基于决策优化策略的认知引擎关键技术的研究

发布时间：2017-04-23 03:07

  本文关键词：基于决策优化策略的认知引擎关键技术的研究，由笔耕文化传播整理发布。

【摘要】：认知无线电技术能够在认知用户和授权用户共存的情况下,显著提高频谱的利用率,因而受到人们的广泛关注。根据感知的环境参数以及用户的需求对传输参数进行优化配置的认知引擎,是认知无线电的一项关键技术。本文选题来源于国家863计划等项目,具有重要的理论意义和广阔的应用前景。本文在对认知引擎优化决策的关键技术进行深入研究的基础上,主要完成了以下具有创新性的研究工作：提出了一种基于爬山遗传算法(HCGA)的认知引擎优化算法。通过调整遗传算法交叉变异概率的参数来增强算法搜寻全局最优的能力,但此时算法存在全局最优值附近寻优精度不高的问题,所以再结合爬山算法,对最优值进行更细地寻找。仿真结果表明,HCGA算法与传统单一的遗传算法相比,能提高局部寻优精度,从而改善系统的寻优性能,同时能增强算法的收敛性。提出了一种混合二进制粒子群改进算法(HBPSO)。为克服粒子群算法同样存在的寻优精度不高的问题,在二进制粒子群算法的基础上,结合局部寻优能力很强的爬山算法,提高算法的搜索精度。仿真结果表明,HBPSO算法在低功耗模式、多媒体模式和紧急模式这三种常用场景下都能提高系统的寻优精度并能增强算法的收敛性。提出了一种基于MIMO技术的认知系统决策引擎优化算法。采用OFDM技术,利用多天线的复用增益,使各天线发送不同的子数据流。在优化过程中,认知引擎除了要得到最优的发射功率和调制参数外,还需要得到最优情况下各天线上子数据流的发射功率配置。通过这样的设计,将认知引擎的决策优化研究扩展到了空间维度,在不增加信号带宽的情况下,系统的容量和频谱利用率都得到了提高,为今后的MIMO认知引擎研究提供了参考。提出了一种基于博弈论的可能量采集认知用户功率控制算法EHPC。对于具有能量采集能力的认知设备,效用函数除了考虑用户的发射功率和信干比外,还加入了设备的剩余能量。由于认知用户能感知并收集周围环境能量,且所能采集的最大能量受到环境限制,因此设备的剩余能量由发射消耗能量和采集能量共同决定,并且充电和放电过程分别有不同的计算方法。利用牛顿迭代法证明了EHPC算法具有唯一的纳什均衡解,仿真结果表明了EHPC算法的有效性。论文最后对全文进行了总结,并对今后认知引擎技术在认知无线电网络中的应用发展进行了展望。
【关键词】：认知引擎 优化决策 人工智能算法 多天线系统 能量采集 功率控制
【学位授予单位】：北京邮电大学
【学位级别】：博士
【学位授予年份】：2015
【分类号】：TN925
【目录】：

• 摘要5-7
• ABSTRACT7-13
• 第1章 绪论13-36
• 1.1 研究背景13-15
• 1.2 认知无线电研究前景和关键技术15-20
• 1.2.1 认知无线电技术简介15-17
• 1.2.2 认知无线电技术的应用前景17-18
• 1.2.3 认知无线电中的关键技术18-20
• 1.3 认知引擎研究关键技术20-22
• 1.3.1 认知引擎在认知网络中的主要作用20-21
• 1.3.2 认知引擎关键技术21-22
• 1.4 国内外研究现状22-26
• 1.4.1 认知无线电技术研究现状22-24
• 1.4.2 认知引擎研究现状24-26
• 1.5 研究特色及章节安排26-29
• 1.5.1 本文研究特色26-28
• 1.5.2 章节安排28-29
• 参考文献29-36
• 第2章 多目标认知引擎36-47
• 2.1 认知引擎结构模型36-38
• 2.2 认知无线电参数38-45
• 2.2.1 认知无线电系统常用参数38-39
• 2.2.2 多目标函数39-43
• 2.2.3 参数敏感度研究43-45
• 2.3 本章小结45
• 参考文献45-47
• 第3章 基于混合智能算法的认知引擎47-73
• 3.1 认知引擎中的智能算法47-51
• 3.2 遗传算法51-54
• 3.2.1 遗传算法介绍51
• 3.2.2 算法的设计要素51-52
• 3.2.3 算法流程52-54
• 3.3 粒子群算法54-57
• 3.3.1 粒子群算法介绍54-55
• 3.3.2 算法的构成要素55-56
• 3.3.3 算法流程56-57
• 3.4 爬山算法57-59
• 3.4.1 爬山算法介绍57-58
• 3.4.2 算法流程58-59
• 3.5 基于爬山遗传算法的认知引擎59-65
• 3.5.1 系统建模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 小结65
• 3.6 基于混合二进制粒子群算法的认知引擎65-69
• 3.6.1 系统建模和算法流程65-66
• 3.6.2 仿真分析66-69
• 3.6.3 算法总结69
• 3.7 本章小结69-70
• 参考文献70-73
• 第4章 基于MIMO的认知引擎73-88
• 4.1 MIMO-OFDM技术73-75
• 4.1.1 MIMO技术特点73-74
• 4.1.2 OFDM技术特点74-75
• 4.2 MIMO认知引擎优化决策算法75-78
• 4.2.1 系统模型75-76
• 4.2.2 MIMO认知引擎优化目标函数76-78
• 4.3 仿真分析78-84
• 4.4 本章小结84-85
• 参考文献85-88
• 第5章 基于可能量采集认知用户的功率控制88-109
• 5.1 能量采集和无线充电技术88-92
• 5.1.1 能量采集技术的发展和前景88-89
• 5.1.2 能量采集的能量源89
• 5.1.3 能量采集系统架构89-90
• 5.1.4 无线充电技术90-92
• 5.2 博弈论92-95
• 5.2.1 博弈论在认知无线电中的应用92-94
• 5.2.2 认知无线电中的功率控制94-95
• 5.3 能量采集环境下的非合作功率控制算法95-102
• 5.3.1 EHPC算法设计95-98
• 5.3.2 EHPC算法求解98-100
• 5.3.3 EHPC算法收敛唯一性分析100-101
• 5.3.4 纳什均衡点存在性分析101-102
• 5.4 系统仿真和分析102-106
• 5.5 本章小结106
• 参考文献106-109
• 第6章 总结与展望109-113
• 6.1 论文的主要研究成果109-111
• 6.2 下一步工作展望111-113
• 图表索引113-115
• 致谢115-116
• 攻读学位期间发表的学术论文目录116

  本文关键词：基于决策优化策略的认知引擎关键技术的研究，由笔耕文化传播整理发布。

，

本文编号：321726