CN107438250B - 5g认知微蜂窝网络中基于博弈论的频谱决策方法 - Google Patents

5g认知微蜂窝网络中基于博弈论的频谱决策方法 Download PDF

Info

Publication number
CN107438250B
CN107438250B CN201610363563.6A CN201610363563A CN107438250B CN 107438250 B CN107438250 B CN 107438250B CN 201610363563 A CN201610363563 A CN 201610363563A CN 107438250 B CN107438250 B CN 107438250B
Authority
CN
China
Prior art keywords
cognitive
channel
users
active
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.)
Active
Application number
CN201610363563.6A
Other languages
English (en)
Other versions
CN107438250A (zh
Inventor
沈良
徐煜华
赵倩
徐一惟
李利旺
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.)
PLA University of Science and Technology
Original Assignee
PLA University of Science and Technology
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 PLA University of Science and Technology filed Critical PLA University of Science and Technology
Priority to CN201610363563.6A priority Critical patent/CN107438250B/zh
Publication of CN107438250A publication Critical patent/CN107438250A/zh
Application granted granted Critical
Publication of CN107438250B publication Critical patent/CN107438250B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

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
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04B—TRANSMISSION
    • H04B17/00—Monitoring; Testing
    • H04B17/30—Monitoring; Testing of propagation channels
    • H04B17/382—Monitoring; Testing of propagation channels for resource allocation, admission control or handover

Landscapes

  • Engineering & Computer Science (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Signal Processing (AREA)
  • Physics & Mathematics (AREA)
  • Electromagnetism (AREA)
  • Mobile Radio Communication Systems (AREA)

Abstract

本发明提出一种5G认知微蜂窝网络中基于博弈论的频谱决策方法，控制中心根据认知用户的位置给每个认知用户反馈回其邻居认知用户总数Ln；活跃认知用户根据混合策略从当前可用行动策略空间中选择一个信道感知次序进行感知，并接入第一个感知到的空闲信道；认知用户向控制中心返回其数据传输状态，控制中心根据数据传输状态更新认知用户的混合策略；感知信道时，只感知前Ln个信道。本发明降低了不同微蜂窝用户之间的干扰、提高了用户通信效率、提高了网络吞吐量性能。

Description

5G认知微蜂窝网络中基于博弈论的频谱决策方法
技术领域
本发明属于无线通信领域中的认知无线电技术，具体涉及利用博弈论和随机在线学习方法实现5G认知微蜂窝网络中的分布式频谱决策方法。
背景技术
当前，无线移动接入已经逐渐成为最主要的通信方式。传统上主要依托于有线固定接入的电子银行、网上购物和电子医疗等应用已开始呈现移动化的特点；随着用户终端处理能力增强和无线业务日益丰富，无线接入需承载的业务量将急剧增加。据预测，无线通信业务量将在未来十年内增长1000倍。而传统的宏蜂窝技术已经无法满足高速无线接入的愿景，所以如何解决现代移动通信网络中快速增长的业务量需求与频谱资源匮乏之间的矛盾成为进一步推动无线通信发展的关键技术。
为了解决移动通信面临的频谱匮乏问题，第5代移动通信(5G)应运而生，而5G中的微蜂窝技术被认为是能够大幅度提高无线网络中通信业务量的关键技术之一。微蜂窝技术的基本原理是大量低功耗、小覆盖范围的微基站被布设在传统宏蜂窝基站覆盖范围内，尤其是在业务热点区域(如机场、商场、办公大楼等)，实现宏蜂窝基站的高速率业务分流，从而提高宏蜂窝网络的覆盖率和容量。此外，得益于认知无线电技术的迅猛发展，机会频谱接入被广发认为是解决频谱稀缺问题最直接有效的手段。所以，有研究人员在微蜂窝技术中融合机会频谱接入方法解决5G微蜂窝网络中的频谱决策问题，而该技术则被称之为认知微蜂窝技术，即认知微蜂窝可以通过感知机会地接入可用信道。
由于微蜂窝网络的超密集组网和随机部署特性，集中式网络控制方法和静态场景的频谱决策方式都将不再适用。因而微蜂窝网络中自组织的重要性不言而喻，其中最关键的技术挑战就是如何实现高效的分布式接入管理和分布式资源分配。在自组织网络中，认知微蜂窝通过感知学习，调整自身接入行动策略，以达到最优的网络性能。基于上述考虑，博弈论被认为是分析认知微蜂窝策略间存在的相互影响的最佳数学工具。
近年来，微蜂窝网络中的频谱决策问题已渐渐得到了学术界的关注与研究。其中广受关注的分布式频谱决策方式包括基于非合作博弈的微蜂窝间的分布式干扰管理和基于合作博弈的微蜂窝间有信息交互的分布式干扰管理。上述两种频谱决策方法都通过设计合理的信道接入方法，避免距离较近的多个微蜂窝接入同一个信道，从而降低不同微蜂窝内用户之间的干扰。但是，这两种方法都是假设用户一直处于活跃状态即时刻都有通信需求，而这不仅违背了实际通信场景，也在无形中造成了频谱资源不必要的浪费。此外，研究者还忽略了在认知微蜂窝网络中机会频谱接入决策中的一个关键问题，即信道接入之前的感知次序问题。虽然，近年来也有研究者关注了机会频谱决策中的信道感知次序问题，但是他们的研究都无法运用到具有超密集组网特性的认知微蜂窝网络中，二者都局限于小规模的认知无线电网络中，不仅忽略了用户的空间分布特性，而且当信道数目过多，用户逐一顺序感知时必将造成时延的增加。
发明内容
本发明针对5G认知微蜂窝网络中干扰控制、动态频谱资源决策问题，提出一种基于博弈理论的信道感知次序的分布式频谱决策方法，其在超密集组网条件下，综合考虑认知微蜂窝网络的活跃性、空间分布特性以及在信道接入之前合理的感知次序问题，降低了不同微蜂窝用户之间的干扰、提高了用户通信效率、提高了网络吞吐量性能
为了解决上述技术问题，本发明提供一种5G认知微蜂窝网络中基于博弈论的频谱决策方法，控制中心根据认知用户的位置给每个认知用户反馈回其邻居认知用户总数Ln；活跃认知用户根据混合策略从当前可用行动策略空间中选择一个信道感知次序进行感知，并接入第一个感知到的空闲信道；认知用户向控制中心返回其数据传输状态，控制中心根据数据传输状态更新认知用户的混合策略；所述认知用户为认知微蜂窝网络中的微蜂窝基站；所述活跃认知用户为处于通信状态的认知用户；所述活跃认知用户根据干扰水平最小化原则进行信道感知次序选择；感知信道时，只感知前Ln个信道，在感知到当前行动策略中的后M-Ln个信道时，活跃认知用户返回其数据传输状态，M为认知微蜂窝网络中可用的信道总数。
进一步，根据干扰水平最小化原则进行信道感知次序选择的博弈优化目标P1如式(1)所示，
Figure BDA0001000543250000021
式(1)中，n为任意活跃认知用户，
Figure BDA0001000543250000022
是当前状态下所有参与博弈的活跃认知用户集合，
Figure BDA0001000543250000023
为任意活跃认知用户n在信道感知次序选择时受到的干扰水平，
Figure BDA0001000543250000024
如式(2)所示，
Figure BDA0001000543250000031
式(2)中，Ln和Lm分别是活跃认知用户n和m的活跃邻居用户总数，该总数包括认知用户n和m本身，⊙是位异或符号，onk是活跃认知用户n选择的信道感知次序矢量On＝(on1,...,onk,...,onM)中的第k个时隙感知的信道，On对应于集合
Figure BDA0001000543250000032
中的一个排列次序，omk是认知用户m选择的信道感知次序矢量Om中的第k个时隙感知的信道，Om也对应于集合
Figure BDA0001000543250000033
中的一个排列次序，
Figure BDA0001000543250000034
为策略空间，δnm(dnm,d0)为指示函数，δnm(dnm,d0)如式(3)所示，
Figure BDA0001000543250000035
式(3)中，dnm是认知用户n与m之间的实际距离，d0是预设干扰门限值。
进一步，进行信道感知次序选择并更新信道感知次序选择概率的过程为：
(1)信道感知次序选择初始化：所有认知用户
Figure BDA0001000543250000036
从其可用信道感知次序集An中随机选择一个信道感知次序an(0)，并计算初始化的混合策略qn(0)；
Figure BDA0001000543250000037
是所有认知用户的集合；
(2)信道感知次序的选择：在每一个时隙k开始时，活跃认知用户
Figure BDA0001000543250000038
根据当前混合策略qn(k)从其可用信道感知次序集An中选择一个信道感知次序an(k)，
Figure BDA0001000543250000039
表示每个时隙k中活跃认知用户集合；
(3)感知接入信道并接收反馈值：每个认知用户根据自己所选择的信道感知次序感知前Ln个信道，并在感知到的第一个空闲信道上接入；在时隙k的末尾，每个活跃认知用户接收一个二进制的返回值rn(k)，当活跃认知用户n数据传输成功时返回值rn(k)为1，当认知用户n与其他用认知户发生冲突或未找到空闲信道时返回值rn(k)为0；
(4)更新混合策略：所有活跃认知用户根据以下规则更新各自的混合策略：
Figure BDA0001000543250000041
其中，0＜b＜1是学习参数，
Figure BDA0001000543250000042
是第an(k)个信道感知次序的单位矢量；
非活跃认知用户保持混合策略不变。
本发明与现有技术相比，其显著优点在于，(1)本发明充考虑了认知微蜂窝的实际通信场景即微蜂窝的活跃状态，没有简单的假设用户一直处于通信状态下；同时还考虑了微蜂窝的空间分布特性，没有简单的假设用户间均存在干扰。所以，本发明方法不仅更加符合实际应用情况，还降低了资源的浪费。(2)本发明还考虑了认知微蜂窝网络中机会频谱决策中的信道感知次序问题，在信道接入前进行干扰管理优化，实现用户的稳健频谱决策，提高用户的通信效率和网络吞吐量性能。(3)本发明不需要用户间的信息交互，实现了频谱资源的分布式决策；针对信道感知次序问题，提出了干扰效用函数。该效用函数不仅考虑了信道感知的次序问题，还考虑了用户的空间分布特性，因此可以最小化用户间干扰、最大化系统吞吐量。
附图说明
图1是使用本发明方法的一种系统模型示意图。
图2是本发明方法流程示意图。
图3是本发明实验中任意活跃用户的信道感知次序选择概率曲线示意图。
图4是本发明实验中全网干扰收敛曲线示意图。
图5是本发明实验中不同用户活跃概率的平均收敛速度对比曲线示意图。
图6是本发明方法与传统的随机算法的吞吐量性能比较示意图。
具体实施方式
容易理解，依据本发明的技术方案，在不变更本发明的实质精神的情况下，本领域的一般技术人员可以想象出本发明频谱决策方法的多种实施方式。因此，以下具体实施方式和附图仅是对本发明的技术方案的示例性说明，而不应当视为本发明的全部或者视为对本发明技术方案的限制或限定。
结合图1来说明本发明方法，图1是使用本发明方法的一种微蜂窝网络系统模型示意图。微蜂窝网络系统中包含1个宏基站、N个认知微蜂窝基站以及M个正交可用的通信链路即信道。每个认知微蜂窝基站具有若干个基站下用户。为了符合传统表述习惯，本发明将认知微蜂窝基站表述为认知用户。
将实际的微蜂窝网络系统映射到位于控制中心处的一个虚拟判决网络，决策者是一些认知微蜂窝基站。所有认知用户将自己的地理位置报告给宏基站的控制中心，控制中心根据认知用户的位置给每个认知用户反馈回其邻居认知用户总数(该邻居认知用户总数包括各认知用户本身)，将认知用户n的邻居用户总数记为Ln，n∈N，则将L0＝max(L1,...,LN)记为认知微蜂窝网络的度，且必须满足L0≤M。任意活跃(即处于通信状态)认知用户n根据混合策略从当前可用行动策略空间中选择一个感知次序进行感知，并接入第一个感知到的空闲信道。对于任意活跃认知用户n而言，其只需要感知前Ln个信道，并将当前行动策略中的后(M-Ln)个信道全部置0。当活跃认知用户遇到信道状态为0时立即停止感知，并且根据活跃认知用户的数据传输状态返回一个二进制数值。所述根据混合策略选择感知次序是指任意一个认知用户都以某一概率选择某一个信道感知次序，即每个信道感知次序对每个认知用户而言都对应一个选择概率，认知用户每次都是选择概率值最大的信道作为首选感知次序。根据反应认知用户数据传输情况的二进制返回值更新每一个认知用户的混合策略。
结合图2，本发明所述基于博弈论的频谱决策方法具体步骤如下：
步骤1：信道感知次序选择的博弈模型构建。包括以下工作：
1.1博弈模型：将信道感知次序的选择问题建模为一个博弈模型，定义为
Figure BDA0001000543250000051
其中，
Figure BDA0001000543250000052
是所有认知用户的集合，
Figure BDA0001000543250000053
是当前系统状态下所有参与博弈的活跃(即处于通信状态)认知用户集合，An是活跃认知用户n的可用信道感知次序选择策略空间即可用行动策略空间，且
Figure BDA0001000543250000054
M个信道组成的感知次序共有{M*(M-1)…*1}个，为方便分析，本发明中的策略空间采用循环位移的方式得到，是一个M×M的循环位移矩阵并记为
Figure BDA0001000543250000055
其中每一行对应一个信道感知次序，un是活跃认知用户n的效用函数。
1.2效用函数：定义任意活跃认知用户n信道感知次序选择受到的干扰水平为
Figure BDA0001000543250000056
且
Figure BDA0001000543250000057
的定义如式(1)所示
Figure BDA0001000543250000058
其中，Ln和Lm分别是活跃认知用户n和m的活跃邻居用户总数(包括该认知用户本身)，⊙是位异或符号，onk是活跃认知用户n选择的信道感知次序矢量On＝(on1,...,onk,...,onM)中的第k个时隙感知的信道，On对应于集合
Figure BDA0001000543250000061
中的一个排列次序，同理omk是认知用户m选择的信道感知次序矢量Om中的第k个时隙感知的信道，Om也对应于集合
Figure BDA0001000543250000062
中的一个排列次序。δnm(dnm,d0)为指示函数，且有：
Figure BDA0001000543250000063
其中，dnm是认知用户n与m之间的实际距离，d0是预设干扰门限值。
考虑到频谱决策中的干扰控制问题，将任意认知用户n的效用函数
Figure BDA0001000543250000064
定义为：
Figure BDA0001000543250000065
其中，O-n是除活跃认知用户n以外其余所有活跃认知用户的信道感知次序选择。
1.3博弈的优化目标：以前述效用函数为优化目标进行信道感知次序选择，最终可以实现全网干扰水平最小化的优化目标P1，即
Figure BDA0001000543250000066
步骤2：进行信道感知次序选择并接入信道，更新信道感知次序选择概率。包括以下工作：
2.1信道感知次序选择初始化：所有认知用户
Figure BDA0001000543250000067
从其可用信道感知次序集An中随机选择一个信道感知次序an(0)，并计算当前混合策略qn(0)；
2.2信道感知次序的选择：在每一个时隙k开始时，活跃认知用户
Figure BDA0001000543250000068
(
Figure BDA0001000543250000069
表示每个时隙k中活跃认知用户集合)根据当前混合策略qn(k)从其可用信道感知次序集An中选择一个信道感知次序an(k)；
2.3感知接入信道并接收反馈值：所有活跃认知用户依次感知并接入授权信道。具体来说，就是每个认知用户根据自己所选择的信道感知次序感知前Ln个信道(其中，Ln是用户n的邻居用户总数，包括该用户本身)，并在感知到的第一个空闲信道上接入。在时隙k的末尾，每个活跃认知用户接收一个二进制的返回值rn(k)，该值由授权用户的活跃性和其他活跃认知用户的信道感知次序共同决定，即当活跃认知用户n数据传输成功时返回的值为1，当认知用户n与其他用认知户发生冲突或未找到空闲信道时返回的值为0。
2.4更新混合策略：所有活跃认知用户根据以下规则更新各自的混合策略：
Figure BDA0001000543250000071
其中，0＜b＜1是学习参数，
Figure BDA0001000543250000072
是第an(k)个信道感知次序的单位矢量。非活跃(即不处于通信状态)认知用户保持混合策略不变。
步骤3：循环步骤2.2-2.4，直至所有活跃认知用户的信道感知次序的选择实现收敛，即以概率1选择感知接入某一信道。
实施例
本发明的一个具体实施例如下描述，系统仿真采用Matlab软件，参数设定不影响一般性。该实施例中，邻居认知微蜂窝微基站间的预设干扰门限值d0＝18m，该门限的确定是通过设置相关参数经仿真而得到，相关参数设置如下：认知用户发射功率Pt＝50mW，路径损耗因子α＝3，正对数衰落因子σ＝4dB。如图3和图4，当验证信道感知次序选择和全网干扰收敛时，认知用户的总数N＝15，认知用户的活跃概率为0.7，信道空闲概率都为0.6；验证算法收敛速度时信道空闲概率为0.6，如图5所示，验证归一化吞吐量性能时微基站活跃概率为0.7，如图6所示，二个认知用户的总数都是从10增长到20。可用信道数M＝9，学习参数b＝0.15，N个微基站随机地分布在100m×100m的方形范围内，且每个微基站的覆盖半径为10m。则频谱资源分配过程如下：
步骤1：信道感知次序选择初始化。初始化迭代次数k＝0，每个认知用户
Figure BDA0001000543250000073
从它的可用信道感知次序集An中等概率随机选择一个信道an(0)。
步骤2：信道感知次序选择概率的更新：所有活跃认知用户
Figure BDA0001000543250000074
进行策略更新，非活跃(即不处于通信状态)认知用户保持当前策略不变。以第k＝5个时隙为例，所有认知用户的邻居用户数(包括该用户本身)、活跃状态(1表示活跃，0表示非活跃)和信道感知次序选择如表1所示。
表1：所有认知用户在第k＝5个时隙信道感知次序选择的更新概率
Figure BDA0001000543250000081
步骤3：信道感知次序选择概率收敛。循环执行步骤2多个时隙后，信道感知次序选择实现收敛。以第k＝500个时隙为例，任意选择系统中的一个活跃认知用户n＝2(L2＝4)，该认知用户的信道感知次序选择概率如表2所示。可见，该认知用户的信道感知次序选择实现收敛，最终以概率1选择感知次序中的第3个信道接入。其他活跃认知用户的信道感知次序选择概率最终结果与表2相似，由于认知用户数目较多这里不再一一列出。
表2：认知用户n＝2在第k＝500个时隙的信道感知次序选择概率
Figure BDA0001000543250000091
网络中在第k＝500个时隙所有认知用户的信道感知次序选择实现收敛，在认知用户所选择的感知次序中最终的信道接入结果如表3所示。
表3：所有认知用户所选择的感知次序中最终的信道接入结果
Figure BDA0001000543250000092
网络中共有15个认知用户，图3为网络中任意一个活跃认知用户的信道感知次序选择概率收敛过程，图4为全网干扰收敛过程。从图3中可以看出，该认知用户在大约150次迭代学习之后，以概率1选择信道感知次序中的第3个信道接入。从图4可以看出，全网干扰大约在250次迭代学习之后几乎收敛到0。上述两个仿真结果说明，本发明能够实现微蜂窝网络中稳健的信道接入，且算法收敛速度较快。
为清晰体现本发明所提算法的收敛性能，图5给出了认知用户不同活跃概率下本发明收敛速度随微基站数(即认知微蜂窝基站，本发明中也简称为认知用户)的变化情况。在该仿真中，信道空闲概率为0.6。从图5中可以看出：(1)网络的平均收敛时间随着认知用户数目的增大而增大，因为网络中的可用资源是一定的，当认知用户数目越多，每个认知用户可以分配到的资源也就越少；(2)网络的平均收敛时间随着认知用户活跃(处于通信状态)概率的增大而减小，因为当认知用户活跃概率越小时，学习过程中遇到的偶然性就越大，反之，当认知用户活跃概率越大时，学习过程中的规律性就越强。
为了进一步体现本发明所提分布式资源分配方法的性能优势，图6给出了本发明方法与随机算法的归一化吞吐量性能对比结果。在该仿真中，认知用户活跃概率为0.7，同时本发明假设在一个时隙中的一次感知时间为
Figure BDA0001000543250000101
(其中T＝100ms,Ts＝5ms)，那么一个活跃认知用户在一个时隙中成功接入一个空闲信道所得到的归一化吞吐量为R＝1-nτ。从图6中可以看出，本发明方法与随机算法相比，可以进一步减小用认知户间的干扰、提高系统吞吐量性能。这是因为本发明方法考虑了信道感知次序问题，博弈效用函数不仅考虑本认知用户自身的效用，还同时考虑了本认知用户对其他认知用户的干扰影响。
本发明方法考虑了微蜂窝网络中的资源分配中用户信道感知次序选择问题，通过设计相应的效用函数实现了信道选择中的用户干扰控制以及全网吞吐量性能最大化。此外，本发明利用宏蜂窝基站控制中心的大量、快速数据处理的优势，将多用户的资源分配问题映射到虚拟判决网络进行计算，实现了资源的分布式分配，与集中式资源分配方式相比，更适用于大容量、超密集网络。

Claims (1)

1.5G认知微蜂窝网络中基于博弈论的频谱决策方法，其特征在于，控制中心根据认知用户的位置给每个认知用户反馈回其邻居认知用户总数Ln；活跃认知用户根据混合策略从当前可用行动策略空间中选择一个信道感知次序进行感知，并接入第一个感知到的空闲信道；认知用户向控制中心返回其数据传输状态，控制中心根据数据传输状态更新认知用户的混合策略；
所述认知用户为认知微蜂窝网络中的微蜂窝基站；所述活跃认知用户为处于通信状态的认知用户；
所述活跃认知用户根据干扰水平最小化原则进行信道感知次序选择；感知信道时，只感知前Ln个信道，在感知到当前行动策略中的后M-Ln个信道时，活跃认知用户返回其数据传输状态，M为认知微蜂窝网络中可用的信道总数；
根据干扰水平最小化原则进行信道感知次序选择的博弈优化目标P1如式(1)所示，
Figure FDA0002842210260000011
式(1)中，n为任意活跃认知用户，
Figure FDA0002842210260000012
是当前状态下所有参与博弈的活跃认知用户集合，
Figure FDA0002842210260000013
为任意活跃认知用户n在信道感知次序选择时受到的干扰水平，
Figure FDA0002842210260000014
如式(2)所示，
Figure FDA0002842210260000015
式(2)中，Ln和Lm分别是活跃认知用户n和m的活跃邻居用户总数，该总数包括认知用户n和m本身，Θ是位异或符号，onk是活跃认知用户n选择的信道感知次序矢量On＝(on1,...,onk,...,onM)中的第k个时隙感知的信道，On对应于集合
Figure FDA0002842210260000016
中的一个排列次序，omk是认知用户m选择的信道感知次序矢量Om中的第k个时隙感知的信道，Om也对应于集合
Figure FDA0002842210260000017
中的一个排列次序，
Figure FDA0002842210260000018
为策略空间，δnm(dnm,d0)为指示函数，δnm(dnm,d0)如式(3)所示，
Figure FDA0002842210260000019
式(3)中，dnm是认知用户n与m之间的实际距离，d0是预设干扰门限值；
进行信道感知次序选择并更新信道感知次序选择概率的过程为：
3.1信道感知次序选择初始化：所有认知用户
Figure FDA0002842210260000021
从其可用信道感知次序集An中随机选择一个信道感知次序an(0)，并计算初始化的混合策略qn(0)；
Figure FDA0002842210260000022
是所有认知用户的集合；
3.2信道感知次序的选择：在每一个时隙k开始时，活跃认知用户
Figure FDA0002842210260000023
根据当前混合策略qn(k)从其可用信道感知次序集An中选择一个信道感知次序an(k)，
Figure FDA0002842210260000024
表示每个时隙k中活跃认知用户集合；
3.3感知接入信道并接收反馈值：每个认知用户根据自己所选择的信道感知次序感知前Ln个信道，并在感知到的第一个空闲信道上接入；在时隙k的末尾，每个活跃认知用户接收一个二进制的返回值rn(k)，当活跃认知用户n数据传输成功时返回值rn(k)为1，当认知用户n与其他用认知户发生冲突或未找到空闲信道时返回值rn(k)为0；
3.4更新混合策略：所有活跃认知用户根据以下规则更新各自的混合策略：
Figure FDA0002842210260000025
其中，0＜b＜1是学习参数，
Figure FDA0002842210260000026
是第an(k)个信道感知次序的单位矢量；
非活跃认知用户保持混合策略不变。
CN201610363563.6A 2016-05-26 2016-05-26 5g认知微蜂窝网络中基于博弈论的频谱决策方法 Active CN107438250B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201610363563.6A CN107438250B (zh) 2016-05-26 2016-05-26 5g认知微蜂窝网络中基于博弈论的频谱决策方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201610363563.6A CN107438250B (zh) 2016-05-26 2016-05-26 5g认知微蜂窝网络中基于博弈论的频谱决策方法

Publications (2)

Publication Number Publication Date
CN107438250A CN107438250A (zh) 2017-12-05
CN107438250B true CN107438250B (zh) 2021-04-16

Family

ID=60453291

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201610363563.6A Active CN107438250B (zh) 2016-05-26 2016-05-26 5g认知微蜂窝网络中基于博弈论的频谱决策方法

Country Status (1)

Country Link
CN (1) CN107438250B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113747508A (zh) * 2021-08-17 2021-12-03 北京信息科技大学 信道选择的方法、装置、电子设备及存储介质

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101827371A (zh) * 2010-05-07 2010-09-08 东南大学 一种认知无线电中主次用户频谱共享方法

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102307351A (zh) * 2011-08-29 2012-01-04 中山大学 一种基于博弈论下的频谱分配方法及通信设备和系统
CN103746753A (zh) * 2013-12-19 2014-04-23 镇江锐捷信息科技有限公司 一种基于认知无线网络的数据预测方法
CN104579523B (zh) * 2014-12-31 2016-11-16 重庆邮电大学 认知无线网络频谱感知和接入决策联合的优化方法
CN104994510B (zh) * 2015-05-18 2019-05-03 南京邮电大学 一种认知无线电网络多用户多信道频谱感知优化方法
CN105554771B (zh) * 2015-12-15 2019-02-26 重庆邮电大学 基于密集分布的毫微微用户资源分配方法

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101827371A (zh) * 2010-05-07 2010-09-08 东南大学 一种认知无线电中主次用户频谱共享方法

Also Published As

Publication number Publication date
CN107438250A (zh) 2017-12-05

Similar Documents

Publication Publication Date Title
Zhang et al. QoE driven decentralized spectrum sharing in 5G networks: Potential game approach
Ashraf et al. Dynamic proximity-aware resource allocation in vehicle-to-vehicle (V2V) communications
Yan et al. Smart multi-RAT access based on multiagent reinforcement learning
Sun et al. D2D enhanced heterogeneous cellular networks with dynamic TDD
Qiu et al. Demand‐aware resource allocation for ultra‐dense small cell networks: an interference‐separation clustering‐based solution
Li et al. Optimization of base-station density for high energy-efficient cellular networks with sleeping strategies
Yang et al. Adaptive power control algorithm in cognitive radio based on game theory
Lu et al. A cross-layer resource allocation scheme for ICIC in LTE-Advanced
Wu et al. QoE-based distributed multichannel allocation in 5G heterogeneous cellular networks: A matching-coalitional game solution
Cheng et al. Joint user association and resource allocation in HetNets based on user mobility prediction
Wei et al. Joint optimization of cluster formation and power control for interference-limited machine-to-machine communications
Le et al. Enhanced resource allocation in D2D communications with NOMA and unlicensed spectrum
Yu et al. Interference coordination strategy based on Nash bargaining for small‐cell networks
Li et al. Energy spectral efficiency tradeoff in downlink OFDMA network
Sasikumar et al. A novel method for the optimization of Spectral-Energy efficiency tradeoff in 5 G heterogeneous Cognitive Radio Network
Benamor et al. Mean field game-theoretic framework for distributed power control in hybrid noma
Ling et al. A multi‐cell adaptive resource allocation scheme based on potential game for ICIC in LTE‐A
CN107438250B (zh) 5g认知微蜂窝网络中基于博弈论的频谱决策方法
Feng et al. Energy-efficient joint optimization of channel assignment, power allocation, and relay selection based on hypergraph for uplink mMTC networks
Isnawati A Survey of Game Theoretical Approach in Cognitive Radio Network and 5G-6G Communications.
Chen et al. Game‐Based Channel Selection for UAV Services in Mobile Edge Computing
Jakó et al. Outage probability in Poisson‐cluster‐based LTE two‐tier femtocell networks
Li et al. Learning based multi-channel access in vehicular networks with illegal operators and users
Abdolkhani et al. Optimal caching policy for D2D assisted cellular networks with different cache size devices
Zhang et al. Group-based joint signaling and data resource allocation in MTC-underlaid cellular networks

Legal Events

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