動(dòng)態(tài)認(rèn)知無(wú)線電網(wǎng)絡(luò)的自適應(yīng)QoS保障機(jī)制研究.pdf

1、由于日益增長(zhǎng)的無(wú)線接入業(yè)務(wù)需求以及授權(quán)頻譜的低利用率現(xiàn)狀，使得認(rèn)知無(wú)線電和動(dòng)態(tài)頻譜接入技術(shù)成為下一代通信網(wǎng)絡(luò)（即認(rèn)知無(wú)線電網(wǎng)絡(luò)，Cognitive radio network，CRN）的核心技術(shù)。CRN通過(guò)機(jī)會(huì)式的頻譜接入來(lái)獲得巨大的無(wú)線帶寬，從而提高頻譜利用率。然而，CRN沒有固定的工作頻帶以及調(diào)制方式，這些傳輸參數(shù)取決于頻譜感知、頻譜切換、頻譜共享以及頻譜管理等過(guò)程。為了在CRN上實(shí)現(xiàn)多媒體傳輸，本文從上述四個(gè)過(guò)程出發(fā)逐步展開課題的

2、研究。
　　首先，本文提出了一種基于空時(shí)數(shù)據(jù)挖掘和壓縮感知的聯(lián)合頻譜感知算法。頻譜感知是認(rèn)知無(wú)線電區(qū)別于傳統(tǒng)無(wú)線電的關(guān)鍵技術(shù)，感知無(wú)線電環(huán)境是實(shí)現(xiàn)認(rèn)知無(wú)線電傳輸?shù)幕A(chǔ)。由于CRN布置在一定的空間內(nèi)，不同的簇可能具有不同的稀疏頻譜，在聯(lián)合頻譜感知過(guò)程中不適合進(jìn)行信息共享，這一課題目前在聯(lián)合頻譜感知領(lǐng)域沒有被很好地解決。本文提出使用基于狄利克雷過(guò)程（Dirichlet process, DP）的分層貝葉斯模型來(lái)實(shí)現(xiàn)感知數(shù)據(jù)的自動(dòng)分組，

3、將具有同一稀疏頻譜的簇自動(dòng)分到同一組。在每個(gè)組內(nèi)，可以進(jìn)行信息共享并實(shí)施分層貝葉斯推理得出共享的超參數(shù)。因此，基于DP的分層貝葉斯模型充分利用了空間分集信息對(duì)感知數(shù)據(jù)進(jìn)行非參數(shù)分組。然而，順序采集的壓縮感知數(shù)據(jù)在時(shí)間上也是相關(guān)的。為了進(jìn)一步提高頻譜判決的精確度，本文采用隱藏馬爾科夫模型來(lái)描述隱藏的信道狀態(tài)與順序采集的壓縮感知數(shù)據(jù)之間的關(guān)系，并使用維特比算法來(lái)獲得最終的超參數(shù)以及更高精確度的頻譜判決。仿真實(shí)驗(yàn)表明空時(shí)數(shù)據(jù)挖掘算法在恢復(fù)信號(hào)

4、的歸一化均方誤差、正確檢測(cè)概率、虛警概率等方面的性能均優(yōu)于目前的幾種頻譜感知算法。
　　其次，為了通過(guò)頻譜切換來(lái)保證多媒體應(yīng)用的服務(wù)質(zhì)量（Quality of Service, QoS），必須對(duì)無(wú)線電環(huán)境進(jìn)行周期性檢測(cè)。然而，頻譜感知必將引入額外的時(shí)延。因此，本文將頻譜切換與頻譜感知進(jìn)行聯(lián)合跨層設(shè)計(jì)，具體為多媒體傳輸?shù)淖赃m應(yīng)頻譜感知周期和數(shù)據(jù)包分配方案。頻譜感知周期在本文中定義為相鄰頻譜感知的時(shí)間間隔，并假設(shè)次要用戶（Second

5、ary user, SU）的頻譜感知是周期性的。本文充分考慮主要用戶（Primary user, PU）的數(shù)據(jù)包到達(dá)特性，并建立了頻譜感知周期與剩余數(shù)據(jù)包數(shù)、頻譜感知周期與剩余時(shí)間之間的數(shù)學(xué)模型。如果SU傳輸多媒體數(shù)據(jù)包過(guò)程中，PU重新占用傳輸信道，那么 SU需要切換信道，并利用新選擇的信道在剩余時(shí)間內(nèi)繼續(xù)傳輸剩余數(shù)據(jù)包。因此，較小的剩余數(shù)據(jù)包數(shù)和較大的剩余時(shí)間將確保更多的多媒體數(shù)據(jù)包在要求的時(shí)延內(nèi)到達(dá)接收端，從而提高了多媒體應(yīng)用的Qo

6、S性能?；谏鲜龅膬蓚€(gè)數(shù)學(xué)模型，為單信道鏈路推導(dǎo)出了最優(yōu)的頻譜感知周期，為多信道鏈路給出了信道選擇、最優(yōu)的頻譜感知周期、最優(yōu)的數(shù)據(jù)包分配策略之間的權(quán)衡關(guān)系。在多信道鏈路的情況下，最優(yōu)的頻譜感知周期和最優(yōu)的數(shù)據(jù)包分配策略（固定鏈路選擇的信道數(shù)）由 Hughes-Hartogs和離散粒子群算法（discrete particle swarm optimization, DPSO）的聯(lián)合算法給出。圖像和視頻傳輸仿真實(shí)驗(yàn)驗(yàn)證了本文提出的算法給出

7、的信道選擇、最優(yōu)化頻譜感知周期、最優(yōu)的數(shù)據(jù)包分配策略的正確性和有效性。
　　再次，為了在簇內(nèi)同其它SU在上行鏈路中公平地分享可利用頻譜資源，本文針對(duì)基于非連續(xù)正交頻分復(fù)用技術(shù)的認(rèn)知無(wú)線電網(wǎng)絡(luò)提出了一種分布式、協(xié)作式以及填充式的頻譜共享機(jī)制，并為SU的每個(gè)數(shù)據(jù)包選擇最佳的子載波、發(fā)射功率以及調(diào)制方式。傳統(tǒng)的動(dòng)態(tài)分配策略通常假設(shè)所有 SU通過(guò)公共控制信道（Common control channel, CCC）來(lái)進(jìn)行大量重要信息交換，

8、實(shí)現(xiàn)協(xié)作的頻譜共享。為了避免大量信息進(jìn)行交換，本章提出將機(jī)器學(xué)習(xí)（基于狄利克雷分布的全貝葉斯模型）應(yīng)用于頻譜共享機(jī)制（即智能跨層分配策略）。為了研究簇內(nèi)的目標(biāo)SU，本文將簇內(nèi)其它SU等效為一個(gè)虛擬SU并使用基于狄利克雷分布的全貝葉斯模型來(lái)學(xué)習(xí)該虛擬SU的子載波分配策略等信息。并且，將學(xué)習(xí)結(jié)果用于估計(jì)任一信道的隊(duì)列時(shí)延小于最大忍耐時(shí)延的概率。為了計(jì)算SU的吞吐量，本文引入了時(shí)間窗口來(lái)精確定義。時(shí)間窗口準(zhǔn)確地描述了發(fā)射功率一定時(shí)，可以同時(shí)并

9、行傳輸?shù)臄?shù)據(jù)包個(gè)數(shù)。最后，通過(guò)最大化基于時(shí)延和吞吐量的效用函數(shù)，得出智能跨層分配策略，并可以為SU的每一個(gè)數(shù)據(jù)包產(chǎn)生最優(yōu)的子載波選擇、功率以及調(diào)制方式分配方案。數(shù)據(jù)仿真和視頻傳輸?shù)姆抡鎸?shí)驗(yàn)驗(yàn)證了智能跨層分配策略的正確性和有效性，且仿真結(jié)果與理論值相互吻合以及視頻質(zhì)量?jī)?yōu)于其它兩種典型的動(dòng)態(tài)分配策略。
　　最后，本文研究了頻譜管理和路由的跨層設(shè)計(jì)，并提出了面向鏈路穩(wěn)定和信道容量的路由協(xié)議。本文針對(duì)高速運(yùn)動(dòng)的CRN，其快速運(yùn)動(dòng)的SU將不

10、斷改變網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)并使得通信鏈路不能長(zhǎng)時(shí)間保持穩(wěn)定，從而有可能降低端到端的QoS性能以及增加路由協(xié)議的復(fù)雜度。本文針對(duì)聯(lián)合搜救模型（如進(jìn)行搜救的無(wú)人機(jī)），具體研究?jī)?nèi)容包括：（1）提出使用鳥群覓食模型來(lái)描述參與聯(lián)合搜救的SU的運(yùn)動(dòng)特征，并估計(jì)出鏈路穩(wěn)定概率；（2）根據(jù)各個(gè)SU的可用信道以及鏈路穩(wěn)定概率，提出一種綜合考慮節(jié)點(diǎn)度、簇內(nèi)成員到簇頭的平均跳數(shù)和信道切換次數(shù)的分簇算法；（3）根據(jù)分簇算法形成的基于簇結(jié)構(gòu)的CRN，提出兩種CCC選擇方