一種基于向量回歸的無人機通信信道選擇方法

劉堯+彭藝

摘要：

由于無人機通常工作于復雜的電磁環境與多變的地理環境中，因此無人機通信通常采用跳頻技術對抗干擾。然而傳統的無人機跳頻通信僅僅是簡單的固定跳頻信道接入，如當前使用信道發生用戶沖突或者突然衰落時，通信可能會延遲甚至中斷。因此，文章結合認知無線電技術（CR），提出一種基于向量回歸的無人機認知跳頻通信信道選擇方法，運用基于向量回歸建立預測最小信噪比模型，基于CR建立跳頻信道集并在當前跳頻通信時同時檢測下一跳通信信道狀態及動態選擇信道，從而保證了跳頻接入的可靠性。仿真表明，此方法較傳統跳頻通信有更高的傳輸速率和較低的誤碼率，對無人機的通信質量有較大提升。

關鍵詞：

無人機通信；認知無線電；向量回歸；頻譜感知；跳頻通信

DOIDOI：10.11907/rjdk.172517

中圖分類號：TP393

文獻標識碼：A文章編號文章編號：1672-7800（2018）001-0195-04

Abstract：Since unmanned aerial vehicles （UAV） are usually employed in complex electromagnetic environments and diverse geographic environments， the frequency-hopping technology is often used in UAV communications to compete interference. However， the traditional frequency-hopping technology is just a fixed access of frequency-hopping communication channel. Once the current using channel has user conflicts or a sudden fading， the communication may delay or interrupt. So， combine with cognitive radio （CR） technology， a frequency-hopping communication channel selection method for UAV based on RVR （Relevance Vector Regression） is addressed. The method based on RVR to establish the model to predict minimum SNR，and constitute the frequency-hopping channel set based on cognitive radio. The next frequency-hopping channel will be estimated meanwhile when the frequency-hopping is going in order to ensure the reliability of the frequency-hopping access. The simulation indicated that the method proposed has better data rate and lower error rate， and an obvious improvement of the communication quality.

Key Words：UAV communication； cognitive radio； relevance vector regression； spectrum sensing； frequency hopping communication

0引言

無人機（Unmanned Aerial Vehicles，UAV）廣泛應用于軍事、科研、地形測繪、搜救和快遞業務等各個方面[1]。根據國家工信部《中華人民共和國無線電頻率劃分規定》及我國頻譜使用情況規定，840.5-845MHz、1 430-1 444MHz和2 408-2 440MHz頻段用于無人駕駛航空器系統，無人機的頻譜資源十分緊張。當使用無人機覆蓋一塊區域進行通信時，由于無人機的位置在不斷變化，且每個無人機所處的電磁環境也有所不同，在干擾環境下用戶如何選擇通信信道成為無人機通信的關鍵問題。傳統的無人機跳頻通信是事先選擇出可用頻率集，確定一個固定跳頻圖案，通信雙方按跳頻圖案同步跳頻通信，此方法雖然能對抗干擾與衰落，但在時變動態衰落的無人機通信環境中，信道狀態動態變化，用戶按預定信道跳頻會出現跳到衰落或碰撞信道導致通信中斷。因此，無人機跳頻通信中需要對信道狀態進行感知，并動態地切換合適的通信信道，因此本文提出將基于認知無線電的感知技術應用于無人機通信環境，并提出了一種基于向量回歸（Relevance Vector Regression，RVR）的無人機認知跳頻通信信道選擇方法。

1.3信道選擇接入

采用RVR方法根據無人機所處的環境實時預測滿足通信的最低信噪比，將滿足最低信噪比要求的可用于通信的信道作為跳頻通信所用的頻道序列和備用信道。無人機根據生成的頻道序列進行跳頻通信。跳頻通信期間，在完成當前這一跳頻通信的同時檢測下一跳所用信道的狀態，如若出現信道衰落或者用戶沖突，立即采用備用信道替代原本的下一跳信道，從而保證信道的有效性和無人機通信的可靠性。信道選擇接入的流程如圖2所示。

如圖3所示，用戶按照事先感知的頻譜生成跳頻信道和備用信道，正常通信時首先選擇信道1進行通信，同時檢測信道2的可用性。使用信道1通信完成后，使用信道2進行通信，同時檢測信道3的可用性，發現信道3被其他用戶使用，所以下一跳不能再使用信道3進行跳頻通信，否則會產生沖突，所以使用信道2完成通信后，下一跳采用備用信道n-r進行通信，同時檢測信道4的可用性。在采用當前信道進行通信的同時會檢測下一個信道的狀況，如果下一跳信道出現衰落或者用戶沖突，立即使用備用信道，然后再檢測下一跳信道的狀況。如圖3，在使用信道5進行通信的時候檢測到信道6出現衰落，不適合進行通信，所以使用了備用信道n-r+1進行下一次的跳頻通信。這樣就可以大大減少其他用戶出現和信道衰落對跳頻通信產生的影響，極大地提高通信的質量。endprint

2性能分析

無人機通信信道傳播特性可以用Okumur模型進行描述[8-9]，仿真實驗通過比較傳統跳頻方法，基于RVR跳頻接入方法和實際飛行過程的信道參數，對提出的方法進行分析[10]。全程路程大約5.4km，從學校門口出發，途經小區、公路、大學城區，最終飛到山區結束。在航線附近點M有1 個隨機二元碼干擾源，其帶寬為3.5MHz，針對無人機通信信道的干擾，中心頻率為1 441MHz，是一個寬帶干擾，功率為-6～6dB，對無人機的通信有較大影響。信道噪的聲功均為-82.5dBm，記錄的信噪比和傳輸速率如圖4所示。

圖5是為了保證相同誤碼率為1%時需要的小信噪比的值。開始階段，兩種方法相差不大，然而飛行到小區，受到建筑的遮擋，需要的最小信噪比有所增大，飛到開闊道路后，則有所下降；飛到受到寬帶干擾的干擾源上空時，對信道狀態進行預測及對下一跳信道狀態進行檢測的RVR技術，需要較小的信噪比即可同普通跳頻技術達到

相同的誤碼率；而后無人機飛進山區，受到高山的遮擋，信噪比又有所上升。通過仿真實驗可看出，基于RVR最小信噪比預測的跳頻方法在無人機通信信道選擇具有一定的優勢，尤其是面對復雜多變的電磁干擾環境時，具有較好的抗干擾效果和較高的信噪比，對無人機的通信質量有一定提升。

3結語

本文針對無人機（UAV）復雜的電磁環境和多變的通信環境，提出在傳統的跳頻通信中引入認知無線電技術對抗跳頻信道動態衰落問題，并提出了一種基于向量回歸（RVR）的無人機認知跳頻通信信道選擇方法。仿真表明，該方法較傳統的跳頻通信有更高的傳輸速率和較低的誤碼率，能提高無人機的通信質量。

參考文獻：

[1]VACHTSEVANOS G J，VALAVANIS K P. Handbook of unmanned aerial vehicles[M]. Berlin： Springer Netherlands，2014.

[2]張宇航，張曄.SVM和RVM對高光譜圖像分類的應用潛能分析[J].哈爾濱工業大學學報，2012，44（3）：34-39.

[3]YUAN J，YU T，WANG K S，et al. Adaptive spherical gaussian kernel for fast relevance vector machine regression[C]. Proceedings of the 7th World Congress on Intelligent Control and Automation，2008：2071-2078.

[4]SHEN Y，LIU G H，LIU H.Classification method of power quality disturbances based on RVM[C]. Proceedings of the 8th World Congress on Intelligent Control and Automation，2010：6130-6135.

[5]董爭.基于相關向量機的大規模分類問題的研究[D].廣州：華南理工大學，2009.

[6]吳冰.相關向量回歸元建模關鍵技術及其應用研究[D].長沙：國防科學技術大學，2011.

[7]TIPPING M E. Sparse bayesian learning and the relevance vector machine[J]. Journal of Machine Learning Research，2001（3）：211-244.

[8]HATA M. Empirical formula for propogation loss in land mobile radio services[C].IEEE Transactions on Vehicular Technology，1980，29（3）：317-325.

[9]張延華，段占云，沈蘭蓀，等.Okumura-Hata傳播預測模型的可視化仿真研究[J].電波科學學報，2001，16（1）：89-92.

[10]張文秋，丁文銳，劉春輝.一種無人機數據鏈信道選擇和功率控制方法[J].北京航空航天大學學報，2017，43（3）：583-591.

（責任編輯：何麗）endprint