CN108668283B - 一种超边加权的超图干扰模型及分布式频谱接入方法 - Google Patents

一种超边加权的超图干扰模型及分布式频谱接入方法 Download PDF

Info

Publication number
CN108668283B
CN108668283B CN201810396862.9A CN201810396862A CN108668283B CN 108668283 B CN108668283 B CN 108668283B CN 201810396862 A CN201810396862 A CN 201810396862A CN 108668283 B CN108668283 B CN 108668283B
Authority
CN
China
Prior art keywords
user
interference
super
edge
access
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
CN201810396862.9A
Other languages
English (en)
Other versions
CN108668283A (zh
Inventor
王金龙
徐煜华
朱徐诚
姚凯凌
任国春
江汉
李文
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.)
Army Engineering University of PLA
Original Assignee
Army Engineering University of 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 Army Engineering University of PLA filed Critical Army Engineering University of PLA
Priority to CN201810396862.9A priority Critical patent/CN108668283B/zh
Publication of CN108668283A publication Critical patent/CN108668283A/zh
Application granted granted Critical
Publication of CN108668283B publication Critical patent/CN108668283B/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
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W72/00—Local resource management
    • H04W72/04—Wireless resource allocation
    • H04W72/044—Wireless resource allocation based on the type of the allocated resource
    • H04W72/0453—Resources in frequency domain, e.g. a carrier in FDMA
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W72/00—Local resource management
    • H04W72/50—Allocation or scheduling criteria for wireless resources
    • H04W72/54—Allocation or scheduling criteria for wireless resources based on quality criteria
    • H04W72/541—Allocation or scheduling criteria for wireless resources based on quality criteria using the level of interference

Landscapes

  • Engineering & Computer Science (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Signal Processing (AREA)
  • Quality & Reliability (AREA)
  • Mobile Radio Communication Systems (AREA)

Abstract

本发明公开了一种超边加权的超图干扰模型及分布式频谱接入方法。该模型为：将网络中的微蜂窝接入点视为顶点，限定一条超边内可包含的最多顶点数，使用超边形成算法构造超图干扰模型，将各条超边内受干扰顶点的数量定义为该超边的权重。方法为：将频谱接入问题建模为博弈模型，博弈的参与者是网络内所有微蜂窝接入点；各接入点将包含自己的超边中所有其它接入点定义为自己的邻居；所有接入点按需随机选择一个或多个信道接入，并根据邻居的信道接入情况计算当前受到的干扰；利用改进的空间自适应算法，接入点更新信道选择，直至所有接入点的信道选择策略不再改变。本发明能够对超边冲突时的干扰程度进行区分，更加精确地刻画了网络内部的干扰。

Description

一种超边加权的超图干扰模型及分布式频谱接入方法
技术领域
本发明属于无线通信技术领域，特别是一种超边加权的超图干扰模型及分布式频谱接入方法。
背景技术
超密集无线通信网络中，节点之间的干扰关系十分复杂。为优化网络性能，基于图的干扰模型已被广泛应用于其中(参考文献Y.Xu,J.Wang,Q.Wu,et al.,“Opportunisticspectrum access in cognitive radio networks:Global optimization using localinteraction games,”IEEE J.Sel.Topics Signal Process.,vol.6,no.2,pp.180-194,2012；L.Zhou,R.Ruby,H.Zhao,et al.,“A graph-based resource allocation schemewith interference coordination in small cell networks,”in Proc.2014IEEE GCWkshps,pp.1223-1228)。然而，基于图的干扰模型仅考虑了两个节点之间“非0即1”的干扰关系，即干扰或不干扰，没有考虑多个节点造成的累积干扰。具体地，在两个节点相互之间没有干扰的情况下，某一节点周边的多个节点可能会对该节点共同产生大于干扰门限的信号强度。由于传统的二元干扰图模型无法解决对累积干扰的刻画问题，需要在此基础上提出一种考虑多元干扰关系的图模型。
超图模型结合了传统图模型和物理模型的优势，已被应用于解决无线通信网络中的多种问题(参考文献J.Feng and M.Tao,“Hypergraph-based frequency reuse indense femtocell networks,”in Proc.2013IEEE ICCC,pp.537-542；H.Zhang,L.Song,Z.Han,“Radio resource allocation for device-to-device underlay communicationsusing hypergraph theory,”IEEE Trans.Wireless Commun.,vol.15,no.7,pp.4852-4861,2016)。一个超图由顶点和超边构成。其中，顶点表示网络中的节点，超边由顶点全集的子集构成。当某子集中所有顶点同时同频传输时，若任一顶点受到其余顶点的累积干扰大于干扰门限值，该子集构成一条超边(参考文献D.Tsolkas,E.Liotou,N.Passas,et al.,“A graph-coloring secondary resource allocation for D2D communications in LTEnetworks,”in Proc.2012IEEE CAMAD,pp.56-60)。由于超边能够表示节点之间的累积干扰，超图模型较于二元干扰图模型更加精确地刻画了网络中的干扰关系。
在二元干扰图中，当一条边连接的两个节点同时同频传输时，定义该边发生冲突。类似地，在超图中，当一条超边内的所有顶点同时同频传输时，定义这条超边在该信道上发生冲突。此时，超边内有一个或多个顶点受到的累积干扰超过门限值。此类顶点数量越多，超边内的干扰程度越严重。然而，大多数现有相关工作没有区分超边中受干扰顶点的数量，即没有考虑超边内部干扰程度的差异性，将所有超边权重均视为相等(参考文献H.Zhang,Y.Ji,L.Song,et al.,“Hypergraph based resource allocation for cross-celldevice-to-device communications,”in Proc.2016IEEE ICC,pp.1-6；Y.Dai,M.Sheng,K.Zhao,et al.,“Interference-aware resource allocation for D2D underlaidcellular network using SCMA:A hypergraph approach,”in Proc.2016IEEE WCNC,pp.1-6)。
发明内容
本发明的目的在于提供一种能够精确刻画超密集无线通信网络中累积干扰的超边加权的超图干扰模型以及一种分布式频谱接入方法。
实现本发明目的的技术解决方案为：一种超边加权的超图干扰模型，对该模型做如下刻画：将网络中的微蜂窝接入点视为顶点，限定一条超边内可包含的最多顶点数，使用超边形成算法构造超图干扰模型，将各条超边内受干扰顶点的数量定义为该超边的权重。
进一步地，所述限定一条超边内可包含的最多顶点数，具体如下：
定义一条超边内可包含的最多顶点数为Q，不包含顶点数大于Q的超边。
进一步地，所述使用超边形成算法构造超图干扰模型，具体如下：
首先，由于超边内顶点数量Q'至少为2，对于Q'从2到Q，遍历所有基为Q'的顶点集合，如果某一集合中的任一顶点受到干扰，则在该集合上构造一条超边；
然后，对于构造的所有超边，若一条超边的顶点集合是另一条超边顶点集合的子集，则删除包含顶点数较多的超边。
进一步地，所述将各条超边内受干扰顶点的数量定义为该超边的权重，具体如下：
定义门限值为θ，当一条超边内的所有顶点同时同频传输时，某顶点受到来自其它顶点的信号强度之和超过θ，则认为该顶点受到干扰，吞吐量为零，处于拥塞状态；将超边e的权重定义为λe。
一种基于超边加权的超图干扰模型的分布式频谱接入方法，包括以下步骤：
步骤1，将频谱接入问题建模为博弈模型，博弈的参与者是网络内所有SAP，以下表示为用户；
步骤2，基于超边加权的超图干扰模型，用户将包含自己的超边中所有其它顶点定义为自己的邻居；
步骤3，所有用户按需随机选择一个或多个信道接入，并根据邻居的信道接入情况计算当前受到的干扰；
步骤4，使用改进的空间自适应算法E-SAP，用户更新信道选择，直至所有用户的信道选择策略不再改变。
进一步地，步骤1所述的将频谱接入问题建模为博弈模型，该博弈模型定义为：
Figure BDA0001644772530000031
其中，
Figure BDA0001644772530000032
是参与博弈的用户集合，是用户n可接入信道策略空间，un是用户n的效用函数。
进一步地，步骤3所述的所有用户按需随机选择一个或多个信道接入，并根据邻居的信道接入情况计算当前受到的干扰，具体如下：
设定用户n接入kn个信道，则受到的干扰In(kn)为：
Figure BDA0001644772530000034
其中，为用户n所选信道集合，
Figure BDA0001644772530000036
为包含用户n的第i条超边，En为包含用户n的超边集合；
Figure BDA0001644772530000037
为超边的权重，
Figure BDA0001644772530000039
为指示函数，且满足下式：
Figure BDA00016447725300000310
本发明与现有技术相比，其显著优点在于：(1)考虑微蜂窝接入点之间的累积干扰，对超边冲突时的干扰程度进行区分，提出超边加权的超图干扰模型，更加精确地刻画了网络内部的干扰；(2)基于超边加权的超图干扰模型，提出一种分布式方法解决频谱接入问题，避免了对集中控制器的需求。
附图说明
图1是一个随机拓扑的超图干扰模型的构造示意图。
图2是二元边和三元超边结构示意图。
图3是本发明实施例中拥塞用户比例随微蜂窝接入点数量变化示意图。
图4是本发明实施例中平均网络吞吐量随可用信道数变化示意图。
具体实施方式
本发明所提出的超边加权的超图干扰模型，旨在更精确地刻画微蜂窝接入点之间的干扰。在超图中，当一条超边内的所有顶点同时同频传输时，认为这条超边在该信道上发生冲突。由于超边内会有一个或多个顶点受到干扰，且受干扰顶点数量越多，超边内的干扰程度越严重，所以需要考虑超边内部干扰程度的差异性。将超边内受干扰顶点的数量定义为该超边的权重，受干扰顶点数越多，超边权重越大。
本发明超边加权的超图干扰模型，对该模型做如下刻画：将网络中的微蜂窝接入点视为顶点，限定一条超边内可包含的最多顶点数，使用超边形成算法构造超图干扰模型，将各条超边内受干扰顶点的数量定义为该超边的权重。
进一步地，所述限定一条超边内可包含的最多顶点数，具体如下：
定义一条超边内可包含的最多顶点数为Q，不包含顶点数大于Q的超边。
进一步地，所述使用超边形成算法构造超图干扰模型，具体如下：
首先，由于超边内顶点数量Q'至少为2，对于Q'从2到Q，遍历所有基为Q'的顶点集合，如果某一集合中的任一顶点受到干扰，则在该集合上构造一条超边；
然后，对于构造的所有超边，若一条超边的顶点集合是另一条超边顶点集合的子集，则删除包含顶点数较多的超边。
进一步地，所述将各条超边内受干扰顶点的数量定义为该超边的权重，具体如下：
定义门限值为θ，当一条超边内的所有顶点同时同频传输时，某顶点受到来自其它顶点的信号强度之和超过θ，则认为该顶点受到干扰，吞吐量为零，处于拥塞状态；将超边e的权重定义为λe。
图1是一个随机拓扑的超图干扰模型构造示意图。首先构造二元边，如图1中点划线，随后构造三元超边，用圆圈表示。可以看出，任意一条三元超边均不包含一条二元边。图2是二元边和三元超边结构示意图。可以看出，不同结构的超边权重不同。具体地，当一条二元边处于冲突状态时，两个顶点相互干扰，权重为2。当三元超边冲突时，受干扰顶点数量与超边结构有关。当超边为“直线型结构”时，只有中间顶点受到干扰，权重为1；当超边为“锐角等腰三角形结构”时，两个底角顶点受到干扰，权重为2；当超边为“正三角形结构”时，每个顶点均受到干扰，权重为3。
本发明基于超边加权的超图干扰模型，结合网络内部干扰越小，系统吞吐量越大的特点，将优化目标设计为最小化全网干扰，以达到最大化网络吞吐量的目标。本发明基于超边加权的超图干扰模型的分布式频谱接入方法，包括以下步骤：
步骤1，将频谱接入问题建模为博弈模型，博弈的参与者是网络内所有SAP，以下表示为用户；
步骤2，基于超边加权的超图干扰模型，用户将包含自己的超边中所有其它顶点定义为自己的邻居；
步骤3，所有用户按需随机选择一个或多个信道接入，并根据邻居的信道接入情况计算当前受到的干扰；
步骤4，使用改进的空间自适应算法E-SAP，用户更新信道选择，直至所有用户的信道选择策略不再改变。
进一步地，步骤1所述的将频谱接入问题建模为博弈模型，该博弈模型定义为：
Figure BDA0001644772530000051
其中，
Figure BDA0001644772530000052
是参与博弈的用户集合，
Figure BDA0001644772530000053
是用户n可接入信道策略空间，un是用户n的效用函数。
进一步地，步骤3所述的所有用户按需随机选择一个或多个信道接入，并根据邻居的信道接入情况计算当前受到的干扰，具体如下：
假设用户n接入kn个信道，则其受到的干扰In(kn)定义为：
其中，
Figure BDA0001644772530000055
为用户n所选信道集合，
Figure BDA0001644772530000056
为包含用户n的第i条超边，En为包含用户n的超边集合；
Figure BDA0001644772530000057
为超边
Figure BDA0001644772530000058
的权重，
Figure BDA0001644772530000059
为指示函数，且满足下式：
Figure BDA00016447725300000510
博弈的优化目标：
首先，将任意用户n的信道选择效用函数un定义为：
其中，k-n是除用户n以外用户的信道选择集合，
Figure BDA00016447725300000512
是用户n的邻居，
Figure BDA00016447725300000513
是用户n邻居的信道选择集合，函数In满足公式(1)。
然后，由于每个用户都需要最小化自己和邻居受到的干扰，所以博弈的优化目标为：
Figure BDA0001644772530000061
进一步地，步骤4所述的使用改进的空间自适应算法E-SAP，用户更新信道选择，直至所有用户的信道选择策略不再改变，具体如下：
1)迭代更新：第k次迭代中，随机选择多个非邻居用户更新动作概率集合，其它用户保持当前信道选择不变。被选择的用户n在第k+1次迭代时选择信道cn的概率为：
其中，β是学习参数，
Figure BDA0001644772530000063
被选择的用户根据动作概率集合随机选择一个动作。
2)停止：当迭代次数达到预先设定的上限时，迭代更新过程停止。
实施例1
本发明的一个具体实施例如下设定，系统仿真采用Matlab软件，参数设定不影响一般性。15个微蜂窝接入点随机布设在一个250m×250m正交频分多址的网络中。每个SAP根据自己的负载量随机选择1，2或3个信道。每个正交信道带宽为B＝6MHz，信道平均噪声功率为N0＝-100dBm。信道增益为
Figure BDA0001644772530000064
其中p(dmn)＝15.3+37.6log10(dmn)，ψ是服从正态分布的随机变量，其均值为0，方差为δψ＝10dB。SAP发射功率及其与用户的距离均分别为23dBm和20m。当用户的信噪比低于θ＝3dB时，认为其受到干扰，吞吐量为零，处于拥塞状态；当用户的信噪比高于θ′＝6dB时，认为其获得最大吞吐量。
本发明提出的基于超边加权的超图干扰模型的分布式频谱接入方法，具体过程如下：
步骤1，将频谱接入问题建模为博弈模型，博弈的参与者是网络内所有SAP，以下表示为用户；
步骤2，基于所述超边加权的超图干扰模型，用户将包含自己的超边中所有其它顶点定义为自己的邻居；
步骤3，所有用户按需随机选择一个或多个信道接入，并根据邻居的信道接入情况计算当前受到的干扰；
步骤4，利用改进的空间自适应算法(E-SAP)，用户更新信道选择，直至所有用户的信道选择策略不再改变。
图3是拥塞用户比例随微蜂窝接入点数量变化示意图。由图3可以看出，随着网络密集化程度增加，拥塞用户比例增加，使用超边加权的超图干扰模型进行优化使得拥塞用户比例最小。随着网络密集化程度的增加，超边加权的超图干扰模型优势更加明显。图4是平均网络吞吐量随可用信道数变化示意图。由图4可以看出，基于超边加权的超图干扰模型获得的性能最优。当信道数量较少时，基于超边加权超图干扰模型获得的吞吐量优于非加权超图干扰模型，因为此时超边加权的超图干扰模型可以更加精确地区分不同超边的干扰严重程度，从而可以进一步减少被干扰用户的数量。当信道数量较多时，基于超边加权的干扰模型与非加权的性能几乎相等，这是由于此时超边几乎都处于非冲突状态。
综上，本发明提出的超边加权的超图干扰模型，考虑微蜂窝接入点之间的累积干扰，对超边冲突时的干扰程度进行区分，更加精确地刻画了网络内部的干扰；提出的基于超边加权的超图干扰模型的分布式方法，能够使得微蜂窝接入点自组织地进行信道选择，避免了对集中控制器的需求。

Claims (1)

1.一种基于超边加权的超图干扰模型的分布式频谱接入方法，其特征在于，包括以下步骤：
步骤1，将频谱接入问题建模为博弈模型，博弈的参与者是网络内所有SAP，以下表示为用户；
步骤2，基于超边加权的超图干扰模型，用户将包含自己的超边中所有其它顶点定义为自己的邻居；
步骤3，所有用户按需随机选择一个或多个信道接入，并根据邻居的信道接入情况计算当前受到的干扰；
步骤4，使用改进的空间自适应算法E-SAP，用户更新信道选择，直至所有用户的信道选择策略不再改变；
步骤1所述的将频谱接入问题建模为博弈模型，该博弈模型定义为：
Figure FDA0002214355840000011
其中，
Figure FDA0002214355840000012
是参与博弈的用户集合，
Figure FDA0002214355840000013
是用户n可接入信道策略空间，un是用户n的效用函数；
步骤3所述的所有用户按需随机选择一个或多个信道接入，并根据邻居的信道接入情况计算当前受到的干扰，具体如下：
设定用户n接入kn个信道，则受到的干扰In(kn)为：
Figure FDA0002214355840000014
其中，
Figure FDA0002214355840000015
为用户n所选信道集合，
Figure FDA0002214355840000016
为包含用户n的第i条超边，En为包含用户n的超边集合；
Figure FDA0002214355840000017
为超边
Figure FDA0002214355840000018
的权重，
Figure FDA0002214355840000019
为指示函数，且满足下式：
Figure FDA00022143558400000110
步骤4所述的使用改进的空间自适应算法E-SAP，用户更新信道选择，直至所有用户的信道选择策略不再改变，具体如下：
1)迭代更新：第k次迭代中，随机选择多个非邻居用户更新动作概率集合，其它用户保持当前信道选择不变；被选择的用户n在第k+1次迭代时选择信道cn的概率为：
Figure FDA0002214355840000021
其中，β是学习参数，
Figure FDA0002214355840000022
被选择的用户根据动作概率集合随机选择一个动作；
2)停止：当迭代次数达到预先设定的上限时，迭代更新过程停止。
CN201810396862.9A 2018-04-28 2018-04-28 一种超边加权的超图干扰模型及分布式频谱接入方法 Active CN108668283B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810396862.9A CN108668283B (zh) 2018-04-28 2018-04-28 一种超边加权的超图干扰模型及分布式频谱接入方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810396862.9A CN108668283B (zh) 2018-04-28 2018-04-28 一种超边加权的超图干扰模型及分布式频谱接入方法

Publications (2)

Publication Number Publication Date
CN108668283A CN108668283A (zh) 2018-10-16
CN108668283B true CN108668283B (zh) 2020-01-03

Family

ID=63780398

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810396862.9A Active CN108668283B (zh) 2018-04-28 2018-04-28 一种超边加权的超图干扰模型及分布式频谱接入方法

Country Status (1)

Country Link
CN (1) CN108668283B (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109982341B (zh) * 2019-02-19 2022-03-22 重庆邮电大学 一种基于超图理论的v2v广播资源分配方法
US10959101B2 (en) 2019-05-01 2021-03-23 Accenture Global Solutions Limited Cell resource allocation
CN113163408B (zh) * 2021-02-05 2023-02-07 北京中电飞华通信有限公司 一种无线资源分配方法及装置

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103347262A (zh) * 2013-06-19 2013-10-09 上海交通大学 基于超图的家庭基站频率复用方法
CN107231653A (zh) * 2017-06-12 2017-10-03 中原工学院 一种无线蜂窝网中信道重用的加权图建模方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7929460B2 (en) * 2006-09-14 2011-04-19 Vanu, Inc. Communication network topology determination

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103347262A (zh) * 2013-06-19 2013-10-09 上海交通大学 基于超图的家庭基站频率复用方法
CN107231653A (zh) * 2017-06-12 2017-10-03 中原工学院 一种无线蜂窝网中信道重用的加权图建模方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
超图在密集无线网络优化中的应用;朱徐诚等;《通信技术》;20171231;第50卷(第12期);第2759-2764页 *

Also Published As

Publication number Publication date
CN108668283A (zh) 2018-10-16

Similar Documents

Publication Publication Date Title
CN112188504B (zh) 多用户协同抗干扰系统及动态频谱协同抗干扰方法
CN108391317B (zh) 一种蜂窝网络中d2d通信的资源分配方法及系统
WO2021171341A1 (ja) 通信品質を予測するシステム、装置、方法及びプログラム
CN108668283B (zh) 一种超边加权的超图干扰模型及分布式频谱接入方法
Faganello et al. Improving reinforcement learning algorithms for dynamic spectrum allocation in cognitive sensor networks
CN109982437B (zh) 一种基于位置感知加权图的d2d通信频谱分配方法
JP2002095040A (ja) 周波数割り当て前最適化を用いた無線ネットワークの設計、調整、または動作のための方法および装置
CN107949025A (zh) 一种基于非合作博弈的网络选择方法
US7372832B2 (en) Channel selection
CN111466141B (zh) 发送功率控制方法、装置及非易失性存储介质
CN113225794A (zh) 一种基于深度强化学习的全双工认知通信功率控制方法
Adeogun et al. Distributed channel allocation for mobile 6G subnetworks via multi-agent deep Q-learning
CN108282888B (zh) 一种基于改进模糊聚类的d2d资源分配方法
AlQerm et al. Adaptive decision-making scheme for cognitive radio networks
Subramani et al. Noncooperative equilibrium solutions for spectrum access in distributed cognitive radio networks
Yadav et al. Deep Q-network based reinforcement learning for distributed dynamic spectrum access
Kasasbeh et al. Generous throughput oriented channel assignment for infra-structured WiFi networks
KR101073294B1 (ko) 무선 인지 시스템을 위한 유전자 알고리즘 기반의 동적 주파수 선택 시스템 및 방법
CN112188564B (zh) 一种基于簇的无线网络频谱资源分配方法及装置
Messaoud et al. Distributed Q-learning based-decentralized resource allocation for future wireless networks
Rasaneh et al. A QoS aware learning automata based channel assignment method in cognitive network
CN107070511B (zh) 一种用于miso无线公平性网络的用户接入控制优化方法
CN107438250B (zh) 5g认知微蜂窝网络中基于博弈论的频谱决策方法
Zhu et al. Dynamic spectrum access for D2D networks: A hypergraph game approach
EP1639848B1 (en) Transmission channel selection based on historic quality data

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