论文部分内容阅读
随着无线通信技术的快速发展以及人们对通信要求的不断提高,频谱资源日益紧缺。认知无线电技术可以通过查找频谱空穴,充分的利用空闲的频谱,从根本上解决了频谱利用率低下的问题,其研究具有重要的理论和现实意义。本文重点研究了认知无线电中基于机器学习的动态频谱接入技术,主要讨论了频谱接入过程中的频谱状态预测方法和信道选择方案。具体介绍如下1本文提出了一种基于人工神经网络的协作频谱预测方法。在现有的研究中,最常用的频谱预测方式有两种,一种是基于马尔可夫过程的频谱预测方法,此方法需要知道主用户行为的先验知识,在动态网络中实现困难。另一种是基于人工神经网络的频谱预测方法,该方法能够利用对信道历史状态的观测信息训练网络结构,建立起信道历史状态和未来状态之间的对应关系。本文基于人工神经网络,综合考虑二级用户的感知结果和网络中的共享信息,进行协作频谱预测。仿真结果表明,这种方法提高了频谱预测结果的准确性。2本文受餐馆就餐模型的启发,对认知无线电中的信道选择过程进行了建模。在该模型中,二级用户之间共享一个文件,文件中记录了已接入信道的二级用户对信道状态的感知结果和信道中的用户数目。基于这个模型,可以在建立信道选择方案的时候比较充分的考虑到会对二级用户通信性能产生影响的因素。3在拥有多个可选信道的场景下,本文提出了一种以最大化长期累积回报为目标的信道选择策略。在动态网络环境中,二级用户的数据传输速率不仅和信道容量有关系,还会受到其他二级用户行为的影响。为了提高在整个数据传输过程中的通信性能,用户在选择信道的时候,充分考虑了其他用户的信道接入行为,以长期累积回报为指标衡量信道质量。仿真结果表明,这种决策方案对于提高整个系统的吞吐量有积极作用。