基于Boosting算法的感知无线电决策研究及其应用

论文摘要

1999年,Joseph MitolaⅢ第一次提到“感知无线电”这个术语,仅仅过了4年时间,2003年FCC就宣布授权感知无线电为频谱共享与重用的技术,认可其在TV频段上的固定电话或移动电话的使用。感知无线电已经成为了一个新的技术热点,势必引起无线通信研究的新高潮。然而感知无线电仍处在研究初期阶段。如何得到一个智能的通信系统,仍面临巨大的挑战。其中,感知无线电决策机是关键问题,也是学界热点问题,学术界已经有了各种各样的解决方案,但也都存在一定缺陷。本文提出全新的基于Boosting的感知无线电决策机模型;提出新的Boosting算法——AdaBoost.M1-RF,并改善AdaBoost.M1的性能。针对桥梁监测系统,实现了基于AdaBoost.M1-RF理论的感知无线电软件,并且通过评估结果验证了该模型的有效性。下面是本文的主要工作和创新点:一、对现有感知无线电技术进行广泛深入的研究。为了对现有的感知无线电决策机模型的有效性和可用性进行评估与分析,对相关案例进行了研究,针对现有基于博弈论、遗传算法与神经网络的决策模型的局限性进行了分析。二、基于Boosting理论,提出了新的感知无线电决策模型,为感知无线电的研究提供了新的解决方案。三、提出AdaBoost.M1-RF算法。针对AdaBoost.M1在多类情况下难于达到很好效果的问题,本文提出借鉴Random Forest学习速度快,对于多类问题有较高的精度的优点,通过使用Random Forest作为弱分类器来构建AdaBoost.M1-RF分类器,较好的解决了这一问题。为了评估AdaBoost.M1-RF算法性能,通过不同类别的数据实验,分析对比了其它机器学习算法（比如BPNN,SMO,RBF Network,Bagging,Random Forest,Decisionstump in AdaBoost.M1,ADTree in AdaBoost.M1 J48 in AdaBoost.M1等）。四、为了解决桥梁健康监测系统的通信问题,对短信、GPRS、CDMA技术进行了分析,给出桥梁监测系统的网络设计。本文提出基于AdaBoost.M1-RF算法感知无线电决策模型的解决方案,给出了感知无线电决策的信息模型。并通过桥梁健康监测系统的应用中的真实数据,对基于AdaBoost.M1-RF算法的模型进行了评估。在桥梁健康监测的实际应用中,在提高可靠性的同时减少了费用,扩展了感知无线电的应用领域。

论文目录

• 中文摘要
• Abstract
• 1. INTRODUCTION
• 1.1 Cognitive Radio
• 1.1.1 Definition of Cognitive Radio
• 1.1.2 Characteristics of Cognitive Radio
• 1.1.3 Cognition Cycle
• 1.1.4 Application and research of Cognitive Radio
• 1.1.5 Decision Maker of Cognitive Radio
• 1.2 Background and Significance of the Topic
• 1.3 Innovation of the Work
• 1.4 Structure of the Thesis
• 2. RESEARCH OF CR DECISION MAKER
• 2.1 Develop of CR research
• 2.2 Study of CR Decision Maker based on Game theory
• 2.2.1 Game Theory
• 2.2.2 CR Model Based on Game Theory
• 2.2.3 Experiments and Results
• 2.3 Study of CR Decision Maker based on GA
• 2.3.1 GA
• 2.3.2 CR Model Based on GA
• 2.3.3 Experiments and Results
• 2.4 Study of CR Decision maker based on NN
• 2.4.1 Neural Network
• 2.4.2 CR Model Based on NN
• 2.4.3 Application in Signal and Modulation Recognition
• 3. BOOSTING THEORETICAL FOUNDATIONS
• 3.1 History of Boosting
• 3.2 PAC
• 3.3 Analyzing of AdaBoost
• 3.3.1 Analyzing the training error
• 3.3.2 Analyzing the generalization error
• 3.3.3 In the view of kernel machine
• 3.3.4 In the view of Game Theory
• 3.4 Multi-class Problems
• 3.4.1 Adaboostm1
• 3.4.2 Adaboost.m2
• 3.5 weak learner
• 3.6 Experiments and Results
• 4. RANDOM FOREST AS WEAK LEARNER OF BOOSTING
• 4.1 Random forest
• 4.2 Random Forests as weak learner of Boosting
• 4.2.1 Boosting in Random Forest
• 4.2.2 Random Forest in Boost
• 4.2.3 Random Forest in Multi-class AdaBoost
• 4.3 Experiments and Results
• 4.3.1 Two-class experiments
• 4.3.2 Three-class experiments
• 4.3.3 Six-class experiments
• 5. APPLICATION OF CR DECISION MAKER IN BRIDGE MONITOR SYSTEM
• 5.1 Analyzing the Bridge Monitor demand
• 5.2 Network Structure Design of Bridge Monitor System
• 5.3 CR Decision Model Design of Bridge Monitor
• 5.4 Experiments and Application
• 6. Conclusion
• 6.1 Summary of Research Results
• 6.2 Research Contributions
• 6.3 Future Work
• Thanks
• References
• Publications and Projects