CN105611543A - 认知无线网络中基于信道质量预测的分层匹配方法 - Google Patents
认知无线网络中基于信道质量预测的分层匹配方法 Download PDFInfo
- Publication number
- CN105611543A CN105611543A CN201610008471.6A CN201610008471A CN105611543A CN 105611543 A CN105611543 A CN 105611543A CN 201610008471 A CN201610008471 A CN 201610008471A CN 105611543 A CN105611543 A CN 105611543A
- Authority
- CN
- China
- Prior art keywords
- channel
- cohort
- channel quality
- probability
- cognitive user
- 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.)
- Granted
Links
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W16/00—Network planning, e.g. coverage or traffic planning tools; Network deployment, e.g. resource partitioning or cells structures
- H04W16/14—Spectrum sharing arrangements between different networks
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Mobile Radio Communication Systems (AREA)
Abstract
本发明公开了认知无线网络中基于信道质量预测的分层匹配方法,其包括如下步骤:S1,多个认知用户组成协作感知组群,每个认知用户选择加入其收益最大的组群进行感知;S2,组群领导者利用感知结果训练并构建概率后缀树,通过生成树预测下一时隙频谱空闲概率;S3,组群领导者利用空闲概率构建信道质量评价因子,对多个授权信道可靠性降序排列;S4,调度单元根据优先级-可靠性调度准则,为编码后的分层数据分配合适的信道。本分层匹配方法能够在时变的认知无线网络中动态地估计信道质量,降低感知时延,为分层数据高效匹配可靠的信道,可用于改进认知无线网络中分层多媒体数据的链路适应性。
Description
技术领域
本发明涉及认知多媒体通信领域,具体涉及一种认知无线电网络中基于信道质量预测的分层匹配方法。
背景技术
无线多媒体业务的爆发式增长使得现有的频谱资源短缺问题日益严重,然而现有的无线频谱存在严重的浪费现象。为了解决该问题,产生了认知无线电(CognitiveRadio,CR)技术,该技术允许认知用户以机会的方式利用空闲频谱资源,极大地提高了频谱利用率,满足了多媒体日益增长的高带宽需求。认知无线网络中,认知用户以机会的方式接入,接入信道前必须感知信道以确保不对授权用户产生干扰。一方面,盲目频繁的感知会带来很多不必要的感知时间和能量开销,另一方面,将不同优先级的分层多媒体业务分配到不同质量的频谱上是很复杂的,可能会引入很大的处理时延。为了解决上述问题,频谱预测技术应运而生,利用频谱预测技术动态地估计信道质量,指导频谱感知,可以优化感知顺序,只选择预测为空闲的信道进行感知和接入,避免了随机盲目地去感知某段已被占用频谱带来得时间开销,对于提高能效和谱效起到了重要作用。此外,根据信道质量及分层重要性制定合理的分层匹配方法,对于认知无线网络中分层多媒体数据的高效传输至关重要。
现有的可变长马尔可夫(VariableorderMarkovModel,VMM)预测方法都是通过挖掘训练序列的规律进行预测并估计信道质量、指导频谱分配。然而VMM方法在实际场景中都面临一个共同的技术难题,它们都是基于完美感知信息的,所以当感知结果不准确时,预测准确度显著下降。文章XiaoshuangXing,TaoJing,YanHuo,etal.ChannelQualityPredictionBasedonBayesianInferenceinCognitiveRadioNetworks[C],IEEEINFOCOM,2013:1465-1473.利用感知获得的历史信道信息的二进制序列构建预测模型,通过隐马尔可夫模型分析频谱使用规律预测频谱的可用性,对信道可用性进行降序排列,利用频谱预测指导频谱感知,优化感知顺序。但是隐马尔可夫预测模型方法存在训练序列过长,且每次状态预测都要重新训练序列的问题,具有极高的复杂度。文章RuixiaoYao,YanweiLiu,JinxiaLiu,etal.Hierarchical-MatchingbasedScalableVideoStreamingoverMulti-channelCognitiveRadioNetworks[C].2014IEEEGlobalCommunicationsConference(GLOBECOM2014),Austin,TX,2014:1400-1405.在传输调度时采用得分层编码方式时,按照对接收端视频质量的贡献大小为不同的层划分优先级,分配信道时为优先级高的层分配更可靠的信道,然而它的信道质量评价标准仅仅考虑了感知传输时间比,并没有考虑到信道噪声、空闲概率等因素对信道质量的影响,对于复杂的认知无线信道缺乏适应性。
发明内容
针对上述现有技术的不足,本发明旨在提出一种认知无线网络中基于信道质量预测的分层匹配方法,通过协作频谱感知解决了非完美感知场景下可变长马尔可夫预测能力不足的问题,重新定义信道质量评价标准预测信道质量,并根据信道质量为分层多媒体数据快速匹配可靠的信道,从而减少感知时间消耗并提高多媒体传输性能。
为了实现上述目的,本发明采用如下技术方案:
认知无线网络中基于信道质量预测的分层匹配方法包括协作概率后缀树预测(CooperativeSpectrumSensingCombinedwithProbabilisticSuffixTreeAlgorithm,CSS-PST)及分层匹配(Hierarchical-Matching,H-M)两部分;所述方法包括如下步骤:
S1,多个认知用户组成协作感知组群,每个认知用户选择加入其收益最大的组群进行感知;
S2,组群领导者利用感知结果训练并构建概率后缀树,通过生成树预测下一时隙频谱空闲概率;
S3,组群领导者利用空闲概率构建信道质量评价因子,对多个授权信道可靠性降序排列;
S4,调度单元根据优先级-可靠性调度准则,为编码后的分层数据分配合适的信道。
需要说明的是,步骤S1的具体方法如下:
1.1)第j个认知用户单独进行本地频谱感知,并分别计算其检测概率pdj和误警概率pfj:
其中,SNRj表示第j个认知用户在授权信道上的信噪比,δ表示能量检测门限,r表示时宽带宽积,SNRj的定义为式中σ2是高斯白噪声方差,PPU表示授权用户的传输概率,hj,PU表示授权用户和第j个认知用户之间的路径损耗值,其定义为σ表示路径损耗常数,e表示路径损耗指数,dj,PU表示第j个认知用户和授权用户之间的距离。
1.2)第j个认知用户根据本地频谱感知结果计算其加入附近的感知组群Ck后的协作漏检概率Ψm和协作误警概率Ψf:
其中初始时刻每个认知用户单独构成一个组群,是第j个认知用户和组群领导者之间由于信道衰落造成的传输错误。组群领导者负责数据融合,将融合组群内所有认知用户上报的信息并做出最终决策。
组群领导者的选取规则是:选择组群Ck中漏检概率最小的认知用户作为组群领导者。
1.3)第j个认知用户发现其可加入的潜在组群集合Bj={C1,C2,....CN},N表示其周围可加入的组群总数,对应的组群收益值为V(j)={Vj(C1),Vj(C2)...,Vj(Ck)...,Vj(CN)},第j个认知用户从中选择收益值最大的组群加入。其中组群的收益值Vj(Ck)为:
Vj(Ck)=1-Ψm(Ck)-C(Ψf(Ck));
其中C(Ψf(Ck))代表协作误警代价,协作误警代价是误警概率的单调增函数,其限制每个认知用户的误警概率不能超过一定的门限。
1.4)认知用户均加入合适的组群形成稳定的组群结构后,领导者搜集该组群中成员们的感知信息并根据这些信息做出最后决策,获得过去U个时隙的信道状态序列OU,U=min(A,T),其中A为累积时隙个数,T为预设的定长时隙。
进一步需要说明的是所述的协作频谱感知方法,所述的步骤1.2中,组群领导者采用或准则进行数据融合,以提高组群的检测性能。
需要说明的是,步骤S2的具体方法如下:
2.1)组群领导者根据步骤S1得到过去U个时隙的信道状态序列OU,OU作为训练序列,通过学习过程生成概率后缀树。
2.2)组群领导者遍历生成树预测信道下一时隙的状态,预测公式为:
其中表示状态os+1在字符串{o1...os}之后出现的概率,F(o1...os)表示字符串{o1...os}在训练序列OU中出现次数的累积。F(o1...osos+1)表示字符串{o1...osos+1}在训练序列OU中出现次数的累积。大于一定阈值时,可判定信道下一时隙为空闲状态,可以被认知用户使用。
需要说明的是,步骤S3的具体方法如下:
3.1)认知节点根据预测到的第i个信道的空闲概率Pidle,i和信噪比ξi,计算第i个信道的信道质量评价标准CQ,i:
其中,是第i个信道总的丢包率,是第i个信道的授权用户回归造成的碰撞丢包,其值为1-Pidle,i,是第i个信道的信道噪声造成的丢包。
3.2)认知节点根据信道质量评价标准CQ,i的值升序排列信道,得到可用信道集合为CH={ch1,ch2,...,chN},其中N表示当前时刻可用信道个数。CQ,i越小,信道质量越高,信道可靠性越高。
3.3)根据信道质量可靠性指导协作频谱感知和分层匹配,优先感知和分配质量高的信道,降低感知时延提高分配效率。
进一步需要说明的是,所述的信道质量评价方法,其特征在于,所述的步骤3.1中,第i个信道采用BPSK调制方式,信道噪声造成的丢包为
其其中误比特率为Q函数为标准正太分布的右尾函数,l是一个数据包的长度。
需要说明的是,步骤S4的具体方法如下:
数据包按照重要程度下降的顺序划分优先级,其优先级为{L1,L2,...,LK},可用信道按照CQ,i的大小从低到高排列,其可靠性从高到低所组成的可用信道集合为CH={ch1,ch2,...,chN}。优先级-可靠性调度准则:优先级最高的层依次分配到可靠性最高的信道上传输,构成最优分配向量Aopt。
其中表示第k层的包的分配向量,当信道i'被分配后,则从可分配的信道集合CH中删去。
进一步需要说明的是,所述的分层匹配方法,优先级-可靠性调度准则利用信道质量评价标准,为重要的包分配更可靠的信道,提高了资源分配时的效率,保障了多媒体数据的可靠传输。
本发明的有益效果在于:
1、本文由于利用多个认知用户协作感知来提高感知精度,消除了感知误差对预测性能的影响,解决了可变长马尔可夫方法在存在感知误差的场景下预测能力恶化的问题,提高了可变长马尔可夫预测性能;
2、本发明利用预测及感知结果对信道质量进行估计,评价信道的可靠性,优化感知顺序,减少了感知时延及能耗。
3、本发明利用新的信道质量评价标准对分层多媒体数据进行信道匹配,使分层的视频流更好地在时变且可靠性不同的认知无线信道上传输,有效的提高了多媒体传输性能。
综上所述,本分层匹配方法能够在时变的认知无线网络中动态地估计信道质量,降低感知时延,为分层数据高效匹配可靠的信道,可用于改进认知无线网络中分层多媒体数据的链路适应性。
附图说明
图1为本发明使用的协作概率后缀树预测模型;
图2为本发明的实现总流程图;
图3为认知多媒体通信分层传输示意图;
图4为本发明协作概率后缀树预测与非协作概率后缀树预测性能对比图;
图5为本发明中随着业务到达率变化的感知时间消耗效果图;
图6为本发明分层匹配与随机匹配丢包概率对比图。
具体实施方式
以下将结合附图对本发明作进一步的描述,需要说明的是,本实施例以本技术方案为前提,给出了详细的实施方式和具体的操作过程,但本发明的保护范围并不限于本实施例。
如图1所示,本发明采用协作频谱感知,由认知用户组成协作组群来提升频谱预测准确度,组群内的领导者由漏检概率最小的认知用户担任,领导者采用或准则进行数据融合。
如图3所示,本发明采用分层匹配的分配方式,在分层匹配时,为了保障重要层的可靠传输,将一个图像组中优先级越高的层分配到可靠性更高的信道上进行传输,这种差异化保护的分配方法有效保障了分层多媒体的可靠传输。
如图1、图2、图3所示,本发明的实现步骤如下:
S1,多个认知用户组成协作感知组群,每个认知用户选择加入其收益最大的组群进行感知;
1.1)首先第j个认知用户单独进行本地频谱感知,并分别计算其检测概率pdj和误警概率pfj:
1.2)第j个认知用户根据本地频谱感知结果计算其加入附近的感知组群Ck后的协作漏检概率Ψm和协作误警概率Ψf: 其中初始时刻每个认知用户单独构成一个组群,是第j个认知用户和组群领导者之间由于信道衰落造成的传输错误。组群领导者负责数据融合,将融合组群内所有认知用户上报的信息并做出最终决策。组群领导者的选取规则是:选择组群Ck中漏检概率最小的认知用户作为组群领导者。其中组群领导者采用或准则进行数据融合,以提高组群的检测性能。
1.3)第j个认知用户发现其可加入的潜在组群集合Bj={C1,C2,....CN},N表示其周围可加入的组群总数,对应的组群收益值为V(j)={Vj(C1),Vj(C2)...,Vj(Ck)...,Vj(CN)},第j个认知用户从中选择收益值最大的组群加入。其中组群的收益值Vj(Ck)为:Vj(Ck)=1-Ψm(Ck)-C(Ψf(Ck)),其中C(Ψf(Ck))代表协作误警代价,协作误警代价是误警概率的单调增函数,其限制每个认知用户的误警概率不能超过一定的门限。
1.4)认知用户均加入合适的组群形成稳定的组群结构后,领导者搜集该组群中成员们的感知信息并根据这些信息做出最后决策,获得过去U个时隙的信道状态序列OU,U=min(A,T),其中A为累积时隙个数,T为预设的定长时隙。
S2组群领导者利用感知结果训练并构建概率后缀树,通过生成树预测下一时隙频谱空闲概率;
2.1)组群领导者根据步骤S1得到过去U个时隙的信道状态序列OU,OU作为训练序列,通过学习过程生成概率后缀树。
2.2)组群领导者遍历生成树预测信道下一时隙的状态,预测公式为: 其中表示状态os+1在字符串{o1...os}之后出现的概率,F(o1...os)表示字符串{o1...os}在训练序列OU中出现次数的累积。F(o1...osos +1)表示字符串{o1...osos+1}在训练序列OU中出现次数的累积。大于一定阈值时,可判定信道下一时隙为空闲状态,可以被认知用户使用。
S3,组群领导者利用空闲概率构建信道质量评价因子,对多个授权信道可靠性降序排列;
3.1)认知节点根据预测到的第i个信道的空闲概率Pidle,i和信噪比ξi,计算第i个信道的信道质量评价标准CQ,i: 其中,是第i个信道总的丢包率,是第i个信道的授权用户回归造成的碰撞丢包,其值为1-Pidle,i,是第i个信道的信道噪声造成的丢包。其中第i个信道采用BPSK调制方式,信道噪声造成的丢包可表示为:其中误比特率为Q函数为标准正太分布的右尾函数,l是一个数据包的长度。
3.2)认知节点根据信道质量评价标准CQ,i的值升序排列信道,得到可用信道集合为CH={ch1,ch2,...,chN},其中N表示当前时刻可用信道个数。CQ,i的值越小,信道质量越高,信道可靠性越高。
3.3)根据信道质量可靠性指导协作频谱感知和分层匹配,优先感知和分配质量高的信道,降低感知时延提高分配效率。
S4调度单元根据优先级-可靠性调度准则,为编码后的分层数据分配合适的信道。
数据包按照重要程度下降的顺序划分优先级,其优先级为{L1,L2,...,LK},可用信道按照CQ,i的大小从低到高排列,其可靠性从高到低所组成的可用集合为CH={ch1,ch2,...,chN}。其中优先级-可靠性调度准则可表示为:优先级最高的层依次分配到可靠性最高的信道上传输,构成最优分配向量Aopt: 其中表示第k层的包的分配向量,当信道i'被分配后,则从可分配的信道集合CH中删去。
其中所述的优先级-可靠性调度准则利用信道质量评价标准,为重要的包分配更可靠的信道,提高了资源分配时的效率,保障了多媒体数据的可靠传输
图4给出了本发明协作概率后缀树预测与非协作概率后缀树预测性能对比图。由图可以看出,通过协作概率后缀树预测(CSS-PST)获得的信道状态序列的预测性能明显高于非协作概率后缀树预测(LSS-PST),其整体预测误差降低了约73%,使得非完美感知场景下预测性能获得大幅提升。
图5为本发明中随着业务到达率变化的感知时间消耗效果图,由图可以看出,随着业务到达率的提高,分层匹配方式发现足够的可用信道的平均时间消耗明显小于随机匹配,使寻找可用信道的感知时间消耗明显下降,提高了感知效率。
图6为本发明分层匹配(F-H)方法与随机匹配(R-H)方法的丢包概率对比图,由图可以看出,在10dB、20dB环境下,F-H方法中,丢包率是随着层的重要程度的下降而上升的,本发明保护了编码后重要层的传输,使分层后的视频流更好地适应了时变的认知无线信道。而R-H方法中,由于未考虑分层数据重要性的差异,每一层的平均丢包率都是相近的,从而导致最重要的基本层丢包率过大而无法解码。
对于本领域的技术人员来说,可以根据以上的技术方案和构思,作出各种相应的改变和变形,而所有的这些改变和变形都应该包括在本发明权利要求的保护范围之内。
Claims (8)
1.一种认知无线网络中基于信道质量预测的分层匹配方法,其特征在于,其包括如下步骤:
S1,多个认知用户组成协作感知组群,每个认知用户选择加入其收益最大的组群进行感知;
S2,组群领导者利用感知结果训练并构建概率后缀树,通过生成树预测下一时隙频谱空闲概率;
S3,组群领导者利用空闲概率构建信道质量评价因子,对多个授权信道可靠性降序排列;
S4,调度单元根据优先级-可靠性调度准则,为编码后的分层数据分配合适的信道。
2.根据权利要求1所述的认知无线网络中基于信道质量预测的分层匹配方法,其特征在于:所述步骤S1的具体方法如下:
S11,第j个认知用户单独进行本地频谱感知,并分别计算其检测概率pdj和误警概率pfj:
其中,SNRj表示第j个认知用户在授权信道上的信噪比,δ表示能量检测门限,r表示时宽带宽积,SNRj的定义为式中σ2是高斯白噪声方差,PPU表示授权用户的传输概率,hj,PU表示授权用户和第j个认知用户之间的路径损耗值,σ表示路径损耗常数,e表示路径损耗指数,dj,PU表示第j个认知用户和授权用户之间的距离;
S12,第j个认知用户根据本地频谱感知结果计算其加入附近的感知组群Ck后的协作漏检概率Ψm和协作误警概率Ψf:
其中,初始时刻每个认知用户单独构成一个组群,选择组群Ck中漏检概率最小的认知用户作为组群领导者 是第j个认知用户和组群领导者之间由于信道衰落造成的传输错误;组群领导者负责数据融合,将融合组群内所有认知用户上报的信息并做出最终决策;
S13,第j个认知用户发现其可加入的潜在组群集合Bj={C1,C2,....CN},N表示其周围可加入的组群总数,对应的组群收益值V(j)={Vj(C1),Vj(C2)...,Vj(Ck)...,Vj(CN)};第j个认知用户从中选择收益值最大的组群加入,其中组群的收益值Vj(Ck)为:
Vj(Ck)=1-Ψm(Ck)-C(Ψf(Ck))
其中C(Ψf(Ck))代表协作误警代价,协作误警代价C(Ψf(Ck))是误警概率的单调增函数,其限制每个认知用户的误警概率不能超过一定的门限;
S14,认知用户均加入合适的组群形成稳定的组群结构后,领导者搜集该组群中成员们的感知信息并根据这些信息做出最后决策,获得过去U个时隙的信道状态序列OU,U=min(A,T),其中A为累积时隙个数,T为预设的定长时隙。
3.根据权利要求2所述的认知无线网络中基于信道质量预测的分层匹配方法,其特征在于,所述步骤S12中,组群领导者采用或准则进行数据融合,以提高组群的检测性能。
4.根据权利要求2所述的认知无线网络中基于信道质量预测的分层匹配方法,其特征在于:所述步骤S2的具体方法如下:
S21,组群领导者根据步骤S1得到过去U个时隙的信道状态序列OU,OU作为训练序列,通过学习过程生成概率后缀树;
S22,组群领导者遍历生成树预测信道下一时隙的状态,预测公式为:
其中,表示状态os+1在字符串{o1...os}之后出现的概率;F(o1...os)表示字符串{o1...os}在训练序列OU中出现次数的累积;F(o1...osos+1)表示字符串{o1...osos +1}在训练序列OU中出现次数的累积;大于一定阈值时,可判定信道下一时隙为空闲状态,可以被认知用户使用。
5.根据权利要求4所述的认知无线网络中基于信道质量预测的分层匹配方法,其特征在于:所述步骤S3的具体方法如下:
S31,认知节点根据预测到的第i个信道的空闲概率Pidle,i和信噪比ξi,计算第i个信道的信道质量评价标准CQ,i:
其中,是第i个信道总的丢包率,是第i个信道的授权用户回归造成的碰撞丢包,其值为1-Pidle,i,是第i个信道的信道噪声造成的丢包;
S32,认知节点根据信道质量评价标准CQ,i升序排列信道,得到可用信道集合为CH={ch1,ch2,...,chN},其中N表示当前时刻可用信道个数,CQ,i的值越小,信道质量越高,信道可靠性越高;
S33,根据信道质量可靠性指导协作频谱感知和分层匹配,优先感知和分配质量高的信道,降低感知时延提高分配效率。
6.根据权利要求5所述的认知无线网络中基于信道质量预测的分层匹配方法,其特征在于,所述的步骤S31中,第i个信道采用BPSK调制方式,信道噪声造成的丢包为
其中误比特率为Q函数为标准正太分布的右尾函数,l是一个数据包的长度。
7.根据权利要求6所述的认知无线网络中基于信道质量预测的分层匹配方法,其特征在于:所述步骤S4的具体方法如下:
数据包按照重要程度下降的顺序划分优先级,其优先级为{L1,L2,...,LK},可用信道按照CQ,i的大小从低到高排列,其可靠性从高到低所组成的可用集合为CH={ch1,ch2,...,chN};优先级-可靠性调度准则为:优先级最高的层依次分配到可靠性最高的信道上传输,构成最优分配向量Aopt:
其中表示第k层的包的分配向量,当信道i'被分配后,则从可分配的信道集合CH中删去。
8.根据权利要求1所述的认知无线网络中基于信道质量预测的分层匹配方法,其特征在于,所述优先级-可靠性调度准则采用信道质量评价标准为重要的包分配更可靠的信道、提高资源分配时的效率和保障多媒体数据的可靠传输。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610008471.6A CN105611543B (zh) | 2016-01-07 | 2016-01-07 | 认知无线网络中基于信道质量预测的分层匹配方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610008471.6A CN105611543B (zh) | 2016-01-07 | 2016-01-07 | 认知无线网络中基于信道质量预测的分层匹配方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN105611543A true CN105611543A (zh) | 2016-05-25 |
CN105611543B CN105611543B (zh) | 2019-02-05 |
Family
ID=55991012
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610008471.6A Active CN105611543B (zh) | 2016-01-07 | 2016-01-07 | 认知无线网络中基于信道质量预测的分层匹配方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105611543B (zh) |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105933260A (zh) * | 2016-06-28 | 2016-09-07 | 中国联合网络通信集团有限公司 | 频谱接入方法和频谱接入系统 |
CN106254008A (zh) * | 2016-10-09 | 2016-12-21 | 哈尔滨工程大学 | 一种能量采集绿色认知无线电的频谱感知方法 |
CN107370521A (zh) * | 2017-09-11 | 2017-11-21 | 东南大学 | 一种认知无线电多用户协作频谱感知方法 |
CN107920279A (zh) * | 2016-10-08 | 2018-04-17 | 华为技术有限公司 | 评估视频质量的方法和设备 |
CN108833050A (zh) * | 2017-03-24 | 2018-11-16 | 华为技术有限公司 | 编码方法、译码方法、装置和设备 |
CN111756457A (zh) * | 2019-03-27 | 2020-10-09 | 华为技术有限公司 | 信道预测方法、装置及计算机存储介质 |
CN111866954A (zh) * | 2020-07-21 | 2020-10-30 | 重庆邮电大学 | 一种基于联邦学习的用户选择和资源分配方法 |
CN115835155A (zh) * | 2022-11-24 | 2023-03-21 | 广西电网有限责任公司电力科学研究院 | 一种自取能传感器自组织网络组网方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2008081004A1 (en) * | 2007-01-03 | 2008-07-10 | Nokia Corporation | Shared control channel structure |
CN101697635A (zh) * | 2009-09-16 | 2010-04-21 | 重庆大学 | 认知无线mesh网络的接入方法和控制方法 |
CN102333348A (zh) * | 2011-08-12 | 2012-01-25 | 中国科学技术大学苏州研究院 | 基于认知无线电的终端群接入网切换网络侧控制方法 |
CN103281734A (zh) * | 2013-04-25 | 2013-09-04 | 西安电子科技大学 | 一种分布式认知无线网络中主动频谱切换的方法 |
US20150139120A1 (en) * | 2013-11-18 | 2015-05-21 | Wi-Lan Labs, Inc. | Hierarchical modulation for unicast streams |
-
2016
- 2016-01-07 CN CN201610008471.6A patent/CN105611543B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2008081004A1 (en) * | 2007-01-03 | 2008-07-10 | Nokia Corporation | Shared control channel structure |
CN101697635A (zh) * | 2009-09-16 | 2010-04-21 | 重庆大学 | 认知无线mesh网络的接入方法和控制方法 |
CN102333348A (zh) * | 2011-08-12 | 2012-01-25 | 中国科学技术大学苏州研究院 | 基于认知无线电的终端群接入网切换网络侧控制方法 |
CN103281734A (zh) * | 2013-04-25 | 2013-09-04 | 西安电子科技大学 | 一种分布式认知无线网络中主动频谱切换的方法 |
US20150139120A1 (en) * | 2013-11-18 | 2015-05-21 | Wi-Lan Labs, Inc. | Hierarchical modulation for unicast streams |
Cited By (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105933260A (zh) * | 2016-06-28 | 2016-09-07 | 中国联合网络通信集团有限公司 | 频谱接入方法和频谱接入系统 |
CN107920279A (zh) * | 2016-10-08 | 2018-04-17 | 华为技术有限公司 | 评估视频质量的方法和设备 |
US11265601B2 (en) | 2016-10-08 | 2022-03-01 | Huawei Technologies Co., Ltd. | Video quality assessment method and device |
US10869088B2 (en) | 2016-10-08 | 2020-12-15 | Huawei Technologies Co., Ltd. | Video quality assessment method and device |
CN106254008A (zh) * | 2016-10-09 | 2016-12-21 | 哈尔滨工程大学 | 一种能量采集绿色认知无线电的频谱感知方法 |
CN106254008B (zh) * | 2016-10-09 | 2019-06-11 | 哈尔滨工程大学 | 一种能量采集绿色认知无线电的频谱感知方法 |
US11057152B2 (en) | 2017-03-24 | 2021-07-06 | Huawei Technologies Co., Ltd. | Communication method and apparatus |
CN108833050A (zh) * | 2017-03-24 | 2018-11-16 | 华为技术有限公司 | 编码方法、译码方法、装置和设备 |
US10439759B2 (en) | 2017-03-24 | 2019-10-08 | Huawei Technologies Co., Ltd. | Communication method and apparatus |
CN107370521A (zh) * | 2017-09-11 | 2017-11-21 | 东南大学 | 一种认知无线电多用户协作频谱感知方法 |
CN107370521B (zh) * | 2017-09-11 | 2020-07-31 | 东南大学 | 一种认知无线电多用户协作频谱感知方法 |
CN111756457A (zh) * | 2019-03-27 | 2020-10-09 | 华为技术有限公司 | 信道预测方法、装置及计算机存储介质 |
CN111756457B (zh) * | 2019-03-27 | 2021-10-15 | 华为技术有限公司 | 信道预测方法、装置及计算机存储介质 |
CN111866954A (zh) * | 2020-07-21 | 2020-10-30 | 重庆邮电大学 | 一种基于联邦学习的用户选择和资源分配方法 |
CN111866954B (zh) * | 2020-07-21 | 2022-03-29 | 重庆邮电大学 | 一种基于联邦学习的用户选择和资源分配方法 |
CN115835155A (zh) * | 2022-11-24 | 2023-03-21 | 广西电网有限责任公司电力科学研究院 | 一种自取能传感器自组织网络组网方法 |
Also Published As
Publication number | Publication date |
---|---|
CN105611543B (zh) | 2019-02-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105611543A (zh) | 认知无线网络中基于信道质量预测的分层匹配方法 | |
Wang et al. | A hybrid underlay/overlay transmission mode for cognitive radio networks with statistical quality-of-service provisioning | |
CN101682564B (zh) | 无线通信中基于学习的半持久调度 | |
CN102098684B (zh) | 认知无线网络中跨层资源分配系统及方法 | |
TW200629801A (en) | Wireless local area network radio resource management admission control | |
Sakib et al. | An efficient and lightweight predictive channel assignment scheme for multiband B5G-enabled massive IoT: A deep learning approach | |
CN109982341B (zh) | 一种基于超图理论的v2v广播资源分配方法 | |
CN103259719A (zh) | 一种贝叶斯分类的业务感知路由保护方法 | |
Gu et al. | Multiagent reinforcement learning-based semi-persistent scheduling scheme in C-V2X mode 4 | |
CN113014340A (zh) | 一种基于神经网络的卫星频谱资源动态分配方法 | |
CN108900266B (zh) | 基于协作节点选取和fcm算法的认知车联网频谱感知方法 | |
CN100581291C (zh) | 一种无线接入系统下行链路资源调度的方法和装置 | |
CN101815312A (zh) | 一种基于自适应数据融合的协作频谱检测方法 | |
DE602004015362D1 (de) | Betriebsmittelverwaltung in einem Punkt zu Mehrpunkt oder Mehrpunkt zu Mehrpunkt Kommunikationsnetzwerk, mit zwei Zuteilungsebenen | |
CN105119669A (zh) | 一种认知无线电网络分簇协作频谱感知方法 | |
CN109041009B (zh) | 一种车联网上行功率分配方法及装置 | |
Homayounzadeh et al. | Performance analysis of cooperative cognitive radio networks with imperfect sensing | |
CN103249050A (zh) | 基于业务需求的多尺度频谱接入方法 | |
CN106850643B (zh) | 一种高能效的可伸缩视频编码实时流媒体的无线传输方法 | |
Dong et al. | Manager selection and resource allocation for 5G-V2X platoon systems with finite blocklength | |
CN102970757A (zh) | 基于实时业务的lte下行填充资源分配方法 | |
Hirai et al. | NOMA-aided probabilistic cooperative transmission for PC5-based cellular V2X mode 4 for crash warning | |
Vikram et al. | Forward error correction based encoding technique for cross-layer multi channel MAC protocol | |
Osman | Empowering internet-of-everything (IoE) networks through synergizing Lagrange optimization and deep learning for enhanced performance | |
Sohaib et al. | Intelligent energy efficient resource allocation for URLLC services in IoV networks |
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 |