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 PDFInfo
- 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
- switching
- secondary user
- spectrum
- frequency spectrum
- 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
- 238000001228 spectrum Methods 0.000 title claims abstract description 93
- 238000000034 method Methods 0.000 title claims abstract description 38
- 238000013526 transfer learning Methods 0.000 title claims abstract description 18
- 230000005540 biological transmission Effects 0.000 claims abstract description 14
- 238000012790 confirmation Methods 0.000 claims abstract description 11
- 101000647571 Homo sapiens Pre-mRNA-splicing factor SYF1 Proteins 0.000 claims abstract 6
- 102100025391 Pre-mRNA-splicing factor SYF1 Human genes 0.000 claims abstract 6
- 108091006146 Channels Proteins 0.000 claims description 55
- 230000006870 function Effects 0.000 claims description 15
- 238000005457 optimization Methods 0.000 claims description 8
- 230000008569 process Effects 0.000 claims description 8
- 230000014509 gene expression Effects 0.000 claims description 6
- 238000012163 sequencing technique Methods 0.000 claims description 3
- 230000003595 spectral effect Effects 0.000 claims description 3
- 230000001960 triggered effect Effects 0.000 claims description 2
- 230000008447 perception Effects 0.000 abstract 2
- 230000009471 action Effects 0.000 description 5
- 230000001149 cognitive effect Effects 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 5
- 230000007547 defect Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000005315 distribution function Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
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
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。
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)
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 |
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 |
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)
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 |
-
2019
- 2019-08-19 CN CN201910767987.2A patent/CN110492955B/zh active Active
Patent Citations (7)
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)
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)
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 |
---|---|---|
CN110492955B (zh) | 基于迁移学习策略的频谱预测切换方法 | |
CN109474980A (zh) | 一种基于深度增强学习的无线网络资源分配方法 | |
CN102869018B (zh) | 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 | |
Liu et al. | Cooperation and learning in multiuser opportunistic spectrum access | |
CN106507370B (zh) | 主动式频谱感知切换的方法 | |
CN114867030B (zh) | 双时间尺度智能无线接入网切片方法 | |
Balakrishnan et al. | Deep reinforcement learning based traffic-and channel-aware OFDMA resource allocation | |
CN108882377B (zh) | 基于认知的lte-r中资源分配方法 | |
CN117915481B (zh) | 超密集工业物联网的资源分配方法及系统 | |
Kaur et al. | Intelligent spectrum management based on reinforcement learning schemes in cooperative cognitive radio networks | |
Derakhshani et al. | Learning-based opportunistic spectrum access with adaptive hopping transmission strategy | |
Ren et al. | Joint spectrum allocation and power control in vehicular communications based on dueling double DQN | |
CN114828193B (zh) | 一种无线网络上下行多业务并发功率分配方法及存储介质 | |
CN107995034B (zh) | 一种密集蜂窝网络能量与业务协作方法 | |
Liu et al. | Dynamic multiple access based on deep reinforcement learning for Internet of Things | |
CN115915454A (zh) | Swipt辅助的下行资源分配方法及装置 | |
Eskandari et al. | Smart interference management xApp using deep reinforcement learning | |
Cordeschi et al. | Fairness-constrained optimized time-window controllers for secondary-users with primary-user reliability guarantees | |
Tang et al. | An almost blank subframe allocation algorithm for 5G new radio in unlicensed bands | |
Wang et al. | Joint spectrum allocation and power control in vehicular networks based on reinforcement learning | |
Jiang et al. | Dueling double deep q-network based computation offloading and resource allocation scheme for internet of vehicles | |
Zhu et al. | A model simulation and analyses for resource allocation scheme in v2v communications with deep q network | |
Wang et al. | Monotonic generalized Nash games with application to the management of energy-aware ALOHA networks | |
CN115802465B (zh) | 基于强化学习框架的d2d边缘缓存网络能耗管理方法 | |
Gutierrez-Estevez et al. | STFDMA: A novel technique for ad-hoc V2V networks exploiting radio channels frequency diversity |
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 |