认知无线电智能学习技术研究

论文摘要

认知无线电是一种智能无线电通信系统，它为解决无线业务需求与频谱资源缺乏的矛盾提供了一个可行的思路。其中，智能学习推理作为认知无线电的核心技术，对有效利用频谱资源，改善认知无线电系统性能起决定性作用。认知引擎的设计是其关键问题之一，认知引擎可通过推理与学习方法来实现CR的参数重配置，而智能学习技术的核心主要体现在认知引擎设计上。本文主要研究基于智能学习技术的认知引擎算法模型，其具体工作总结如下。第一，建立两种智能学习技术设计认知引擎的算法模型，即最小二乘支持向量机（LS-SVM）和RBF神经网络（RBFNN）的认知引擎设计方法。LS-SVM引擎根据经验知识，动态重配置无线环境参数。用样本值训练支持向量机的分类、回归模型，并利用分类模型学习信道特征，利用回归模型学习对应信道的参数配置，建立基于LS-SVM的认知引擎。RBFNN引擎用样本值训练NN，利用该网络学习信道特征，并完成认知引擎的建立。在对感知信息学习后，根据无线环境和用户需求决定通信参数配置的功能。仿真表明建立的LS-SVM和RBFNN的认知引擎能有效实现CR学习重构功能。第二，提出一种基于嵌套RBF神经网络模型的CR认知引擎设计方法，该引擎根据经验知识重配置无线环境参数。在OPNET仿真平台上模拟基于Ad Hoc网络的无线通信系统模型，用收集样值训练NRBFNN模型，并利用该模型学习无线环境特征，建立相应的认知引擎。在对感知信息进行学习前提下，实现满足用户需求的无线通信参数配置功能。仿真结果表明，建立的嵌套RBF神经网络模型认知引擎能有效实现CR认知无线电学习重构功能。第三，CR网络中，端到端TCP性能直接影响了认知用户需求，也是评价资源利用率的重要指标。文中提出了用Q学习设计CR网络中跨层学习方法，该方法联合物理层调制编码模式和数据链路层帧长度来寻找CR网络中最大的TCP吞吐量。文中将无线信道建模为马尔科夫随机过程，并在不依靠任何经验知识的前提下，通过中心资源分配器节点接收感知环境信息和认知用户资源请求信息，并将资源统一分配给各认知用户。仿真结果表明，CR网络中设计的跨层学习参数能极大地提高TCP吞吐量，通过与底层参数联并合学习，达到共同改进TCP吞吐量的目的。

论文目录

• 摘要
• abstract
• 1 绪论
• 1.1 论文研究背景与意义
• 1.1.1 认知无线电智能学习技术面临的挑战
• 1.1.2 认知无线电智能学习所需解决的关键问题
• 1.2 认知无线电智能学习技术研究现状
• 1.3 论文研究内容
• 1.3.1 解决的关键问题
• 1.3.2 主要研究内容
• 1.4 论文结构与组织安排
• 2 智能学习技术应用于认知无线电
• 2.1 认知循环
• 2.1.1 认知引擎模型
• 2.1.2 不同认知阶段的人工智能技术应用分析
• 2.2 本章小结
• 3 CR 认知引擎设计
• 3.1 引言
• 3.2 系统模型
• 3.2.1 基于 LS-SVM 的学习推理模型
• NN 的 CR 学习推理模型'>3.2.2 基于 RBF_NN 的 CR 学习推理模型
• 3.2.3 参数重配置决策模型
• 3.2.4 算法实现流程
• 3.3 基于 LS-SVM 学习推理的仿真结果与分析
• 3.3.1 样值规则约简
• 3.3.2 LS-SVM 信道分类性能评价仿真
• 3.3.3 LS-SVM 参数配置回归性能评价仿真
• 3.3.4 LS-SVM 信道分类性能评价仿真决策重配置仿真分析
• 3.4 基于 RBF-NN 学习推理的仿真结果与分析
• 3.4.1 目标输出仿真
• 3.4.2 网络拓扑结构仿真
• 3.4.3 网络性能评价仿真
• 3.4.4 参数重配置仿真分析
• 3.5 本章小结
• 4 基于 OPNET 的嵌套 RBF 神经网络认知引擎设计
• 4.1 引言
• 4.2 无线通信系统模型建立
• 4.3 基于嵌套神经网络的 CR 学习推理模型
• NN 的关键问题'>4.3.1 RBF_NN 的关键问题
• NN 的认知无线电学习推理模型'>4.3.2 基于 NRBF_NN 的认知无线电学习推理模型
• 4.4 环境参数重配置模型
• 4.5 模型算法实现流程
• 4.6 仿真结果与分析
• NN 拓扑结构仿真'>4.6.1 NRBF_NN 拓扑结构仿真
• 4.6.2 学习推理模型性能评价仿真
• 4.6.3 参数重配置仿真
• 4.7 本章小结
• 5 用 Q 学习设计 CR 中 TCP 吞吐量跨层学习模型
• 5.1 引言
• 5.2 系统模型设计
• 5.2.1 动态多信道的多用户 CR 网络模型
• 5.2.2 TCP 吞吐量模型
• 5.2.3 信道模型
• 5.3 Q 学习算法模型
• 5.4 基于 Q 学习系统模型实现方案设计
• 5.4.1 状态空间和感知状态空间
• 5.4.2 动作空间
• 5.4.3 奖励和对应策略选择及 Q 值表更新
• 5.4.4 表示机制
• 5.4.5 具体算法实现
• 5.5 仿真及结果分析
• 5.5.1 相同用户需求仿真分析
• 5.5.2 不同用户需求仿真分析
• 5.5.3 不同 SNR 所获得的 TCP 吞吐量仿真分析
• 5.6 本章小结
• 结论
• 致谢
• 参考文献
• 攻读学位期间发表的与学位论文内容相关的学术论文及研究成果