基于机器学习的Femtocell信道频谱与功率资源分配算法的研究
本文关键词:基于机器学习的Femtocell信道频谱与功率资源分配算法的研究,由笔耕文化传播整理发布。
【摘要】:近年来,随着互联网技术的不断发展,人们更希望足不出户便能享受到多样化的互联网业务,因此提高室内的无线覆盖变得非常重要。Femtocell,又叫飞蜂窝或者家庭基站,是一种用来解决室内覆盖问题的小型基站设备,它由用户自己部署于室内环境中,通过IP技术连接到运营商的核心网络,从而为用户提供高速率的室内数据业务。Femtocell有成本低、安装及维护非常简易、功耗低、覆盖效果好等众多优点,因此是用来提高室内通信质量的最佳方案。机器学习,通过对计算机模拟人类学习能力的研究,实现设备的智能化与自动化控制,用机器学习方法解决Femtocell二层网络中的频谱与功率资源分配问题,让系统更加智能化,是Femtocell应用领域的一个重要发展方向。本文首先对Femtocell与宏蜂窝(Macrocell)组成的二层网络结构展开研究,阐述了Femtocell的工作原理,并且分析了该网络结构中存在的干扰问题。然后,通过采用两种典型的机器学习策略分别对该二层网络中的功率以及频谱资源进行控制:蚁群优化方法与Q学习方法。蚁群优化方法能够动态感知系统中频谱的占用情况,并且对频谱资源进行合理分配,从而有效地避免了干扰的产生;Q学习方法能够实现Femtocell发射功率的自动控制,在保证Femtocell与Macrocell通信质量的同时也减小了干扰。最后,本文在理论推导的基础上对这两种机器学习策略的应用进行仿真验证,应用结果表明系统能够根据当前的环境状况智能地分配网络中的频谱和功率资源,极大地减小Macrocell和Femtocell二层网络中的共层干扰与跨层干扰,提高了系统的性能。
【关键词】:Femtocell 功率控制 频谱分配 蚁群优化 Q学习
【学位授予单位】:南京邮电大学
【学位级别】:硕士
【学位授予年份】:2015
【分类号】:TN929.5
【目录】:
- 摘要4-5
- Abstract5-8
- 专用术语注释表8-10
- 第一章 绪论10-14
- 1.1 课题研究背景10-11
- 1.2 Femtocell研究现状及发展前景11-12
- 1.2.1 Femtocell研究现状11-12
- 1.2.2 Femtocell发展前景12
- 1.3 研究内容及主要工作12-13
- 1.4 论文组织结构13-14
- 第二章 Femtocell简介14-25
- 2.1 Femtocell的定义14
- 2.2 Femtocell产生的技术背景14-18
- 2.2.1 室外宏小区基站14-15
- 2.2.2 中继站15-16
- 2.2.3 分布式天线系统16-17
- 2.2.4 辐射电缆17
- 2.2.5 WiFi技术17
- 2.2.6 Femtocell技术的产生17-18
- 2.3 Femtocell的部署18-19
- 2.4 Femtocell的工作原理19-21
- 2.5 Femtocell系统中存在的干扰21-22
- 2.5.1 共层干扰21
- 2.5.2 跨层干扰21-22
- 2.6 Femtocell在移动通信系统中的关键技术22-24
- 2.6.1 基于 2G网络的Femtocell技术22
- 2.6.2 基于 3G网络的Femtocell技术22-23
- 2.6.3 基于 4G网络的Femtocell技术23-24
- 2.7 本章小结24-25
- 第三章 机器学习简介25-32
- 3.1 机器学习的概念25
- 3.2 机器学习的发展历程25-26
- 3.3 机器学习的主要策略26-30
- 3.3.1 人工神经网络26-28
- 3.3.2 遗传算法28
- 3.3.3 强化学习算法28-30
- 3.4 机器学习在现代社会中的应用30-31
- 3.5 本章小结31-32
- 第四章 基于机器学习的频谱与功率分配32-72
- 4.1 Femtocell二层网络系统模型32-34
- 4.2 一种新型的基于蚁群优化算法的频谱分配技术34-53
- 4.2.1 蚁群优化算法简介34-35
- 4.2.2 基于双桥实验的蚁群优化算法基本原理35-38
- 4.2.3 信息素蒸发对蚁群优化过程的影响38-39
- 4.2.4 人工蚁群优化算法的模型39-42
- 4.2.5 算法的收敛性42-43
- 4.2.6 蚁群优化算法系统模型43-48
- 4.2.7 蚁群优化算法应用的仿真结果及分析48-53
- 4.3 一种改进的基于Q学习算法的功率资源控制技术53-70
- 4.3.1 Q-learning算法原理53-56
- 4.3.2 Q函数的定义56-59
- 4.3.3 Q函数收敛性的证明59-60
- 4.3.4 Q-learning算法系统模型60-65
- 4.3.5 Q-learning算法仿真结果及分析65-70
- 4.4 ACO方法与Q-learning方法的对比与联合使用70-71
- 4.5 本章小结71-72
- 第五章 总结和展望72-73
- 5.1 全文总结72
- 5.2 未来展望72-73
- 参考文献73-75
- 附录1程序清单75-76
- 附录2攻读硕士学位期间撰写的论文76-77
- 附录3攻读硕士学位期间参加的科研项目77-78
- 致谢78
【相似文献】
中国期刊全文数据库 前10条
1 张明玉,倪志伟;基于机器学习的智能决策支持系统[J];淮南师范学院学报;2005年03期
2 杨凌霄;武建平;;机器学习方法在人脸检测中的应用[J];计算机与数字工程;2008年03期
3 ;第十一届中国机器学习会议[J];智能系统学报;2008年02期
4 ;第14届中国机器学习会议[J];智能系统学报;2012年06期
5 费宗铭;吕建;王志坚;陈道蓄;徐家福;;机器学习[J];计算机科学;1991年01期
6 赵沁平;魏华;王军玲;;机器学习技术与机器学习系统[J];计算机科学;1993年05期
7 姚敏;机器学习及其发展方向[J];计算机时代;1994年04期
8 ;第31届机器学习国际会议(英文)[J];智能系统学报;2014年01期
9 黄海滨;机器学习及其主要策略[J];河池师范高等专科学校学报(自然科学版);2000年04期
10 佘玉梅;一种协调机器学习方法研究[J];云南民族学院学报(自然科学版);2000年03期
中国重要会议论文全文数据库 前10条
1 王珏;;归纳机器学习[A];2001年中国智能自动化会议论文集(上册)[C];2001年
2 王昊;李银波;纪志梁;;利用机器学习方法预测严重药物不良反应-呼吸困难[A];中国化学会第28届学术年会第13分会场摘要集[C];2012年
3 吴沧浦;;智能系统与机器学习的新领域[A];西部大开发 科教先行与可持续发展——中国科协2000年学术年会文集[C];2000年
4 周晴杰;徐立鸿;吴启迪;;机器学习串级结构的初步探讨[A];1998年中国控制会议论文集[C];1998年
5 李刚;郭崇慧;林鸿飞;杨志豪;唐焕文;;基于词典法和机器学习法相结合的蛋白质名识别[A];大连理工大学生物医学工程学术论文集(第2卷)[C];2005年
6 徐礼胜;李乃民;王宽全;张冬雨;耿斌;姜晓睿;陈超海;罗贵存;;机器学习在中医计算机诊断识别系统中的应用思考[A];第一届全国中西医结合诊断学术会议论文选集[C];2006年
7 蔡健平;林世平;;基于机器学习的词语和句子极性分析[A];第三届全国信息检索与内容安全学术会议论文集[C];2007年
8 黄金铁;李景银;周建常;;对高炉炉况评价模型参数的机器学习——一个三类线性模式分类器的实现[A];1995中国控制与决策学术年会论文集[C];1995年
9 程国建;蔡磊;潘华贤;;核向量机在大规模机器学习中的应用[A];第十一届中国青年信息与管理学者大会论文集[C];2009年
10 张钹;张铃;;统计学习理论及其应用[A];2001年中国智能自动化会议论文集(上册)[C];2001年
中国重要报纸全文数据库 前10条
1 黎骊/文 [美] Tom M.Mitchell 著;机器学习与智能化社会[N];中国邮政报;2003年
2 IBM大数据专家 James Kobielus 范范 编译;机器学习已成为大数据基石[N];网络世界;2014年
3 本报记者 房琳琳;合久必分:分布式“机器学习”应运而生[N];科技日报;2014年
4 雨辰;机器学习类图书为什么火爆[N];中华读书报;2014年
5 百度公司技术副总监 多媒体部负责人 余凯;深度学习与多媒体搜索技术演进[N];中国信息化周报;2013年
6 本报记者 余建斌;机器学习与互联网搜索[N];人民日报;2011年
7 本报记者 张晔邋通讯员 李玮;周志华:永不墨守成规[N];科技日报;2008年
8 记者 彭德倩;机器学习精度提升近6个百分点[N];解放日报;2006年
9 本报记者 闵杰;大数据热 高端人才缺[N];中国电子报;2013年
10 沈建苗 编译;如何成为大数据科学家[N];计算机世界;2013年
中国博士学位论文全文数据库 前10条
1 董春茹;机器学习中的权重学习与差分演化[D];华南理工大学;2015年
2 赵玉鹏;机器学习的哲学探索[D];大连理工大学;2010年
3 胡巍;面向格结构的机器学习[D];上海交通大学;2009年
4 张义荣;基于机器学习的入侵检测技术研究[D];国防科学技术大学;2005年
5 钱线;快速精确的结构化机器学习方法研究[D];复旦大学;2010年
6 梁锡军;稀疏优化在机器学习中的若干应用[D];大连理工大学;2013年
7 蒋刚;核机器学习方法若干问题研究[D];西南交通大学;2006年
8 陈慧灵;面向智能决策问题的机器学习方法研究[D];吉林大学;2012年
9 周伟达;核机器学习方法研究[D];西安电子科技大学;2003年
10 熊毅;基于机器学习的蛋白质结合位点特征化和预测方法研究[D];武汉大学;2011年
中国硕士学位论文全文数据库 前10条
1 毛海斌;基于半监督机器学习的情感分类领域适应问题研究[D];南京理工大学;2015年
2 安军辉;基于微博数据的微博用户性别判断研究[D];华中师范大学;2015年
3 陈召阳;基于机器学习的改性麦槽吸附重金属构效关系模型研究[D];江西理工大学;2014年
4 王成;基于半监督机器学习的文本情感分析技术[D];南京理工大学;2015年
5 孙科;基于Spark的机器学习应用框架研究与实现[D];上海交通大学;2015年
6 刘江龙;基于机器学习的射频指纹定位方法研究[D];电子科技大学;2015年
7 张蕾;基于机器学习的网络舆情采集技术研究与设计[D];电子科技大学;2014年
8 施宇;基于数据挖掘和机器学习的木马检测系统设计与实现[D];电子科技大学;2014年
9 施应敏;基于机器学习的Femtocell信道频谱与功率资源分配算法的研究[D];南京邮电大学;2015年
10 胡永钢;序列联配的算法比较与机器学习在其中的应用研究[D];江南大学;2005年
本文关键词:基于机器学习的Femtocell信道频谱与功率资源分配算法的研究,由笔耕文化传播整理发布。
,本文编号:389443
本文链接:https://www.wllwen.com/kejilunwen/wltx/389443.html