一种多层级自适应传输链路构建方法和系统

技术领域

本发明涉及无线通信技术领域，具体涉及一种多层级自适应传输链路构建方法和系统。

背景技术

随着通信技术的不断发展与创新，为了提供更好的传输服务，提升通信传输的可靠性与有效性，自适应传输技术应运而生。自适应传输技术的目的主要是在给定的信道条件下，以尽可能高的速率传输数据。由于信道干扰、信号强度弱等因素，系统吞吐量不能达到最佳，因此需要动态地选择合适的链路参数来应对信道条件的恶化，从而取得较高的传输速率以及传输性能。自适应传输(Adaptive Transmission，AT)技术就是将频域或时域上的信道状态信息(Channel State Information，CSI)，比如信道秩信息或标记信息，反馈给发射机，通过调整调制方式、传输功率等传输策略实现传输性能的优化。

军事上，由于收发双方高速移动、应用环境高度复杂、信道状态动态多变，任务复杂性、多样性和动态性以及各种干扰的影响，为了保证信息交互性能与任务高度适配，支撑更快更好的指挥决策，实现资源的合理利用分配，要求信息传输链路具备自适应能力，能够基于当前任务状态和信道质量信息反馈，自适应调整包括频段、发射功率、编码调制、扩跳频模式等参数信息，可以通过调整某一个参数或多个参数来适应在多变且恶劣的环境中传输信号的任务。

民用上，无线通信应用环境呈现出多样性，城市、山林、沙漠、空中、地面等信道环境千差万别，智能手机、平板电脑等电子产品蓬勃发展，各种信号终端设备广泛应用，电磁环境极为复杂，高速数据业务传输需求越加迫切，在此背景下，能够基于不同应用环境，自适应进行信息交互，提升传输速率和可靠性，实现有限资源的极致利用成为信息传输链路发展的必然需求。同时，无线系统由于其开放性，相比于传统的有线通信系统更易受到恶意的攻击，能够基于信道环境差异，自适应进行抗干扰设计需求极为迫切。

早期的自适应传输技术主要对自适应功率控制技术以及自适应调制技术进行研究，或者将两种技术相结合提升传输性能。随着编码与调制技术的发展，有学者发现将卷积码、级联码等编码和BPSK、QPSK调制技术结合在一起的自适应传输技术可以克服远近效应等问题，因此自适应传输技术开始越来越多的在无线通信领域得到认可与发展。

自适应传输技术经过多年的发展，在部分领域已取得一定研究进展，但与蓬勃发展移动通信等技术相比，还存在发展缓慢，应用有限等问题，主要缺点表现为：

(1)传统自适应传输技术研究主要分为信道质量反馈以及调制方案选择两个方面，自适应可选参数有限，动态性和灵活性不足；

(2)传统自适应传输技术更多面向民用环境，寻求的是传输速率的提升，对于抗干扰的需求考虑不足，难以直接应用于军用环境和安全性要求较高的民用场景。

(3)传统自适应传输技术大多通过复杂的算法运算来提升通信系统性能，对于高效率高密度要求的通信应用场景而言，复杂的运算势必会降低系统的通信质量。

(4)传统自适应传输技术面临对信道状态信息的测量和计算，反馈过程中的时延、信道状态估计信息可靠性等问题。

(5)传统自适应传输技术主要还是应用于地面通信，随着空中平台的大量出现和使用，特别是无人机技术的蓬勃发展，空中无人平台之间、有无人平台之间的自适应传输问题亟待解决。

发明内容

针对传统自适应传输技术自适应层级单一、抗干扰能力有限等问题，本发明提供了一种多层级自适应传输链路构建方法。本发明采用三层级自适应架构，基于规则进行传输链路自适应初判，基于知识库进行传输链路快速决策，保障自适应时效性，在此基础上，基于在线学习动态修正相应参数，保障传输链路性能。

本发明通过下述技术方案实现：

一种多层级自适应传输链路构建方法，包括：

根据应用需求和具体任务，解析并生成当次传输需求输入和性能需求；

根据输入和性能需求，基于链路传输基本规则初步生成自适应传输链路；

通过信道估计与测量，获取当前信道状态质量信息；

根据当前信道状态质量信息，通过与预先构建的知识库进行匹配，自适应生成相应的适配传输链路；

基于在线学习，动态修正传输策略和参数，得到最优传输链路方案。

作为优选实施方式，本发明的基于链路传输基本规则初步生成自适应传输链路，具体为：

基于链路传输基本规则完成工作频段/频点、发射功率、是否扩跳、扩跳方式的选择，初步生成自适应传输链路。

作为优选实施方式，本发明的通过信道估计与测量，获取当前信道状态质量信息，具体为：

发射端发射前导信息；

接收端接收并正确解码前导信息，判断自己是否为预期接收端；

如果是，则进行信道状态质量信息的评估，获取当前链路质量，并向发射端回传信道状态质量信息和ACK信号；

否则，忽略收到的信息，不做进一步处理。

作为优选实施方式，本发明的知识库为通过建立任务、信道状态质量信息与传输测量和参数之间的关系图谱，形成的自适应传输知识库。

作为优选实施方式，本发明的根据当前信道状态质量信息，通过与预先构建的知识库进行匹配，自适应生成相应的适配传输链路，具体为：

设置自适应切换门限；

基于当前信道状态质量信息，根据任务的功能、性能要求，按照自适应切换门限，通过与所述知识库的匹配，自适应生成相应的适配传输链路。

作为优选实施方式，本发明的自适应切换门限可采用传输速率最大化准则、误码率最小化准则或发射功率最小化准则。

作为优选实施方式，本发明的基于在线学习，动态修正传输策略和参数，具体为：

建立基于模型驱动的在线学习自适应机制；

利用在线学习自适应机制，动态修正传输测量和参数。

作为优选实施方式，本发明的在线学习自适应机制通过自适应传输网络来完成传输链路模型和参数动态修正；

所述自适应传输网络为一个集成网络模型，每个子网络由2DCNN、LSTM和FC-DNN组成。

另一方面，本发明提出了一种多层级自适应传输链路构建系统，包括：

任务解析模块，根据应用需求和具体任务，解析并生成当次传输需求输入和性能要求；

基于规则的自适应决策模块，根据输入和性能要求，基于链路传输基本规则初步生成自适应传输链路；

基于知识库的反馈调整模块，通过信道估计与测量，获取当前信道状态质量信息；根据任务要求、当前信道状态质量信息，与预先构建的知识库进行匹配，自适应生成相应的适配传输链路；

基于在线学习的动态修正模块，基于在线学习，动态修正传输策略和参数，得到最优传输链路方案。

作为优选实施方式，本发明的系统还包括：

链路生成模块，用于生成最优的传输链路。

本发明具有如下的优点和有益效果：

相较于传统自适应传输技术，本发明针对军民用通信任务中，环境越来越复杂、动态不确定显著增强、业务类型更加多样化、信息交互更加频繁、应用场景更加丰富、抗干扰要求更加迫切等问题，构建一种多层级自适应传输链路，其具有更强的泛在适应性、更灵活的动态适应性、更高的任务适应性，更强的抗扰可靠性、更优的资源利用效率。

本发明扩展了参数调整维度，在传统自适应编码调制基础上，扩展为包括编码、调制、发射功率、扩跳、工作频段/频点等多个维度，大大提升自适应动态灵活性，可广泛应用于军民用多业务场景。

本发明采用三层级自适应保障传输性能始终与任务和环境保持最佳匹配，提高了传输性能与任务环境匹配度。

本发明扩展了自适应优化目标，在传统追求传输速率性能基础上，扩展到射频隐身要求、干扰强度与影响、传输时延等，大大提升自适应链路任务适应性。

本发明提升了自适应链路抗干扰性能，综合频段选择、联合扩跳、编码调制等在对抗各类干扰的上的优势，基于对任务理解和对干扰分析，生成适配抗干扰链路，大大提升链路传输可靠性。

本发明提升了链路自适应精确性，一方面，基于深度学习等技术手段，提升了对信道状态估计精度，另一方面，通过多层级修正，保持链路性能最优。同时，本发明采用了深度学习的方法，特别是基于模型驱动的方法，在基于较小数据样本下获得与任务环境匹配的最佳的链路设计方案，与传统自适应方式相比，速度更快，保障了自适应切换的时效性。

附图说明

此处所说明的附图用来提供对本发明实施例的进一步理解，构成本申请的一部分，并不构成对本发明实施例的限定。在附图中：

图1为本发明实施例的多层级自适应传输链路构建方法流程示意图。

图2为本发明实施例的基于模型驱动的在线学习自适应网络模型示意图。

图3为本发明实施例的多层级自适应传输链路构建系统原理框图。

具体实施方式

为使本发明的目的、技术方案和优点更加清楚明白，下面结合实施例和附图，对本发明作进一步的详细说明，本发明的示意性实施方式及其说明仅用于解释本发明，并不作为对本发明的限定。

实施例

针对传统自适应传输技术自适应层级单一、动态可调整维度不足、抗干扰能力有限、任务和追求目标单调、应用场景受限等问题，本实施例提供了一种多层级自适应传输链路构建方法。具体如图1所示，本实施例的方法具体包括：

第一步，信息传输任务解析：根据应用需求和具体任务，解析并生成当次传输需求输入和性能要求：如低截获要求、误码率要求、抗干扰要求、传输速率要求、传输时延要求等，作为自适应链路优化目标。

第二步，基于规则的第一层级链路自适应：根据输入和性能要求，基于链路传输基本规则(如表1所示)完成工作频段/频点、发射功率、是否扩跳、扩跳方式等传输策略和参数的选择，初步生成自适应传输链路。

表1链路传输基本规则表

第三步，信道估计与测量：评估当前信道环境，获取信道状态质量信息。该过程具体包括以下子步骤：

步骤3.1，发射端发射前导信息；

步骤3.2，接收端接收并正确解码前导信息，判断自己是否为预期接收端，若为预期接收端则执行步骤3.3，否则执行步骤3.4；

步骤3.3，采用包括基于矩估计器(如M2M4)、基于拟合方法、基于深度学习方法(如CNN-LSTM网络)等手段进行信道状态质量信息的评估，获取当前链路质量，并向发射端回传信道状态质量信息和ACK信号；

步骤3.4，忽略收到的信息，不做进一步处理(不发送任何信息)。

第四步，基于知识库的第二层级链路自适应：预先构建不同模式和参数设置下传输性能与信道状态质量信息知识库，基于对信道条件的评估，通过与知识库的匹配，自适应生成相应的适配传输链路。该过程具体包括以下子步骤：

步骤4.1，构建链路自适应知识库：建立任务、信道状态质量信息与传输方案(模式、参数不同组合)之间的关系图谱，形成自适应传输知识库。即在不同信道条件下，不同模式和参数组合方式下(编码、调制、扩频、跳频、频段等模式和参数组合)，误码率、发射功率、传输速率、时延的关系图谱。

步骤4.2，自适应切换门限设置：切换门限选择上采用了包括传输速率最大化准则、误码率最小化准则和发射功率最小化准则。

其中，传输速率最大化准则就是在保证误码率和发射功率等约束前提下，尽可能提升传输速率。可表示为：

MCS(γ)＝argmax{Rate

其中Rate

误码率最小化准则就是在保证传输速率和发射功率等约束前提下，尽可能减小误码率。可表示为：

MCS(γ)＝argmin{BER

其中BER

发射功率最小化准则就是在保障误码率要求和时延等前提下，尽可能减小系统的发射功率。可表示为：

MCS(γ)＝argmin{P

其中P

步骤4.3，自适应链路生成：基于当前信道状态质量信息，根据任务的功能、性能要求，按照不同自适应切换门限准则，基于知识库构建传输方案与性能关系图谱，选择适配的模式和参数，生成传输链路。

第五步，基于在线学习的第三层级链路自适应：受限于知识库的粒度和规模，基于知识库的链路自适应使得传输性能并不能总是最优，为此，在基于知识库基础上，利用获取信号信息，建立基于模型驱动的在线学习自适应机制，动态修正传输策略和参数，进一步改善自适应链路性能。

本实施例采用基于模型驱动的自适应网络(ATNet)模型，其为一种深度学习网络模型，实现传输参数动态调整，基于模型驱动的自适应传输机制具体是以误码率为参考，考量数据速率、发射功率、洗澡比等影响因素，借助深度学习工具，选择合适的预编码及自适应传输策略，相比基于数据驱动的网络，基于模型驱动的深度学习网络对样本数据量需求更少、收敛速度更快，更适合复杂的无线通信环境。

基于模型驱动的自适应传输机制工作原理为：，模型驱动自适应传输网络是一个集成网络模型，其中每一个子网络由2DCNN、LSTM和FC-DNN组成，网络架构如图2所示。

其中，2DCNN的输出可以表示为，

其中f(·)为ReLU激活函数，X

每个LSTM单元通过遗忘门、输入门和输出门的配合完成信息的长时记忆以及特征信息的进一步提取，经过个时间步长后，LSTM的输出可以得到为：

其中X

三层FC-DNN使得网络的输出维度与传输方案的类别一致，计算公式表示为，

其中σ(·)表示Sigmoid激活函数，

网络输入为接收信号提取的特征X，特征信息应选取能反映通信性能的参数，每一组特征信息X包含估计的SNR、信道秩信息、信道标记信息以及信道均衡信息等。特征信息输入子网络后，首先经过2DCNN网络实现对数据的降维；原有和降维后的参数共同作为LSTM网络的特征，利用LSTM网络来实现信息的长时记忆和特征的进一步提取；最后通过FC-DNN网络实现输出维度对于自适应调制类别一致。由于不同的特征信息在输入到集成神经网络后每一个子网络都会生成对应的输出结果Si(传输方案)，所以需要对Si进行集成进而得到最终的结果Y(传输方案)。

本实施例的基于模型驱动的自适应传输机制具体流程如下：

步骤5.1，模型训练：基于训练数据样本训练网络模型。数据样本为基于不同信道环境下接收信号数据提取的信道特征X(包含估计的SNR、信道秩信息、信道标记信息以及信道均衡信息等)，该样本数据为标注数据(即针对每组信道特征，知道相应的输出信息，即对应的最佳传输方案/策略)。

步骤5.2，传输过程中针对收到的接收信号，通过特征提取，然后输入训练好的网络模型，最终得到与当前信道环境和任务最适配的传输方案/策略。

步骤5.3，射端根据方案，动态调整当前传输策略，修正相应参数等。

实施例2

本实施例提出了一种多层级自适应传输链路构建系统，该系统采用三层级自适应架构，如图3所示，主要包括任务解析模块、基于规则的自适应决策模块、基于知识库的反馈调整模块、基于在线学习的动态修正模块和链路生成模块。

其中，任务解析模块根据应用需求和具体任务，解析并生成当次传输需求输入和性能要求作为自适应链路优化目标。

基于规则的自适应决策模块根据输入和性能要求，基于链路传输基本规则完成工作频段/频点、发射功率、是否扩跳、扩跳方式等传输策略和参数的选择，初步生成自适应传输链路。

基于知识库的反馈调整模块主要是基于对当前信道环境的估计与测量，根据任务要求与知识库进行匹配，选择最满足要求的发射功率、频段、编码调制、扩跳方式等，自适应生成相应的传输链路。

基于在线学习的动态修正模块主要是针对知识库局限性问题，基于深度学习方法对信道环境进行在线学习评估、对电磁频谱环境等数据进行学习理解，进而调整相应参数，保障在有限资源下，传输链路性能与任务和环境进行最佳匹配，生成与任务和信道状态匹配的传输链路。通过实时在线学习，动态修正传输策略和参数，保持传输性能最优。

策略生成模块用于生成并输出最终的最优传输链路方案。

以上所述的具体实施方式，对本发明的目的、技术方案和有益效果进行了进一步详细说明，所应理解的是，以上所述仅为本发明的具体实施方式而已，并不用于限定本发明的保护范围，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。