高频谱无线接入网

高频谱无线接入网（精选4篇）

高频谱无线接入网 篇1

1 引言

为了能充分利用认知无线技术,认知无线电应为用户提供尽量多的不同种业务,不同业务对服务质量要求是有差别的。以语音和数据业务为例,语音业务对时延要求较高,如果在服务中被中断时间过长,用户是服务忍受的,所以频谱变化时,首先保障语音业务的服务质量要求。而数据业务中断一段时间,重新连接,只要在容许范围内,对服务质量的影响不大,当频谱变化时,怎么来保障语音这类业务的服务质量是我们需要解决的问题。

以一个认知无线电的Ad hoc网络接入模型为例,如图1所示[1]。

如果主用户呼叫到达业务被中断,需要重新侦测频谱集选择决策,重新频谱侦测和频谱接入才能再次通信,以语音业务为例,如果侦测频谱集选择决策、频谱侦测、频谱接入时间超过了语音业务中断延迟的极限,那么语音业务服务质量将极速下降。怎么来保障主用户进入时,语音类业务被强制中断的时间延迟最小,其目的就是要缩短侦测频谱集选择决策,重新频谱侦测和频谱接入的时间。基于一个试验方式对认知无线电中无线资源利用的预测[2],提出了频谱资源预留模型。

2 频谱预测模型

如图2所示[2],基于对不同频谱资源忙闲进行实际测量,不同的频谱带在时间上的分布不完全重叠,如果频谱变化规律,在相当一段时间内比较稳定,为了保障语音类业务的服务质量,可以不考虑主用户和认知用户间的关系,不等频谱变化发生,预测下一段时间频谱忙闲分布,直接按照对下一段时间对频谱资源忙闲分布规律的预测,提前切换。

基于图2,采用AR模型来对资源变化连续时间规律进行预测[3]。在某一段时间内某频谱资源变化的时间分布规律预测结果为模型:

在对这一段时间内某频谱资源变化的时间分布规律的真实测量结果为模型:

所以预测值和实际值的偏差为x1和y1对应相减,那么对下一段时间内频谱资源变化的时间分布规律可以预测为:,预测模型如图3所示。

如果时间段的取值满足一定规律,通常取等长时间,如一天,一个小时等,且在这些相似的时间段内频谱随机变化规律稳定,那么频谱资源变化是可以较准确估计。通过比较这些不同频谱资源时间分布上的变化规律,就可以在预测当前使用频谱在下一次感知的时候,可能被主用户占用,而其他主用户频段在下一次感知时,可能信道会闲置,所以在下一次感知前,提前切换,通过感知结果来修正切换结果如图4所示,a,b分别为两次感知发生时刻,在a时刻信道1闲置,通过预测模型在下一次感知时刻b,信道1将被认知用户占用,而信道2闲置。

3 频谱预测应用

如图1所示,当开始工作的时候,第一次选择信道在11A的频谱带,在时刻2前,预知,第一次被强制中断将发生在时刻2,在时刻2到达前很小一段时间,如在时刻1之后发现信道16e空闲,而且又有对前N段同样周期的观测所得到的预测模型,在信道1发生中断的时刻2的同时,信道16e闲置,那么在时刻1后感知结束后,在信道11A的业务不等到时刻2强制中断发生,在不断开11A的情况下,同时通过信道16e建立连接。图1中的认知无线电的Ad hoc网络接入模型将变为,如图5所示。

在图5模型中的频谱接入过程中,如果在没有强制中断发生时,认知用户通过11A仍然在通信,如果等到接入过程结束,通信时刻到来,在信道11A仍然没有强制中断发生,虽然用户从信道11A跳到信道16e,但是对语音等业务来讲,语音链路是保持连续的,没有中断。

4 结论

本文介绍了一种频谱资源随机变化并不严重情况下,通过不断观测方法来修正一种对频谱资源变化规律的预测,并且通过这种预测手段,在增加一定主用户和认知用户冲突的概率上,提高了认知用户业务,特别是语音类业务的服务质量,如果主用户服务类型为数据类业务,通过提高一定编码强度,可以降低这些认知用户和主用户间冲突的概率,在不降低,或者是较小降低自身服务质量的情况下,提高认知用户语音类业务的服务质量,可以扩大认知无线电的应用范围,将使本只能用于数据业务的认知无线电,在一定情况下,可以提供语音等时延要求低,服务质量要求高的业务。

摘要：本文提出基于认知无线电的语音类业务,来扩大认知无线电的应用范围。并且针对认知无线电中,频谱变化时,会强制中断语音类业务,降低认知无线电服务质量,引入一种基于测量的不断修正的频谱资源预测模型。通过频谱资源预测模型,在发生强制中断时或者前,提前切换到其他在下一时刻发生强制中断率低的信道。

关键词：语音类业务,频谱资源预测,AR模型

参考文献

[1]Fujii T,Suzuki Y.Ad hoc cognitive radio-development to frequency sharing system by using multi-hop network.New Frontiers in Dynamic Spectrum Access Networks,2005,589~592

[2]Kaneko S,Nomoto S,et al.Predicting raido resource availability in cognitive radio-an experimental examination.IEEE Communi-cation Magzine2009

[3]Vandaele W.Applied Time Series and Box-Jenkins Model(Japanese Edition).Japan,1992

高频谱无线接入网 篇2

频谱感知(检测)是DSA的首要工作,其核心是确定所需频段成为“频谱空洞”是否处于空闲状态,从而实现DSA。协作频谱感知指多个认知用户(Secondary User,SU)协作感知PU信道,一般可减小个体感知所带来的影响,如多径衰落、阴影等。与个体感知相比,协作感知提高了感知增益,但同时也带来了开销。

机会频谱接入(Opportunistic Spectrum Access,OSA)自2006年在Dy SPAN会议上明确提出后,受到了国内外学者的广泛关注[2]。Zhao Q等人针对OSA理论框架,提出了部分可观测马尔可夫决策过程(Partially Observable Markov Decision Process,POMDP)[3],指导SU选择长期累积回报较大的信道。由于OSA系统中的频谱环境总是随时间而变化,需要不断与环境进行交互学习,而OSA无法实时获得信道环境的先验知识和动态模型。强化学习作为一种无模型、无监督的在线学习算法,是解决上述问题的有效途径,近年来已经成为解决OSA问题的主流方法,得到了广泛应用。下面从CR网络频谱感知和强化学习入手,回顾近年来国内外的发展现状。

1频谱感知

1.1频谱感知的基本方法

频谱感知的基本方法,即个体感知方法,描述了如何感知、采样和处理PU信号来估计PU信道是否繁忙或空闲。主要有3种方法:能量检测算法[4],重点检测发射机信号能量,算法相对简单,易实施。循环平稳特征检测算法[5],通过周期性地检测接收到的PU信号,确定PU的存在,能够区分噪声和有用信号。压缩感知,适用于对复杂硬件要求不高的宽带频谱感知。

此外,PU发射端检测的匹配滤波器检测算法是检测PU信号的先验信息,能获得较高的信噪比和处理增益[6]。PU接收端检测主要有2种方法:本振泄露功率检测和干扰温度的检测。本振泄露功率检测是检测PU接收机的泄露功率,根据泄露信号的有无,可知接收机是否工作。干扰温度是通过SU检测自己将对PU接收机产生多大的干扰,称为干扰温度。只要干扰温度小于上限,SU就可使用这个频段。

1.2协作频谱感知

由于多径衰落和阴影等因素的影响,接收的PU信号信噪比非常低,频谱感知成为一项艰巨的任务。协作频谱感知将会使频谱感知性能得到改进。通过协作,SU可以共享它们的感知信息,从而得到一个比个体感知更准确的决策。协作感知可分为3种:集中式、分布式和中继辅助式[7,8,9]。集中式协作感知中,融合中心是一个在控制和组织协作中起着核心作用的实体。分布式协作感知和集中式协作感知的主要区别是,前者不依赖于集中式融合中心决定最终感知结果。当感知信道或报告信道不理想的情况下,适用中继辅助协作感知。中继辅助方式减小了不理想信道的负面影响,从而提高了全局感知性能。

2强化学习

强化学习是指在t时刻,智能体通过动作a,探索当前的环境状态s,并根据环境的反馈信息,即时奖励r,不断改进行为,最终获得最优策略。同时,环境从当前状态转移到下一状态,如此进行直至完成所有状态空间的探索。

2.1单智能体强化学习

强化学习过程一般可用POMDP模型来描述。可定义为一个五元组POMDP={S,A,P,R,γ},γ∈[0,1]为累积奖励的折扣因子。

根据是否需要对状态转移概率进行建模,POMDP模型下的强化学习有基于模型和无模型2类算法。基于模型的算法主要是对状态转移函数进行建模,然后利用动态规划法计算POMDP序列下的最优策略。一般可定义值函数,Vπ:S→R,表示期望累积折扣奖励,评价策略π,值函数Vπ表示为:

上式中,t为釆样时间,E表示累积奖励的期望。值函数用一种递归的方式表示,从而表达成贝尔曼方程:

最优策略下的值函数V*(s),通过贝尔曼最优方程进行计算

无模型算法以最基础的Q学习为代表[10],无需对环境的状态转移概率建模。在无模型Q学习中,定义值函数为Qπ(s,a),从状态—动作对来映射Q值,最终获得最优Q函数Q*(s,a),贝尔曼最优方程为:

Q学习通过下面的迭代过程,逼近贝尔曼最优方程。通过计算当前的Q(s,a),逼近最优值Q*(s,a),其学习条件已由Watkins等人提出并完善[10]。

近年来,OSA强化学习取得了一定成果,文献[11]研究了动态信道选择中强化学习的好处和频谱行为的复杂度。通过使用Lempel-Ziv复杂度的概念,得到PU行为的特征,探讨了在什么时候强化学习算法提高动态信道选择的性能问题。文献[12]研究了OSA中的强化学习算法和评价标准、认知无线电的学习和决策问题。对OSA中提出的2种强化学习算法(UGB和WD算法)进行了比较,并引入2个矩阵评估强化学习算法的性能。

2.2多智能体强化学习

多智能体强化学习(Multi-Agent Reinforcement Learning,MARL)一般可分为2类:集中式和分布式。

2.2.1集中式

集中式是对单智能体的直接扩展,多智能体作为一个超智能体,将MARL分为基于传统POMDP的联合动作学习(Joint Action Learning,JAL)与基于随机博弈(Stochastic Game,SG)2类。

(1)JAL。JAL完全采用Q学习等传统强化学习算法,更新公式不变。JAL算法由于会导致更严重的维数灾问题,实际中往往无法实施。

(2)SG。和JAL不同的是,SG由于获得了个体奖励,可将智能体i累积奖励最大化。根据博弈理论,当个体收益最大化而不是智能体整体收益最大化时,可能无法获得全局最优策略。

针对协作博弈,一般退而求其次,引入纳什均衡协调智能体间的行为,以确保学习收敛到纳什均衡点。但当智能体个数增加导致均衡解求解复杂时,同样面临着维数灾问题。

2.2.2分布式

分布式更关注自身的行为,每个智能体采用各自的Q学习,不考虑整体智能体的转移概率,不需要强调均衡解,这是与集中式中SG的最大区别。采用Q学习更新公式。当存在多个均衡解,且均衡解非最优时,分布式也容易陷入局部最优,需要改进学习算法,使其收敛至最优。

此外,协作Q学习是上述方法的改进。文献[1]提出了基于专业性指标的协作Q学习,通过利用其他智能体的经验和知识,一个学习智能体可更快地学习。在这里,使用2种智能体的学习模式:智能体个体学习模式和协作学习模式。首先,所有的智能体先是个体学习模式。当每个智能体都运行了一定数量的个体学习模式后,所有智能体都切换到协作学习模式。这里所提出的协作学习算法,称为加权策略共享,在该算法中,每个智能体测量它同伴的专业性指标,对它们的知识分配一个权值,并相应地向它们学习。此外,还研究了噪声对协作强化学习算法的影响,并检验了协作智能体当中一个智能体的Q统计表被随机改变时对所提出算法的影响。

3结语

CR实际是一种频谱共享技术,它实现的前提是要求SU能够快速、准确地感知到频谱空洞。认知无线电网络协作通信会同时带来增益和开销。与个体感知比较,协作感知对提高感知精度是有益的。协作在一定程度上减小了多径衰落和阴影的影响,提高了系统的抗路径损耗。此外,协作增加了感知时间和数据吞吐量。因此,感知性能和网络吞吐量之间需要一个折中。

引入人工智能中的强化学习理论,可解决OSA智能体的信道选择等问题。然而随着智能体的数量增加,状态空间呈指数增长,这可能导致算法变得过于复杂。集中式与分布式容易陷入局部最优,需要改进学习算法。OSA技术尚不成熟,还有很多问题值得探索和研究。将人工智能、机器学习等引入到认知无线电网络中,实现智能化的资源调度、配置和管理,对认知无线电网络的发展具有积极作用。

参考文献

[1]EMRE M,GUR G,BAYHAN S,et al.Cooperative Q:energy-efficient channel access based on cooperative reinforcement learning[J]Workshop Proceedings of IEEE International Conference on Communication,2015(6):2799-2805.

[2]CHOI K W,HOSSAIN E.Opportunistic access to spectrum holes between packet bursts:a learning-based approach[J].IEEETransactions on Wireless Communications,2011(8):2497-2509.

[3]ZHAO Q,SADLER B M.A survey of dynamic spectrum access[J].IEEE Signal Processing Magazine,2007(3):79-89.

[4]Ning Han,Sung Hwan Shon,Jae Hak Chung,et al.Spectral correlation based signal detection method for spectrum sensing in IEEE802.22 WRAN systems[A].The 8th International Conference on Advanced Communication Technology[C].2012.

[5]HAYKIN S.Cognitive radio:brain-empowered wireless communications[J].IEEE Journal on Selected Areas in Communications2005(2):201-220.

[6]WILD B,RAMCHANDRAN K.Detecting primary receivers for Cognitive Radio applications[A].1st IEEE International Symposium on New Frontiers in Dynamic Spectrum Access Networks[C].2005.

[7]GANESAN G,LI Y G.Cooperative spectrum sensing in cognitive radio-Part I:two user networks[J].IEEE Trans.Wireless Commun,2007(6):2204-2213.

[8]AKYILDIZ I F,LO B F,BALAKRISHNAN R.Cooperative spectrum sensing in cognitive radio networks:A survey[J].Journal Physical Communication archive,2011(1):40-62.

[9]BELLMAN R.Dynamic programming[M].Princeton:Princeton University Press,1957.

[10]WATKINS C J C H,DAYAN P.Q-learning[J].Machine Learning,1992(3):279-292.

[11]MATIGNON L,LAURENT G J,FORT-PIAT N L.Independent reinforcement learners in cooperative Markov games:a survey regarding coordination problems[J].The Knowledge Engineering Review,2012(27):1-31.

高频谱无线接入网 篇3

随着无线通信技术的发展, 人们对频谱的需求越来越大, 预测到2010年对频带需求量将变为2002年的200%至300%[1], 然而由于目前的频谱资源的静态的分配策略导致了某些授权频段的频谱资源并没有得到充分的利用, 形成了频谱资源在时间空间频谱三个维度下的频谱空穴。以美国的为例, FCC在2003年提供的从时空二维的统计数据来看已经分配频谱的资源利用率为15%～85%[2];而另外一份2003年的调查指出, 授权频段在大多数的时候使用率只有6%[3]。

在这样的情况下, Mitola在1999提出了认知无线电的概念[4], 用来解决频谱资源紧张和大量频谱空穴存在的矛盾, 其基本思想是让无线电设备具有认知能力, 能感知外界的频谱环境, 利用频谱空穴进行通信。动态频谱接入是认知无线电系统中的关键技术之一。目前关于动态频谱接入的算法主要有合作和非合作的方式。文献[5]中合作方式的动态接入的方法需要认知无线电系统有一个专用信道来交换系统中的各个认知设备获得的信道信息, 但是在实际的认知系统很难保证随时都存在这个专有信道。非合作方式的动态接入算法, 只需要研究单个的认知设备, 但是要在规定的时间内检测所有频谱解释难以实现的。例如基于OFDM的动态频谱接算法, 实际的设备一个时隙内要检测所有子载波是难以实现的。因此提出了基于部分课观察马尔科夫决策过程的动态频谱接入算法, 该算法只检测部分信道就可以使得认知设备充分的利用外界的频谱资源。

1系统模型

动态频谱接入算法主要包括两个部分:感知和接入。感知部分就是决策是否要感知频谱, 以及感知哪个频段或者频道的频谱;接入部分就是根据感知的结果决策决定是是否接入相应的频谱当中去算法目的是在一定的时间内, 在硬件有限的限制下获得最多的空闲频谱资源并接入。

2系统建模

在模型中假设各个信道采用时分复用的方式 (如TD-SCDMA系统) , 且认知系统已经跟踪上了信道的复用时钟。假设系统中有N个信道, 每个信道带宽为Bi (i=1, 2, …N) 。每个信道的工作过程可以看作一个Markov过程, 其状态转移图如图1所示, 即每个信道都有两个工作状态{1 (Idle) , 0 (Busy) }。特别的我们假设在一定的时间间隔内 (T个时隙) , 各个信道统计特性都是不变的, 即图中的α, β保持不变。由于每个信道在一个时隙中有2个状态, 那么由N个信道组成的系统就有2N个系统状态, 那么在系统某个时隙t的状态可以用这个向量来表示[S1 (t) , …, SN (t) ], 其中Si (t) 表示第i个信道的状态, Si (t) ∈{1 (Idle) , 0 (Busy) }。引入变量信息向量π, 其表示当前系统在2N个系统状态上的概率分布, 显然∑πi=1。

算法的目的就是优化感知和接入的策略使得在一定时隙内认知设备可以获得最多的频谱资源。各个认知无线电设备在工作时没有中央控制器或者专有信道来协调他们工作, 所以在MAC层会采用一个分布式的接入协议, 但在此并不考虑此具体协议, 其对下面的讨论影响不大。

3 接入算法

由于受到硬件和时分系统同步的限制, 认知无线电设备不可能一次检测所有N个信道的状态, 只能选择一部分信道 (M1个信道) 来进行检测。检测完成之后, 根据检测的结果选择刚才的那部分的信道的一个子集用来进行接入, 这部分信道数量为M2, 显然M2≤M1。在本文只考虑M2=M1=1。那么我们算法就是决定每个时隙下的检测的信道和根据相应检测结果, 决定是否接入。由于系统可以建模为一个马尔科夫过程, 而认知无线电设备每个时隙只能观察到系统中有限的信道并且考虑信道检测的虚警和漏检概率, 因此采用部分可观察马尔科夫决策过程来求解算法。

算法的具体工作的过程如图2所示:在t时隙, 认知无线点设备根据之前设备工作的历史π向量估计系统所处的状态, 决定检测的信道a1 (a1∈{1, 2, …, N}) , 同时根据检测的信道结果θa1 (θ∈{Idle, Busy}) 决定接入动作a2, 获得相应的收益。在此时系统立即可以得到的收益的期望可以表示为:

$V{}^t={\displaystyle \sum _i{\displaystyle \sum _j{\displaystyle \sum _{\theta }\pi }}}{}_i^t{\rm P}{}_{ij}^{a{}_1}R{}_{j,\theta }^{a{}_1}W{}_{j,\theta }^{a{}_2}$ (1)

(1) 式中P${}_{ij}^a$表示在动作a下的系统转移概率;R${}_{{}^{j,\theta }}^a$表示在动作a下, 系统处于j状态观察

到θ结果的概率;W${}_{j,\theta }^a$表示系统在j状态下采用动作a观察到θ时认知无线电设备的收益。

因为一次检测相当于观察了一次系统, 那么可以根据观察结果获得了系统所处状态的最新信息;根据Bayes公式更新π向量到π′。

$\pi {}_j^{t+1}=\frac{{\displaystyle \sum _i\pi }{}_i^t{\rm P}{}_{ij}^{a}R{}_{j,\theta }^a}{{\displaystyle \sum _n{\displaystyle \sum _k\pi }}{}_n^t{\rm P}{}_{nk}^a}R{}_{k,\theta }^a$ (2)

(2) 式中π${}_j^t$表示在时隙t系统处于j状态的概率。

下一阶段的决策就要根据信息向量π′来确定当前的收益。根据算法的目的:认知无线电设备T个时隙内获在能得尽量多的空闲频谱资源, 可得到如下目标函数:

$\max ({\displaystyle \sum _{t=1}^{{\rm T}}V}{}^t)$ (3)

但是由于π的更新受前一阶段的动作a和观察结果θ的影响 (见公式 (2) ) , 所以时隙t作决策时不仅仅要考虑当前的收益Vt, 还要综合考虑该决策下造成的信息向量跟新对下一时隙的收益的影响。为了简化目标函数 (3) , 引入值函数

$V(n,\pi )=\max ({\displaystyle \sum _{t={\rm T}-n+1}^{{\rm T}}V}{}^t)$ (4)

其意义为在剩下n个决策时隙时、当前的信息向量为π时, 所能获得的最大收益。对于值函数V (n, π) 在最后一个阶段明显有:

$V(0,\pi {}^{{\rm T}})=\underset{a{}_1,a{}_2}{{\displaystyle \max }}({\displaystyle \sum _i{\displaystyle \sum _j{\displaystyle \sum _{\theta }\pi }}}{}_i^{{\rm T}}{\rm P}{}_{ij}^{a{}_1}R{}_{j,\theta }^{a{}_1}W{}_{j,\theta }^{a{}_2})$。

那么目标函数 (3) 式就可以改写为:

$\begin{array}{l}V({\rm T},\pi {}^1)=\max ({\displaystyle \sum _i{\displaystyle \sum _j{\displaystyle \sum _{\theta }(}}}\pi {}_i^t{\rm P}{}_{ij}^{a{}_1}R{}_{j,\theta }^{a{}_1}W{}_{j,\theta }^{a{}_2}+\\ V({\rm T}-1,{\rm T}(\pi {}^1|a{}_1,\theta ))))(5)\end{array}$

这样的迭代式。其中函数公式T (π|a1, θ) 是根据公式 (2) 更新信息向量的函数。

再考虑信道检测的工作参数 (虚警和漏检概率) 和实际系统所能忍受的碰撞概率。根据Neyman-Pearson准则, 漏检概率σ和虚警概率ε满足一定的函数关系。在这一限制条件下只考虑ε来确定信道检测的工作点。那么动态频谱接入算法求解就是以下优化问题的优化过程。

{a*1 (k) , a*2 (k) , ε*}=argmax (V (T, π1) )

s.t.

Pr (access channel i|Si (t) =0) ≤ξ (6)

(6) 式中a*1 (k) 、a*2 (k) 分别表示最优检测动作序列和相应的最优接入动作序列;ε*为认知无线电信道检测的最佳工作点;ξ表示系统所能忍受的认知设备与主用户碰撞的最大概率。

优化问题 (6) 式, 需要同时优化a1 (k) 、a2 (k) 和ε。似乎求解比较困难, 幸运的是文献[6]证明了ε的优化可以和a1 (k) , a2 (k) 分离开优化并不影响结果, 同时指出当ε*=ξ是检测器最佳工作点, 此时对应的a1 (k) , a2 (k) 关系为:

$a{}_2(k)=\{\begin{array}{l}\text{接}\text{入}\text{信}\text{道}a{}_1(k)‚\text{若}\theta {}_{a{}_1(k)}=1\\ \text{不}\text{接}\text{入}‚\text{若}\theta {}_{a{}_1(k)}=0\end{array}(7)$

(7) 式中θa1 (k) 表示检测信道a1 (k) 得到的检测结果, 如果检测到信道a1 (k) 空闲, a2 (k) 则选择接入到信道a1 (k) , 反之则不接入。通过公式 (7) , 优化问题 (6) 就只剩下了一个优化变量, 它的求解就变为了公式 (5) 的一个无约束的POMDP问题。该问题可以转化为一个动态规划的问题来求解;在每个阶段根据问题解的特性, 首先计算信息空间上的一个随机点的最优策略, 再从这个最优策略的适用的信息空间区域的边界搜索其他的策略的区域, 直到搜索完当前阶段的所有最优策略的区域。但是无约束POMDP问题的求解的复杂度会随着系统中信道数的增加成指数速度增长, 若要在移动设备上实现实时的计算非常的困难, 因此我们提出采用贪心法求解上述问题。将优化目标函数 (5) 后半部分V (T-1, T (π1|a1, θ) ) 略去不考合适的折中, 这样之后的仿真结果也可以看出, 即每个阶段只考虑当前阶段期望收益最大化忽略对下一阶段收益的影响, 如公式 (3) 所示。贪心法无法达到问题的最优解, 但是在解的优化程度和计算复杂度是一个合适的折衷。

4 仿真结果

在信道数为N=3, 各个信道的归一化带宽分别为0.9、1和0.8时, 各信道的统计特性α分别为0.1、0.5和0.8, β为0.5、0.4和0.3时, 通过仿真得到在相同的信息空间上的不同阶段数的累积期望收益。

从仿真结果可以看出, 基于POMDP最优解的接入策略任何情况下都能比其他方法获得更多的收益, 特别是随着总阶段T增大时, 这种优势更加的明显, 原因就在于本算法综合考虑了当前和未来的收益。为了降低算法的复杂度而提出的贪心算法, 在阶段数较小时 (见图3阶段数1～10处) , 其性能和最优解十分的接近, 但是随着阶段数的增加性能降低。至于随机检测接入的算法从实际应用来看它是一种“盲目”的算法, 所以它的性能是最差的。

5 结论

本文在分析当前认知无线电动态频谱接入的两类算法后, 提出了符合实际应用的情况使用的非合作式基于POMDP的动态频谱接入算法;鉴于POMDP问题求解的复杂度较高使用贪心法求解上述问题得到接入算法的次优解。通过仿真发现最优解和次优解在应用分别比随机检测接入算法多获得约25%和22%的带宽。

本文研究的接入算法检测接入信道数都为1的, 但当硬件条件提高时检测和接入信道增加时, 该算法需要做适当的改进才能应用;此外该算法还可以引进协作方式, 各个认知设备共享检测结果, 使得认知设备对外界频谱环境得到更加准确的估计。这些都是本课题后继可以研究的方向。

摘要：针对当前认知无线电动态频谱接入算法实现复杂度高的缺点, 提出了在硬件受限制的情况下, 基于部分可观察马尔科夫决策过程的动态频谱接入算法。该算法利用多次对外界信道的检测得到对外界环境的估计, 然后根据此估计以当前和未来收益总和最大化为目标, 实频谱接入, 并实现了最优解和贪心法次优解。该算法比随机检测接入算法多获得约25%的带宽, 贪心法的次优解在阶段数较少时与最优解性能非常接近。

关键词：认知无线电,动态频谱接入,部分可观察马尔科夫决策过程,动态规划

参考文献

[1]Reed D P.Howwireless networks scale:the illusion of spectrum scar-city.FCC Technological Advisory Coucil April2002and International Symposium on Advanced Radio Technologies (ISART2002) , March2002

[2]FCC, ETDocknet NO.03-103Notice of proposed rule making and or-der, December2003

[3]McHenry M.Spectrumwhite space measurements.NewAmerica Foun-dation Broadband Forum, June2003

[4] Mitola III J, Maguire Jr G Q.Cognitive radio: making software radios more personal.IEEE Personal Communications, 1999;6 (4) : 13—18

[5] Su Hang, Zhang Xi.Opportunistic MAC protocols for cognitive radio based wireless networks.Proc 41st Conference on Information Sciences and Systems (CISS 2007) , John Hopkings University, USA, March 2007:363—368

高频谱无线接入网 篇4

一、基于认知无线电的接入控制

当前, 我国对于认知无线电系统的研究越来越多。无线通信系统的接入方式主要有两种:一种是Overlay sharing, 另外一种是Underlay sharing。第一种主要由一个无线通信系统用户占有一个单独的频谱。同时它排斥其他的频率, 排他性比较强烈, 比如我们之前使用的FDMA系统。如果认知系统要使用这一种模式, 当用户没有使用某个频谱的时候才能接入。而后一种模式主要使用的是扩频通信技术, 把认知系统中用户的频谱进一步拓宽, 比如UWB、CMA系统等等。

但是不管使用什么样的方式, 认知无线电环境中, 可以使用的资源总是在不断改变的, 只能使用主系统用户之前没有使用过的频带资源。在资源不断变化的情况下, 怎样才能使用户的Qo S可以高效接入, 使认知用户在接入的过程之中不会发生冲突, 这是需要重点解决的问题, 需要制定一定的规则和礼仪, 这样才能使系统得到调节, 不发生冲突。

认知无线电系统是不具备通信频谱资源的优先使用权的, 因此, 它对主用户可以起到保护作用, 因此在接入的时候也要考虑到以前的一些问题。接入技术的种类是非常多的, 而根据无线电系统的特征, 我们主要讲述的是以上这两种, 即Overlay sharing和Underlay sharing, 这是两种比较主要的认知系统接入方式。

二、基于次用户学习的机会频谱接入方法研究

无线设备正在大范围增加。所以, 无线频谱就会造成拥堵的现象。频谱机会不断增加, 而可用的频谱太少, 两者正好是相反的。根据真实的测量可知:在一定的时间, 一定的地点, 很多的授权频谱都是闲置的。认知无线电网络使频谱的使用率大大提高, 将一些空闲的频谱机会得到了利用。在认知无线电网络的动态频谱管理办法之中, 机会频谱的接入是一种常见的方法。机会频谱接入的基本思想主要为:如果次用户没有对主用户产生干扰作用, 次用户则可以辨别机会频谱, 并将其使用到系统之中。

大部分机会频谱在接入策略假定的网络之中。在多信道的条件下, 每个次用户的主要问题就是应该感知哪一个信道。当时隙开始之前, 每一个次用户就要开始感知, 得到一个空闲信道, 次用户极有可能在这一信道上面进行传输。我们在时隙开始之前的感知决定, 次用户在这一段多出来的时间中寻找空闲的信道。但是, 如果主用户传输的时候不分时隙, 不管什么时候, 信道则在空闲与忙绿的时候不断变化。所以, 次用户很有可能会与主用户产生冲突, 或者, 虽然在感知时间段有准确的感知, 但是, 次用户则没有了传输的机会。次用户在感知的情况下确定是不是要进行传输。

本文的研究中, 如果在没有分时隙的主用户网络之中, 次用户可以采用学习的机会频谱接入方法, 使传输机会的数量不断增加。这一学习方法使次用户间的交互作用得到深层次研究, 对于感知的信道也更为确切。每一个次用户对用户碰撞的部分频谱的分配图进行考虑。每一次的用户根据碰撞的信息在后面的时隙中就能感知更为准确的信道。

对于一个没有分时隙的认知无线电网络来讲, 基于次用户学习的频谱接入方法研究是比较重要的。这一方法使次用户的吞吐量可以达到最大化。但是目前的学习方法计算量还比较少。因为次用户不会交换频谱的分配图。因此, 次用户与次用户之间是不能进行通信的。对于性能来说, 基于学习的方法接近次用户间无通信的协作方法和最佳方法。

由于频谱非常缺少, 认知无线电技术就被认为是解决这一问题的最佳技术, 目前在国内外都是研究的重点内容。在认知无线电的条件下, 我们不需要向从前一样对频谱资源进行划分, 而是根据主用户的变化来利用频谱资源, 这是一种动态的特点, 因此对MAC也提出了更高的要求, 而我们研究基于认知无线电的机会频谱接入技术也有很大的现实意义。

摘要：目前, 宽带无线业务正在不断增多, 其中, 影响无线通信发展的一大问题就是频谱资源非常稀少。但是, 在某段频谱资源上具有很多的业务, 而其他频段的使用效率却比较低。因此, 我们就提出了认知无线电技术, 进一步改善了无线环境, 使频谱资源提高了利用率。

关键词：认知无线电,机会频谱,接入技术

参考文献

[1]陆大.随机过程及其应用.北京:清华大学出版社, 1986, 117-191.

[2]W.Tuttlebee.Software Defined Radio:Origins, Drivers and InternationalPerspectives.New York:Wiley, 2002.