CN109698726B - 一种基于机器学习的无线频谱资源分配方法 - Google Patents

一种基于机器学习的无线频谱资源分配方法 Download PDF

Info

Publication number
CN109698726B
CN109698726B CN201910021291.5A CN201910021291A CN109698726B CN 109698726 B CN109698726 B CN 109698726B CN 201910021291 A CN201910021291 A CN 201910021291A CN 109698726 B CN109698726 B CN 109698726B
Authority
CN
China
Prior art keywords
subsystem
channel
channel capacity
distribution
wireless spectrum
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
CN201910021291.5A
Other languages
English (en)
Other versions
CN109698726A (zh
Inventor
葛晓虎
陈凯
胡沈奇
李强
肖泳
黄晓庆
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.)
Huazhong University of Science and Technology
Original Assignee
Huazhong 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 Huazhong University of Science and Technology filed Critical Huazhong University of Science and Technology
Priority to CN201910021291.5A priority Critical patent/CN109698726B/zh
Publication of CN109698726A publication Critical patent/CN109698726A/zh
Application granted granted Critical
Publication of CN109698726B publication Critical patent/CN109698726B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04B—TRANSMISSION
    • H04B17/00—Monitoring; Testing
    • H04B17/30—Monitoring; Testing of propagation channels
    • H04B17/391—Modelling the propagation channel
    • H04B17/3913—Predictive models, e.g. based on neural network models
    • 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)
  • Physics & Mathematics (AREA)
  • Electromagnetism (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Mobile Radio Communication Systems (AREA)

Abstract

本发明公开了一种基于机器学习的无线频谱资源分配方法，包括：将无线通信系统划分为多个子系统，并在每一个子系统中配置一个探测器；在满足调度条件时转入后续步骤；对无线频谱资源进行划分，得到满足约束条件的所有分配方案；若满足约束条件的分配方案数的数量级小于预设的分配阈值，则遍历各分配方案，并利用神经网络模型预测各分配方案所对应的信道总容量以计算系统收益，从而获得使得系统收益最大的最优分配方案；否则，利用优化算法获得最优分配方案；根据最优分配方案为各子系统分配并部署无线频谱资源，以完成当前调度轮次的无线频谱资源分配；重新判断是否满足调度条件。本发明能够提高频谱资源利用效率并最大化系统收益。

Description

一种基于机器学习的无线频谱资源分配方法
技术领域
本发明属于人工智能与无线通信领域，更具体地，涉及一种基于机器学习的无线频谱资源分配方法。
背景技术
随着信息时代的到来，智能移动用户设备的数量呈爆炸式增长，用户的通信需求也从最初的语音、文字信息交流转向现在的视频信息交流。尽管已经引入了许多高效的正交或者非正交多址接入技术以满足用户的接入需求，但由于授权频段十分有限，频谱资源短缺的问题仍然很严峻，给支持海量用户设备的接入提出了巨大的挑战。
认知无线电技术通过对周围无线频谱资源进行实时感知和动态接入，能够显著提高频谱资源利用率，有效缓解频谱资源短缺的问题。在进行无线频谱资源分配时，传统认知无线电技术对用户进行优先级划分，授权的主用户比非授权的次级用户拥有更高的优先级；授权频谱空闲，则允许次级用户通信；而当主用户接入频谱时，次级用户则需要寻找并切换至其他空闲频谱进行通信。此种技术，能够在优先保证主用户通信需求的前提下感知频谱空洞用于为次级用户提供服务，很大程度上提高了授权频谱利用效率。但是，传统认知无线电技术未能对同类用户加以区分。事实上不同时空条件下信道的频率选择性衰落情况和干扰噪声情况不尽相同，导致不同用户在同一频段进行通信产生的效果也不相同，相关的调度开销也不相同。这使得系统总收益得不到保障。
发明内容
针对现有技术的缺陷和改进需求，本发明提供了一种基于机器学习的无线频谱资源分配方法，其目的在于，提高无线频谱资源的利用效率，同时最大化系统收益。
为实现上述目的，本发明提供了一种基于机器学习的无线频谱资源分配方法，包括：
(1)将无线通信系统划分为多个子系统，并在每一个子系统中配置一个探测器，分别用于探测全频段的信道质量；
(2)若满足调度条件，则转入步骤(3)；否则，等待直至满足调度条件，并转入步骤(3)；
(3)根据无线频谱资源总数及子系统划分结果对无线频谱资源进行划分，得到满足约束条件的所有分配方案；
分配方案为每一个子系统分配一个频谱集作为其内部用户的接入频段，从而将无线频谱资源划分为互不相交的多个频谱集；
(4)若满足约束条件的分配方案数的数量级小于预设的分配阈值，则遍历各分配方案，并利用已训练好的信道容量预测模型预测各分配方案所对应的信道总容量以计算各分配方案所对应的系统收益，从而获得所有分配方案中使得系统收益最大的最优分配方案；否则，利用优化算法获得所有分配方案中使得系统收益最大的最优分配方案；
优化算法利用信道容量预测模型预测各分配方案所对应的信道总容量；
(5)根据最优分配方案为各子系统分配并部署无线频谱资源，以完成当前调度轮次的无线频谱资源分配；转入步骤(2)；
其中，信道容量预测模型为包括一个输入层、一个或多个隐藏层以及一个输出层的神经网络模型，用于根据各探测器所探测的全频段信道质量、各子系统接入用户数及接入频段预测信道总容量。
本发明利用神经网络模型预测每一个满足约束条件的分配方案所对应的信道总容量，并综合考虑每一个分配方案所对应的调度开销以计算系统收益，将使得系统收益最大的分配方案作为最优分配方案并根据最优分配方案分配并部署无线频谱资源，提高了无线频谱资源利用率，同时使得系统收益最大化。
在实际频谱资源分配之前，接入用户无法独立感知各频段的信道质量，由于同一子系统中，探测器所探测的各频段信道质量与接入用户实际接入频段信道质量存在相关性，本发明通过子系统的划分并利用探测器获取各频段信道质量能够间接获取用户的信道状态信息，保证信道总容量预测的准确性。
当满足约束条件的分配方案总数处于不同的数量级时，具体采用不同的计算方法，能够保证计算的复杂度和计算开销都维持在较低的水平。
进一步地，本发明所提供的基于机器学习的无线频谱资源分配方法，还包括：每一个调度轮次的无线频谱资源分配完成后，根据最优分配方案下，各探测器所探测的全频段信道质量、各子系统接入用户数及接入频段，以及实际的信道总容量更新信道容量预测模型，以提高信道容量预测模型的预测精度和可靠性。
进一步地，信道容量预测模型的训练方法包括：
从历史数据中提取每一个调度轮次中，各探测器所探测的全频段信道质量、各子系统的接入用户数及接入频段，以及由各接入用户所检测到的信道总容量，并将所提取的信息作为一条样本数据，从而得到由所有样本数据构成的样本集；
建立信道容量预测模型，用于根据各探测器所探测的全频段信道质量、各子系统接入用户数及接入频段预测信道总容量；
利用样本集训练信道容量预测模型，以得到训练好的信道容量预测模型；
利用历史数据训练神经网络，能够更为准确地预测每一个分配方案下的系统信道总容量。
进一步地，步骤(4)中，系统收益的计算方法为：
分别获得在对应的分配方案S下各约束因素所带来的系统开销ci及对应的转化因子βi，以计算该分配方案所对应的系统开销为：
Figure BDA0001940841350000041
在分配方案S下，以各探测器所探测的全频段信道质量、各子系统接入用户数及接入频段为输入，利用信道容量预测模型预测信道总容量U′；
根据信道总容量U′和系统开销C计算系统收益为：Q＝U'-C；
其中，i为约束因素编号，1≤i≤N，N为约束因素总数。
综合考虑信道总容量以及各约束因素对系统开销的影响，以确定每一个分配方案所对应的系统收益，并通过系统收益确定最优分配方案，能够使得系统收益最大化。
总体而言，通过本发明所构思的以上技术方案，能够取得以下有益效果：
(1)本发明所提供的基于机器学习的无线频谱资源分配方法，利用神经网络模型预测每一个满足约束条件的分配方案所对应的信道总容量，并综合考虑每一个分配方案所对应的系统收益，将使得系统收益最大的分配方案作为最优分配方案并根据最优分配方案分配并部署无线频谱资源，提高了无线频谱资源利用率，同时使得系统收益最大化。
(2)本发明所提供的基于机器学习的无线频谱资源分配方法，通过子系统的划分并利用探测器获取各频段信道质量能够间接获取用户的信道状态信息，保证信道总容量预测的准确性。
(3)本发明所提供的基于机器学习的无线频谱资源分配方法，综合考虑信道总容量以及各约束因素对系统开销的影响，以确定每一个分配方案所对应的系统收益，并通过系统收益确定最优分配方案，能够使得系统收益最大化。
附图说明
图1为本发明实施例提供的无线通信系统示意图；
图2为本发明实施例提供的基于机器学习的无线频谱资源分配方法流程图；
图3为本发明实施例提供的信道容量预测模型示意图；
图4为本发明实施例提供的基于机器学习的无线频谱资源分配方法数据整合示意图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。此外，下面所描述的本发明各个实施方式中所涉及到的技术特征只要彼此之间未构成冲突就可以相互组合。
图1所示为一个无线通信系统的示意图，其中基站为整体系统中心，拥有若干频谱资源，集中式为所有用户提供服务，系统中共包括10个接入用户，下面结合图1所示的无线通信系统对本发明所提供的基于机器学习的无线频谱资源分配方法进行详细介绍。
本发明所提供的基于机器学习的无线频谱资源分配方法，如图2所示，包括：
(1)将无线通信系统划分为多个子系统，并在每一个子系统中配置一个探测器，分别用于探测全频段的信道质量；
如图1所示，经过步骤(1)的划分后，系统被划分为4个子系统，各子系统中的接入用户数分别是3、1、2、3，每个子系统中配置有一个探测器；
在实际频谱资源分配之前，接入用户无法独立感知各频段的信道质量，由于同一子系统中，探测器所探测的各频段信道质量与用户实际接入的频段信道质量存在相关性，本发明通过子系统的划分并利用探测器获取各频段信道质量能够间接获取用户的信道状态信息，保证信道总容量预测的准确性；
在第j个子系统中，探测器所探测到的第k个频段的信道质量为：
Figure BDA0001940841350000061
其中，α为常数因子，SNRj,k表示第个j子系统中第k个频段的信噪比，Gj,k表示基站与第个j子系统中探测器之间在第k个频段的链路增益，ηj,k表示对应链路上的噪声功率，Pj,k表示基站与第个j子系统中探测器在第k个频段的通信功率；
(2)若满足调度条件，则转入步骤(3)；否则，等待直至满足调度条件，并转入步骤(3)；
具体的调度条件可根据系统特性决定，对于用户动态性大的系统，可采用触发性调度，即在用户接系统或用户离线时，认为满足调度条件；对于信道质量动态性小的系统，可采用周期性调度，即在调度周期到达时，认为满足调度条件；在计算量不大时，可将两种调度相结合，以提高效率，即当其他用户接入系统或者接入用户离线时，可触发性启动调度方法；即使所有用户都保持状态不变，调度周期到达时仍会启动调度方法；每次调度方法启动，都需要重新收集当前信息；
(3)根据无线频谱资源总数及子系统划分结果对无线频谱资源进行划分，得到满足约束条件的所有分配方案；
分配方案为每一个子系统分配一个频谱集作为其内部用户的接入频段，从而将无线频谱资源划分为互不相交的多个频谱集；
对应地，各子系统所需分配的频谱集大小分别为3、1、2、3，设系统共有10个频段可用，则共有
Figure BDA0001940841350000071
种不同分配方案；本实施例将会在上述方案中找出使得系统收益最大的最优分配方案；
在确定无线频谱资源分配方案时，系统收益是主要的优化指标，其他指标可视为约束条件，根据不同的应用，需要定义代价函数以确定其对频谱效益的影响；通常情况下，约束条件包括最大容忍度和单位影响量，其中，最大容忍度为系统允许同时切换频段的最大用户数，单位影响量为系统允许每个用户切换频段所带来的最大效益损失；
(4)若满足约束条件的分配方案数的数量级小于预设的分配阈值，则遍历各分配方案，并利用已训练好的信道容量预测模型预测各分配方案所对应的信道总容量以计算各分配方案所对应的系统收益，从而获得所有分配方案中使得系统收益最大的最优分配方案；否则，利用优化算法获得所有分配方案中使得系统收益最大的最优分配方案；
优化算法利用信道容量预测模型预测各分配方案所对应的信道总容量；
当满足约束条件的分配方案总数处于不同的数量级时，具体采用不同的计算方法，能够保证计算的复杂度和计算开销都维持在较低的水平；
其中，信道容量预测模型为包括一个输入层、一个或多个隐藏层以及一个输出层的神经网络模型；在本实施例中，信道容量预测模型具体包括3个隐藏层，如图3所示；
信道容量预测模型的训练方法包括：
从历史数据中提取每一个调度轮次中，各探测器所探测的全频段信道质量、各子系统的接入用户数及接入频段，以及由各接入用户所检测到的信道总容量，并将所提取的信息作为一条样本数据，从而得到由所有样本数据构成的样本集；
建立信道容量预测模型，用于根据各探测器所探测的全频段信道质量、各子系统接入用户数及接入频段预测信道总容量；
利用样本集训练信道容量预测模型，以得到训练好的信道容量预测模型；
利用历史数据训练神经网络，能够更为准确地预测每一个分配方案下的系统信道总容量；
用户接入系统后，可计算出实际的信道容量；具体地，系统总信道容量可由所有占用频段的信道容量之和表示为：
Figure BDA0001940841350000081
其中，U表示信道总容量，Uj表示第j个子系统的信道容量，M表示子系统总数，M(j)表示第j个子系统中的接入用户数，uj,l表示第j个子系统中第l个接入用户所计算的信道容量；uj,l的计算表达式为：
Figure BDA0001940841350000082
Sj,l表示基站与第j个子系统中第l个接入用户的通信功率，G′j,l,k表示基站与第j个子系统中第l个接入用户在第k个频段的链路增益，ηj,l,k表示对应链路的噪声功率，B表示带宽；
以上表达式仅表示了某一分配方案下的系统总信道容量，但对于系统收益而言，往往还需要考虑其他约束因素，包括调度损失、频谱分布、用户体验质量和竞争公平性；调度前后，越少用户需要切换频谱，调度损失越小；在调度方案中，分配给同一子系统的频谱集，其中的频谱间隔越大，频谱分布性能越好；分配给不同子系统的频谱集，其频谱数目方差越小，频谱分布性能越好；根据分配方案调度后，接入频谱质量变低的用户数目越小，用户体验质量越好；接入频谱质量变低的幅度越小，用户体验质量越好；频谱资源不足时，根据分配方案调度会使某些已接入用户掉线，掉线率越小，竞争公平性越好；等待接入时间越久的用户接入几率越大，竞争公平性越好；
综合各方面的调度开销后，步骤(4)中，系统收益的计算方法为：
分别获得在对应的分配方案S下各约束因素所带来的系统开销ci及对应的转化因子βi，以计算该分配方案所对应的系统开销为：
Figure BDA0001940841350000091
在分配方案S下，以各探测器所探测的全频段信道质量、各子系统接入用户数及接入频段为输入，利用信道容量预测模型预测信道总容量U′；
根据信道总容量U′和系统开销C计算系统收益为：Q＝U'-C；
其中，i为约束因素编号，1≤i≤N，N为约束因素总数；
综合考虑信道总容量以及各约束因素对系统开销的影响，以确定每一个分配方案所对应的系统收益，并通过系统收益确定最优分配方案，能够使得系统收益最大化；
(5)根据最优分配方案为各子系统分配并部署无线频谱资源，以完成当前调度轮次的无线频谱资源分配；转入步骤(2)。
本发明利用神经网络模型预测每一个满足约束条件的分配方案所对应的信道总容量，并综合考虑每一个分配方案所对应的系统收益，将使得系统收益最大的分配方案作为最优分配方案并根据最优分配方案分配并部署无线频谱资源，提高了无线频谱资源利用率，同时使得系统收益最大化。
为进一步提高信道容量预测模型的预测精度和可靠性，本发明所提供的基于机器学习的无线频谱资源分配方法，还包括：每一个调度轮次的无线频谱资源分配完成后，根据最优分配方案下，各探测器所探测的全频段信道质量、各子系统接入用户数及接入频段，以及实际的信道总容量更新信道容量预测模型，以提高信道容量预测模型的预测精度和可靠性。
总的来说，本发明所提供的基于机器学习的无线频谱资源分配方法，如图4所示，包括两个方面的数据整合：训练信息整合和输入信息整合；训练信息整合和输入信息整合的主体信息都是信道质量信息和用户接入信息(各子系统的接入用户数及接入频段)，但两者存在本质上的不同；训练信息整合是对历史数据的处理，所涉及的数据都是已知数据，系统总信道容量可由用户接入信息计算得出，训练神经网络也是为了得到从信道质量信息和用户接入信息到系统总信道容量的映射关系；输入信息整合是对当前信息的处理，所有信息都需要实时感知，需要遍历分配情况，是构建原像集的过程；
历史数据中的用户接入信息包含了各子系统的用户接入数和频谱占用信息(接入频段)，两者存在一致性；当前信息中的频谱占用信息(接入频段)却可能与接入用户数不一致，如其他用户的接入或者当前用户的断开的情况，但这并不影响此方法的执行效果；另外，此方法由于约束因素的存在，可以很好兼容遗留系统，实现平稳过渡。
本领域的技术人员容易理解，以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。

Claims (3)

1.一种基于机器学习的无线频谱资源分配方法，其特征在于，包括：
(1)将无线通信系统划分为多个子系统，并在每一个子系统中配置一个探测器，分别用于探测全频段的信道质量；
(2)若满足调度条件，则转入步骤(3)；否则，等待直至满足调度条件，并转入步骤(3)；
(3)根据无线频谱资源总数及子系统划分结果对所述无线频谱资源进行划分，得到满足约束条件的所有分配方案；
所述分配方案为每一个子系统分配一个频谱集作为其内部用户的接入频段，从而将所述无线频谱资源划分为互不相交的多个频谱集；
(4)若满足约束条件的分配方案数的数量级小于预设的分配阈值，则遍历各分配方案，并利用已训练好的信道容量预测模型预测各分配方案所对应的信道总容量以计算各分配方案所对应的系统收益，从而获得所有分配方案中使得系统收益最大的最优分配方案；否则，利用优化算法获得所有分配方案中使得所述系统收益最大的最优分配方案；
所述优化算法利用所述信道容量预测模型预测各分配方案所对应的信道总容量；
所述步骤(4)中，所述系统收益的计算方法为：
分别获得在对应的分配方案S下各约束因素所带来的系统开销ci及对应的转化因子βi，以计算该分配方案所对应的系统开销为：
Figure FDA0002346496220000011
在所述分配方案S下，以各探测器所探测的全频段信道质量、各子系统接入用户数及接入频段为输入，利用所述信道容量预测模型预测信道总容量U′；
根据所述信道总容量U′和所述系统开销C计算所述系统收益为：Q＝U'-C；
其中，i为约束因素编号，1≤i≤N，N为约束因素总数；
(5)根据所述最优分配方案为各子系统分配并部署无线频谱资源，以完成当前调度轮次的无线频谱资源分配；转入步骤(2)；
其中，所述信道容量预测模型为包括一个输入层、一个或多个隐藏层以及一个输出层的神经网络模型，用于根据各探测器所探测的全频段信道质量、各子系统接入用户数及接入频段预测信道总容量。
2.如权利要求1所述的基于机器学习的无线频谱资源分配方法，其特征在于，还包括：每一个调度轮次的无线频谱资源分配完成后，根据所述最优分配方案下，各探测器所探测的全频段信道质量、各子系统接入用户数及接入频段，以及实际的信道总容量更新所述信道容量预测模型。
3.如权利要求1或2所述的基于机器学习的无线频谱资源分配方法，其特征在于，所述信道容量预测模型的训练方法包括：
从历史数据中提取每一个调度轮次中，各探测器所探测的全频段信道质量、各子系统的接入用户数及接入频段，以及由各接入用户所检测到的信道总容量，并将所提取的信息作为一条样本数据，从而得到由所有样本数据构成的样本集；
建立所述信道容量预测模型，用于根据各探测器所探测的全频段信道质量、各子系统接入用户数及接入频段预测信道总容量；
利用所述样本集训练所述信道容量预测模型，以得到训练好的信道容量预测模型。
CN201910021291.5A 2019-01-10 2019-01-10 一种基于机器学习的无线频谱资源分配方法 Active CN109698726B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910021291.5A CN109698726B (zh) 2019-01-10 2019-01-10 一种基于机器学习的无线频谱资源分配方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910021291.5A CN109698726B (zh) 2019-01-10 2019-01-10 一种基于机器学习的无线频谱资源分配方法

Publications (2)

Publication Number Publication Date
CN109698726A CN109698726A (zh) 2019-04-30
CN109698726B true CN109698726B (zh) 2020-05-19

Family

ID=66232624

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910021291.5A Active CN109698726B (zh) 2019-01-10 2019-01-10 一种基于机器学习的无线频谱资源分配方法

Country Status (1)

Country Link
CN (1) CN109698726B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111065102B (zh) * 2019-12-16 2022-04-19 北京理工大学 基于q学习的免授权频谱下5g多系统共存资源分配方法
EP4122259A4 (en) * 2020-03-16 2024-02-21 Qualcomm Incorporated PACKET COLLISION MITIGATION IN A SIDELINK

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101834753A (zh) * 2010-03-30 2010-09-15 华中科技大学 一种基于共变正交和神经网络的网络流量预测方法
CN107528650A (zh) * 2017-08-30 2017-12-29 华南师范大学 一种基于gcv‑rbf神经网络的认知无线电网络频谱的预测方法
CN108513697A (zh) * 2017-12-29 2018-09-07 深圳市大疆创新科技有限公司 信道容量预测方法及装置、无线信号发送设备及传输系统
CN108737057A (zh) * 2018-04-27 2018-11-02 南京邮电大学 基于深度学习的多载波认知noma资源分配方法

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101895991B (zh) * 2010-07-06 2013-11-06 北京邮电大学 基于中继协作传输的认知无线电系统及其资源分配方法
CN102026204A (zh) * 2010-12-31 2011-04-20 长江大学 一种认知无线电蜂窝网动态频率分配方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101834753A (zh) * 2010-03-30 2010-09-15 华中科技大学 一种基于共变正交和神经网络的网络流量预测方法
CN107528650A (zh) * 2017-08-30 2017-12-29 华南师范大学 一种基于gcv‑rbf神经网络的认知无线电网络频谱的预测方法
CN108513697A (zh) * 2017-12-29 2018-09-07 深圳市大疆创新科技有限公司 信道容量预测方法及装置、无线信号发送设备及传输系统
CN108737057A (zh) * 2018-04-27 2018-11-02 南京邮电大学 基于深度学习的多载波认知noma资源分配方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
Enhanced 5G Cognitive Radio Networks Based on Spectrum Sharing and Spectrum Aggregation;Wensheng Zhang 等;《IEEE Transactions on Communications》;20181231;第66卷(第12期);pp.6304-6316 *
认知无线电网络频谱共享性能分析与信道选择策略研究;衡玉龙;《中国优秀硕士学位论文全文数据库（信息科技辑）》;20140215(第2期);I136-338 *

Also Published As

Publication number Publication date
CN109698726A (zh) 2019-04-30

Similar Documents

Publication Publication Date Title
CN108900355B (zh) 一种星地多级边缘网络资源分配方法
Nasser et al. Middleware vertical handoff manager: A neural network-based solution
CN106534333A (zh) 一种基于mec和mcc的双向选择计算卸载方法
CN110505644B (zh) 用户任务卸载与资源分配联合优化方法
CN111711666B (zh) 一种基于强化学习的车联网云计算资源优化方法
EP2713571B1 (en) Device and method for determining the network resource usage
JP6492334B2 (ja) 通信制御装置、通信制御方法及び情報処理装置
CN109698726B (zh) 一种基于机器学习的无线频谱资源分配方法
Sekaran et al. 5G integrated spectrum selection and spectrum access using AI-based frame work for IoT based sensor networks
CN105978644B (zh) 基于布谷鸟搜索算法的星地认知系统频谱接入方法
CN105611543A (zh) 认知无线网络中基于信道质量预测的分层匹配方法
CN113014340A (zh) 一种基于神经网络的卫星频谱资源动态分配方法
Lei et al. Learning-based resource allocation: Efficient content delivery enabled by convolutional neural network
CN111597045B (zh) 管理混合部署的共享资源管理方法、系统及服务器系统
CN101808332B (zh) 一种信道分配的方法和装置
CN107613510A (zh) 基于QoS的智能电力通信业务差分调度机制优化方法
CN114172962A (zh) 面向工业agv的双向选择边缘计算服务分配方法
Yang et al. Task-driven semantic-aware green cooperative transmission strategy for vehicular networks
Sun et al. A resource allocation scheme for edge computing network in smart city based on attention mechanism
CN104202757B (zh) 一种认知无线电网络性能最优检测方法
Bao et al. Data-guided approach for learning and improving user experience in computer networks
Rahman et al. Artificial Intelligence in 5G Technology: Overview of System Models
CN103582094A (zh) 针对多从用户多信道的节能的动态频谱接入策略方法
CN108924940B (zh) 基于用户优先级及多属性判决的频谱分配和切换方法
CN115913994B (zh) 基于故障分类的光网络抗毁方法及装置

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