认知无线电中基于认知引擎的自适应传输研究

发布时间：2017-09-26 08:42

  本文关键词：认知无线电中基于认知引擎的自适应传输研究

  更多相关文章： 认知无线电 自适应传输 认知引擎 信道估计 信道分类

【摘要】：随着无线通信的发展,对能够了解自身所处环境并可相应地改变其操作模式的智能无线通信系统的需求越发显著。在这一背景下,认知无线电应运而生。它代表了未来无线通信系统的一种可能的解决方案。其目的是为了提高频谱利用率,以解决当前存在的频谱利用不平衡的问题。认知无线电系统的任务包括两部分。第一部分任务为:认知无线电设备搜索并确认任何未被占用的频谱。第二部分任务是通过自适应调整发射机参数以实现通信的最佳模式。在假定空闲频谱已被检测出的前提下,本文通过设计认知无线电的智能核心——认知引擎以使认知无线电完成上述第二部分任务。本文紧紧围绕认知无线电中自适应传输问题,利用信道估计、信道分类、人工智能和链路自适应相关技术,通过研究设计信道认知引擎和认知决策引擎,以实现无线频谱资源的最优配置,从而实现通信系统高效可靠地自适应传输。首先,通过分析认知无线电中认知引擎的决策问题可被建模为多目标优化问题,因此对多目标优化理论进行了阐述和分析。在对多目标优化基本表示、凸、凹空间和Pareto最优化前沿研究的基础上,分析了以认知无线电为背景的多目标优化问题,并得出解决上述问题需用到人工智能算法和自适应传输技术这一结论。在对认知无线电中人工智能的研究基础上,重点介绍了智能优化算法。同时,在对自适应传输基本理论和物理层自适应技术的研究基础上,重点介绍了自适应调制编码技术。其次,针对用来感知外部信道状态的信道认知引擎设计问题,提出了一种既可以估计信道传递函数、又可以对信道状态进行分类的信道认知引擎。所设计的信道认知引擎通过本文提出的最小均方改进算法对信道传递函数进行估计。上述最小二乘改进算法通过设计门限以达到对传递函数的粗估计和精估计,提高了算法的估计精度。所设计的信道认知引擎通过隐马尔可夫模型和本文提出的二进制混沌粒子群算法对信道进行分类。离线状态下,采用二进制混沌粒子群算法对隐马尔可夫模型进行训练;在线状态下,采用基于隐马尔可夫模型的信道分类算法对当前信道加以分类。仿真分析表明:在山区时变信道条件下,所提出的信道认知引擎能够准确地进行信道估计和信道分类,为认知引擎作出决策提供依据。再次,针对认知OFDM系统的特点,设计了一种基于混沌粒子群算法的认知决策引擎。给出了认知OFDM的系统模型,并据此分析了认知引擎的输入量和输出量。在提出二进制混沌粒子群算法的基础上,设计了一种基于该二进制混沌粒子群算法的认知决策引擎。该引擎针对不同通信模式,通过调整权重因子,使自身沿着不同优化方向寻优,有效解决了认知OFDM系统在不同通信服务的要求下合理决策最优传输策略的问题。仿真分析表明:通过与现有其他引擎性能的比较,文中提出的认知决策引擎其优化的精确度和鲁棒性能都更优。最后,根据认知SC-FDE系统和山区时变信道的特点,设计了针对慢时变信道和快时变信道的两种认知决策引擎。针对慢时变信道,文中首先提出了一种新型自适应算法,并在此基础上,提出了基于该算法的认知决策引擎。针对快时变信道,提出了一种基于门限调整和自适应调制编码的认知决策引擎。理论和仿真分析表明:通过与认知系统中信道认知引擎、认知无线电知识库等部分地有效配合,所设计的认知决策引擎能够在山区复杂信道场景下合理决策出最优的传输策略,同时计算复杂度和工程可实现性上也具有优势,保证了SC-FDE认知系统高效高可靠性地自适应传输。
【关键词】：认知无线电 自适应传输 认知引擎 信道估计 信道分类
【学位授予单位】：哈尔滨工业大学
【学位级别】：博士
【学位授予年份】：2015
【分类号】：TN925
【目录】：

• 摘要4-6
• Abstract6-13
• 第1章 绪论13-25
• 1.1 课题来源及研究的目的和意义13-17
• 1.1.1 研究背景13-15
• 1.1.2 研究的目的和意义15-17
• 1.2 链路自适应及其国内外研究现状17-19
• 1.2.1 链路自适应的概念17-18
• 1.2.2 国内外研究现状及分析18-19
• 1.3 认知无线电中认知引擎的研究现状19-23
• 1.3.1 认知引擎的概念及组成19-22
• 1.3.2 信道认知引擎的研究现状22
• 1.3.3 认知决策引擎的研究现状22-23
• 1.4 学位论文的主要研究内容23-25
• 第2章 认知引擎设计相关理论概述25-42
• 2.1 引言25-26
• 2.2 多目标优化理论26-32
• 2.2.1 多目标优化定义及其基本表示26-27
• 2.2.2 Pareto最优化前沿27-31
• 2.2.3 认知无线电中的多目标优化问题31-32
• 2.3 人工智能理论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 智能优化算法35-38
• 2.4 自适应传输理论38-41
• 2.4.1 自适应传输概述38-39
• 2.4.2 物理层自适应传输技术39-40
• 2.4.3 AMC技术40-41
• 2.5 本章小结41-42
• 第3章 信道认知引擎研究42-65
• 3.1 引言42-43
• 3.2 信道估计算法43-51
• 3.2.1 信道估计模型43-44
• 3.2.2 改进的LS算法44-49
• 3.2.3 仿真结果及性能分析49-51
• 3.3 信道分类算法51-64
• 3.3.1 隐马尔可夫模型53-55
• 3.3.2 基于HMM的信道分类算法55-61
• 3.3.3 基于BCPSO的HMM训练61-64
• 3.4 本章小结64-65
• 第4章 认知OFDM系统的认知决策引擎65-84
• 4.1 引言65
• 4.2 系统模型65-67
• 4.3 基于二进制混沌粒子群算法的认知决策引擎67-72
• 4.3.1 粒子群算法67-68
• 4.3.2 二进制混沌粒子群算法68-70
• 4.3.3 基于二进制混沌粒子群算法的认知决策引擎70-72
• 4.4 仿真验证及分析72-82
• 4.4.1 仿真场景及参数72-74
• 4.4.2 仿真结果及性能分析74-82
• 4.5 本章小结82-84
• 第5章 认知SC-FDE系统的认知决策引擎84-113
• 5.1 引言84-85
• 5.2 慢时变信道下的认知决策引擎85-97
• 5.2.1 系统模型85-86
• 5.2.2 基于MCSD的AMC算法86-89
• 5.2.3 基于新型AMC算法的认知决策引擎89-91
• 5.2.4 性能及仿真分析91-97
• 5.3 快时变信道下的认知决策引擎97-111
• 5.3.1 系统模型98-99
• 5.3.2 自适应门限调整算法99-103
• 5.3.3 基于ATA和AMC的认知决策引擎103-105
• 5.3.4 性能及仿真分析105-111
• 5.4 本章小结111-113
• 结论113-115
• 参考文献115-124
• 攻读博士学位期间发表的论文及其它成果124-127
• 致谢127-128
• 个人简历128

，

本文编号：922580