本文關(guān)鍵詞：基于決策優(yōu)化策略的認知引擎關(guān)鍵技術(shù)的研究，由筆耕文化傳播整理發(fā)布。

【摘要】：認知無線電技術(shù)能夠在認知用戶和授權(quán)用戶共存的情況下,顯著提高頻譜的利用率,因而受到人們的廣泛關(guān)注。根據(jù)感知的環(huán)境參數(shù)以及用戶的需求對傳輸參數(shù)進行優(yōu)化配置的認知引擎,是認知無線電的一項關(guān)鍵技術(shù)。本文選題來源于國家863計劃等項目,具有重要的理論意義和廣闊的應(yīng)用前景。本文在對認知引擎優(yōu)化決策的關(guān)鍵技術(shù)進行深入研究的基礎(chǔ)上,主要完成了以下具有創(chuàng)新性的研究工作：提出了一種基于爬山遺傳算法(HCGA)的認知引擎優(yōu)化算法。通過調(diào)整遺傳算法交叉變異概率的參數(shù)來增強算法搜尋全局最優(yōu)的能力,但此時算法存在全局最優(yōu)值附近尋優(yōu)精度不高的問題,所以再結(jié)合爬山算法,對最優(yōu)值進行更細地尋找。仿真結(jié)果表明,HCGA算法與傳統(tǒng)單一的遺傳算法相比,能提高局部尋優(yōu)精度,從而改善系統(tǒng)的尋優(yōu)性能,同時能增強算法的收斂性。提出了一種混合二進制粒子群改進算法(HBPSO)。為克服粒子群算法同樣存在的尋優(yōu)精度不高的問題,在二進制粒子群算法的基礎(chǔ)上,結(jié)合局部尋優(yōu)能力很強的爬山算法,提高算法的搜索精度。仿真結(jié)果表明,HBPSO算法在低功耗模式、多媒體模式和緊急模式這三種常用場景下都能提高系統(tǒng)的尋優(yōu)精度并能增強算法的收斂性。提出了一種基于MIMO技術(shù)的認知系統(tǒng)決策引擎優(yōu)化算法。采用OFDM技術(shù),利用多天線的復(fù)用增益,使各天線發(fā)送不同的子數(shù)據(jù)流。在優(yōu)化過程中,認知引擎除了要得到最優(yōu)的發(fā)射功率和調(diào)制參數(shù)外,還需要得到最優(yōu)情況下各天線上子數(shù)據(jù)流的發(fā)射功率配置。通過這樣的設(shè)計,將認知引擎的決策優(yōu)化研究擴展到了空間維度,在不增加信號帶寬的情況下,系統(tǒng)的容量和頻譜利用率都得到了提高,為今后的MIMO認知引擎研究提供了參考。提出了一種基于博弈論的可能量采集認知用戶功率控制算法EHPC。對于具有能量采集能力的認知設(shè)備,效用函數(shù)除了考慮用戶的發(fā)射功率和信干比外,還加入了設(shè)備的剩余能量。由于認知用戶能感知并收集周圍環(huán)境能量,且所能采集的最大能量受到環(huán)境限制,因此設(shè)備的剩余能量由發(fā)射消耗能量和采集能量共同決定,并且充電和放電過程分別有不同的計算方法。利用牛頓迭代法證明了EHPC算法具有唯一的納什均衡解,仿真結(jié)果表明了EHPC算法的有效性。論文最后對全文進行了總結(jié),并對今后認知引擎技術(shù)在認知無線電網(wǎng)絡(luò)中的應(yīng)用發(fā)展進行了展望。
【關(guān)鍵詞】：認知引擎 優(yōu)化決策 人工智能算法 多天線系統(tǒng) 能量采集 功率控制
【學(xué)位授予單位】：北京郵電大學(xué)
【學(xué)位級別】：博士
【學(xué)位授予年份】：2015
【分類號】：TN925
【目錄】：

• 摘要5-7
• ABSTRACT7-13
• 第1章 緒論13-36
• 1.1 研究背景13-15
• 1.2 認知無線電研究前景和關(guān)鍵技術(shù)15-20
• 1.2.1 認知無線電技術(shù)簡介15-17
• 1.2.2 認知無線電技術(shù)的應(yīng)用前景17-18
• 1.2.3 認知無線電中的關(guān)鍵技術(shù)18-20
• 1.3 認知引擎研究關(guān)鍵技術(shù)20-22
• 1.3.1 認知引擎在認知網(wǎng)絡(luò)中的主要作用20-21
• 1.3.2 認知引擎關(guān)鍵技術(shù)21-22
• 1.4 國內(nèi)外研究現(xiàn)狀22-26
• 1.4.1 認知無線電技術(shù)研究現(xiàn)狀22-24
• 1.4.2 認知引擎研究現(xiàn)狀24-26
• 1.5 研究特色及章節(jié)安排26-29
• 1.5.1 本文研究特色26-28
• 1.5.2 章節(jié)安排28-29
• 參考文獻29-36
• 第2章 多目標認知引擎36-47
• 2.1 認知引擎結(jié)構(gòu)模型36-38
• 2.2 認知無線電參數(shù)38-45
• 2.2.1 認知無線電系統(tǒng)常用參數(shù)38-39
• 2.2.2 多目標函數(shù)39-43
• 2.2.3 參數(shù)敏感度研究43-45
• 2.3 本章小結(jié)45
• 參考文獻45-47
• 第3章 基于混合智能算法的認知引擎47-73
• 3.1 認知引擎中的智能算法47-51
• 3.2 遺傳算法51-54
• 3.2.1 遺傳算法介紹51
• 3.2.2 算法的設(shè)計要素51-52
• 3.2.3 算法流程52-54
• 3.3 粒子群算法54-57
• 3.3.1 粒子群算法介紹54-55
• 3.3.2 算法的構(gòu)成要素55-56
• 3.3.3 算法流程56-57
• 3.4 爬山算法57-59
• 3.4.1 爬山算法介紹57-58
• 3.4.2 算法流程58-59
• 3.5 基于爬山遺傳算法的認知引擎59-65
• 3.5.1 系統(tǒng)建模59-61
• 3.5.2 算法流程分析61-62
• 3.5.3 仿真分析62-65
• 3.5.4 小結(jié)65
• 3.6 基于混合二進制粒子群算法的認知引擎65-69
• 3.6.1 系統(tǒng)建模和算法流程65-66
• 3.6.2 仿真分析66-69
• 3.6.3 算法總結(jié)69
• 3.7 本章小結(jié)69-70
• 參考文獻70-73
• 第4章 基于MIMO的認知引擎73-88
• 4.1 MIMO-OFDM技術(shù)73-75
• 4.1.1 MIMO技術(shù)特點73-74
• 4.1.2 OFDM技術(shù)特點74-75
• 4.2 MIMO認知引擎優(yōu)化決策算法75-78
• 4.2.1 系統(tǒng)模型75-76
• 4.2.2 MIMO認知引擎優(yōu)化目標函數(shù)76-78
• 4.3 仿真分析78-84
• 4.4 本章小結(jié)84-85
• 參考文獻85-88
• 第5章 基于可能量采集認知用戶的功率控制88-109
• 5.1 能量采集和無線充電技術(shù)88-92
• 5.1.1 能量采集技術(shù)的發(fā)展和前景88-89
• 5.1.2 能量采集的能量源89
• 5.1.3 能量采集系統(tǒng)架構(gòu)89-90
• 5.1.4 無線充電技術(shù)90-92
• 5.2 博弈論92-95
• 5.2.1 博弈論在認知無線電中的應(yīng)用92-94
• 5.2.2 認知無線電中的功率控制94-95
• 5.3 能量采集環(huán)境下的非合作功率控制算法95-102
• 5.3.1 EHPC算法設(shè)計95-98
• 5.3.2 EHPC算法求解98-100
• 5.3.3 EHPC算法收斂唯一性分析100-101
• 5.3.4 納什均衡點存在性分析101-102
• 5.4 系統(tǒng)仿真和分析102-106
• 5.5 本章小結(jié)106
• 參考文獻106-109
• 第6章 總結(jié)與展望109-113
• 6.1 論文的主要研究成果109-111
• 6.2 下一步工作展望111-113
• 圖表索引113-115
• 致謝115-116
• 攻讀學(xué)位期間發(fā)表的學(xué)術(shù)論文目錄116

  本文關(guān)鍵詞：基于決策優(yōu)化策略的認知引擎關(guān)鍵技術(shù)的研究，由筆耕文化傳播整理發(fā)布。

，

本文編號：321726