[发明专利]基于预测的混和自动重传请求算法

权利要求书

1.基于预测的混和自动重传请求算法，其特征在于包括以下步骤：

A、建立HMM模型，所述HMM模型由集合λ＝{A,B,π}确定；

B、根据初始样本初始化HMM模型的参数A,B,π；

C、通过Viterbi算法根据已知观测序列O＝{O₁,O₂,...,O_T}计算出隐含状态序列Q＝{q₁,q₂,...,q_T}；

D、根据如下公式计算得到下一个隐含状态q_T+1，所述计算公式为其中，表示从隐含状态q_T转移到隐含状态j的概率；

E、根据如下公式计算得到隐含状态q_T+1所对应的观测符号O_T+1，所述计算公式为其中，表示隐含状态为q_T+1时产生观测状态为k的概率；

F、当前时刻为第t秒，计算第t+1秒RS编码所需的监督元数量u_t+1，确定编码方案，如果u_t+1超过设定的最大监督元数量，则以最大监督元数量作为编码方案；如果u_t+1低于设定的最小监督元数量，则以最小监督元数量作为编码方案；所述第t+1秒RS编码所需的监督元数量u_t+1＝Int(u_t×d_t,t+1)+1，u_t为t秒时RS码监督元数量；

G、判断译码是否成功，如果不成功且传输次数已达到设定的最大传输次数则放弃传输；如果不成功且传输次数小于最大传输次数，则增加监督元数量后再次传输；如果监督元数量高于上限或低于下限，则以最大监督元数或最小监督元数为编码方案；

H、经过一段时间τ，得到新的观测样本，然后根据新的观测样本利用Baum-Welch算法重新估计HMM参数A,B,π，重复步骤C至步骤H。

2.如权利要求1所述的基于预测的混和自动重传请求算法，其特征在于：利用Baum-Welch算法重新估计HMM参数A,B,π的具体方法如下：

S1、通过观测样本得到该观测样本初始时刻隐含状态S_i的概率分布π＝{p{q₁＝S_i}}，1≤i≤6；

S2、定义前向变量:α_t(i)＝p(O₁O₂...O_t,q_t＝S_i|λ)，α_t(i)表示在上一次更新的HMM模型λ基础上，t时刻的状态S_i从开始到t时刻观测序列为O₁,O₂,...O_t的概率；

S3、定义后向变量:β_t(i)＝p{O_t+1O_t+2...O_T|q_t＝S_i,λ}，β_t(i)表示在上一次更新的HMM模型λ基础上，t时刻状态S_i从t+1时刻到最后时刻观测序列为O_t+1,O_t+2,...,O_T的概率；

S4、在上一次更新的HMM模型λ基础上，t时刻状态为S_i，t+1时刻状态为S_j的概率为

ξt(i,j)=αt(i)aijbj(Ot+1)βt+1(j)Σi=1NΣj=1Nαt(i)aijbj(Ot+1)βt+1(j),]]>

其中，a_ij＝p{q_t+1＝S_j|q_t＝S_i}，1≤i,j≤N,a_ij表示从状态i转换到状态j的概率；其中，b_j(O_t+1)为状态为S_j时产生观测符号O_t+1的概率；β_t+1(j)＝p{O_t+2O_t+3…O_T|q_t＝S_j,λ}，β_t+1(j)表示在上一次更新的HMM模型λ基础上，t+1时刻状态S_j从t+2时刻到最后时刻观测序列为O_t+2O_t+3…O_T的概率；

S5、通过如下公式计算得到r_t(i)，r_t(i)表示在上一次更新的HMM模型λ基础上，t时刻状态为S_i的概率；

S6、分别通过如下计算公式得到π，所述公式如下所述：

r_t(j)表示在上一次更新的HMM模型λ基础上，t时刻状态为S_j的概率；

S7、对计算得出的观测值概率进行判断，若计算得出的观测值概率没有达到阈值，重复步骤S1至S6，直到计算得出的观测值概率达到阈值，则该以及所对应的即为HMM重新估计的参数A,B,π。