CN110492955A - 基于迁移学习策略的频谱预测切换方法 - Google Patents

基于迁移学习策略的频谱预测切换方法 Download PDF

Info

Publication number
CN110492955A
CN110492955A CN201910767987.2A CN201910767987A CN110492955A CN 110492955 A CN110492955 A CN 110492955A CN 201910767987 A CN201910767987 A CN 201910767987A CN 110492955 A CN110492955 A CN 110492955A
Authority
CN
China
Prior art keywords
user
frequency spectrum
channel
switching
secondary 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
Application number
CN201910767987.2A
Other languages
English (en)
Other versions
CN110492955B (zh
Inventor
曹开田
罗欢
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.)
Shanghai Institute of Technology
Original Assignee
Shanghai Institute of 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 Shanghai Institute of Technology filed Critical Shanghai Institute of Technology
Priority to CN201910767987.2A priority Critical patent/CN110492955B/zh
Publication of CN110492955A publication Critical patent/CN110492955A/zh
Application granted granted Critical
Publication of CN110492955B publication Critical patent/CN110492955B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04B—TRANSMISSION
    • H04B17/00—Monitoring; Testing
    • H04B17/30—Monitoring; Testing of propagation channels
    • H04B17/309—Measuring or estimating channel quality parameters
    • H04B17/336—Signal-to-interference ratio [SIR] or carrier-to-interference ratio [CIR]
    • 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
    • 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)
  • Quality & Reliability (AREA)
  • Mobile Radio Communication Systems (AREA)

Abstract

本发明提供了一种基于迁移学习策略的频谱预测切换方法，包括如下步骤：将次用户SU的频谱切换的范围内划分为N+1个互不重叠的PU信道，将没有被次用户SU占用的N个PU信道按照中心频率从小到大顺序，φi为第i个PU信道，i为正整数；将HCRNs系统的每一时隙划分为：频谱感知TS、切换确认TACK和传输阶段TD，在频谱感知TS时间段内，次用户SU对应的基站SBS通过频谱预测感知，从N个PU信道中，选出能够使得次用户SU频谱切换接入的M个空闲信道 为第i个空闲信道；检测次用户SU在切换确认TACK时间间隔内是否收到频谱切换完成的确认信号，当检测到所述确认信号时，则频谱切换过程结束。本发明在HCRNs时隙中，通过增加了一切换确认TACK环节，保证了频谱切换的鲁棒性。

Description

基于迁移学习策略的频谱预测切换方法
技术领域
本发明涉及认知无线电技术领域，具体地，涉及一种基于迁移学习策略的频谱预测切换方法。
背景技术
认知无线电网络CRNs(Cognitive Radio Networks)通过动态频谱接入DSA(Dynamic spectrum access)及频谱资源管理技术，可有效解决当前无线频谱资源紧缺与无线频谱利用率低下之间的矛盾，提高系统的通信容量。混合式认知无线电网络HCRNs(Hybrid Cognitive Radio Networks)是将Interweave式和Underlay式频谱接入统一起来的一种模式，由于其较单一模式频谱接入技术的频谱利用率更高，故研究HCRNs技术更具理论和现实意义。
然而，HCRNs系统面临着诸多技术挑战，其中之一，就是频谱切换技术。根据频谱切换前次用户SU(Secondary user)是否对主用户PU(Primary user)目标信道进行预先选择判决，可将频谱切换分为非预测判决(被动判决)和预测判决(主动判决)两种频谱切换方法。预测判决式频谱切换有效克服了被动判决式频谱切换方法时延较长的缺点，大大节省了SU频谱切换的服务时间，极大地提高了频谱切换的敏捷性和系统性能。
因此，近年来，预测判决式频谱切换技术已成为CRNs技术的一个研究热点。有学者根据授权用户或主用户PU频谱空洞的残余时间分布函数，建立频谱切换概率的分析模型，进而推导出认知用户或次用户SU平均切换次数的解析表达式，并分析了切换次数对SU切换概率的影响。但未考虑SU传输速率、CRNs吞吐量等系统整体性能最优的问题。还有学者假设SU进行频谱切换均需K个固定时隙，并对目标空闲信道按照获得连续K个空闲时隙的概率，从大到小依次排序，以此作为SU频谱切换接入目标空闲信道时的先后顺序。该方法虽然可以将频谱切换次数降为最低，但是，由于该方法的频谱切换时间固定为K个时隙，因此无法减少频谱切换时间，且未考虑频谱切换中较为重要的系统吞吐量等问题。
上述基于预测判决的频谱切换方法仍然存在以下问题：1、只考虑一对发送和接收SU之间进行数据传输的情形，而未考虑周边SU的影响；2、只考虑到单一频谱接入模式下的CRNs频谱切换场景，而未考虑到频谱利用率更高、更贴近实际情况的混合频谱接入式HCRNs应用场景，以及该场景下多SU频谱切换问题；3、未对SU切换成功率或失败率进行分析。
发明内容
针对现有技术中的缺陷，本发明的目的是提供一种混合认知无线网络中基于迁移学习策略的频谱预测切换方法，与传统频谱预测切换方法相比，本发明方法具有更高的切换成功率和更大的系统容量。
根据本发明提供的一种基于迁移学习策略的频谱预测切换方法，包括如下步骤：
步骤S1：将次用户SU的频谱切换的范围内划分为N+1个互不重叠的PU信道，将不包括被次用户SU占用的N个PU信道按照中心频率从小到大排序，φi为第i个PU信道，i为正整数；
步骤S2：将HCRNs系统的每一时隙划分为：频谱感知TS、切换确认TACK和传输阶段TD，在频谱感知TS时间段内，次用户SU对应的基站SBS通过频谱预测感知，从N个PU信道中，选出能够使得次用户SU频谱切换接入的M个空闲信道 为第i个空闲信道；
步骤S3：检测次用户SU在切换确认TACK时间间隔内是否收到频谱切换完成的确认信号，当检测到所述确认信号时，则频谱切换过程结束。
优选地，当没有检测到所述确认信号时，则触发如下步骤：
步骤S4：将所述空闲信道的总体空闲概率表征频谱切换成功的概率，在主用户PU信号出现过程为泊松过程条件下，计算切换成功率Ps；
步骤S5：根据主用户PU和次用户SU的发射功率，在基站PBS和基站SBS处，分别计算出主用户PU、次用户SU的信噪比分别为SINR(p)、
步骤S6：根据SINR(p)、分别设置门限值μ0、μi；
步骤S7：根据门限值μi，求出次用户SUi的传输速率Ri；
步骤S8：根据功率分配方法对次用户SUi进行功率分配生成门限值μ0和μi的统一表达式；
步骤S9：根据传输速率Ri和所述统一表达式生成所述次用户SUi的门限最优值的约束最优化代式；
步骤S10：通过对所述约束最优化代式求解生所述最优门限值以使得次用户SU的回报最大，实现HCRNs系统整体吞吐量最大；
步骤S11：按照HCRNs系统的整体吞吐量由高到低的原则，对空闲信道进行预测判决并排序，得到频谱切换接入时的目标信道序列
优选地，将所述空闲信道的空闲状态持续时间的数学期望一一对应表示为
将空闲信道的总体空闲概率来表征频谱切换成功的概率，由泊松分布的概率密度函数P，推导出次用户SU在目标信道序列上进行频谱切换的成功率Ps，即空闲信道的总体空闲概率为：
其中，TH为为次用户SU在切换成功前需要花费的准备时间。
优选地，在所述步骤S4中PU信号出现的频率为1/λ，概率密度函数PDF为
x为随机信号的值，由泊松分布性质可知，λ=E(X)，E(·)表示数学期望，X为随机信号。
优选地，所述主用户PU、所述次用户SU的信噪比分别为SINR(p)、
其中，表示次用户SUi(i＝1，2，…，L)的SINR值，L为次用户SU的个数， 分别表示主用户PU、次用户SUi到基站PBS之间的信道增益，分别表示次用户SUi、次用户SUj(i≠j)与基站SBS之间的信道增益，为主用户PU和基站SBS之间的信道增益，P0、Pi、Pj分别是主用户PU、次用户SUi、次用户SUj的发射功率，σ2为高斯白噪声功率。
优选地，所述步骤S7具体为：在HCRNs系统中，SUi传输速率Ri与门限值μi之间关系为：
Ri＝Wlog2M(μi)＝Wlog2(1+kμi) (7)
其中，W为信道带宽，M(μi)＝1+kμi表示每个调制符号的比特数，是一个由最大传输误码率rb决定的常数。
优选地，所述步骤S8具体为：功率分配方法为：
其中，βi＝(1+1/μi)-1 (9)
且，
将式(8)代入式(3)、式(4)中，则式(5)和式(6)的统一表达式为
其中，
优选地，所述步骤S9具体为：将次用户SUi的最优门限值的选取归结为以下约束最优化代式：
Ps≥ρ (13)
其中，ρ表示最低频谱切换成功率。
与现有技术相比，本发明具有如下的有益效果：
1、本发明在HCRNs时隙中，通过增加了一切换确认TACK环节，保证了频谱切换的鲁棒性，避免了因固定频谱切换的时隙个数而产生不必要的时间延迟；
2、本发明推导出目标信道切换的优先序列，进而提出一种基于DQN预测判决的频谱切换方法，具有切换成功率更高、迭代次数更少等优点；
3、本发明通过构建出SU频谱切换的成功率及系统吞吐量的模型，采用深度Q网络(Deep Q-Network，DQN)及迁移学习(Transfer Learning，TL)策略对HCRNs系统的信道容量进行分析，实现系统整体信道容量最优。
附图说明
通过阅读参照以下附图对非限制性实施例所作的详细描述，本发明的其它特征、目的和优点将会变得更明显：
图1为本发明实施例提供的基于迁移学习策略的频谱预测切换方法的步骤流程图。
具体实施方式
下面结合具体实施例对本发明进行详细说明。以下实施例将有助于本领域的技术人员进一步理解本发明，但不以任何形式限制本发明。应当指出的是，对本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形和改进。这些都属于本发明的保护范围。
在本发明实施例中，图1为本发明实施例提供的基于迁移学习策略的频谱预测切换方法的步骤流程图，如图1所示，本发明提供的基于迁移学习策略的频谱预测切换方法，包括如下步骤：
步骤S1：将次用户SU的频谱切换的范围内划分为N+1个互不重叠的PU信道，将没有被次用户SU占用的N个PU信道按照中心频率从小到大顺序。
N个PU信道按照其中心频率从小到大顺序表示为φi为第i个PU信道，i为正整数。
步骤S2：将HCRNs系统的每一时隙划分为：频谱感知TS、切换确认TACK和传输阶段TD，在频谱感知TS时间段内，次用户SU对应的基站SBS(Secondary base station)通过频谱预测感知，从N个PU信道中，选出能够使得次用户SU频谱切换接入的空闲信道 为第i个空闲信道。
步骤S3：判断次用户SU在切换确认TACK时间间隔内，检测是否收到频谱切换完成的确认信号，当检测到所述确认信号时，则频谱切换过程结束，否则，触发步骤S4；
步骤S4：将所述空闲信道的总体空闲概率表征频谱切换成功的概率，在PU信号出现过程为泊松过程条件下，计算切换成功率Ps；
在本发明实施例中，将所述空闲信道的空闲状态持续时间的数学期望一一对应表示为将空闲信道的总体空闲概率来表征频谱切换成功的概率，由泊松分布的概率密度函数PDF，推导出次用户SU在目标信道序列上进行频谱切换的成功率Ps，即空闲信道的总体空闲概率为：
其中，TH为次用户SU在切换成功前需要花费的准备时间，包含频谱感知和切换确认两个部分的所用时间。
所述步骤S4中PU信号出现的频率为1/λ，概率密度函数PDF(Probability DensityFunction)为
x为随机信号的值，由泊松分布性质可知，λ=E(X)，E(·)表示数学期望，X为随机信号。
步骤S5：根据主用户PU和次用户SU的发射功率，在基站PBS和基站SBS处，分别计算出主用户PU、次用户SU的信噪比分别为SINR(p)、
在式(3)和式(4)中，表示次用户SUi(i＝1，2，…，L)的SINR值，L为次用户SU的个数，分别表示主用户PU、次用户SUi到基站PBS之间的信道增益，分别表示次用户SUi、次用户SUj(i≠j)与基站SBS之间的信道增益，为主用户PU和基站SBS之间的信道增益，P0、Pi、Pj分别是主用户PU、次用户SUi、次用户SUj的发射功率，σ2为高斯白噪声功率；
步骤S6：根据SINR(p)、分别设置门限值μ0、μi，满足式(5)、(6)的条件。
SINR(p)≥μ0 (5)
步骤S7：根据门限值μi，求出次用户SUi的传输速率Ri。在HCRNs系统中，SUi传输速率Ri与门限值μi之间关系为：
Ri＝Wlog2M(μi)＝Wlog2(1+kμi) (7)
其中，W为信道带宽，M(μi)＝1+kμi表示每个调制符号的比特数，是一个由最大传输误码率rb决定的常数。
步骤S8：根据功率分配方法对次用户SUi进行功率分配，功率分配方法为：
其中，βi＝(1+1/μi)-1 (9)
且，
将式(8)代入式(3)、式(4)中，则式(5)和式(6)的统一表达式为
其中，
步骤S9：根据步骤S7和步骤S8，将次用户SUi的最优门限值的选取归结为以下约束最优化代式：
Ps≥ρ (13)
其中，ρ表示最低频谱切换成功率。
步骤S10：对所述约束最优化代式采用DQN算法求取最优门限值对式(6)进行建模，构建出动作空间、状态空间和回报函数，然后采用DQN算法求得Q值函数近似估计器，从而得到最优学习策略。所述门限值的集合就构成了次用户SUi的动作空间Ai，表示为μi (j)为次用户SU的SINR的门限值，j为正整数。
式(13)中的三个限制条件定义为状态，则在t时刻，则构建出HCRNs系统的状态空间为s(t)＝(I(t)，D(t)，G(t))，其中
其中，为，
将回报函数定义为状态空间s(t)和当前动作空间Ai上的函数，在t时刻，次用户SUi(i＝1，2，…，L)获得的回报ri(st，at)为
Λ为一个常数，其值小于采取任意学习策略时所得到的回报值，st为t时刻该次用户SU的状态，at为t时刻该次用户SU的动作。
对新加入HCRNs系统的新次用户SU，通过周边距离该新次用户SU最近的次用户SU的Q值函数及其参数对其进行初始化。然后，要求次用户SUi通过DQN算法寻找一个最优学习策略π，使得在下一时刻获得的回报最大，即
其中，γt是每一时间步长的折扣因子，E[·]表示数学期望。为最优Q值函数，表示次用户SUi在最优学习策略π下，在(0，∞)时间范围内获得的最大折扣回报ri(s，a)之和，s为次用户SU的状态，a为次用户SU的动作。
由Bellman最优恒等式可知，在下一时刻，如果在状态序列s′下的最优Q值对所有动作a′来说都是已知的，则式(18)可表示为
在DQN经验回放的任一时间步骤t时刻，次用户SUi在与周边无线环境交互的过程中，将获取的经验值存入回放存储器中。为t时刻SUi的动作，为t时刻SUi的状态，ri (t)为SUi在条件下获得的回报，为(t+1)时刻SUi的状态。
次用户SUi在上一步骤和当前步骤下Q值的估计参数分别为θi，通过使得当前迭代步骤下的损失函数L(θi)最小，实现对DQN网络中θi参数的不断更新，即L(θi)＝E[(yi-Q(s，a；θi))2] (20)
其中，用∈-greedy策略来选择每个次用户SU的动作，即门限值μi，对参数θi进行更新，使得次用户SUi的回报最大，实现HCRNs系统整体吞吐量最大。
步骤S11：按照HCRNs系统的整体吞吐量由高到低的原则，对进行预测判决并排序，得到频谱切换接入时的目标信道序列
以上对本发明的具体实施例进行了描述。需要理解的是，本发明并不局限于上述特定实施方式，本领域技术人员可以在权利要求的范围内做出各种变形或修改，这并不影响本发明的实质内容。

Claims (8)

1.一种基于迁移学习策略的频谱预测切换方法，其特征在于，包括如下步骤：
步骤S1：将次用户SU的频谱切换的范围内划分为N+1个互不重叠的PU信道，将不包括被次用户SU占用的N个PU信道按照中心频率从小到大排序，φi为第i个PU信道，i为正整数；
步骤S2：将HCRNs系统的每一时隙划分为：频谱感知TS、切换确认TACK和传输阶段TD，在频谱感知TS时间段内，次用户SU对应的基站SBS通过频谱预测感知，从N个PU信道中，选出能够使得次用户SU频谱切换接入的M个空闲信道 为第i个空闲信道；
步骤S3：检测次用户SU在切换确认TACK时间间隔内是否收到频谱切换完成的确认信号，当检测到所述确认信号时，则频谱切换过程结束。
2.根据权利要求1所述的基于迁移学习策略的频谱预测切换方法，其特征在于，当没有检测到所述确认信号时，则触发如下步骤：
步骤S4：将所述空闲信道的总体空闲概率表征频谱切换成功的概率，在主用户PU信号出现过程为泊松过程条件下，计算切换成功率Ps；
步骤S5：根据主用户PU和次用户SU的发射功率，在基站PBS和基站SBS处，分别计算出主用户PU、次用户SU的信噪比分别为SINR(p)、
步骤S6：根据SINR(p)、分别设置门限值μ0、μi；
步骤S7：根据门限值μi，求出次用户SUi的传输速率Ri；
步骤S8：根据功率分配方法对次用户SUi进行功率分配生成门限值μ0和μi的统一表达式；
步骤S9：根据传输速率Ri和所述统一表达式生成所述次用户SUi的门限最优值的约束最优化代式；
步骤S10：通过对所述约束最优化代式求解生所述最优门限值以使得次用户SU的回报最大，实现HCRNs系统整体吞吐量最大；
步骤S11：按照HCRNs系统的整体吞吐量由高到低的原则，对空闲信道进行预测判决并排序，得到频谱切换接入时的目标信道序列
3.根据权利要求2所述的基于迁移学习策略的频谱预测切换方法，其特征在于，将所述空闲信道的空闲状态持续时间的数学期望一一对应表示为
将空闲信道的总体空闲概率来表征频谱切换成功的概率，由泊松分布的概率密度函数P，推导出次用户SU在目标信道序列上进行频谱切换的成功率Ps，即空闲信道的总体空闲概率为：
其中，TH为为次用户SU在切换成功前需要花费的准备时间。
4.根据权利要求2所述的基于迁移学习策略的频谱预测切换方法，其特征在于，在所述步骤S4中PU信号出现的频率为1/λ，概率密度函数PDF为
x为随机信号的值，由泊松分布性质可知，λ＝E(X)，E(·)表示数学期望，X为随机信号。
5.根据权利要求2所述的基于迁移学习策略的频谱预测切换方法，其特征在于，所述主用户PU、所述次用户SU的信噪比分别为SINR(p)、
其中，表示次用户SUi(i＝1，2，…，L)的SINR值，L为次用户SU的个数， 分别表示主用户PU、次用户SUi到基站PBS之间的信道增益，分别表示次用户SUi、次用户SUj(i≠j)与基站SBS之间的信道增益，为主用户PU和基站SBS之间的信道增益，P0、Pi、Pj分别是主用户PU、次用户SUi、次用户SUj的发射功率，σ2为高斯白噪声功率。
6.根据权利要求2所述的基于迁移学习策略的频谱预测切换方法，其特征在于，所述步骤S7具体为：在HCRNs系统中，SUi传输速率Ri与门限值μi之间关系为：
Ri＝Wlog2M(μi)＝Wlog2(1+kμi) (7)
其中，W为信道带宽，M(μi)＝1+kμi表示每个调制符号的比特数，是一个由最大传输误码率rb决定的常数。
7.根据权利要求2所述的基于迁移学习策略的频谱预测切换方法，其特征在于，所述步骤S8具体为：功率分配方法为：
其中，βi＝(1+1/μi)-1 (9)
且，
将式(8)代入式(3)、式(4)中，则式(5)和式(6)的统一表达式为
其中，
8.根据权利要求7所述的基于迁移学习策略的频谱预测切换方法，其特征在于，所述步骤S9具体为：将次用户SUi的最优门限值的选取归结为以下约束最优化代式：
Ps≥ρ (13)
其中，ρ表示最低频谱切换成功率。
CN201910767987.2A 2019-08-19 2019-08-19 基于迁移学习策略的频谱预测切换方法 Active CN110492955B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910767987.2A CN110492955B (zh) 2019-08-19 2019-08-19 基于迁移学习策略的频谱预测切换方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910767987.2A CN110492955B (zh) 2019-08-19 2019-08-19 基于迁移学习策略的频谱预测切换方法

Publications (2)

Publication Number Publication Date
CN110492955A true CN110492955A (zh) 2019-11-22
CN110492955B CN110492955B (zh) 2021-11-23

Family

ID=68551541

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910767987.2A Active CN110492955B (zh) 2019-08-19 2019-08-19 基于迁移学习策略的频谱预测切换方法

Country Status (1)

Country Link
CN (1) CN110492955B (zh)

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111313995A (zh) * 2020-02-17 2020-06-19 上海应用技术大学 多优先级用户频谱预测切换方法
CN112953666A (zh) * 2021-02-23 2021-06-11 上海应用技术大学 认知无线网络中基于信道质量的频谱预测切换方法
CN112954814A (zh) * 2021-01-27 2021-06-11 哈尔滨工程大学 一种认知无线电中信道质量性接入方法
CN113271611A (zh) * 2021-04-23 2021-08-17 中国空间技术研究院 一种认知卫星网络系统频谱切换优化方法
CN113922899A (zh) * 2021-09-24 2022-01-11 中国人民解放军军事科学院国防科技创新研究院 基于神经网络和Welch变换的频谱感知接入方法
CN114222335A (zh) * 2021-12-13 2022-03-22 北京理工大学 一种基于泊松簇过程的地面小区间切换概率预测方法

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102625387A (zh) * 2012-03-16 2012-08-01 电信科学技术研究院 一种认知无线电系统中的频谱切换方法和设备
US20120195212A1 (en) * 2011-02-01 2012-08-02 The Hong Kong University Of Science And Technology Cooperative sensing scheduling for energy-efficient cognitive radio networks
CN102869018A (zh) * 2012-10-17 2013-01-09 东北大学秦皇岛分校 认知无线电中保证通信连续性的信道和功率联合分配方法
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
CN103428708A (zh) * 2013-08-08 2013-12-04 中国科学院计算技术研究所 一种认知无线网络中的无线接入方法和系统
US20140362685A1 (en) * 2013-06-05 2014-12-11 Electronics And Telecommunications Research Institute Method and apparatus for dynamic channel management in radio system supporting multiple channels
CN106507370A (zh) * 2016-11-25 2017-03-15 重庆邮电大学 主动式频谱感知切换的方法

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20120195212A1 (en) * 2011-02-01 2012-08-02 The Hong Kong University Of Science And Technology Cooperative sensing scheduling for energy-efficient cognitive radio networks
CN102625387A (zh) * 2012-03-16 2012-08-01 电信科学技术研究院 一种认知无线电系统中的频谱切换方法和设备
CN102869018A (zh) * 2012-10-17 2013-01-09 东北大学秦皇岛分校 认知无线电中保证通信连续性的信道和功率联合分配方法
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
US20140362685A1 (en) * 2013-06-05 2014-12-11 Electronics And Telecommunications Research Institute Method and apparatus for dynamic channel management in radio system supporting multiple channels
CN103428708A (zh) * 2013-08-08 2013-12-04 中国科学院计算技术研究所 一种认知无线网络中的无线接入方法和系统
CN106507370A (zh) * 2016-11-25 2017-03-15 重庆邮电大学 主动式频谱感知切换的方法

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
GKIONIS: "An Effective Spectrum Handoff Scheme for Cognitive Radio Ad Hoc Networks", 《IEEE》 *
叶芝慧等: "基于学习策略的动态频谱接入信道选择及系统性能", 《东南大学学报(自然科学版)》 *
李美玲等: "一种自适应的协作频谱感知方法", 《太原科技大学学报》 *
王宏志等: "基于粒子群优化的认知无线电功率分配算法", 《吉林大学学报(理学版)》 *

Cited By (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111313995A (zh) * 2020-02-17 2020-06-19 上海应用技术大学 多优先级用户频谱预测切换方法
CN111313995B (zh) * 2020-02-17 2022-03-01 上海应用技术大学 多优先级用户频谱预测切换方法
CN112954814A (zh) * 2021-01-27 2021-06-11 哈尔滨工程大学 一种认知无线电中信道质量性接入方法
CN112953666A (zh) * 2021-02-23 2021-06-11 上海应用技术大学 认知无线网络中基于信道质量的频谱预测切换方法
CN112953666B (zh) * 2021-02-23 2022-11-01 上海应用技术大学 认知无线网络中基于信道质量的频谱预测切换方法
CN113271611A (zh) * 2021-04-23 2021-08-17 中国空间技术研究院 一种认知卫星网络系统频谱切换优化方法
CN113922899A (zh) * 2021-09-24 2022-01-11 中国人民解放军军事科学院国防科技创新研究院 基于神经网络和Welch变换的频谱感知接入方法
CN113922899B (zh) * 2021-09-24 2023-10-24 中国人民解放军军事科学院国防科技创新研究院 基于神经网络和Welch变换的频谱感知接入方法
CN114222335A (zh) * 2021-12-13 2022-03-22 北京理工大学 一种基于泊松簇过程的地面小区间切换概率预测方法
CN114222335B (zh) * 2021-12-13 2024-04-19 北京理工大学 一种基于泊松簇过程的地面小区间切换概率预测方法

Also Published As

Publication number Publication date
CN110492955B (zh) 2021-11-23

Similar Documents

Publication Publication Date Title
CN110492955A (zh) 基于迁移学习策略的频谱预测切换方法
Georgiou et al. Low power wide area network analysis: Can LoRa scale?
Zhong et al. Traffic matching in 5G ultra-dense networks
CN102090096B (zh) 在异构接入点网络中用于基站的接入机制
CN103210593B (zh) 小区间干扰协调自组织网络的方法和装置
US10348474B2 (en) Method and apparatus for processing cell interference
US9282568B2 (en) Method and system for dynamic, joint assignment of power and scheduling of users for wireless systems
KR101813822B1 (ko) D2d 발견 신호의 송신 방법과 송신 장치
Qiang et al. A user centered multi-objective handoff scheme for hybrid 5G environments
CN105915300B (zh) 一种在cr网络中基于rlnc的退避频谱预测方法
Yu et al. Interference coordination strategy based on Nash bargaining for small‐cell networks
Xu et al. Resource management for interference mitigation in device‐to‐device communication
Ozyurt et al. LiFi-based D2D communication in industrial IoT
CN114071443A (zh) 参考信号测量方法、终端及网络侧设备
Yamamoto et al. Performance evaluation of reinforcement learning based distributed channel selection algorithm in massive IoT networks
CN117083913A (zh) 测量间隙设置
Morattab et al. Mode selection map‐based vertical handover in D2D enabled 5G networks
CN104581974B (zh) 超密集网络中基于正交资源的动态基站协作方法
CN105264960A (zh) 能力匹配方法、装置及系统
Xin et al. ROP: Near-optimal rendezvous for dynamic spectrum access networks
Ozyurt et al. CoMP-JT scheme for D2D communication in industrial LiFi networks
CN102711259B (zh) 基于马尔科夫过程的无线异构网络吞吐量优化方法
Pescosolido et al. On the impact of the physical layer model on the performance of D2D-offloading in vehicular environments
Chukhno et al. Beyond Complexity Limits: Machine Learning for Sidelink-Assisted mmWave Multicasting in 6G
Ahmed et al. Combinatorial Optimization for Artificial Intelligence Enabled Mobile Network Automation

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