認(rèn)知無線網(wǎng)絡(luò)離線學(xué)習(xí)技術(shù)研究.pdf

1、認(rèn)知無線電(CR)是一種智能無線電通信系統(tǒng)，它為解決逐漸增長(zhǎng)無線業(yè)務(wù)需求與頻譜資源缺乏的矛盾提供了一個(gè)可行的思路。智能學(xué)習(xí)推理作為認(rèn)知兀線電的核心技術(shù)，對(duì)有效利用頻譜資源，滿足用戶需求，改善通信系統(tǒng)性能起決定性作用。認(rèn)知無線電智能學(xué)習(xí)技術(shù)的核心主要體現(xiàn)在認(rèn)知引擎設(shè)計(jì)上。CR認(rèn)知引擎的設(shè)計(jì)可引入人工智能領(lǐng)域的學(xué)習(xí)與推理方法，認(rèn)知引擎通過學(xué)習(xí)與推理方法來實(shí)現(xiàn)CR通信參數(shù)的重配置。本文主要研究認(rèn)知無線網(wǎng)絡(luò)的離線學(xué)習(xí)技術(shù)，主要包括CR認(rèn)知引擎的

2、學(xué)習(xí)，推理和決策。具體工作總結(jié)如下：
　　 第一，提出基于離散均勻分配遺傳算法-Discrete uniform genetic aigorithm(DUGA)的CR優(yōu)化引擎設(shè)計(jì)方法。CR參數(shù)調(diào)整是典型的多目標(biāo)優(yōu)化問題，本文在考慮MAC和PHY層聯(lián)合的基礎(chǔ)上，提出基于DUGA的CR參數(shù)優(yōu)化引擎設(shè)計(jì)方法。同傳統(tǒng)的遺傳算法比較，DUGA采用離散均勻分配原則，克服輪盤算法陷入局部最優(yōu)的缺點(diǎn)，交叉、變異，并逐步迭代以實(shí)現(xiàn)種群多樣性和快速

3、收斂性。通過MATLAB對(duì)測(cè)試函數(shù)的仿真，驗(yàn)證了DUGA的有效性。將建立的CR參數(shù)優(yōu)化引擎應(yīng)用于CR通信場(chǎng)景中，NS2仿真結(jié)果表明本文建立的優(yōu)化引擎能有效提高系統(tǒng)的吞吐量，改善節(jié)點(diǎn)發(fā)送功率。
　　 第二，本文將RBF神經(jīng)網(wǎng)絡(luò)有效應(yīng)用于CR認(rèn)知引擎設(shè)計(jì)中，提出基于RBF神經(jīng)網(wǎng)絡(luò)的多層網(wǎng)絡(luò)學(xué)習(xí)模型。該學(xué)習(xí)模型不同于傳統(tǒng)的神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)模型，木文的學(xué)習(xí)模型分為外層和內(nèi)層網(wǎng)絡(luò)，將全局參數(shù)和局部參數(shù)學(xué)習(xí)隔離開，由認(rèn)知信息的流通驅(qū)動(dòng)外層到內(nèi)層

4、的信息流，可以提高網(wǎng)絡(luò)的學(xué)習(xí)預(yù)測(cè)能力，減少網(wǎng)絡(luò)的學(xué)習(xí)時(shí)間，提高網(wǎng)絡(luò)對(duì)環(huán)境的適應(yīng)能力。通過NS2平臺(tái)仿真CR通信系統(tǒng)，采集數(shù)據(jù)，并用作網(wǎng)絡(luò)訓(xùn)練的感知樣本。感知信息用于洲練測(cè)試外層和內(nèi)層網(wǎng)絡(luò)。兩層網(wǎng)絡(luò)的主要功能為：外層神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)全局參數(shù)路由協(xié)議的重配置；內(nèi)層神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)對(duì)應(yīng)該協(xié)議卜的局部通信參數(shù)的重配置。外層網(wǎng)絡(luò)和內(nèi)層網(wǎng)絡(luò)通過認(rèn)知信息的流通聯(lián)系起來。多層學(xué)習(xí)模型對(duì)感知信息進(jìn)行學(xué)習(xí)推理，并根據(jù)業(yè)務(wù)需求和網(wǎng)絡(luò)目標(biāo)輸出決策出適合當(dāng)前網(wǎng)絡(luò)的工作參

5、數(shù)配置。重配置通信系統(tǒng)，仿真結(jié)果表明，該多層學(xué)習(xí)推理模型能有效適應(yīng)環(huán)境變化，滿足用戶需求。
　　 第三，結(jié)合前期研究工作的基礎(chǔ)，建立兩種智能學(xué)習(xí)技術(shù)設(shè)計(jì)的認(rèn)知引擎算法模型，即RS-RBF和GA-RBF的CR認(rèn)知引擎學(xué)習(xí)模型。該學(xué)習(xí)模型將粗糙集和遺傳算法與RBF_NN結(jié)合，并應(yīng)用于CR認(rèn)知引擎設(shè)計(jì)中。RS能有效處理通信系統(tǒng)中參數(shù)的冗余性，不確定性和不完整性，減少學(xué)刊模型運(yùn)行的存儲(chǔ)空間，提高網(wǎng)絡(luò)的訓(xùn)練速度。RBF網(wǎng)絡(luò)學(xué)習(xí)過程中，工作