论文部分内容阅读
近年来,由于无线通信的飞速发展,无线通信设备数量伴随无线通信的需求增加而增大,使频谱资源变得尤为宝贵与紧张。现阶段的频谱分配方式主要以固定分配策略为主,这导致频谱资源存在大量浪费的情况。需求促进发展,认知无线电技术由此诞生。认知无线电以其智能的认知能力,通过频谱感知,动态频谱接入等技术,发现频谱空洞,并加以利用,达到频谱的利用率得到提升的目的。本文针对认知无线电频谱预测和频谱决策技术,以及近年来新提出的频谱推荐概念,进行了的研究,提出一种基于频谱预测与频谱推荐的频谱决策框架,并针对各个模块分别进行研究。首先,在频谱预测方面,将极限学习机方法应用在频谱预测技术中,提出一种基于极限学习机(ELM)的频谱预测方法,对未来的频谱状态进行预测。相比于以往的基于传统神经网络方法,大幅度的提升了训练速度,同时保证了预测的性能。本文还提出基于Q学习(Q-learning)的联合频谱预测方法,相比于单用户本地预测以及传统的联合预测方法,能够更好地预测频段的忙闲状态。然后,在频谱推荐方面,将基于协同滤波的频谱推荐方法应用于本文的频谱决策框架中。经过实验验证,通过频谱推荐明显降低了用户间的冲突率,从而提升了信道的利用率。最后,本文将频谱预测、频谱推荐通过Q学习以及马尔科夫决策过程(MDP),联合起来进行频谱决策。并分别根据是否考虑用户地理位置和通信范围,将系统场景分为两种情况,分别进行讨论和实验仿真。实验结果表明,基于频谱预测与频谱推荐的频谱决策方法,能够降低用户间冲突率,提高频谱利用效率。频谱决策决定了认知无线电系统能否在尽可能低的用户冲突率的情况下,使得频谱资源得到更充分的利用。本文提出的基于频谱预测与频谱推荐的频谱决策方法,是一个新的频谱决策思路,对于频谱决策技术的进一步研究有一定意义。频谱决策技术在智能无线局域网,军事抗干扰等方向均有良好的应用前景。优良的频谱决策方法能够提高频谱的利用率,使频谱资源能够更充分地在民用通信,军事,航天等方面得到利用,从而创造更多的价值,对社会和经济的发展有一定的促进意义。