结合大数据的短波广域分集技术*

刘青龙，董家山

(1. 华南理工大学 电信学院， 广东 广州 510640； 2. 广州海格通信集团股份有限公司, 广东 广州 510663)



结合大数据的短波广域分集技术*

刘青龙1,2，董家山2

(1. 华南理工大学 电信学院， 广东 广州 510640； 2. 广州海格通信集团股份有限公司, 广东 广州 510663)

为了提高短波通信保障能力，提出了一种结合大数据的短波广域分集技术，充分发挥大数据在短波选频中的辅助决策功能以及天线阵在短波频段的分集接收功能，有效降低单个接收信道质量恶化对短波通信造成的不利影响，显著提高短波机动用户接入地面有线通信网的可通率和通信质量。该技术架构和设计可以为下一代短波接入技术提供参考。

短波通信；分集；天线阵；大数据

0 引言

短波通信是军事通信中的重要通信手段。由于短波天波通信依赖于不稳定的大气电离层反射，导致短波通信的可通率和可靠性较差[1]。为了进一步提升短波通信效能，短波广域分集技术和智能选频技术是两个重要的研究方向。

短波广域分集技术是将分布在各地的、经有线网络互联的多个短波站点接收到的、经由不同传播路径的同一短波信号进行合并处理，从而有效降低单个接收信道质量恶化对短波通信造成的不利影响，显著提高短波机动用户接入地面有线通信网的可通率和通信质量[2]。在短波广域分集系统的应用中，上行信道(移动台→短波站点)主要采用空间分集，将不同短波站点解调后的软信息进行时延校正和合并处理；下行信道(短波站点→移动台)同样也可以采用频率分集，多个短波站点采用不同频率发射信号，移动台通过多信道接收机并行接收，并将解调后的软信息作时延校正和合并处理。由于移动台受到发射功率和场地空间的限制，短波通信上行信号传输成为制约通信联络的主要障碍，本文主要讨论上行信道的短波广域分集接收技术。

由于短波信道具有明显的窗口效应和时变特性，其可用频率窗口会随时间而发生改变。目前国内已构建的短波广域分集系统仅仅从被动接收的角度来对短波信号进行分集合并，而没有将智能选频纳入短波广域分集系统来最大化系统分集增益。由此导致的一个问题是，在定频发射条件下，短波广域分集系统的系统性能会随着时间的推移而不断下降。

为了实现短波频率的优选，可通过短波频率预测、短波频率探测或二者相结合的方式来实现。国内外研究人员在短波频率优选方面已经积累了大量的经验和研究成果，极大地推动了短波通信的发展[3-6]。短波频率预测主要是对电离层的部分特征参数进行数学建模，通过理论分析来选择最佳的短波通信频率。国外公开的典型短波频率预测软件有IONCAP、VOACAP、ITS、W6ELProp等，已在美军和民航领域得到了广泛应用[7]。然而，由于国际电联提出的ITU-R电离层参考模型应用于中国周边区域时，短波频率预测存在较大偏差，中国电波传播研究所改进并提出了新的亚大方法，有效提高了我国及周边区域短波频率预测的准确性。短波频率探测是一种主动频率优选手段，如Chirp探测等，通过获取短波信道通信质量的参数来达到频率优选的目的[8-9]。尽管基于探测的短波选频技术具有即时、准确等特点，但由于基于主动探测的选频技术容易暴露目标和遭到敌方的干扰和打击，无法满足军事短波通信的需要。

本文提出了一种结合大数据的短波广域分集技术，将智能选频纳入短波广域分集系统，以最大化系统分集增益，从而有效提高短波通信系统性能。

1 系统架构及功能设计

短波广域分集典型网络结构如图1所示，由移动台(飞机、车辆等)和短波地面站点组成。结合大数据的短波广域分集操作分两个阶段完成，如图2所示。在第一个阶段中，在机动用户侧，利用大数据技术，通过输入的通信状态数据、地理信息数据和天文数据，获得移动台到各短波站点k的可用频率窗口Ak，k=1,…,N，其中N为短波站点数量。在第二个阶段中，从获得的所有可用频率中，选择能最大化系统分集接收效用的短波通信频率。移动台发射的短波信号经地域上相隔较远的短波台站并行接收后，由短波分集接收从站将解调后的软值信息经有线网络传输至短波分集接收主站合并，恢复出原始信号，从而大大提高短波通信的可靠性和可通率。

图1 短波广域分集网络结构

图2 结合大数据的短波广域分集技术框构

该系统区别于以往的定频短波广域分集接收系统，充分利用大数据技术挖掘了影响短波通信效能的通信状态数据、地理信息数据和天文数据，既包含了对短波电离层的统计特性，也考虑了对电离层发生突发、非周期变化的预测，实现了可以依据短波广域分集系统上行短波多信道特性的变化实时切换工作频率，从而最大化系统整体分集接收性能。

2 基于大数据的短波频率预测

2.1 功能设计

基于大数据的短波频率预测技术架构主要由数据来源层、数据获取层、预处理层、存储层、分析层、应用层等组成，如图3所示。以下将对各层的主要功能做详细介绍。

图3 短波频率预测技术架构

(1)数据来源层

该层包含实施短波频率预测所有必要的数据源，包括结构化、半结构化和非结构化数据。典型数据来源分为通信状态数据、地理信息数据、天文数据等三大类。

①通信状态数据：包括短波通信频率、天线尺寸、天线仰角、电台功率、年、月、日、季节、昼夜等状态数据；

②地理信息数据：包括收发点经纬度、电离层厚度、电离层密度、太阳天顶角、收发点间大圆距离、短波单跳最大地面距离等信息数据；

③天文数据：包括太阳黑子数、太阳活动性指数、太阳黑子活动周期、太阳黑子大小、耀斑周期、太阳风周期等天文信息数据。

(2)数据获取层

将所获取的通信状态数据、地理信息数据、天文数据等传送至数据处理或存储于指定位置中。该层可通过智能算法实现数据的存储判断。

(3)数据预处理层

该层将对下层所递交的数据作清洗等过滤操作，提高数据挖掘结果的质量，缩短数据挖掘时间。

(4)存储层

该层主要提供数据存储功能，同时也提供对处理模型的存储。

(5)分析层

该层既可利用Spark SQL实现对短波频率预测的实时关联查询，也可利用短波频率使用的历史经验数据进行机器学习，获得短波频率预测模型。同时，通过不断获取的、新的实时数据，利用算法库进一步修正和优化短波频率预测模型，从而更准确地预测短波可用频率。

(6)应用层

该部分使用分析层所提供的频率预测模型，做出对短波频率选择的判断。

2.2 功能流程

基于大数据的短波通信频率预测分析流程如图4所示。

图4 大数据分析流程

由于短波天波通信依赖于电离层的反射，因此需要根据电离层和通信状态等因素获得移动台到各短波站点k的可用频率窗口Ak，包括最高可用频率(MUF)和最低可用频率(LUF)。基于大数据的短波频率预测系统首先从外部系统获取与各短波站点间的通信状态数据、地理信息数据、天文数据等，通过大数据获取与预处理技术，获得训练样本与特征数据；同时，对数据进行清洗、筛选、去重、增强等操作，提取出特征数据。然后，利用统计运算、机器学习等技术手段，通过不断迭代对模型进行训练，得到短波选频模型，并对模型进行评估及多次迭代调优，最后将模型应用于短波通信频率预测，从而得到移动台到各短波站点k的可用频率窗口Ak。

3 基于最大分集接收效用的短波频率选择

3.1 基于最大分集接收效用的短波选频模型

在短波广域分集接收系统中主要采用的分集合并技术包括选择合并、等增益合并和最大比值合并等，本文以下主要讨论能取得最佳合并性能的最大比值合并来提升短波通信效能。

短波分集接收从站将并行接收的信号经有线网络汇聚至短波分集接收主站合并接收时，需要合理选取各分支的加权系数，使得合并后信号的信噪比最大，且其最大输出信噪比为各支路信噪比之和[10]。因此，选择短波频率来最大化分集接收效用可转化为使得合并后信号的输出信噪比最大问题。

(1)

则最大化分集接收效用的短波选频问题归结为求解式(2)。

(2)

最优可用短波频率为：

(3)

由于该问题的求解复杂度主要与搜索空间A有关。为了加快该问题的求解，减少遍历搜索时间，工程实施上可以考虑合理缩小搜索空间A，寻找近似最优解。

3.2 频率选择流程

图5 短波频率选择流程

在实际工程应用中，可以搜索出除最优工作频率外的多个次优工作频率作为备选频率，以确保最佳的短波语音质量和通信效果。

4 结束语

本文提出了一种结合大数据的短波广域分集技术，以充分发挥大数据在短波选频中的辅助决策功能以及单极性天线阵在短波频段广域分集接收功能。实验表明，该技术可显著提高短波机动用户接入地面有线通信网的可通率和通信质量。未来，本公司将继续开展短波频段小型异构天线阵在短波广域分集接收系统中的应用研究，以进一步提高短波通信效能。

[1] 王金龙.短波数字通信研究与实践[M]. 北京：科学出版社，2014.

[2] 刘青龙，董家山. 短波广域分集技术研究[J]. 电子技术应用，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. 海上短波通信频率优选技术现状与分析[J]. 通信技术，2015,48(10):1101-1105.

[8] 黄绪发,郝威. 一种基于Chirp探测的短波频率分配算法[J]. 信息通信, 2009(4):21-23.

[9] 李晓陆. Chirp探测技术及其在短波通信中的应用[J]. 舰船电子工程，2005,25(3):96-100.

[10] 郭冬梅. 无线通信中分集合并技术的研究[D]. 哈尔滨：哈尔滨工程大学，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

“广州市企业博士后研究人员国际培养计划”资助

TN926+.2

A

10.19358/j.issn.1674- 7720.2017.13.021

刘青龙，董家山.结合大数据的短波广域分集技术[J].微型机与应用，2017,36(13)：70-72，75.

2017-02-07)

刘青龙，通信作者，男，博士，系统设计师，主要研究方向：无线通信、网络编码、网络安全、短波通信等。E-mail: qq350653765@163.com。