论文部分内容阅读
为应对日益紧缺的无线频谱资源,认知无线电诞生并发展迅速。认知引擎作为其关键技术之一,核心是利用人工智能算法完成认知学习推理与优化等功能,以到达自适应满足环境变化和用户需求的目的。本文主要研究基于人工智能算法的认知无线电学习与优化技术,具体工作有以下三个方面。 第一,本文提出一种基于联合ART1与FAM的学习推理引擎。ART是新型神经网络,其基本出发点是为更好地应对神经网络二难问题。文中在MATLABIEEE802.11a平台下,借助ART的两种变化模型即ART1与FAM,并综合二者优点设计实现认知引擎。仿真结果表明,该算法模型在预测精度和对输入顺序的依赖程度方面均好于SVM及BP算法。 第二,本文提出一种基于二进制猫群优化算法的多载波系统认知引擎。通过改进猫群优化算法,使之适用于无线通信离散参数学习与多目标优化。文中在MATLAB环境下建立多载波系统,并根据不同通信业务模式设置相应的多目标优化函数。仿真结果表明,该认知引擎能有效实现认知无线电多目标参数优化,且算法精度和稳定性均优于粒子群优化算法。 第三,本文设计一种OPNET平台下的移动无线网络认知引擎。文中在OPNETModeler14.5环境中建立具有移动干扰节点的移动无线网络模型,并结合二进制猫群优化算法完成优化学习。该模型具有多个可配置参数,并根据不同通信模型设置相应优化函数权重。仿真结果表明,该认知引擎模型能有效完成多目标优化,实现多参数动态配置。