發(fā)布時間：2020-11-04 18:34

　　 以海上需求為驅(qū)動的E-Navigation戰(zhàn)略構(gòu)想自提出以來,引起了各國學術(shù)界和工業(yè)界的廣泛關(guān)注,我國也在積極地制定海上船舶無線網(wǎng)戰(zhàn)略發(fā)展規(guī)劃。為了解決帶寬問題,將認知無線電技術(shù)應(yīng)用于海上通信系統(tǒng),資源調(diào)度是認知無線電的關(guān)鍵技術(shù)之一。圖著色理論和Q-Learning算法是認知網(wǎng)絡(luò)資源調(diào)度中常用的兩種方法,它們對于集中式和分布式的海上認知網(wǎng)絡(luò)資源調(diào)度具有良好的適應(yīng)性。論文以海上船舶寬帶無線網(wǎng)為背景,針對不同的應(yīng)用場景分別提出了相應(yīng)的資源調(diào)度算法,主要研究內(nèi)容包括:1)在對認知無線電資源調(diào)度技術(shù)和強化學習理論進行歸納的基礎(chǔ)上,針對海上通信網(wǎng)的網(wǎng)絡(luò)拓撲結(jié)構(gòu)特點和應(yīng)用環(huán)境,將海上認知網(wǎng)絡(luò)分為兩種場景,并在此前提下分析了設(shè)計資源調(diào)度算法時面臨的問題。2)設(shè)計了適用于集中式海上認知網(wǎng)絡(luò)的基于圖著色理論的滿意度公平算法,針對用戶平均滿意度、滿意度公平性、系統(tǒng)總效益以及弱勢用戶等方面對算法和敏感圖著色算法進行對比,仿真結(jié)果表明滿意度公平算法在公平性等方面具有更好的效果。3)根據(jù)海上船舶通信遠海岸場景的特點,分析了在信道業(yè)務(wù)特征動態(tài)變化的情境下傳統(tǒng)的基于Q-Learning的資源調(diào)度算法的不足,在此基礎(chǔ)上提出了一種應(yīng)用于分布式海上認知網(wǎng)絡(luò)的適用于動態(tài)信道業(yè)務(wù)特征的資源調(diào)度算法,算法可以在環(huán)境特征發(fā)生改變后再次快速收斂,通過仿真驗證了算法在動態(tài)信道業(yè)務(wù)特征場景下的有效性。4)以獨立Q-Learning資源調(diào)度算法為基礎(chǔ),引入多智能體系統(tǒng)思想,針對多用戶存在的分布式海上認知網(wǎng)絡(luò)提出了一種協(xié)作Q-Learning的資源調(diào)度算法,通過對該算法和獨立Q-Learning資源調(diào)度算法進行仿真和對比,表明了算法在頻譜沖突率和系統(tǒng)總?cè)萘糠矫婢哂休^好的性能。
【學位單位】：哈爾濱工程大學
【學位級別】：碩士
【學位年份】：2018
【中圖分類】：TN925;U665.2
【文章目錄】：
摘要
abstract
第1章 緒論
    1.1 課題背景及研究意義
    1.2 國內(nèi)外研究動態(tài)
        1.2.1 認知無線電國外研究動態(tài)
        1.2.2 認知無線電國內(nèi)研究動態(tài)
    1.3 海上船舶通信場景分析
    1.4 論文研究內(nèi)容及結(jié)構(gòu)安排
第2章 理論基礎(chǔ)
    2.1 認知無線電及其相關(guān)技術(shù)
        2.1.1 頻譜感知
        2.1.2 頻譜共享和功率控制
        2.1.3 資源調(diào)度
    2.2 強化學習理論
        2.2.1 強化學習概述
        2.2.2 強化學習的基本框架
        2.2.3 強化學習常用算法
    2.3 本章小結(jié)
第3章 基于圖著色理論的滿意度公平算法
    3.1 基于圖著色理論的滿意度公平算法
        3.1.1 場景分析
        3.1.2 算法目標
        3.1.3 數(shù)學模型
        3.1.4 算法原理
        3.1.5 算法流程
    3.2 仿真結(jié)果及其分析
    3.3 本章小結(jié)
第4章 基于Q-LEARNING的分布式資源調(diào)度算法
    4.1 適用于動態(tài)信道業(yè)務(wù)特征的Q-LEARNING算法
        4.1.1 場景分析
        4.1.2 算法目標
        4.1.3 算法原理
        4.1.4 問題映射
        4.1.5 算法流程
    4.2 仿真結(jié)果及其分析
    4.3 本章小結(jié)
第5章 基于多用戶協(xié)作的分布式資源調(diào)度算法
    5.1 場景分析
    5.2 多智能體系統(tǒng)
        5.2.1 基本概念
        5.2.2 多智能體系統(tǒng)的協(xié)作機制
    5.3 基于協(xié)作Q-LEARNING的資源調(diào)度算法
        5.3.1 算法目標
        5.3.2 算法框架
        5.3.3 算法描述
        5.3.4 算法流程
    5.4 仿真結(jié)果及其分析
    5.5 本章小結(jié)
結(jié)論
參考文獻
攻讀碩士學位期間發(fā)表的論文和取得的科研

【參考文獻】

相關(guān)期刊論文 前10條

1 姜永;陳山枝;胡博;;異構(gòu)無線網(wǎng)絡(luò)中基于Stackelberg博弈的分布式定價和資源分配算法[J];通信學報;2013年01期

2 劉軍;謝秀峰;;基于排隊時延及博弈分析的認知無線網(wǎng)絡(luò)信道分配算法[J];通信學報;2012年06期

3 王欽輝;葉保留;田宇;李文中;陸桑璐;陳道蓄;;認知無線電網(wǎng)絡(luò)中頻譜分配算法[J];電子學報;2012年01期

4 何利;鄭湘渝;劉振坤;;基于圖著色理論的最大效用頻譜分配算法[J];計算機工程;2011年19期

5 瞿越;鮮永菊;徐昌彪;;基于用戶需求的圖著色論頻譜分配算法[J];計算機應(yīng)用;2011年03期

6 胡罡;劉麗霞;李宏建;徐明;;無線認知網(wǎng)絡(luò)中一種分布式最大頻譜分配算法[J];國防科技大學學報;2010年05期

7 吳啟暉;劉瓊俐;;基于DAQL算法的動態(tài)頻譜接入方案[J];解放軍理工大學學報(自然科學版);2008年06期

8 柳海濤;;基于博弈論的認知無線電頻譜分配模型[J];通信技術(shù);2008年08期

9 桂林;武小悅;;部分可觀測馬爾可夫決策過程算法綜述[J];系統(tǒng)工程與電子技術(shù);2008年06期

10 陳星;賀志強;吳偉陵;;基于循環(huán)平穩(wěn)的多天線感知無線電頻譜檢測[J];北京郵電大學學報;2008年02期

相關(guān)博士學位論文 前2條

1 李紅巖;認知無線電的若干關(guān)鍵技術(shù)研究[D];北京郵電大學;2009年

2 劉紅杰;基于認知無線電的動態(tài)頻譜管理理論及相關(guān)關(guān)鍵技術(shù)研究[D];北京郵電大學;2009年

相關(guān)碩士學位論文 前10條

1 丁明剛;基于多智能體強化學習的足球機器人決策策略研究[D];合肥工業(yè)大學;2017年

2 程啟明;基于改進敏感圖著色算法的認知無線電頻譜分配研究[D];西南交通大學;2016年

3 魏倫炳;基于認知無線網(wǎng)絡(luò)頻譜分配技術(shù)研究[D];貴州大學;2015年

4 劉磊;基于ABC算法的認知無線電頻譜協(xié)作感知與分配[D];燕山大學;2012年

5 黃云霞;基于改進Q學習的認知無線網(wǎng)絡(luò)動態(tài)頻譜接入算法研究[D];電子科技大學;2012年

6 李曉靜;基于強化學習的動態(tài)頻譜分配算法的研究[D];南京郵電大學;2011年

7 張敏;基于圖論的認知無線電網(wǎng)絡(luò)頻譜分配算法研究[D];汕頭大學;2010年

8 趙新蕾;認知無線電中基于主從用戶差異性的調(diào)度算法[D];北京郵電大學;2010年

9 張靚;基于匹配博弈的認知無線電頻譜分配技術(shù)研究[D];哈爾濱工程大學;2010年

10 曾軻;基于博弈論的認知無線電頻譜分配技術(shù)研究[D];電子科技大學;2007年

本文編號：2870452