知次数,在所需信道数量为4时,成功传输率最大提高了71.61%,累积收益平均提高了79.24%,累积数据传输时间平均提高了3.67倍.

短波认知通信中的机器学习策略

在短波中应用认知无线电,能够提高短波频谱利用率。为提高短波认知通信系统的智能水平,应用机器学习策略能够更加智能地预测相关参数、选择通信频率,保证短波通信质量。文章主要综述机器学习策略中基于神经网络的学习、统计学习和强化学习在短波认知通信中的应用,并展望其在短波中的发展前景。

用于三维仅测向定位的扩展正交矢量估计算法

从二维直接扩展到三维的仅测向定位算法难以对直线测站轨迹正上方的目标进行定位,正交矢量估计算法(OVE)解决了这一问题,但其仅利用了俯仰面的正交矢量,定位精确度较低,也不能仅用2次测向数据就进行定位。本文从正交性原理出发,同时利用俯仰面和方位面的正交信息,推导得到了扩展OVE(EOVE)算法,并提出了基于雷达坐标系的EOVE算法。仿真结果表明,新算法延续了OVE算法的优点,可以定位直线测站轨迹正上方的目标,而精确度优于OVE算法,并能仅利用2次测向结果进行定位,实用价值高。

短波宽带数据通信传输体制性能分析

针对短波宽带数据传输的研究热点,介绍分析两种主流短波宽带传输体制,从多个角度进行对比研究。结果表明,WBHF(Wideband High Frequency)对比HF XL(Thalse宽带传输替代方案)频谱可用性较差,射频性能中相位噪声较大,峰均功率比较低,抗干扰性能有限。WBHF和HF XL在不同指标方面各具优势,因此在实际频谱环境下要根据传输需求选择合适的传输方案。

基于LSTM的短波频率参数预测

针对现有短波通信频率参数预测方法操作繁琐、预测精度不足的缺点,首次提出一种基于长短期记忆型循环神经网络(LSTM RNN)的预测方法。通过对电离层参数fOF2数据的分析,利用LSTM在处理时序相关数据时可以长期记忆网络历史数据的优势,对fOF2值进行预测。对比反向传播神经网络(BPNN),LSTM将误差降低了7%,并将均方误差控制在2%以下。研究结果表明:基于LSTM搭建的提前预报5天的fOF2值的模型是可行的且比BP神经网络更适合预测电离层的fOF2值。