CN102082619B - 基于二重可信评估的传输自适应方法 - Google Patents

基于二重可信评估的传输自适应方法 Download PDF

Info

Publication number
CN102082619B
CN102082619B CN201010607266.4A CN201010607266A CN102082619B CN 102082619 B CN102082619 B CN 102082619B CN 201010607266 A CN201010607266 A CN 201010607266A CN 102082619 B CN102082619 B CN 102082619B
Authority
CN
China
Prior art keywords
environment
communication system
envelope
signal
frequency domain
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN201010607266.4A
Other languages
English (en)
Other versions
CN102082619A (zh
Inventor
王金龙
吴启晖
李柏文
崔丽
徐以涛
高瞻
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
COMMUNICATION ENGINEERING COLLEGE SCIENCE & ENGINEEIRNG UNIV PLA
Original Assignee
COMMUNICATION ENGINEERING COLLEGE SCIENCE & ENGINEEIRNG UNIV PLA
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by COMMUNICATION ENGINEERING COLLEGE SCIENCE & ENGINEEIRNG UNIV PLA filed Critical COMMUNICATION ENGINEERING COLLEGE SCIENCE & ENGINEEIRNG UNIV PLA
Priority to CN201010607266.4A priority Critical patent/CN102082619B/zh
Publication of CN102082619A publication Critical patent/CN102082619A/zh
Application granted granted Critical
Publication of CN102082619B publication Critical patent/CN102082619B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Landscapes

  • Mobile Radio Communication Systems (AREA)

Abstract

本发明公开了一种基于二重可信评估的传输自适应方法，首先进行环境分析与范化，提取时域和频域上的信号功率一阶与二阶统计特性参数，获得环境范化表示；基于BPNN的环境分类；联合业务与环境的通信体制适配；联合业务需求与链路质量的动态参数调整；基于强化学习的二重可信评估；基于门限的环境重分析与通信体制重配置策略。本发明根据干扰环境的类型和用户业务的需求，选择最佳通信体制；然后在该体制下，根据链路质量动态调整通信参数。

Description

基于二重可信评估的传输自适应方法
技术领域
本发明属于无线通信技术领域，特别是一种基于二重可信评估的传输自适应方法。
背景技术
开放的无线环境使得依托无线信道进行的通信面临一个不可回避的问题，那就是无线链路质量的动态变化性。这种变化一方面可能由于环境的变化引起，比如工业噪声的变化，其他通信或者恶意用户的干扰；另一方面，由于多径传播和传播路径上反射物的移动，链路质量本身也存在着固有的不确定性（衰落）。因此，为获得更好的通信质量，针对环境的动态变化进行智能的传输调整，使得通信业务的服务质量得到保证，是目前国内外无线通信领域研究的热点之一。
链路自适应技术根据当前通信链路质量，动态调整调制方式，编码速率，发射功率等通信参数，以提高通信效率和保障通信质量。然而，如前所述，通信质量的动态性除了由于多径传播带来的固有衰落外，还存在外部干扰环境变化带来的影响。单纯依赖链路的自适应技术能够弥补信道衰落带来的通信质量下降，但却难以在动态环境下保证服务质量的持续。另一方面，由于业务的多样性，为满足多种服务质量需求，传输自适应过程必须与业务类型相适配。
为了适应不同干扰环境和业务类型，本发明提出在链路自适应之前，根据环境类型与业务选择最优通信体制的思想。为了实现用户服务质量的持续保证，有以下三个问题需要解决。首先，干扰环境识别需要专门的时间开销进行环境观察与分析范化，而且通信体制的调整也需要一定时间，这个电台重配时间远大于链路自适应阶段的参数调整时间。因此，如何在通信过程中有效可靠地判断环境是否发生变化，从而触发环境观察与体制调整至关重要。对于链路质量过于灵敏会导致繁重的环境观察与体制调整开销，而过于迟钝则导致用户服务质量得不到保证。其次，干扰环境的分析与范化也是一个尚未解决的难题。能否选择简单有效的特征参数描述环境，直接决定了环境分类识别的可靠性。另外，分类工具也影响着分类性能。最后，为满足多种用户服务质量需求，在体制适配与参数的调整过程中需要对不同业务类型采取针对性措施。
发明内容
针对动态干扰环境下多种用户服务质量难以得到持续保证的问题，本发明的目的在于提供一种基于二重可信评估的传输自适应方法，通过有效对无线环境进行分析识别，结合业务需求选择通信体制；再在此基础上，根据链路质量动态调整通信参数，同时在通信过程中，使用强化学习方法动态更新环境可信度，判断环境是否发生变化；通过二重可信评估方式，能够有效且可靠的判断出环境是否变化，从而指导通信节点进行自适应调整。
实现本发明目的的技术方案为：一种基于二重可信评估的传输自适应方法，步骤如下：
步骤一：环境分析与范化，提取时域和频域上的信号功率一阶与二阶统计特性参数，获得环境范化表示                                                ，其中，；
步骤二：基于BPNN的环境分类，首先通过已有案例对网络参数进行训练，获得成熟的神经网络分类器；在此基础上，将范化的环境特征
Figure 573161DEST_PATH_IMAGE001
输入BPNN，获得具有可信因子的分类输出；
步骤三：联合业务与环境的通信体制适配，通过历史数据和理论模型，统计获得针对业务类型
Figure 2010106072664100002DEST_PATH_IMAGE003
，给定环境
Figure 321543DEST_PATH_IMAGE004
下，通信体制
Figure 2010106072664100002DEST_PATH_IMAGE005
所能提供的期望服务质量，据此选择最佳通信体制：
Figure 2010106072664100002DEST_PATH_IMAGE007
步骤四：联合业务需求与链路质量的动态参数调整，在已定的通信体制下，根据链路质量和业务需求，在数据传输过程中动态调整发射功率，调制效率，编码速率发送参数：针对与时延敏感业务，首选功率调整，次选速率调整；针对丢包敏感业务，联合功率速率调整，快降慢升；针对速率敏感业务，联合功率速率调整，快升慢降；
步骤五：基于强化学习的二重可信评估，初始环境可信度为
Figure 191596DEST_PATH_IMAGE008
，根据通信分组传输结果对可信度进行实时二次评估，其更新方式如下：
Figure 2010106072664100002DEST_PATH_IMAGE009
其中，
Figure 869833DEST_PATH_IMAGE010
，为强化因子，
Figure 71008DEST_PATH_IMAGE012
为连续传输失败的次数，当成功传输一次时，
Figure 654436DEST_PATH_IMAGE012
清零；
步骤六：基于门限的环境重分析与通信体制重配置策略，根据环境可信度，采用门限的策略判断当前环境是否发生变化：当环境可信度大于门限，认为当前环境判断仍然准确，继续进行链路自适应；否则，认为当前干扰环境发生变化，重新进行环境观察分析与通信体制选择。 
本发明与现有技术相比，其显著优点为：首先，本发明将传输自适应划分为体制选择与参数调整。首先根据干扰环境的类型和用户业务的需求，选择最佳通信体制；然后在该体制下，根据链路质量动态调整通信参数。这样做的优点是提高了对不同干扰环境的适应性，并降低了通信配置的复杂度。其次，在传输过程中实时评估环境可信度，当且仅当环境可信度低于某一门限时，才返回进行环境再学习与体制选择。这样做的优点是在保证跟踪无线环境的同时，大幅减少了环境观察分析与体制重配所需要的时间开销。最后，在体制适配与参数调整过程中，考虑了多种业务需求的差异性，保证了不同服务质量的需求满足。
下面结合附图对本发明作进一步详细描述。
附图说明
图1为系统应用场景模型图。
图2为基于二重可信评估的传输自适应流程框图。
图3为无线环境分析与范化框图。
图4为基于BPNN的可信环境分类器模型图。
图5为结合业务类型的动态链路自适应框图。
图6为动态干扰环境下基于二重可信评估传输自适应方法的仿真曲线。
具体实施方式
如图1所示，考虑存在一个动态环境下的两个通信节点传输自适应问题。动态的干扰环境由干扰源产生，可以释放的干扰包括宽带噪声干扰，窄带噪声干扰，音调（单音，多音）干扰，扫频干扰，脉冲干扰。链路质量的动态性服从瑞利衰落。为了让系统运行，首先离线训练神经网络分类器，具体过程如下：
通过干扰源释放典型干扰，然后通过环境特征分析提取特征参数，作为训练器输入
Figure 215736DEST_PATH_IMAGE002
，训练时候的输出值为环境类别向量
Figure 2010106072664100002DEST_PATH_IMAGE013
，其中L为环境类别总数，若当前环境为
Figure 2010106072664100002DEST_PATH_IMAGE015
，则
Figure 732168DEST_PATH_IMAGE016
。训练过程如下：
a.初始化所有权重和偏倚；
b.前向传播输入：
ⅰ.每个输入层单元
Figure 2010106072664100002DEST_PATH_IMAGE017
：
Figure 174968DEST_PATH_IMAGE018
；
ⅱ.每个隐藏层单元
Figure 510265DEST_PATH_IMAGE017
：
Figure 2010106072664100002DEST_PATH_IMAGE019
，
Figure 881204DEST_PATH_IMAGE020
；
c.根据，反向传播误差：
ⅰ.每个输出层单元
Figure 893022DEST_PATH_IMAGE017
：
Figure 185463DEST_PATH_IMAGE022
；
ⅱ.每个隐藏层单元
Figure 573719DEST_PATH_IMAGE017
：
Figure 2010106072664100002DEST_PATH_IMAGE023
；
对于每个权值：
Figure 2010106072664100002DEST_PATH_IMAGE025
；
对于每个偏倚
Figure 637676DEST_PATH_IMAGE026
：
Figure 2010106072664100002DEST_PATH_IMAGE027
；。
在此基础上，我们以一个实际通信场景为例，说明本发明所提的方法。网络场景设置：起始时，弱噪声干扰环境，在通信过程中，出现一个单音干扰，业务为话音业务。对此，我们采取如下方式进行，整个系统框图如图2所示。
步骤一：环境分析与范化
观察无线环境，对当前无线环境时频二维的信号功率的进行分析。提取时域和频域上的信号功率一阶与二阶统计特性参数，获得环境范化表示
Figure 214151DEST_PATH_IMAGE001
。其中，
Figure 389786DEST_PATH_IMAGE002
。所包含统计特征分别为：信号时域包络均值，信号包络的方差，信号包络的去零点最大最小相关差值，频域包络均值，频域包络方差，频域包络的去零点最大最小相关差值。
1）接收无线信号，对无线信号进行分析范化，如图3所示。接收时域信号进行希尔伯特变换，获得复信号，取模值，获得信号时域包络
Figure 938579DEST_PATH_IMAGE028
（假设M点样值）；对时域信号进行FFT变换获得频域信号，再取模值，获得N点频域包络
Figure 2010106072664100002DEST_PATH_IMAGE029
（假设N点样值）；信号的统计特征参数按如下方式获取：
2）时频域包络均值为：
Figure 557779DEST_PATH_IMAGE030
；；
3）时频域包络方差为：；
Figure DEST_PATH_IMAGE033
；
4）时频域信号信号包络的去零点最大最小相关差值为：
Figure 86030DEST_PATH_IMAGE034
其中，
Figure DEST_PATH_IMAGE035
由循环卷积得到：
Figure 771220DEST_PATH_IMAGE036
；
Figure DEST_PATH_IMAGE037
同理，由循环卷积得到：
Figure DEST_PATH_IMAGE039
；
通过上述步骤获取六个环境特征参量，将环境属性规范化。在此基础上，进行环境可信识别。
步骤二：基于BPNN的环境分类
采用后向传播神经网络（BPNN）进行模式识别分类。首先通过已有案例对网络参数进行训练，获得成熟的神经网络分类器；在此基础上，将范化的环境特征
Figure 846809DEST_PATH_IMAGE001
输入BPNN，获得具有可信因子的分类输出，具体步骤为：
（1）分类BPNN构建
神经网络输入单元个数为环境特征
Figure 114980DEST_PATH_IMAGE001
的特征值个数K，输出单元数为环境类别数目L；根据后向传播算法，根据现有典型环境下的环境特征向量集合
Figure 638365DEST_PATH_IMAGE040
对神经网络进行训练，训练集合中每一个案例包含
Figure DEST_PATH_IMAGE041
，训练过程如下：
a.初始化所有权重和偏倚；
b.前向传播输入
Figure 860354DEST_PATH_IMAGE001
：
ⅰ.每个输入层单元：；
ⅱ.每个隐藏层单元
Figure 82891DEST_PATH_IMAGE017
：
Figure 418057DEST_PATH_IMAGE019
，
Figure 146979DEST_PATH_IMAGE020
；
c.根据
Figure 756952DEST_PATH_IMAGE021
，反向传播误差：
ⅰ.每个输出层单元
Figure 254929DEST_PATH_IMAGE017
：
Figure 42888DEST_PATH_IMAGE022
；
ⅱ.每个隐藏层单元
Figure 259105DEST_PATH_IMAGE017
：
Figure 672769DEST_PATH_IMAGE023
；
对于每个权值
Figure 25253DEST_PATH_IMAGE024
：
Figure 810544DEST_PATH_IMAGE025
；
对于每个偏倚
Figure 779637DEST_PATH_IMAGE026
：； 
（2）带有可信度的环境分类获取
对于每一个待分类环境样本
Figure 203982DEST_PATH_IMAGE042
，输入神经网络，获得输出向量
Figure DEST_PATH_IMAGE043
，则当前环境的类别归属：
Figure 583011DEST_PATH_IMAGE044
；其可信度为：
Figure DEST_PATH_IMAGE045
；
如图4所示，对于每一个待分类环境特征参量
Figure 790133DEST_PATH_IMAGE042
，输入成熟神经网络系统，获得输出向量
Figure 14441DEST_PATH_IMAGE013
。则当前环境的类别归属：；其可信度为：
Figure DEST_PATH_IMAGE047
。可信度代表对当前环境属于所归属类别的确信度。通过上述两步，得到环境类别为白噪声干扰环境，且可信度为0.9。
步骤三：联合业务与环境的通信体制适配
在已知环境分类基础上，根据业务类型，选择最能满足当前服务质量的通信体制。通信体制为通信频段，调制技术类别（单载波，多载波，幅度调制，频率调制，相位调制，跳频，直接序列扩频等）和编码技术类别（分组码，卷积码，Turbo码，LDPC码，交织技术等）等的组合。针对不同的干扰环境和不同的业务需求，不同的通信体制能表现出不同的服务质量体验。通过历史数据和理论模型，统计获得针对业务类型
Figure 219343DEST_PATH_IMAGE003
，给定环境
Figure 631870DEST_PATH_IMAGE004
下，通信体制
Figure 394289DEST_PATH_IMAGE005
所能提供的期望服务质量
Figure 356298DEST_PATH_IMAGE006
。据此选择最佳通信体制：
Figure 342708DEST_PATH_IMAGE007
对于话音业务，在白噪声环境下，选择常规通信体制。
步骤四：联合业务需求与链路质量的动态参数调整
在给定通信环境下，无线信道的传输质量与通信收发两端所构成的链路有关。链路自适应即为在传输过程中，根据链路质量，动态调整发送参数，使得系统性能最大化。本方法在已定的通信体制下，根据链路质量和业务需求，动态调整发射功率，调制效率，编码速率等发送参数。具体的说，当链路质量发生变化时：
a.针对与时延敏感业务，首选功率调整，次选速率调整；
b.针对丢包敏感业务，联合功率速率调整，快降慢升；
c.针对速率敏感业务，联合功率速率调整，快升慢降。
进行链路自适应。当链路质量下降时（出现丢包），考虑到业务的时延敏感度，首先增加发射功率，以保持原有速率通信；当功率最大时仍无法保证原有速率通信时，使用低阶调制和码率，降低发送速率。
步骤五：基于强化学习的二重可信评估
在传输过程中，通信节点根据传输性能反馈实时对环境进行可信评估，判断外部干扰环境是否发生变化。初始环境可信度为
Figure 242531DEST_PATH_IMAGE008
（一重可信度），根据通信传输结果对可信度进行持续二次评估。
在上述传输过程中，同时对环境可信度进行二次评估。初始环境可信度
Figure 339800DEST_PATH_IMAGE008
可以取为0.9，学习因子
Figure 375889DEST_PATH_IMAGE048
设为0.95，按照下式进行更新：
Figure 533201DEST_PATH_IMAGE009
其中，为学习因子，用于控制可信度变化的快慢；
Figure 306433DEST_PATH_IMAGE011
为强化因子，
Figure 462608DEST_PATH_IMAGE012
为连续传输失败的次数，当成功传输一次时，
Figure 259663DEST_PATH_IMAGE012
清零。假设帧传输正确用1表示，0表示帧传输错误，则强化因子和可信度更新如下表所示：
在运行正常的通信系统中，大部分的数据帧是正确的，少数帧由于信道的随机性可能出现错误。显然，基于强化学习的可信度更新，能够容忍由于链路动态性出现的少数随机错误。当外部环境发生变化（出现单音干扰时），数据帧错误增多，尤其是出现连续错误，环境可信度迅速下降。
步骤六：基于门限的环境重分析与通信体制重配置策略
根据环境可信度，采用门限的策略判断当前环境是否发生变化：当环境可信度大于门限，认为当前环境判断仍然准确，继续进行链路自适应调整；否则，认为当前干扰环境发生变化，需要重新进行环境观察分析与通信体制选择。
根据门限策略，当可信度小于0.5时，认为环境发生变化，重新回到步骤一进行环境观察。此时，通过环境范化和分类，识别出当前环境为单音干扰环境；通过步骤三，针对话音业务和单音干扰环境，使用OFDM通信体制；在步骤四中，将被干扰的子信道置空，进行链路自适应。同时更新环境可信度。
图6给出了在上述变化环境下，话音业务的性能随着时间的变化。对比数据采用了传统的链路自适应技术。仿真假设一个典型的802.11传播环境，载频为2.4GHz，信道带宽为4MHz，传输距离为70米。首先在无干扰环境下通信，在t=50s时，出现噪声干扰，t=100s时刻切换到单音干扰。仿真曲线表明，所提方法能够快速准确的适应环境变化。

Claims (3)

1.一种基于二重可信评估的传输自适应方法，其特征在于步骤如下：
步骤一：环境分析与范化，提取时域和频域上的信号功率一阶与二阶统计特性参数，获得环境范化表示                                                
Figure 979614DEST_PATH_IMAGE001
，其中，；其中m t 是指信号时域包络均值，
Figure 2010106072664100001DEST_PATH_IMAGE003
是指信号包络的方差，
Figure 678766DEST_PATH_IMAGE004
是指信号包络的去零点最大最小相关差值，m f 是指频域包络均值，是指频域包络方差，是指频域包络的去零点最大最小相关差值；
步骤二：基于BPNN的环境分类，首先通过已有案例对网络参数进行训练，获得成熟的神经网络分类器；在此基础上，将范化的环境特征
Figure 207016DEST_PATH_IMAGE001
输入BPNN，获得具有可信因子的分类输出；
步骤三：联合业务与环境的通信体制适配，通过历史数据和理论模型，统计获得针对业务类型，给定环境
Figure 672633DEST_PATH_IMAGE008
下，通信体制
Figure 2010106072664100001DEST_PATH_IMAGE009
所能提供的期望服务质量
Figure 993893DEST_PATH_IMAGE010
，据此选择最佳通信体制：
Figure 748222DEST_PATH_IMAGE011
步骤四：联合业务需求与链路质量的动态参数调整，在已定的通信体制下，根据链路质量和业务需求，在数据传输过程中动态调整发射功率，调制效率，编码速率发送参数：针对时延敏感业务，首选功率调整，次选速率调整；针对丢包敏感业务，联合功率速率调整，快降慢升；针对速率敏感业务，联合功率速率调整，快升慢降；
步骤五：基于强化学习的二重可信评估，初始环境可信度为
Figure 547551DEST_PATH_IMAGE012
，根据通信分组传输结果对可信度进行实时二次评估，其更新方式如下：
Figure 70936DEST_PATH_IMAGE013
其中，
Figure 500780DEST_PATH_IMAGE014
，为强化因子，为连续传输失败的次数，当成功传输一次时，
Figure 723317DEST_PATH_IMAGE016
清零；
步骤六：基于门限的环境重分析与通信体制重配置策略，根据环境可信度，采用门限的策略判断当前环境是否发生变化：当环境可信度大于门限，认为当前环境判断仍然准确，继续进行链路自适应；否则，认为当前干扰环境发生变化，重新进行环境观察分析与通信体制选择。
2.根据权利要求1所述的基于二重可信评估的传输自适应方法，其特征在于步骤一中，获得环境范化的步骤为：
（1）接收时域信号进行希尔伯特变换，获得复信号，取模值，获得信号时域包络
Figure 120801DEST_PATH_IMAGE017
，假设M点样值；对时域信号进行FFT变换获得频域信号，再取模值，获得N点频域包络
Figure 849722DEST_PATH_IMAGE018
；
（2）时频包络均值为：
Figure 993783DEST_PATH_IMAGE019
；
Figure 491761DEST_PATH_IMAGE020
，其中m t 是指信号时域包络均值，m f 是指频域包络均值；
（3）时频域包络方差为：
Figure 997828DEST_PATH_IMAGE021
；
Figure 276363DEST_PATH_IMAGE022
；
（4）时频域信号包络的去零点最大最小相关差值为：
Figure 158868DEST_PATH_IMAGE023
其中，
Figure 511352DEST_PATH_IMAGE024
由循环卷积得到：
Figure 453900DEST_PATH_IMAGE025
；
Figure 954152DEST_PATH_IMAGE026
同理，
Figure 374769DEST_PATH_IMAGE027
由循环卷积得到：
Figure 847339DEST_PATH_IMAGE028
。
3.根据权利要求1所述的基于二重可信评估的传输自适应方法，其特征在于步骤二中，基于BPNN的环境分类的步骤为：
（1）分类BPNN构建
神经网络输入单元个数为环境特征
Figure 757526DEST_PATH_IMAGE001
的特征值个数K，输出单元数为环境类别数目L；根据后向传播算法，根据现有典型环境下的环境特征向量集合对神经网络进行训练，训练集合中每一个案例包含
Figure 907064DEST_PATH_IMAGE030
，训练过程如下：
a.初始化所有权重和偏倚；
b.前向传播输入：
ⅰ.每个输入层单元
Figure 580808DEST_PATH_IMAGE031
：
Figure 993335DEST_PATH_IMAGE032
；
ⅱ.每个隐藏层单元
Figure 755755DEST_PATH_IMAGE031
：，
Figure 454906DEST_PATH_IMAGE034
；
c.根据
Figure 354729DEST_PATH_IMAGE035
，反向传播误差：
ⅰ.每个输出层单元
Figure 983157DEST_PATH_IMAGE031
：
Figure 19246DEST_PATH_IMAGE036
；
ⅱ.每个隐藏层单元：
Figure 94835DEST_PATH_IMAGE037
；
对于每个权值：；
对于每个偏倚
Figure 152287DEST_PATH_IMAGE040
：
Figure 814651DEST_PATH_IMAGE041
； 
（2）带有可信度的环境分类获取
对于每一个待分类环境样本，输入神经网络，获得输出向量
Figure 998824DEST_PATH_IMAGE043
，则当前环境的类别归属：
Figure 29097DEST_PATH_IMAGE044
；其可信度为：
Figure 125229DEST_PATH_IMAGE045
。
CN201010607266.4A 2010-12-27 2010-12-27 基于二重可信评估的传输自适应方法 Active CN102082619B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201010607266.4A CN102082619B (zh) 2010-12-27 2010-12-27 基于二重可信评估的传输自适应方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201010607266.4A CN102082619B (zh) 2010-12-27 2010-12-27 基于二重可信评估的传输自适应方法

Publications (2)

Publication Number Publication Date
CN102082619A CN102082619A (zh) 2011-06-01
CN102082619B true CN102082619B (zh) 2014-03-12

Family

ID=44088382

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201010607266.4A Active CN102082619B (zh) 2010-12-27 2010-12-27 基于二重可信评估的传输自适应方法

Country Status (1)

Country Link
CN (1) CN102082619B (zh)

Families Citing this family (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105975497A (zh) * 2016-04-27 2016-09-28 清华大学 微博话题自动推荐方法及装置
CN111083717B (zh) * 2019-12-27 2023-03-31 中国联合网络通信集团有限公司 一种数据传输方法及装置
CN112532346A (zh) * 2020-11-03 2021-03-19 广州技象科技有限公司 一种基于用户时间需求的链路自适应方法及装置
CN112532348B (zh) * 2020-11-22 2022-02-18 广州技象科技有限公司 基于通信信道的链路自适应方法、装置、设备及存储介质

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1449205A (zh) * 2002-04-02 2003-10-15 深圳市中兴通讯股份有限公司上海第二研究所 功率控制的动态优化方法和装置
CN1672355A (zh) * 2002-07-31 2005-09-21 皇家飞利浦电子股份有限公司 根据服务质量值进行自适应带宽调整的设备
WO2009029623A2 (en) * 2007-08-27 2009-03-05 Harris Corporation System and method for automated link quality measurement for adaptive modulation systems using noise level estimates
CN101536342A (zh) * 2006-11-15 2009-09-16 西门子公司 用于信号的自适应滤波的方法和装置

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1449205A (zh) * 2002-04-02 2003-10-15 深圳市中兴通讯股份有限公司上海第二研究所 功率控制的动态优化方法和装置
CN1672355A (zh) * 2002-07-31 2005-09-21 皇家飞利浦电子股份有限公司 根据服务质量值进行自适应带宽调整的设备
CN101536342A (zh) * 2006-11-15 2009-09-16 西门子公司 用于信号的自适应滤波的方法和装置
WO2009029623A2 (en) * 2007-08-27 2009-03-05 Harris Corporation System and method for automated link quality measurement for adaptive modulation systems using noise level estimates

Also Published As

Publication number Publication date
CN102082619A (zh) 2011-06-01

Similar Documents

Publication Publication Date Title
Davaslioglu et al. Generative adversarial learning for spectrum sensing
CN101124800B (zh) 无线符号的粗略时间估计系统和方法
CN100452688C (zh) 基于信道信息二阶统计的自适应调制和编码的方法及装置
CN109600335A (zh) 基于神经网络的aco-ofdm系统综合papr抑制方法及系统
CN102082619B (zh) 基于二重可信评估的传输自适应方法
Ko et al. Adaptive modulation with diversity combining based on output-threshold MRC
CN106027184B (zh) 一种基于lte-a的链路级到系统级仿真的接口方法
Javed et al. Impact of improper Gaussian signaling on hardware impaired systems
CN110381510A (zh) 基于叠加物理层认证标签的非正交多址认证系统
Wang et al. Adacomm: Tracing channel dynamics for reliable cross-technology communication
CN107332855B (zh) 基于增强学习算法的主用户仿真攻击检测方法
CN106230767A (zh) 一种基于双误块率和信噪比差值的自适应调制编码方法
CN106506427A (zh) 一种基于folp的stbc‑ofdm信号盲识别方法
CN108667564B (zh) 一种在线学习的自适应链路mcs切换控制方法
Xu et al. Asynchronous and high-accuracy digital modulated signal detection by sensor networks
CN110380798A (zh) 基于共享认证标签的非正交多址认证系统的参数优化方法
US20220383118A1 (en) Generating variable communication channel responses using machine learning networks
CN110312255A (zh) 基于叠加认证标签的非正交多址认证系统的参数优化方法
Miah et al. Maximization of sum rate in AF-cognitive radio networks using superposition approach and n-out-of-k rule
Perez et al. Adaptive EM-based algorithm for cooperative spectrum sensing in mobile environments
Sghaier et al. Enhanced MAB Algorithm for Cooperative Communication in Narrowband PLC Channel Corrupted by Impulsive Noise
De Souza et al. A novel signal detector in MIMO systems based on complex correntropy
CN107222290B (zh) 快时变信道下非数据辅助的误差矢量幅度自适应调制方法
Alemseged et al. Distributed spectrum sensing with two-stage detection for cognitive radio
Zhu et al. A new HF radio prototype based on dynamic spectrum anti-jamming concept

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
C10 Entry into substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant