基於MCPC/FDMA衛星通信網路的功率控制優化演算法

摘要：衛星通信網包含多種尺寸且功放類型各異的地球站，在MCPC/FDMA模式下，中央站可同時對多個業務站傳輸信息。單載波功率調節方法在多載波場景中存在一定的功率浪費，造成地球站的業務承載能力降低。

針對上述問題，按照業務信號的傳輸流程，分析信號的電平變化，採用最優功率演算法和增益自適應（MA）演算法，對功放增益和數據機輸出功率電平進行調節控制，優化業務初始發送電平，最後比較優化前後地球站傳送業務的總功率。模擬結果表明，優化方法能夠有效降低低速率業務的發射功率，提高地球站的業務承載能力。

正文內容：

0引言

衛星通信具有組網靈活、通信簡便的特點，廣泛應用于軍事、海事領域，主要完成數據、語音和視頻的傳輸，在遠距離、大容量通信中發揮著至關重要的作用。現有的衛星通信網通常會與地面光纖通信網組成異構網路。當移動地球站與某一固定用戶通信時，需要通過固定地球站作為中央站接入或發送業務，場景如圖1所示。目前，地球站配備的功放功率大小受限，在一個地球站同時保障多個通信鏈路時，合理調節信號發送電平，保證信息傳輸顯得十分重要。

由於岸基、車輛、艦船等發送平台的限制，收發地球站的天線尺寸、配置的功放性能各異，導致在傳輸業務時，相同的速率帶寬對發送功率的要求有所不同。文獻[1]介紹了移動站向固定站單路通信時數據機輸出電平的計算調節方法。在多載波通信場景下，這種方式會浪費有限的功率資源。這種現象與目前衛星傳輸信息量增大、需要功率資源增多的現象[2]相矛盾。

針對上述問題，本文從業務發送端入手，研究信號電平的初始變化，通過對多種天線的技術參數、天線結構、信號處理流程的分析掌握，將增益自適應演算法[3]與基於鏈路可通條件下的最優功率演算法[4]相結合，動態調節人工可控制的功放增益和調製輸出電平參數，並給出相應的控制方法和原理，達到在發射端解決功率浪費的目的，從而指導操作人員控制通信電平參數，提升地球站的業務容量承載能力。最後，在給定網狀網互通用戶的天線尺寸、功放參數和傳輸業務速率的基礎上，對優化方法的可行性進行實例驗證。

1系統模型

1.1地球站結構模型

不同的地球站傳輸模式大致相同，主要由用戶終端、業務接入分系統、調製解調分系統、管理控制分系統、發射分系統、接收分系統、天線及伺服裝置構成[5]。但是，與電平功率控制相關的是調製解調分系統、發射分系統和管理控制分系統。其中，發射分系統完成了經線纜傳輸的射頻導波能量到無線電波能量的轉換；管理控制系統完成對發射分系統電平變化和數據機輸出電平的監視與調節。地球站的結構示意圖，如圖2所示。

1.2發射支路模型

在整個地球站的架構體系中，可以將其大致分為地面信號發射支路與衛星信號接收支路。發射支路模型示意圖，如圖3所示。

當地球站為單載波發射時，按照文獻[6]給出的計算方法即可得到發射功率，通過調節對應的數據機輸出便可實現。在MCPC/FDMA模式下，單個天線發射多個載波、與不同用戶傳輸信息時，需要綜合所有鏈路的需求功率，避免盲目調節帶來的功率浪費問題。

1.3功放調節模型

增益自適應演算法（MA）可以在給定各個業務速率帶寬的前提下，使總功率達到最小。當各個業務帶寬不同時，需要對增益進行調整。在衛星地球站系統中，可通過監控系統適量衰減功放增益，模型如圖4所示。

監控模塊通過數控衰減器和壓控衰減器調整輸入信號功率電平，從而使射頻輸出功率能夠滿足鏈路可達條件下的最優功率。

2演算法模型

2.1最優功率演算法

最優功率演算法需要已知業務的速率Rb 、調製方式、編碼方式以及衛星轉發器和地球站天線的相關參數，得到地球站天線的最優發射功率PT ：

其中：

為了保證演算法的收斂性，每一個粒子必須收斂於各自的p 點，p=(p1,p2,…,pD) ，而pD 是該粒子在D 維的值。定義p 如下：

其中，c1、c2 為（0，1）之間的隨機數，gbest 是全局最優粒子。

QPSO運動行為與傳統PSO不同。由於無法同時確定粒子的速度和位置，只知道粒子出現在位置 的概率為。因此，為了對不確定的粒子位置進行測量，可採用蒙特卡洛方法進行模擬[8]。根據式（5）、式（6），粒子進化過程可表示為：

其中， 為t 時刻第i 個粒子的位置；u、k 為（0，1）之間的隨機數；為收縮因子，用於控制演算法的收斂速度。

因為隨時間t 的增長，粒子所經歷的個體最優位置pbesti 越接近群體的最佳位置gbest,Mbest 與每個粒子的位置差距也越來越小，這樣粒子的搜索範圍非常小，導致粒子群進化停滯[9]。為此，將參數隨時間作線性增長，將從0.6增加到0.9，以延緩整個粒子群陷入早熟。

定義如下：

2.2屬性約簡

2.2.1差別矩陣和適應度函數

在屬性約簡過程中，量子粒子群中的粒子為信息系統Q= 中的屬性。把屬性組合成為一組二進位串，即p=[a1,a2,…,an] 。若ai=1 ，則表示屬性qi 被選中；反之，則沒有被選中。定義6中的矩陣B 為差別矩陣，則對於差別矩陣B 來說，進行約簡就是尋找矩陣的列的最小子集，使其滿足：

適應度函數是評價粒子適應性的唯一確定性指標。它的選取決定了粒子的進化方向。屬性約簡要求得到的屬性個數儘可能少，且約簡後的屬性集要能區分整個論域[10]。

適應度函數定義為：

其中N 為條件屬性個數，Lp 為粒子p 中編碼為1的個數，K 為差別矩陣B 的行數，Cp 為p 在矩陣B 中覆蓋的行數。當且僅當rANDrow(!)=0 ， ，則稱p 覆蓋行i 。其中，p 為種群中的一個粒子，row(i) 為矩陣B 中的第i 行。當Cp=K 時，粒子p 所對應的屬性集就區分了整個論域。當Cp=K 時，給適應度加上額外的獎勵0.5。

2.2.2粒子編碼轉換

因為粒子的位置每位上只能取0或者1，因此定義函數如下：

2.2.3二進位量子粒子群約簡演算法

步驟1：設置種群規模m ，迭代次數Maxiter ，生成隨機的粒子種群；

步驟2：根據式（5）計算每個粒子的適應值；

步驟3：比較每個粒子的適應度值與歷史最優位置pbesti ，如果當前適應度值更優，則用當前適應度值更新pbesti ；

步驟4：比較每個粒子的適應度值與全局最優gbest ，如果當前群體中最好的適應度值更優，則更新gbest ，並記錄最優粒子位置。

步驟5：根據式（5）、式（6）、式（7）更新粒子的位置，按照式（11）、式（12）變換編碼。

步驟6：t=t+1 ，如果t＜Maxiter ，則轉步驟2。

步驟7：輸出全局最優粒子gbest 的位置，即所求的最優屬性約簡。

3實驗模擬

用於本文實驗的數據集來源於「kddcup_data_10percent」。該數據集中的每個連接都帶有一個或標有正常（Normal）或具體攻擊類型的類標識如back dos、buffer_overflow、imap等，且所有這些數據都有41個特徵屬性。實驗開發環境為：CPU為Core2 Dou 1.80 GHz，內存為1 G，使用VC++6.0開發語言。從數據集中隨機抽取的數據如表1所示。

首先將數據離散化，利用選取的斷點對條件屬性構成的空間進行劃分。選取斷點的過程也是合并屬性值的過程。通過合并屬性值，減少屬性值的個數，減少問題的複雜度，有利於提高知識獲取過程中所得到的規則知識的適應度。本次實驗主要採用基於斷點重要性的演算法。其次，運用本文提出的二進位QPSO屬性約簡演算法求出屬性最小約簡，去掉冗餘屬性。最後，運用啟發式值約簡演算法去除冗餘信息，生成決策規則，用於檢測入侵。本實驗將二進位QPSO屬性約簡演算法與遺傳演算法屬性約簡演算法進行比較，其中迭代次數為20次，實驗結果如表2所示。

從表2可以看出，與同樣具有優化功能的辨識矩陣和遺傳演算法相比，在約簡時間上，二進位QPSO演算法的訓練時間相對於辨識矩陣演算法最少降低了58.9％，最多降低了61％；相對於遺傳演算法，最少降低了60.56％，最多降低了62.19％。二進位QPSO演算法得到的最小約簡屬性數也少於辨識矩陣和遺傳演算法，最小可以達到3個屬性；而辨識矩陣最小為5個屬性，遺傳演算法最小為5個屬性。在識別率上，三者都具有較高的識別率（識別率=每組正確識別數/每組測試數據總數），其中二進位QPSO演算法識別率最低為99.1％，最高為99.67％；辨識屬性識別率最低為99％，最高為99.5％；遺傳演算法的識別率最低為99.12％，最高為99.67％。

4結語

將粗糙集理論方法應用到入侵檢測系統，是目前入侵檢測研究的重要方向。本文提出的基於二進位QPSO的屬性約簡演算法，演算法簡單，易於實現，優於基於辨識矩陣和遺傳演算法的屬性約簡演算法，有效解決了約簡速度問題，且具有較高的識別率。但是，真實網路環境中的入侵行為多種多樣，所以下一步工作要將攻擊種類細分，以達到更好的檢測效果。另外，也可以將粗糙集與神經網路相結合，用於入侵檢測。

參考文獻：

[1] 彭宏.基於粗糙集理論的入侵檢測方法研究[J].電子科技大學學報,2006,35(01):108-110.

[2] 王旭仁,許榕生,張為群.基於Rough Set理論的網路入侵檢測系統研究[J].計算機科學,2004,31(11):80-82.

[3] 呂士穎,鄭曉鳴,王曉東.基於量子粒子群優化的屬性約簡[J].計算機工程,2008,34(18):65-66.

[4] 蔡忠閩,管曉宏,邵萍.基於粗糙集理論的入侵檢測新方法[J].計算機學報,2003,26(03):361-366.

[5] WANG Xiang-yang,YANG Jie,TENG Xiao-long.Feature Selection based on Rough Sets and Particle Swarm Optimization[J].Pattern Recognition Letters,2007(28):459-471.

[6] SUN Jun,XU Wen-bo,FENG Bin.A Global Search Strategy of Quantum-behaved Particle Swarm Optimization[C].Proceedings of IEEE Conference on Cybernetics and Intelligent Systems,2004.

[7] Krohling R A.Gaussian swarm:A Novel Particle Swarm Optimization Algorithm[C].2004 IEEE Conference on Cybernetics and Intelligent Systems,2004:372-376.

[8] Liang J J,Qin A K,Suganthan P N,et al.Particle Swarm Optimization Algorithms with Novel Learning Strategies[C].2004 IEEE International Conference on Systems,Man and Cybernetics,2004:3659-3664.

[9] Bilal A,Erhan A.Rough Particle Swarm Optimization and Its Application in Data Mining[J].Soft Compute,2008(12):1205-1218.

[10] CHEN De-gang,Wang Chang-zhong,HU Qing-hua.A New Approach to Attribute Reduction of Consistent and Inconsistent Covering Decision Systems with Covering Rough Sets[J].Information Sciences,2007,(177):3500-3518.

作者：李朝輝，婁景藝，屈曉旭

單位：海軍工程大學 電子工程學院，湖北 武漢 430033

作者簡介：李朝輝，男，碩士，主要研究方向為衛星通信；

婁景藝，女，博士，副教授，主要研究方向為衛星通信、數字信號處理；

屈曉旭，男，博士，副教授，主要研究方向為無線通信、數字信號處理。

喜歡這篇文章嗎？立刻分享出去讓更多人知道吧！