當大眾對無線通信服務進一步的呼吁,能夠被分配的頻譜無奈到了不好尋找的時候。認知無線電利用次級使用者能夠在盡量不影響主使用者業(yè)務的前提下,不斷地進行檢測和利用頻譜空洞,理所應當更多地享受特權。一方面,如果次級使用者能夠預先獲取主使用者更多的特點,例如媒體訪問控制（Medium Access Control,MAC）信息等,想當然進一步降低對主使用者產(chǎn)生的紊亂。另一方面,深度學習因為它自己驚人的集合表征特點和辦法,化身各個轄區(qū)分析和討論中不可或缺的寵兒。本文把深度學習這個工具擴展在認知無線電中,特別通過循環(huán)神經(jīng)網(wǎng)絡分析主使用者序列,重點解決基于深度學習的MAC協(xié)議分析問題。首先,這里基于TDMA、CSMA、Slotted Aloha以及Pure Aloha 4類經(jīng)典的MAC序列,利用循環(huán)神經(jīng)網(wǎng)絡善于分析時序流樣本的特點,設計了一種依賴深度學習的MAC序列種類分辨技術,解決了主用戶所使用的MAC序列的種類識別問題。這個方法著重完備地想到了MAC協(xié)議序列在時域上的聯(lián)系,相較于傳統(tǒng)的機器學習方法具有更高的分類精度且不需要手動特征提取。然后,這里考慮到仿真模型通信網(wǎng)絡中存在多個主用戶協(xié)同合作的情況... 

【文章來源】：華僑大學福建省

【文章頁數(shù)】：68 頁

【學位級別】：碩士

【部分圖文】：

認知無線電原理圖

第1章緒論3圖1.1認知無線電原理圖在CR中，規(guī)定了兩種不同的頻譜使用者：主使用者PU和次級使用者SU。主使用者的工作范圍是事先分配的。次級享受者不具備事先約定的范圍的享受權，只有在主享受者不在線時有一搭沒一搭地品味剩下的頻段。CR中次級享受者對頻譜的使用不當會導致對主享受者的壞的影響，從而影響主享受者的通信質(zhì)量。這樣說來，次級享受者有想辦法完美了解資源要不然處于忙工作或者要不然處于被主使用者享受的本領。在CR中，頻譜空洞的特點可以從圖1.2里面看出來。圖1.2頻譜空洞示意圖在CR中，各個使用者對特定范圍的怎樣享有資源各有特點，SU通過分析該頻段被PU業(yè)務的占用情況和干擾的功率高低，從判斷該頻段是否可用。CR需要根據(jù)用戶的需求設置合適的誤碼率、傳輸模式、延遲與帶寬，從而選擇合適的工作頻段以便達到更好的通信服務質(zhì)量。也就是說，當SU使用頻譜空洞時，需要確保自身的通信不會對PU的業(yè)務造成干擾。當PU到了享用這個頻譜空洞

華僑大學碩士學位論文4時，SU必須及時避讓或者調(diào)整自身參數(shù)，減少對PU的影響。在不影響PU業(yè)務的前提下，SU靈活地使用頻譜空洞。所以，SU需要分析當前PU的MAC協(xié)議，從而調(diào)整自身的參數(shù)。這樣既減少了對PU的業(yè)務產(chǎn)生干擾，又進一步提高了頻譜利用率�，F(xiàn)如今，在世界各地關于CR的MAC層分析中，MAC協(xié)議分析這塊知識作為其中的潮流寵兒，備受關注。1.3這種用到方案說明幾年來被開發(fā)的分支作為盡可能地實現(xiàn)中近幾年來被開發(fā)的分支，這樣應用到ML讓之盡可能地實現(xiàn)當時開始的期望—人工智能（ArtificialIntelligence,AI）[9]。但是由于計算機硬件條件的限制和樣本數(shù)量的不足等原因，ML在不少領域的前景還存在著不是特別優(yōu)秀的地方。近年來，面臨硬件水平的提升和大規(guī)模信息風口的臨近，ML發(fā)展到了DL的新時代。DL是一種更復雜的ML方案，并搖身一變了現(xiàn)在研究界的時尚寵兒。DL能夠被說明成“深度”加“學習”它們倆部分之間加權�！吧疃取斌w現(xiàn)在這個網(wǎng)絡的有幾層樓上，換句話解釋起來為，這個網(wǎng)絡的樓層也就是越高，則訓練數(shù)據(jù)集的能力越強；“學習”解釋成這個網(wǎng)絡是不是有辦法井然有序輸入樣本集合有意圖得更新改變里面的許多變量，來訓練出理想的特征表達分辨。圖1.3展現(xiàn)的為包括2樓中間樓的4樓這樣的網(wǎng)絡。目前，DL已經(jīng)在眾多方面取得的性能大大超過傳統(tǒng)相關技術[10][11]，這也是本文采用深度學習這一工具的原因。圖1.3神經(jīng)網(wǎng)絡結(jié)構(gòu)


本文編號：2954744