當(dāng)大眾對(duì)無(wú)線通信服務(wù)進(jìn)一步的呼吁,能夠被分配的頻譜無(wú)奈到了不好尋找的時(shí)候。認(rèn)知無(wú)線電利用次級(jí)使用者能夠在盡量不影響主使用者業(yè)務(wù)的前提下,不斷地進(jìn)行檢測(cè)和利用頻譜空洞,理所應(yīng)當(dāng)更多地享受特權(quán)。一方面,如果次級(jí)使用者能夠預(yù)先獲取主使用者更多的特點(diǎn),例如媒體訪問(wèn)控制（Medium Access Control,MAC）信息等,想當(dāng)然進(jìn)一步降低對(duì)主使用者產(chǎn)生的紊亂。另一方面,深度學(xué)習(xí)因?yàn)樗约后@人的集合表征特點(diǎn)和辦法,化身各個(gè)轄區(qū)分析和討論中不可或缺的寵兒。本文把深度學(xué)習(xí)這個(gè)工具擴(kuò)展在認(rèn)知無(wú)線電中,特別通過(guò)循環(huán)神經(jīng)網(wǎng)絡(luò)分析主使用者序列,重點(diǎn)解決基于深度學(xué)習(xí)的MAC協(xié)議分析問(wèn)題。首先,這里基于TDMA、CSMA、Slotted Aloha以及Pure Aloha 4類(lèi)經(jīng)典的MAC序列,利用循環(huán)神經(jīng)網(wǎng)絡(luò)善于分析時(shí)序流樣本的特點(diǎn),設(shè)計(jì)了一種依賴深度學(xué)習(xí)的MAC序列種類(lèi)分辨技術(shù),解決了主用戶所使用的MAC序列的種類(lèi)識(shí)別問(wèn)題。這個(gè)方法著重完備地想到了MAC協(xié)議序列在時(shí)域上的聯(lián)系,相較于傳統(tǒng)的機(jī)器學(xué)習(xí)方法具有更高的分類(lèi)精度且不需要手動(dòng)特征提取。然后,這里考慮到仿真模型通信網(wǎng)絡(luò)中存在多個(gè)主用戶協(xié)同合作的情況... 

【文章來(lái)源】：華僑大學(xué)福建省

【文章頁(yè)數(shù)】：68 頁(yè)

【學(xué)位級(jí)別】：碩士

【部分圖文】：

認(rèn)知無(wú)線電原理圖

第1章緒論3圖1.1認(rèn)知無(wú)線電原理圖在CR中，規(guī)定了兩種不同的頻譜使用者：主使用者PU和次級(jí)使用者SU。主使用者的工作范圍是事先分配的。次級(jí)享受者不具備事先約定的范圍的享受權(quán)，只有在主享受者不在線時(shí)有一搭沒(méi)一搭地品味剩下的頻段。CR中次級(jí)享受者對(duì)頻譜的使用不當(dāng)會(huì)導(dǎo)致對(duì)主享受者的壞的影響，從而影響主享受者的通信質(zhì)量。這樣說(shuō)來(lái)，次級(jí)享受者有想辦法完美了解資源要不然處于忙工作或者要不然處于被主使用者享受的本領(lǐng)。在CR中，頻譜空洞的特點(diǎn)可以從圖1.2里面看出來(lái)。圖1.2頻譜空洞示意圖在CR中，各個(gè)使用者對(duì)特定范圍的怎樣享有資源各有特點(diǎn)，SU通過(guò)分析該頻段被PU業(yè)務(wù)的占用情況和干擾的功率高低，從判斷該頻段是否可用。CR需要根據(jù)用戶的需求設(shè)置合適的誤碼率、傳輸模式、延遲與帶寬，從而選擇合適的工作頻段以便達(dá)到更好的通信服務(wù)質(zhì)量。也就是說(shuō)，當(dāng)SU使用頻譜空洞時(shí)，需要確保自身的通信不會(huì)對(duì)PU的業(yè)務(wù)造成干擾。當(dāng)PU到了享用這個(gè)頻譜空洞

華僑大學(xué)碩士學(xué)位論文4時(shí)，SU必須及時(shí)避讓或者調(diào)整自身參數(shù)，減少對(duì)PU的影響。在不影響PU業(yè)務(wù)的前提下，SU靈活地使用頻譜空洞。所以，SU需要分析當(dāng)前PU的MAC協(xié)議，從而調(diào)整自身的參數(shù)。這樣既減少了對(duì)PU的業(yè)務(wù)產(chǎn)生干擾，又進(jìn)一步提高了頻譜利用率�，F(xiàn)如今，在世界各地關(guān)于CR的MAC層分析中，MAC協(xié)議分析這塊知識(shí)作為其中的潮流寵兒，備受關(guān)注。1.3這種用到方案說(shuō)明幾年來(lái)被開(kāi)發(fā)的分支作為盡可能地實(shí)現(xiàn)中近幾年來(lái)被開(kāi)發(fā)的分支，這樣應(yīng)用到ML讓之盡可能地實(shí)現(xiàn)當(dāng)時(shí)開(kāi)始的期望—人工智能（ArtificialIntelligence,AI）[9]。但是由于計(jì)算機(jī)硬件條件的限制和樣本數(shù)量的不足等原因，ML在不少領(lǐng)域的前景還存在著不是特別優(yōu)秀的地方。近年來(lái)，面臨硬件水平的提升和大規(guī)模信息風(fēng)口的臨近，ML發(fā)展到了DL的新時(shí)代。DL是一種更復(fù)雜的ML方案，并搖身一變了現(xiàn)在研究界的時(shí)尚寵兒。DL能夠被說(shuō)明成“深度”加“學(xué)習(xí)”它們倆部分之間加權(quán)。“深度”體現(xiàn)在這個(gè)網(wǎng)絡(luò)的有幾層樓上，換句話解釋起來(lái)為，這個(gè)網(wǎng)絡(luò)的樓層也就是越高，則訓(xùn)練數(shù)據(jù)集的能力越強(qiáng)；“學(xué)習(xí)”解釋成這個(gè)網(wǎng)絡(luò)是不是有辦法井然有序輸入樣本集合有意圖得更新改變里面的許多變量，來(lái)訓(xùn)練出理想的特征表達(dá)分辨。圖1.3展現(xiàn)的為包括2樓中間樓的4樓這樣的網(wǎng)絡(luò)。目前，DL已經(jīng)在眾多方面取得的性能大大超過(guò)傳統(tǒng)相關(guān)技術(shù)[10][11]，這也是本文采用深度學(xué)習(xí)這一工具的原因。圖1.3神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)


本文編號(hào)：2954744