论文部分内容阅读
认知无线电作为解决频谱资源匮乏和提高频谱利用率的技术被提出并且得以发展。但频谱感知由于硬件设备限制无法提供实时准确的频谱空洞，造成传统的认知无线电技术不能良好地实现动态频谱接入过程。为解决上述问题，频谱预测应运而生。频谱预测可以预测未来频谱空洞，智能地指导未授权用户进行频谱感知或频谱接入，节约频谱感知消耗的能量，提高频谱的利用率，成为认知无线电领域新的研究热点。 然而目前频谱预测的性能差强人意，极大限制了频谱预测的发展和实用。深究原因，主要包括1）频谱预测输入不准确:目前频谱预测研究采用历史频谱信道状态作为输入。但数学模型生成的历史信道状态过于理想，频谱感知获取的历史信道状态又不准确，输入的不准确导致预测性能的降低。2）现有预测模型自身存在若干缺陷，影响预测性能。3)预测频谱的信道状态采用门限值进行判决导致信道状态容易发生误判，降低预测性能。针对上述问题，本文提出一种优化的频谱预测:历史频谱信道功率值作为输入，动量算法和遗传算法优化的后向传播神经网络作为预测模型，判决门限区间进行预测频谱的信道状态的判决。 针对频谱预测输入的不准确问题，本文借鉴Viterbi“软判决”译码的思想，提出了利用历史频谱信道功率值的“软判决”的频谱预测。同时结合了时域相关性和频域相关性对输入进行优化，确定了频谱预测的最佳输入。实验结果验证了采用历史频谱信道功率值作为输入的预测性能优于传统的历史频谱信道状态作为输入的预测性能。 针对预测模型-后向传播神经网络易受限于局部极小和收敛缓慢等造成的预测性能下降的弊端，本文提出利用动量算法和遗传算法共同优化后向传播神经网络。遗传算法指导神经网络初始的权值的选取，采用含有动量项的梯度下降算法进行网络训练。实验结果证明了优化后的神经网络的预测性能优于传统神经网络的预测性能。 针对判决门限值造成的信道状态误判导致预测性能下降的问题，本文应用判决门限区间替代判决门限值进行预测频谱的信道状态的判决工作，降低了信道误判的概率，提高了频谱预测的性能。 实验结果显示，本文提出优化的频谱预测性能优于传统的频谱预测性能。对应在固定门限下，动态门限以及不同的门限区间下，频谱预测准确性都有不同程度的提升。