认知传感网中信道容量优化方法研究

发布时间：2021-03-15 12:51

　　近几年来,随着认知传感网中接入设备数量的快速增长,传统的无线通信技术已经难以满足人们对高带宽、高速率通信服务的需求,认知传感网中的信道容量优化方法成为研究的热点。传统优化方法对目标函数限制多、复杂度高、收敛性难以确定,为了进一步提高优化的速度,可以利用粒子群算法等优化算法对信道容量优化问题进行求解。粒子群算法具有分布式并行计算的特点,能够极大的提高优化速度,但是在优化过程中,容易陷入局部最优区域。因此,论文主要针对如何解决基于粒子群算法的信道容量优化方法的早熟收敛问题方面展开研究,从算法参数和算法融合的角度,对粒子群算法进行改进,重点研究了两种基于改进粒子群算法的信道容量优化方法。首先,论文对认知传感网系统模型、信号模型、接收权重向量的选取以及一些相关的参数进行了研究。对信道容量优化问题进行了分析,并介绍了一些常用的信道容量优化方法,分别讨论了基于梯度搜索和粒子群算法的信道容量优化方法的基本原理,对这两种优化方法进行仿真对比分析。其次,论文从平衡全局搜索与局部搜索的角度,将标准粒子群算法参数固定的方式改进为动态调整的方式。具体讨论了几种种群收敛程度的评价指标,分析了算法中每个参数对搜索... 

【文章来源】：安徽大学安徽省 211工程院校

【文章页数】：63 页

【学位级别】：硕士

【部分图文】：

图３－１在信噪比为ｌＯｄＢ时，ＰＳＯ－ＣＡ与ＤＷＡＰＳＯ－ＣＡ的适应值随迭代次数的变化??图３－１是在收发天线数目为２００ｘ２５时，分别使用基于ＰＳＯ的信道容量优化??

图３－３不同收发天线数量情况下，ＰＳＯ－ＣＡ与ＤＷＡＰＳＯ－ＣＡ的误码率比较??图３－３是在收发天线数目分别为２００ｘ８、２００ｘ２５、２００ｘ５０时，对基于ＰＳＯ的??

图４－３遗传算法主要步骤的示意图??步骤１：确定编码方式，将实数集合Ｘ映射到编码空间Ｓ，并确定适应度函??

【参考文献】：
期刊论文
[1]基于蚁群粒子群优化算法的云计算资源调度方案[J]. 萨日娜.  吉林大学学报(理学版). 2017(06)
[2]基于种群多样性的自适应遗传算法优化仿真[J]. 刘芳,马玉磊,周慧娟.  计算机仿真. 2017(04)
[3]无线通信技术的分类及发展[J]. 林志坤.  通讯世界. 2017(03)
[4]智能优化算法研究及应用展望[J]. 李智.  武汉轻工大学学报. 2016(04)
[5]Energy Efficiency-Based Decision Making in Cognitive Radio Networks[J]. Hongning Li,Qingqi Pei,Leilei Xu.  中国通信. 2016(11)
[6]认知无线电中频谱空洞统计特性分析与分配[J]. 黄杰,曾孝平,简鑫,谭晓衡,张耀乐.  西安电子科技大学学报. 2017(02)
[7]基于仿生理论的新型优化算法综述[J]. 杨雁莹,徐仙伟,曹霁.  计算机仿真. 2016(06)
[8]一种平衡全局与局部搜索能力的粒子群优化算法[J]. 徐从东,张继春,马鹏飞.  微电子学与计算机. 2016(06)
[9]无线通信技术的发展研究[J]. 吴晨,杨晨光.  无线互联科技. 2016(07)
[10]认知网络中的容量最优机会干扰对齐接入[J]. 安永丽,肖扬,曲广智.  应用科学学报. 2014(02)

硕士论文
[1]改进粒子群优化算法的研究及其在控制系统设计中的应用[D]. 谢元平.北京化工大学 2011
[2]引入禁忌搜索的双种群粒子群算法及其应用研究[D]. 刘林炬.江南大学 2008



本文编号：3084209