動態(tài)認知無線電網(wǎng)絡的自適應QoS保障機制研究.pdf

1、由于日益增長的無線接入業(yè)務需求以及授權頻譜的低利用率現(xiàn)狀，使得認知無線電和動態(tài)頻譜接入技術成為下一代通信網(wǎng)絡（即認知無線電網(wǎng)絡，Cognitive radio network，CRN）的核心技術。CRN通過機會式的頻譜接入來獲得巨大的無線帶寬，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程。為了在CRN上實現(xiàn)多媒體傳輸，本文從上述四個過程出發(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。頻譜感知是認知無線電區(qū)別于傳統(tǒng)無線電的關鍵技術，感知無線電環(huán)境是實現(xiàn)認知無線電傳輸?shù)幕A。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)合頻譜感知過程中不適合進行信息共享，這一課題目前在聯(lián)合頻譜感知領域沒有被很好地解決。本文提出使用基于狄利克雷過程（Dirichlet process, DP）的分層貝葉斯模型來實現(xiàn)感知數(shù)據(jù)的自動分組，

3、將具有同一稀疏頻譜的簇自動分到同一組。在每個組內(nèi)，可以進行信息共享并實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感知數(shù)據(jù)進行非參數(shù)分組。然而，順序采集的壓縮感知數(shù)據(jù)在時間上也是相關的。為了進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)之間的關系，并使用維特比算法來獲得最終的超參數(shù)以及更高精確度的頻譜判決。仿真實驗表明空時數(shù)據(jù)挖掘算法在恢復信號

4、的歸一化均方誤差、正確檢測概率、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，為了通過頻譜切換來保證多媒體應用的服務質(zhì)量（Quality of Service, QoS），必須對無線電環(huán)境進行周期性檢測。然而，頻譜感知必將引入額外的時延。因此，本文將頻譜切換與頻譜感知進行聯(lián)合跨層設計，具體為多媒體傳輸?shù)淖赃m應頻譜感知周期和數(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間間隔，并假設次要用戶（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間之間的數(shù)學模型。如果SU傳輸多媒體數(shù)據(jù)包過程中，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)和較大的剩余時間將確保更多的多媒體數(shù)據(jù)包在要求的時延內(nèi)到達接收端，從而提高了多媒體應用的Qo

6、S性能?；谏鲜龅膬蓚€數(shù)學模型，為單信道鏈路推導出了最優(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衡關系。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驗驗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，本文針對基于非連續(xù)正交頻分復用技術的認知無線電網(wǎng)絡提出了一種分布式、協(xié)作式以及填充式的頻譜共享機制，并為SU的每個數(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)的動態(tài)分配策略通常假設所有 SU通過公共控制信道（Common control channel, CCC）來進行大量重要信息交換，

8、實現(xiàn)協(xié)作的頻譜共享。為了避免大量信息進行交換，本章提出將機器學習（基于狄利克雷分布的全貝葉斯模型）應用于頻譜共享機制（即智能跨層分配策略）。為了研究簇內(nèi)的目標SU，本文將簇內(nèi)其它SU等效為一個虛擬SU并使用基于狄利克雷分布的全貝葉斯模型來學習該虛擬SU的子載波分配策略等信息。并且，將學習結果用于估計任一信道的隊列時延小于最大忍耐時延的概率。為了計算SU的吞吐量，本文引入了時間窗口來精確定義。時間窗口準確地描述了發(fā)射功率一定時，可以同時并

9、行傳輸?shù)臄?shù)據(jù)包個數(shù)。最后，通過最大化基于時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)姆抡鎸嶒烌炞C了智能跨層分配策略的正確性和有效性，且仿真結果與理論值相互吻合以及視頻質(zhì)量優(yōu)于其它兩種典型的動態(tài)分配策略。
　　最后，本文研究了頻譜管理和路由的跨層設計，并提出了面向鏈路穩(wěn)定和信道容量的路由協(xié)議。本文針對高速運動的CRN，其快速運動的SU將不

10、斷改變網(wǎng)絡拓撲結構并使得通信鏈路不能長時間保持穩(wěn)定，從而有可能降低端到端的QoS性能以及增加路由協(xié)議的復雜度。本文針對聯(lián)合搜救模型（如進行搜救的無人機），具體研究內(nèi)容包括：（1）提出使用鳥群覓食模型來描述參與聯(lián)合搜救的SU的運動特征，并估計出鏈路穩(wěn)定概率；（2）根據(jù)各個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構的CRN，提出兩種CCC選擇方