結合大數據的短波廣域分集技術*

劉青龍，董家山

(1. 華南理工大學 電信學院， 廣東 廣州 510640； 2. 廣州海格通信集團股份有限公司, 廣東 廣州 510663)

?

結合大數據的短波廣域分集技術*

劉青龍1,2，董家山2

(1. 華南理工大學 電信學院， 廣東 廣州 510640； 2. 廣州海格通信集團股份有限公司, 廣東 廣州 510663)

為了提高短波通信保障能力，提出了一種結合大數據的短波廣域分集技術，充分發揮大數據在短波選頻中的輔助決策功能以及天線陣在短波頻段的分集接收功能，有效降低單個接收信道質量惡化對短波通信造成的不利影響，顯著提高短波機動用戶接入地面有線通信網的可通率和通信質量。該技術架構和設計可以為下一代短波接入技術提供參考。

短波通信；分集；天線陣；大數據

0 引言

短波通信是軍事通信中的重要通信手段。由于短波天波通信依賴于不穩定的大氣電離層反射，導致短波通信的可通率和可靠性較差[1]。為了進一步提升短波通信效能，短波廣域分集技術和智能選頻技術是兩個重要的研究方向。

短波廣域分集技術是將分布在各地的、經有線網絡互聯的多個短波站點接收到的、經由不同傳播路徑的同一短波信號進行合并處理，從而有效降低單個接收信道質量惡化對短波通信造成的不利影響，顯著提高短波機動用戶接入地面有線通信網的可通率和通信質量[2]。在短波廣域分集系統的應用中，上行信道(移動臺→短波站點)主要采用空間分集，將不同短波站點解調后的軟信息進行時延校正和合并處理；下行信道(短波站點→移動臺)同樣也可以采用頻率分集，多個短波站點采用不同頻率發射信號，移動臺通過多信道接收機并行接收，并將解調后的軟信息作時延校正和合并處理。由于移動臺受到發射功率和場地空間的限制，短波通信上行信號傳輸成為制約通信聯絡的主要障礙，本文主要討論上行信道的短波廣域分集接收技術。

由于短波信道具有明顯的窗口效應和時變特性，其可用頻率窗口會隨時間而發生改變。目前國內已構建的短波廣域分集系統僅僅從被動接收的角度來對短波信號進行分集合并，而沒有將智能選頻納入短波廣域分集系統來最大化系統分集增益。由此導致的一個問題是，在定頻發射條件下，短波廣域分集系統的系統性能會隨著時間的推移而不斷下降。

為了實現短波頻率的優選，可通過短波頻率預測、短波頻率探測或二者相結合的方式來實現。國內外研究人員在短波頻率優選方面已經積累了大量的經驗和研究成果，極大地推動了短波通信的發展[3-6]。短波頻率預測主要是對電離層的部分特征參數進行數學建模，通過理論分析來選擇最佳的短波通信頻率。國外公開的典型短波頻率預測軟件有IONCAP、VOACAP、ITS、W6ELProp等，已在美軍和民航領域得到了廣泛應用[7]。然而，由于國際電聯提出的ITU-R電離層參考模型應用于中國周邊區域時，短波頻率預測存在較大偏差，中國電波傳播研究所改進并提出了新的亞大方法，有效提高了我國及周邊區域短波頻率預測的準確性。短波頻率探測是一種主動頻率優選手段，如Chirp探測等，通過獲取短波信道通信質量的參數來達到頻率優選的目的[8-9]。盡管基于探測的短波選頻技術具有即時、準確等特點，但由于基于主動探測的選頻技術容易暴露目標和遭到敵方的干擾和打擊，無法滿足軍事短波通信的需要。

本文提出了一種結合大數據的短波廣域分集技術，將智能選頻納入短波廣域分集系統，以最大化系統分集增益，從而有效提高短波通信系統性能。

1 系統架構及功能設計

短波廣域分集典型網絡結構如圖1所示，由移動臺(飛機、車輛等)和短波地面站點組成。結合大數據的短波廣域分集操作分兩個階段完成，如圖2所示。在第一個階段中，在機動用戶側，利用大數據技術，通過輸入的通信狀態數據、地理信息數據和天文數據，獲得移動臺到各短波站點k的可用頻率窗口Ak，k=1,…,N，其中N為短波站點數量。在第二個階段中，從獲得的所有可用頻率中，選擇能最大化系統分集接收效用的短波通信頻率。移動臺發射的短波信號經地域上相隔較遠的短波臺站并行接收后，由短波分集接收從站將解調后的軟值信息經有線網絡傳輸至短波分集接收主站合并，恢復出原始信號，從而大大提高短波通信的可靠性和可通率。

圖1 短波廣域分集網絡結構

圖2 結合大數據的短波廣域分集技術框構

該系統區別于以往的定頻短波廣域分集接收系統，充分利用大數據技術挖掘了影響短波通信效能的通信狀態數據、地理信息數據和天文數據，既包含了對短波電離層的統計特性，也考慮了對電離層發生突發、非周期變化的預測，實現了可以依據短波廣域分集系統上行短波多信道特性的變化實時切換工作頻率，從而最大化系統整體分集接收性能。

2 基于大數據的短波頻率預測

2.1 功能設計

基于大數據的短波頻率預測技術架構主要由數據來源層、數據獲取層、預處理層、存儲層、分析層、應用層等組成，如圖3所示。以下將對各層的主要功能做詳細介紹。

圖3 短波頻率預測技術架構

(1)數據來源層

該層包含實施短波頻率預測所有必要的數據源，包括結構化、半結構化和非結構化數據。典型數據來源分為通信狀態數據、地理信息數據、天文數據等三大類。

①通信狀態數據：包括短波通信頻率、天線尺寸、天線仰角、電臺功率、年、月、日、季節、晝夜等狀態數據；

②地理信息數據：包括收發點經緯度、電離層厚度、電離層密度、太陽天頂角、收發點間大圓距離、短波單跳最大地面距離等信息數據；

③天文數據：包括太陽黑子數、太陽活動性指數、太陽黑子活動周期、太陽黑子大小、耀斑周期、太陽風周期等天文信息數據。

(2)數據獲取層

將所獲取的通信狀態數據、地理信息數據、天文數據等傳送至數據處理或存儲于指定位置中。該層可通過智能算法實現數據的存儲判斷。

(3)數據預處理層

該層將對下層所遞交的數據作清洗等過濾操作，提高數據挖掘結果的質量，縮短數據挖掘時間。

(4)存儲層

該層主要提供數據存儲功能，同時也提供對處理模型的存儲。

(5)分析層

該層既可利用Spark SQL實現對短波頻率預測的實時關聯查詢，也可利用短波頻率使用的歷史經驗數據進行機器學習，獲得短波頻率預測模型。同時，通過不斷獲取的、新的實時數據，利用算法庫進一步修正和優化短波頻率預測模型，從而更準確地預測短波可用頻率。

(6)應用層

該部分使用分析層所提供的頻率預測模型，做出對短波頻率選擇的判斷。

2.2 功能流程

基于大數據的短波通信頻率預測分析流程如圖4所示。

圖4 大數據分析流程

由于短波天波通信依賴于電離層的反射，因此需要根據電離層和通信狀態等因素獲得移動臺到各短波站點k的可用頻率窗口Ak，包括最高可用頻率(MUF)和最低可用頻率(LUF)。基于大數據的短波頻率預測系統首先從外部系統獲取與各短波站點間的通信狀態數據、地理信息數據、天文數據等，通過大數據獲取與預處理技術，獲得訓練樣本與特征數據；同時，對數據進行清洗、篩選、去重、增強等操作，提取出特征數據。然后，利用統計運算、機器學習等技術手段，通過不斷迭代對模型進行訓練，得到短波選頻模型，并對模型進行評估及多次迭代調優，最后將模型應用于短波通信頻率預測，從而得到移動臺到各短波站點k的可用頻率窗口Ak。

3 基于最大分集接收效用的短波頻率選擇

3.1 基于最大分集接收效用的短波選頻模型

在短波廣域分集接收系統中主要采用的分集合并技術包括選擇合并、等增益合并和最大比值合并等，本文以下主要討論能取得最佳合并性能的最大比值合并來提升短波通信效能。

短波分集接收從站將并行接收的信號經有線網絡匯聚至短波分集接收主站合并接收時，需要合理選取各分支的加權系數，使得合并后信號的信噪比最大，且其最大輸出信噪比為各支路信噪比之和[10]。因此，選擇短波頻率來最大化分集接收效用可轉化為使得合并后信號的輸出信噪比最大問題。

(1)

則最大化分集接收效用的短波選頻問題歸結為求解式(2)。

(2)

最優可用短波頻率為：

(3)

由于該問題的求解復雜度主要與搜索空間A有關。為了加快該問題的求解，減少遍歷搜索時間，工程實施上可以考慮合理縮小搜索空間A，尋找近似最優解。

3.2 頻率選擇流程

圖5 短波頻率選擇流程

在實際工程應用中，可以搜索出除最優工作頻率外的多個次優工作頻率作為備選頻率，以確保最佳的短波語音質量和通信效果。

4 結束語

本文提出了一種結合大數據的短波廣域分集技術，以充分發揮大數據在短波選頻中的輔助決策功能以及單極性天線陣在短波頻段廣域分集接收功能。實驗表明，該技術可顯著提高短波機動用戶接入地面有線通信網的可通率和通信質量。未來，本公司將繼續開展短波頻段小型異構天線陣在短波廣域分集接收系統中的應用研究，以進一步提高短波通信效能。

[1] 王金龍.短波數字通信研究與實踐[M]. 北京：科學出版社，2014.

[2] 劉青龍，董家山. 短波廣域分集技術研究[J]. 電子技術應用，2016,42(6):25-33.

[3] Tian Xiaoping, Lu Jihua. Shortwave propagation over oceans and HF propagation prediction model[C]. CISE 2009: International Conference on Computational Intelligence and Software Engineering, Wuhan, 2009: 1-4.

[4] Li Chao, Yang Xiaopeng, Wang Feng, et al. A frequency prediction method based on estimation of the ionospheric characteristics[C]. EMEIT 2011: International Conference on Electronic and Mechanical Engineering and Information Technology, Harbin, 2011: 3881-3884.

[5] Ren Shuting, Guo Lili. A prediction method for HF radio communication frequency based on FWNN[J].Conunnnications Technology, 2011, 44(4): 37-39.

[6] GOODMAN J M, REILLY M H. Shortwave propagation prediction methodologies[J]. IEEE Transactions on Broadcasting, 1988, 34(2): 230-237.

[7] 徐池，邱楚楚，李梁,等. 海上短波通信頻率優選技術現狀與分析[J]. 通信技術，2015,48(10):1101-1105.

[8] 黃緒發,郝威. 一種基于Chirp探測的短波頻率分配算法[J]. 信息通信, 2009(4):21-23.

[9] 李曉陸. Chirp探測技術及其在短波通信中的應用[J]. 艦船電子工程，2005,25(3):96-100.

[10] 郭冬梅. 無線通信中分集合并技術的研究[D]. 哈爾濱：哈爾濱工程大學，2010.

HF wide area diversity technology combined with big data

Liu Qinglong1,2, Dong Jiashan2

(1. School of Electronic and Information Engineering, South China University of Technology, Guangzhou 510640, China; 2. Guangzhou Haige Communications Group Incorporated Company, Guangzhou 510663, China)

In order to enhance the support capability for HF (High Frequency) communication, this paper proposes the HF wide area diversity technology combined with big data, which fully exploits the decision assistant function played by big data in HF frequency prediction and the function of diversity in HF band played by antenna arrays. The proposed HF wide area diversity technology effectively reduces the adverse effects on HF communications caused by the deterioration of the quality of a single receiving channel and thus greatly improves the transmissibility and quality of HF communications for the access of HF mobile users to the ground wired communication networks. The proposed technical architecture and design may be as a reference for the next generation of HF access technology.

HF communication; diversity; antenna array; big data

“廣州市企業博士后研究人員國際培養計劃”資助

TN926+.2

A

10.19358/j.issn.1674- 7720.2017.13.021

劉青龍，董家山.結合大數據的短波廣域分集技術[J].微型機與應用，2017,36(13)：70-72，75.

2017-02-07)

劉青龍，通信作者，男，博士，系統設計師，主要研究方向：無線通信、網絡編碼、網絡安全、短波通信等。E-mail: qq350653765@163.com。