蜂窝网络D2D技术中模式选择机制的优化设计

发布时间：2017-11-01 00:20

  本文关键词：蜂窝网络D2D技术中模式选择机制的优化设计

  更多相关文章： D2D通信 模式选择 资源分配 分布式

【摘要】：随着移动终端的飞速发展与普及,以及数据业务量的迅猛增长,传统的无线蜂窝通信面临着巨大的挑战。在蜂窝网络引入D2D(Device-to-Device)技术可以提高系统的频谱效率和系统容量,因此,D2D通信在未来无线通信研究中扮演着越来越重要的角色。然而,引入D2D技术的蜂窝网络其用户干扰场景发生了根本性变化,新型资源控制的设计为重点研究方向,其中,模式选择为关键技术之一。目前,大部分关于D2D通信技术的研究都是基于无限积压业务模型,本论文基于更为实际的分组级动态业务模型,主要对蜂窝网络D2D通信的模式选择机制进行了研究。在采用正交频分复用接入(Orthogonal Frequency Division Multiplexing Access:OFDMA)技术的蜂窝系统中引入D2D通信技术,将模式选择与资源分配问题相结合,研究在丢包率限制条件下最小化系统时延的最优化问题。以排队论、马尔科夫决策过程等作为理论工具,建立系统排队模型,并在此基础上建立模式选择机制的随机优化模型——马尔科夫决策模型,将提出的约束性最优化问题建模成为无限平均回报的约束性马尔科夫决策(Infinite Average Reward Constraint Markov Decision Process)模型。基于建立的无限平均回报的约束性马尔科夫决策模型,在模型求解时,首先通过拉格朗日乘子法(Lagrangian Multiplier Method)将约束性马尔科夫决策(Constraint Markov Decision Process:CMDP)模型转化为非约束性马尔科夫决策(Markov Decision Process:MDP)模型。由于所建立的马尔科夫决策模型面临着“维数灾难”问题,本论文介绍了等效Bellman方程对系统状态空间进行化简；引入了线性近似方法对值函数进行线性近似进一步化简值函数的数目,并通过提出的子信道竞价机制求解出最优控制策略；引入在线随机学习算法采用在线更新的方式建立值函数与拉格朗日乘子(Lagrangian Multiplier:LM)的值,并对其进行收敛性证明与近似最优证明。基于以上等效Bellman方程、线性近似方法和在线随机学习算法,本论文提出分布式子信道分配算法实现系统时延最优的模式选择与资源分配。搭建仿真平台对所提出的算法进行性能验证与对比分析,仿真结果显示所提出的算法具有与离线值迭代算法接近的性能,并优于另外两种子信道分配算法,即证明所提出的分布式子信道分配算法能够实现近似最优的性能。
【关键词】：D2D通信 模式选择 资源分配 分布式
【学位授予单位】：北京交通大学
【学位级别】：硕士
【学位授予年份】：2016
【分类号】：TN929.53
【目录】：

• 致谢5-6
• 摘要6-7
• ABSTRACT7-11
• 1 引言11-18
• 1.1 研究背景及意义11-13
• 1.2 研究现状13-16
• 1.3 论文主要工作及结构安排16-18
• 1.3.1 研究创新与主要工作16
• 1.3.2 结构安排16-18
• 2 蜂窝网络D2D技术中模式选择研究概述18-30
• 2.1 蜂窝网络D2D通信概述18-22
• 2.1.1 设备发现阶段19-20
• 2.1.2 D2D通信阶段20-22
• 2.2 模式选择概述与定义22-26
• 2.2.1 资源共享模式23-24
• 2.2.2 路由模式24-25
• 2.2.3 通信模式25-26
• 2.3 无线网络性能优化研究26-28
• 2.3.1 无限积压业务模型下的性能优化26-27
• 2.3.2 分组级动态业务模型下的性能优化27-28
• 2.4 模式选择的动态优化问题28-29
• 2.5 本章小结29-30
• 3 动态优化问题的马尔科夫决策模型30-40
• 3.1 网络模型30-31
• 3.2 物理层模型31-33
• 3.2.1 资源复用组31-32
• 3.2.2 瞬时数据速率32-33
• 3.3 排队模型33-34
• 3.4 马尔科夫决策模型34-37
• 3.4.1 系统状态34
• 3.4.2 控制策略34-35
• 3.4.3 状态转移概率35-36
• 3.4.4 性能指标36-37
• 3.5 最优化问题的建立37-38
• 3.5.1 约束性马尔科夫决策问题37-38
• 3.5.2 非约束性马尔科夫决策问题38
• 3.6 本章小结38-40
• 4 马尔科夫决策模型的求解与分析40-55
• 4.1 基于BELLMAN方程的值迭代算法40
• 4.2 基于等效BELLMAN方程的值迭代算法40-41
• 4.3 线性近似方法41-45
• 4.3.1 值函数的线性近似41-42
• 4.3.2 线性近似下的最优策略42-45
• 4.4 在线随机学习算法45-52
• 4.4.1 在线随机学习更新公式45-46
• 4.4.2 收敛性证明46-49
• 4.4.3 近似最优证明49-52
• 4.5 分布式子信道分配算法52-54
• 4.6 本章小结54-55
• 5 仿真与结果分析55-64
• 5.1 仿真参数设置55-56
• 5.2 仿真结果与分析56-63
• 5.2.1 简单网络拓扑下性能分析56-60
• 5.2.2 拓展网络拓扑下性能分析60-63
• 5.3 本章小结63-64
• 6 结论与展望64-66
• 6.1 结论64
• 6.2 展望64-66
• 参考文献66-70
• 作者简历及攻读硕士学位期间取得的研究成果70-72
• 学位论文数据集72

【相似文献】

中国期刊全文数据库 前10条

1 马忠建,方旭明,傲丹;虚拟蜂窝网技术的研究与发展[J];数据通信;2004年06期

2 刘涛;戎蒙恬;史宏逵;;中继蜂窝网络中小区间和小区内的资源分割[J];信息安全与通信保密;2007年03期

3 ;MIMO[J];电子质量;2008年09期

4 李卓晖;龙芳;黄进永;;计算机辅助蜂窝网性能与可靠性优化设计[J];广东通信技术;2010年05期

5 李云;朱雪;廖超;;蜂窝网络中能效最大的最优中继位置研究[J];重庆邮电大学学报(自然科学版);2014年01期

6 倪锐;周武e，

本文编号：1124426