本文關(guān)鍵詞：認(rèn)知無(wú)線電中基于認(rèn)知引擎的自適應(yīng)傳輸研究

  更多相關(guān)文章： 認(rèn)知無(wú)線電 自適應(yīng)傳輸 認(rèn)知引擎 信道估計(jì) 信道分類

【摘要】：隨著無(wú)線通信的發(fā)展,對(duì)能夠了解自身所處環(huán)境并可相應(yīng)地改變其操作模式的智能無(wú)線通信系統(tǒng)的需求越發(fā)顯著。在這一背景下,認(rèn)知無(wú)線電應(yīng)運(yùn)而生。它代表了未來(lái)無(wú)線通信系統(tǒng)的一種可能的解決方案。其目的是為了提高頻譜利用率,以解決當(dāng)前存在的頻譜利用不平衡的問(wèn)題。認(rèn)知無(wú)線電系統(tǒng)的任務(wù)包括兩部分。第一部分任務(wù)為:認(rèn)知無(wú)線電設(shè)備搜索并確認(rèn)任何未被占用的頻譜。第二部分任務(wù)是通過(guò)自適應(yīng)調(diào)整發(fā)射機(jī)參數(shù)以實(shí)現(xiàn)通信的最佳模式。在假定空閑頻譜已被檢測(cè)出的前提下,本文通過(guò)設(shè)計(jì)認(rèn)知無(wú)線電的智能核心——認(rèn)知引擎以使認(rèn)知無(wú)線電完成上述第二部分任務(wù)。本文緊緊圍繞認(rèn)知無(wú)線電中自適應(yīng)傳輸問(wèn)題,利用信道估計(jì)、信道分類、人工智能和鏈路自適應(yīng)相關(guān)技術(shù),通過(guò)研究設(shè)計(jì)信道認(rèn)知引擎和認(rèn)知決策引擎,以實(shí)現(xiàn)無(wú)線頻譜資源的最優(yōu)配置,從而實(shí)現(xiàn)通信系統(tǒng)高效可靠地自適應(yīng)傳輸。首先,通過(guò)分析認(rèn)知無(wú)線電中認(rèn)知引擎的決策問(wèn)題可被建模為多目標(biāo)優(yōu)化問(wèn)題,因此對(duì)多目標(biāo)優(yōu)化理論進(jìn)行了闡述和分析。在對(duì)多目標(biāo)優(yōu)化基本表示、凸、凹空間和Pareto最優(yōu)化前沿研究的基礎(chǔ)上,分析了以認(rèn)知無(wú)線電為背景的多目標(biāo)優(yōu)化問(wèn)題,并得出解決上述問(wèn)題需用到人工智能算法和自適應(yīng)傳輸技術(shù)這一結(jié)論。在對(duì)認(rèn)知無(wú)線電中人工智能的研究基礎(chǔ)上,重點(diǎn)介紹了智能優(yōu)化算法。同時(shí),在對(duì)自適應(yīng)傳輸基本理論和物理層自適應(yīng)技術(shù)的研究基礎(chǔ)上,重點(diǎn)介紹了自適應(yīng)調(diào)制編碼技術(shù)。其次,針對(duì)用來(lái)感知外部信道狀態(tài)的信道認(rèn)知引擎設(shè)計(jì)問(wèn)題,提出了一種既可以估計(jì)信道傳遞函數(shù)、又可以對(duì)信道狀態(tài)進(jìn)行分類的信道認(rèn)知引擎。所設(shè)計(jì)的信道認(rèn)知引擎通過(guò)本文提出的最小均方改進(jìn)算法對(duì)信道傳遞函數(shù)進(jìn)行估計(jì)。上述最小二乘改進(jìn)算法通過(guò)設(shè)計(jì)門限以達(dá)到對(duì)傳遞函數(shù)的粗估計(jì)和精估計(jì),提高了算法的估計(jì)精度。所設(shè)計(jì)的信道認(rèn)知引擎通過(guò)隱馬爾可夫模型和本文提出的二進(jìn)制混沌粒子群算法對(duì)信道進(jìn)行分類。離線狀態(tài)下,采用二進(jìn)制混沌粒子群算法對(duì)隱馬爾可夫模型進(jìn)行訓(xùn)練;在線狀態(tài)下,采用基于隱馬爾可夫模型的信道分類算法對(duì)當(dāng)前信道加以分類。仿真分析表明:在山區(qū)時(shí)變信道條件下,所提出的信道認(rèn)知引擎能夠準(zhǔn)確地進(jìn)行信道估計(jì)和信道分類,為認(rèn)知引擎作出決策提供依據(jù)。再次,針對(duì)認(rèn)知OFDM系統(tǒng)的特點(diǎn),設(shè)計(jì)了一種基于混沌粒子群算法的認(rèn)知決策引擎。給出了認(rèn)知OFDM的系統(tǒng)模型,并據(jù)此分析了認(rèn)知引擎的輸入量和輸出量。在提出二進(jìn)制混沌粒子群算法的基礎(chǔ)上,設(shè)計(jì)了一種基于該二進(jìn)制混沌粒子群算法的認(rèn)知決策引擎。該引擎針對(duì)不同通信模式,通過(guò)調(diào)整權(quán)重因子,使自身沿著不同優(yōu)化方向?qū)?yōu),有效解決了認(rèn)知OFDM系統(tǒng)在不同通信服務(wù)的要求下合理決策最優(yōu)傳輸策略的問(wèn)題。仿真分析表明:通過(guò)與現(xiàn)有其他引擎性能的比較,文中提出的認(rèn)知決策引擎其優(yōu)化的精確度和魯棒性能都更優(yōu)。最后,根據(jù)認(rèn)知SC-FDE系統(tǒng)和山區(qū)時(shí)變信道的特點(diǎn),設(shè)計(jì)了針對(duì)慢時(shí)變信道和快時(shí)變信道的兩種認(rèn)知決策引擎。針對(duì)慢時(shí)變信道,文中首先提出了一種新型自適應(yīng)算法,并在此基礎(chǔ)上,提出了基于該算法的認(rèn)知決策引擎。針對(duì)快時(shí)變信道,提出了一種基于門限調(diào)整和自適應(yīng)調(diào)制編碼的認(rèn)知決策引擎。理論和仿真分析表明:通過(guò)與認(rèn)知系統(tǒng)中信道認(rèn)知引擎、認(rèn)知無(wú)線電知識(shí)庫(kù)等部分地有效配合,所設(shè)計(jì)的認(rèn)知決策引擎能夠在山區(qū)復(fù)雜信道場(chǎng)景下合理決策出最優(yōu)的傳輸策略,同時(shí)計(jì)算復(fù)雜度和工程可實(shí)現(xiàn)性上也具有優(yōu)勢(shì),保證了SC-FDE認(rèn)知系統(tǒng)高效高可靠性地自適應(yīng)傳輸。
【關(guān)鍵詞】：認(rèn)知無(wú)線電 自適應(yīng)傳輸 認(rèn)知引擎 信道估計(jì) 信道分類
【學(xué)位授予單位】：哈爾濱工業(yè)大學(xué)
【學(xué)位級(jí)別】：博士
【學(xué)位授予年份】：2015
【分類號(hào)】：TN925
【目錄】：

• 摘要4-6
• Abstract6-13
• 第1章 緒論13-25
• 1.1 課題來(lái)源及研究的目的和意義13-17
• 1.1.1 研究背景13-15
• 1.1.2 研究的目的和意義15-17
• 1.2 鏈路自適應(yīng)及其國(guó)內(nèi)外研究現(xiàn)狀17-19
• 1.2.1 鏈路自適應(yīng)的概念17-18
• 1.2.2 國(guó)內(nèi)外研究現(xiàn)狀及分析18-19
• 1.3 認(rèn)知無(wú)線電中認(rèn)知引擎的研究現(xiàn)狀19-23
• 1.3.1 認(rèn)知引擎的概念及組成19-22
• 1.3.2 信道認(rèn)知引擎的研究現(xiàn)狀22
• 1.3.3 認(rèn)知決策引擎的研究現(xiàn)狀22-23
• 1.4 學(xué)位論文的主要研究?jī)?nèi)容23-25
• 第2章 認(rèn)知引擎設(shè)計(jì)相關(guān)理論概述25-42
• 2.1 引言25-26
• 2.2 多目標(biāo)優(yōu)化理論26-32
• 2.2.1 多目標(biāo)優(yōu)化定義及其基本表示26-27
• 2.2.2 Pareto最優(yōu)化前沿27-31
• 2.2.3 認(rèn)知無(wú)線電中的多目標(biāo)優(yōu)化問(wèn)題31-32
• 2.3 人工智能理論32-38
• 2.3.1 人工智能概述32-34
• 2.3.2 搜索的基本策略34-35
• 2.3.3 智能優(yōu)化算法35-38
• 2.4 自適應(yīng)傳輸理論38-41
• 2.4.1 自適應(yīng)傳輸概述38-39
• 2.4.2 物理層自適應(yīng)傳輸技術(shù)39-40
• 2.4.3 AMC技術(shù)40-41
• 2.5 本章小結(jié)41-42
• 第3章 信道認(rèn)知引擎研究42-65
• 3.1 引言42-43
• 3.2 信道估計(jì)算法43-51
• 3.2.1 信道估計(jì)模型43-44
• 3.2.2 改進(jìn)的LS算法44-49
• 3.2.3 仿真結(jié)果及性能分析49-51
• 3.3 信道分類算法51-64
• 3.3.1 隱馬爾可夫模型53-55
• 3.3.2 基于HMM的信道分類算法55-61
• 3.3.3 基于BCPSO的HMM訓(xùn)練61-64
• 3.4 本章小結(jié)64-65
• 第4章 認(rèn)知OFDM系統(tǒng)的認(rèn)知決策引擎65-84
• 4.1 引言65
• 4.2 系統(tǒng)模型65-67
• 4.3 基于二進(jìn)制混沌粒子群算法的認(rèn)知決策引擎67-72
• 4.3.1 粒子群算法67-68
• 4.3.2 二進(jìn)制混沌粒子群算法68-70
• 4.3.3 基于二進(jìn)制混沌粒子群算法的認(rèn)知決策引擎70-72
• 4.4 仿真驗(yàn)證及分析72-82
• 4.4.1 仿真場(chǎng)景及參數(shù)72-74
• 4.4.2 仿真結(jié)果及性能分析74-82
• 4.5 本章小結(jié)82-84
• 第5章 認(rèn)知SC-FDE系統(tǒng)的認(rèn)知決策引擎84-113
• 5.1 引言84-85
• 5.2 慢時(shí)變信道下的認(rèn)知決策引擎85-97
• 5.2.1 系統(tǒng)模型85-86
• 5.2.2 基于MCSD的AMC算法86-89
• 5.2.3 基于新型AMC算法的認(rèn)知決策引擎89-91
• 5.2.4 性能及仿真分析91-97
• 5.3 快時(shí)變信道下的認(rèn)知決策引擎97-111
• 5.3.1 系統(tǒng)模型98-99
• 5.3.2 自適應(yīng)門限調(diào)整算法99-103
• 5.3.3 基于ATA和AMC的認(rèn)知決策引擎103-105
• 5.3.4 性能及仿真分析105-111
• 5.4 本章小結(jié)111-113
• 結(jié)論113-115
• 參考文獻(xiàn)115-124
• 攻讀博士學(xué)位期間發(fā)表的論文及其它成果124-127
• 致謝127-128
• 個(gè)人簡(jiǎn)歷128

，

本文編號(hào)：922580