认知算法（精选八篇）
认知算法 篇1
随着互联网信息技术的日益发展，电子商务和社交网络已经与人们的生活密不可分，社会计算[1]也在越来越多的领域中得到应用，社会网络作为一种信息分析与管理研究新视角受到广泛关注。然而，研究者针对社会网络的相关研究都集中在兴趣分析、社区划分和推荐算法等，忽略了社会关系的预测。
社会关系预测作为社会网络分析的一个重要方向，它与图形学和社会学密切相关。研究早期，人们主要通过建立深度模型来提高预测准确性，首先是2000年Sarukkai提出了Markov模型[2]，成为了社会关系预测的建树型成果;在此基础上，2002年zhu等人将自适应网络的研究引入Markov模型[3];2003年L.Ungar提出一个统计关系学习模型[4]，利用节点属性匹配来预测社会关系;2005年Madadhai等人提出了局部条件概率模型[5]，通过将拓扑特性与节点属性结合来进行预测。近几年来，随着模型不断地完善，研究者基于不同模型提出了多种多样的关系预测算法，例如:随机步长预测算法[6]、最大相似度预测算法[6]、中心度预测算法[7]和LAS(Locally Aggregates Sturctures)预测算法[8]等等。同时，人们开始将社会关系预测运用到网络数据校正、网络拓扑测量、网络动态分析等各个领域，2014年Catherine针对社会关系的动态实时预测提出了CMA-E预测算法[9]。随着网络规模不断地复杂化，社会关系预测逐步成为国内外研究者的热点内容。然而，上述大部分社会关系预测的研究都是在大量节点采样结果下[10]，利用节点社会特征来实现关系预测，它们都忽略了节点的认知性，并且预测精度受采样率和采样误差影响大[11]。研究成果表明在一个采样率较低的网络中，现有方法的预测结果与真实网络比较会丢失20%的节点关系[12,13,14]，它无法解决低采样率下社会网络精确预测的问题，因此人们开始研究利用节点认知特性[15]来预测网络结构。
在认知研究方面，首先是由Krackhardt于1987年提出了社会关系认知模型[8]，并指出节点的认知性对准确构建网络具有正向作用[16]。Kilduff进一步证明了:如果网络中的节点感知到某一节点与中心节点存在直接联系，那么这将会提高该节点的中心度[17]。这两项研究说明了节点具有认知性，并且这种认知性可用于预测网络关系。Krackhardt和Kilduff为认知模型下的社会关系预测奠定了理论基础，但是他们并没有提出具体的方法。直到2003年，Butts提出了一种基于社会关系认知模型的贝叶斯关系采集预测方法[18]，它利用了节点的认知性来校正预测结果的误差，但是这种方法同样对采样率的要求很高。综上所述，针对如何在低采样率下提高社会关系预测精度的研究具有重要的意义。
因此，本文将二分查找方法和自适应控制方法运用到社会关系认知模型中，提出了一种低采样率下的社会关系预测算法。它只需要采样小部分网络节点，并获得采样节点对所有网络成员间社会关系的认知信息[19]，再综合判定，从采样节点的社会关系认知信息中提取出真实的网络节点关系，完成整体网络关系的预测。它主要用于实现低采样率和高采样误差下，认知节点间社会关系的精确预测。它适用于一切具有节点认知能力的社会网络中。例如:在对全球高管间社会关系的预测中，本预测算法可以在抽样小部分高管的条件下，预测出所有成员间的社会关系。
1 问题描述
在社会网络的分析中，节点采样是十分困难的[20]，它会受到个体行为的影响[21]而无法获得正确的节点信息。因此，研究者开始利用认知关系预测的方法来避免对所有节点的采样。传统的关系预测方法对采样率要求较高，它需要采样50%以上的节点。那么，如何在低采样率下提高预测精度、降低预测时间?为了解决这些问题，本文提出了一种基于认知模型的社会关系预测算法。如图1所示为传统方法和本算法的流程图。与传统方法比较，本算法利用节点认知性降低了采样率;利用阈值控制减小了重复采样。
为了说明本算法流程，我们以一个N个节点的网络中本算法的预测过程为例，如图2所示。预测前，我们输入采样率Pc和容错率P'(一般为0.05、0.1、0.15)。预测中，我们首先根据采样率Pc，随机采样n(n=N×Pc)个节点，得到采样集m和采样节点对网络关系的三维认知信息Ri,j,m;然后按照阈值控制的矩阵合并方法从三维矩阵Ri,j,m中提取出二维关系信息θ;最后进行误差分析，将θ和Ri,j,m比较得到采样误差率与阀值的关系PK，建立自适应阈值的容错过程，设定控制条件Pk≤P'，二分查找获得满足控制条件的最小阈值Kmin，输出阈值Kmin下的关系预测结果Rij。
为了验证本算法在低采样率下的性能，我们在同一网络、不同采样率下和不同网络、同一低采样率下比较了本算法与其他方法的预测精度和预测时间。
2 算法描述
本算法主要分为采样、矩阵合并、容错控制和阈值二分查找四个步骤。
2.1 采样
本算法的数据采样是不同于传统方法。传统方法需要采样大部分网络节点，而本算法只要随机采样了小部分节点;传统方法采样后获得了成员间的社会关系，而本算法获得了采样节点对所有网络成员间社会关系的认知信息，并以一种三维的0-1认知矩阵集Ri,j,k的形式记录。
在矩阵集Ri,j,k中，i代表社会关系的发送方，j代表接收方，k代表对i和j社会关系的观察者，Ri,j,k=1表示k观察到i到j关系存在，Ri,j,k=0则表示不存在。在N个成员的社会网络中，所有成员的认知矩阵集Ri,j,k是由N个N×N的认知矩阵构成，每个认知矩阵中都记录了单个观察者对所有社会关系的认知信息。例如:图3中依次表示了成员A、B、C、D和E的认知矩阵，每个认知矩阵中都记录了20种成员间的社会关系。
在认知矩阵中，观察者的认知信息可以分为两类。以图3中节点A的认知矩阵为例，第一类是观察者A对A与其他成员社会关系的认知信息，称为已知关系，例如:认知矩阵A的第一行和第一列为已知关系;第二类是观察者A对其他节点之间社会关系的认知信息，称为认知关系。
在采样中，本算法在采样空间n下随机采样。例如图3中，采样空间n为3时，随机采样三个节点(A、D、E)，得到节点采样集m和认知矩阵集Ri,j,m，其中m=(1,4,5)。
2.2 矩阵合并
在2.1节中，我们获得了部分节点的三维认知信息Ri,j,m，然后我们需要合并三维认知信息Ri,j,m，预测出二维关系信息Ri,j。Ri,j表示网络的关系矩阵，i表示发送方，j表示接收方。
通常而言，认知模型下的矩阵合并方法有三种:片、局部汇总结构法和一致性结构法[15]。在文献[22]中，它归纳了这三种方法的特性和应用领域。由于这三种方法都将采样节点的已知关系和认知关系等同合并，因此我们提出了一种新的矩阵合并方法。
首先，根据采样节点认知信息Ri,j,m分为已知关系和认知关系两类，我们将合并过程分为三种情况:(1)采样节点间的已知关系合并;(2)采样节点间的认知关系合并;(3)采样节点间的已知关系和认知关系合并。
然后，按照这三种情况设定合并规则:
(1)采样节点间的已知关系合并。我们采用并集局部汇总方法，如式(1)所示。
其中Ri,j,i和Ri,j,j分别代表采样节点i和j认知矩阵中的已知关系，Ri,j表示节点i与j的社会关系。当Ri,j,i和Ri,j,j都为1，关系的发送方和接收方都认定关系存在时，那么判断关系i到j存在，Ri,j为1。
(2)采样节点间的认知关系合并。我们采用一致性结构方法，如式(2)所示。
其中表示所有采样节点对i与j社会关系的个体认知汇总，K为设定的临界阈值。当关系的发送方i和接收方j都未被采样时，则参照所有采样节点对关系的认知信息汇总值，如果汇总值大于或等于K则判定关系Ri,j存在。
(3)采样节点间的已知关系和认知关系合并。我们采用条件控制下的一致性结构方法，如式(3)所示。
其中表示:当关系的发送方i和接收方j都只有一方被采样时，则先考虑采样节点的已知关系是否为1，如果采样节点的已知关系为1并且汇总值大于或等于K，则判定关系Ri,j存在。
最后，综合三种情况得到最终结果θ，θ=α+β+χ。为了进一步解释合并规则，我们以图3中网络(A、B、C、D、E)为例，随机采样节点(A、D、E)，得到采样集m=(1,4,5)和A、D、E的认知矩阵，然后在阈值为2时完成矩阵合并，得到合并过程和合并结果如图4所示。
图4中α、β、χ分别是在第一、第二、第三种情况下合并得到的矩阵，θ为最终结果，TURE为真实网络矩阵。
在α中得到了采样节点(A、D、E)之间的社会关系。例如在分析E到D的社会关系时，我们访问D和E认知矩阵的已知关系，得到RE,D,D和RE,D,E为1，那么可以判定E到D的社会关系存在，所以α中得到RE,D为1。
在β中得到了未采样节点(B、C)之间的社会关系。例如在分析B到C的社会关系时，访问所有采样节点的认知关系，得到，等于阈值K，所以β中得到RB,C为1。
在χ中得到了采样节点(A、D、E)与未采样节点(B、C)之间的社会关系。例如在分析A到C的社会关系时，先访问A认知矩阵的已知信息，得到RA,C,A为1，再访问所有采样节点的认知关系，得到，所以χ中得到RA,C为1。
2.3 容错控制和阈值二分查找
在2.2节中，我们利用阈值K实现了Ri,j,m合并，得到了矩阵θ，并且随着K变化会得到不同的矩阵θ。因此，我们设计了一个阈值控制过程，自适应调制K值，使得预测结果θ最接近真实结果TURE。
首先，得到采样误差率和阈值的函数关系PK。认知信息采样中，我们会产生两类误差:第一类是真实关系不存在，而认知判定关系存在，如式(4)。第二类是真实关系存在，而认知判定关系不存在，如式(5)。
例如图4中，我们通过合并采样节点A和D的认知矩阵，判定关系A到D的不存在，而E的认知矩阵中认知判定存在，就产生了第一类误差。因此，我们通过比较合并后矩阵θ和采样节点认知矩阵Ri,j,m，分析阈值K对θ的影响，得到K值与采样误差率的关系Pk:
其中V为采样节点中存在的误差数，Q为采样节点中可能存在的误差数。
然后，设定容错控制条件。我们根据最大可容忍的采样误差率P'，建立一个容错控制过程，查找最小的Kmin值使得P1≤P'，输出阈值K为Kmin时的矩阵合并结果，得到最接近真实网络的预测结果。
最后，利用二分查找算法优化控制过程。先将K值设定为采样大小n/2(n为采样空间)，得到错误率P1;再比较P1与P'的大小，如果P1>P'则增大K值设为3n/4，如果P1>P'则减小K值设为n/4;循环二分过程得到最佳K值。根据前面对本算法过程的描述，本文给出本算法的伪代码描述。其中步骤1、步骤2为输入、输出，步骤3-步骤5为阈值二分查找过程，步骤6、步骤7为矩阵合并过程。
本算法伪代码
2.4 算法复杂度分析
根据给出的本算法代码，分析本算法复杂度。
在阈值二分查找中，步骤3为二分查找初始值设定，在0到n的范围内查找最佳k值;步骤4为容错控制过程，主要是N×N矩阵的加运算和归一化运算，其算法复杂度为O(N2);步骤5为二分查找过程，其平均时间复杂度为O(log2n);因此，阈值二分查找的复杂度为O(N2log2n)。
在矩阵合并中，步骤6主要也是N×N矩阵的加法和归一化运算，其算法复杂度为O(N2)。
通过以上分析，我们可以得出本算法的时间复杂度:O(N2log2n+N2)，其中N为网络节点数，n为抽样节点数。当抽样节点数n大于等于2，本算法的时间复杂度为O(N2log2n)，而阀值算法的复杂度为O(nN2),Central Graph算法为O(N3)。相比其他方法，本算法利用二分查找优化了迭代过程，通过部分采样减低了数据量。
3 实验
3.1 实验数据和环境
实验数据是按照文献[3]中的数据生成方法，仿真生成的认知数据包。每个数据包记录了两部分信息:(1)网络中所有成员的认知矩阵信息Ri,j,k;(2)真实网络的社会关系信息TURE。
实验环境分为软件平台和硬件配置，软件平台是R平台(数据探索、统计分析、作图的解释型语言平台)，硬件配置为一台CPU为Intel 3.60GHz、内存为32.00GB的服务器。
3.2 实验方法
我们首先在R平台上生成了节点数分别为1000、2000、3000、4000和5000的5个数据包，然后在容错率为0.1下运用本算法和其他方法进行了多次预测，最后利用数值统计的方法比较了均方误差(MSE)。MSE=var+dif2其中var是指预测数据方差，dif是预测数据均值与真实网络的误差。
实验中，我们将本算法与Central Graph算法[7]和LAS(Locally Aggregates Sturctures)[15]算法进行了性能比较。Central Graph算法和LAS算法是关系预测的两种常用方法。Central Graph算法是通过Hamming距离分析，查找采样节点中的中心节点，并利用中心节点的认知能力完成关系预测的方法。LAS算法则是基于并集局部汇总和映射的预测方法，当i到j关系未采样时，LAS算法则按照j到i关系预测结果。
在3.3.1节中，我们在同一网络中比较了不同采样率下本算法与其他方法的性能;在3.3.2节中，我们在不同网络中比较了同一低采样率下本算法与其他方法的性能。
3.3 实验结果
3.3.1 同一网络、不同采样率下的性能比较
为了分析采样率对本算法的影响，我们在不同采样率下，用本算法、Central Graph算法和LAS算法对一个节点数为2000的社会网络进行了关系预测，比较了预测网络与真实网络的均方误差(MSE)。图5和图6分别是不同的采样率下本算法、Central Graph算法和LAS算法的密度和聚类系数MSE曲线，横坐标表示采样率，纵坐标表示MSE值。
从图5到图6可以得到:(1)在不同采样率下，本算法的MSE值比Central Graph算法和LAS算法都要低，本算法的预测结果更加接近于真实网络数据。(2)当采样率较小时，Central Graph算法和LAS算法MSE值较大，而本算法MSE值较小，本算法的预测精度依然很高。
因为在Central Graph算法中，如果采样率较低，预测得到的中心节点对网络的认知度低，这样会导致网络中较偏远的节点数据丢失;在LAS算法中，采样率较低时将无法获得大部分节点直接信息。随着采样率增大，LAS关系预测算法的精度会提高，而Central Graph算法最终还是无法达到真实网络数值。本算法受采样率变化影响较小，一直保持很高的预测精度。
3.3.2 不同网络、同一低采样率下的性能比较
在3.3.1节中我们在同一网络中、不同采样率下分析了采样率对本算法的影响。为了进一步分析低采样率下本算法在的性能，我们在同一低采样率下，运用本算法与其他方法对不同规模的网络进行了多组预测实验。
首先，我们在R平台上模拟生成了5个网络密度均为0.55，节点数为1000、2000、3000、4000和5000的不同网络，并在30%的采样率下对五个不同网络进行采样预测。
然后，我们比较了三种算法的预测误差。如图7和图8所示为预测结果的MSE曲线，其中横坐标表示节点数，纵坐标表示MSE值。从图7和图8中我们可以得到:(1)在五个不同的网络中，低采样率的下本算法全部精确地预测出了五个不同网络的社会关系，并且本算法预测结果的均方误差比Centra Graph算法和LAS算法都要低，预测网络更加接近真实网络(2)随着预测网络规模的增大，低采样率下的本算法依然能够保持较高的预测精度。因此，本算法实现了低采样率下社会关系的精确预测。
最后，我们比较了低采样率下本算法与Central Graph算法的预测时间，如图9所示为本算法和Central Graph算法在30%采样率下对五个网络的预测时间，其中横坐标为预测网络节点数，纵坐标为预测时间。
从图9中可以得出，本算法的时间开销远低于Central Graph算法。Central Graph算法的预测时间会随着预测网络节点数的增加而快速增长，而本算法不会。当节点数为5000时，本算法比Central Graph算法时间开销降低了300%，并且随着节点数的增加时间开销继续降低。因为在Central Graph算法中，随着节点数增加Hamming距离分析的时间开销会增加;而本算法的预测时间主要取决于阈值K的查找速度，受网络节点数的影响较小。
以上所有实验充分证明了:基于认知模型的本算法是一种高效的社会关系预测算法，它受采样率的影响小，在低采样率下依然精确、快速地完成节点关系预测，与其他算法比较，本算法在提升了预测精度的同时减低了预测时间。
4 结语
本文首先利用了节点的认知性，将认知模型与关系预测相结合，提出了一种社会关系预测的新方法，实现了部分随机采样下社会关系的预测，降低了采样率;其次引入阈值控制误差和二分查找两种方法，分析了阈值与预测精度的相互关系，利用二分查找优化了预测过程，提高了预测精度、降低了预测时间;最后实验证明本算法与其他预测方法比较可以在低采样率下快速、精确地预测网络节点间的社会关系。
在下一步工作中，我们还可以从以下两个方面加强研究:(1)根据网络节点数、网络密度、网络聚类系数等不同特性，建立阈值的模糊控制规则集，利用模糊控制方法优化容错控制过程。(2)挖掘网络节点推荐特性，将随机采样方式变为推荐式采样，实现认知关系的主动发现和智能推送。
摘要：针对低采样率下社会网络中传统的关系预测方法精度较低的问题,提出一种基于认知模型的社会关系预测算法。该方法利用了单个节点对整个网络的认知能力,部分随机采样获得采样节点对社会网络中节点间关系的认知信息,然后根据认知信息预测出未采样节点的社会关系,实现了低采样率下所有节点间社会关系的预测。为了分析算法性能,在不同网络中用该算法与传统方法进行多组对比实验,结果表明该算法在低采样率下提高了预测精度、降低了预测时间。
认知算法 篇2
一、引言
随着物联网技术在各领域的应用，无线通信技术的应用也越来越广，解决频谱资源的有效利用问题也变得越来越突出，尤其是无线局域网技术应用越来越成熟，宽带无线应用面临更高的要求，涉及宽带利用率及信息传输率等多方面问题处理。为了充分有效利用和管理宽带频谱资源，提出了动态频谱分配技术，用于解决频谱资源没有充分利用导致的频谱资源不足。认知无线电技术可以从时间、空间和频率等多维度对宽带频谱资源的重复利用和共享，能很好解决频谱资源不足等问题。
二、TCP拥塞控制机制原理
拥塞通常是指在一个网络中报文分组过多，导致网络的性能下降，主要表现在发生传输信息变慢等情况。拥塞的网络状态主要是持续过载，此时网络资源的固有容量不能满足使用，或者资源不够分配，导致部分用户需要等待网络资源的分配，这是产生拥塞的根本原因。当网络资源使用量较少时，单位时间内成功地传送数据的数量随着网络使用的增加而增加，两者是线性关系，而响应时间增长缓慢。当使用量达到网络固有容量时，单位时间内成功地传送数据的数量则出现缓慢增长的趋势，但响应时间却急剧增加，通常把这一个转折点称为Knee。如果网络使用量继续增加，路由器开始丢包，当网络使用量超过一定量时，单位时间内成功地传送数据的数量急剧下降，而这一点通常称为Cliff。单位时间内成功地传送数据的数量（吞吐量）和响应时间随网络使用量（负载）的变化曲线仿真结果如图1所示。从图1可以看出，网络使用量在Knee附近时网络的利用效率是最高的。为了避免出现网络拥塞或者对已经发生的拥塞做出应对处理，这就要求网络节点采取拥塞控制措施来解决。
目前拥塞控制主要采用的是TCP拥塞控制，这种拥塞控制系统主要特征是具有自适应、分布式处理功能，在一定程度上能够解决网络拥塞，做出及时、有效的响应。TCP拥塞控制算法有很多形式，有基于确认ACK的，还有基于时延RTT。都是TCP拥塞控制算法的延伸和优化，各有所长。
三、拥塞控制源算法
传统的拥塞控制算法主要是依靠TCP协议，通过协议控制信息源端流入网络的数据流，这样的拥塞控制功能基本上都是在端系统上实现的。经典的TCP拥塞控制源算法Reno、New-Reno、SACK、Vegas、Westwood等，这些算法构成了拥塞控制源算法。
1.TCP Reno和TCP NewReno
Reno在Tahoe的基础上增加了“快速恢复”算法，这种算法的优化主要是解决当传输网络处于半拥塞状态下，采用传统拥塞控制算法而出现发送通道尺寸突然变小导致信息快速传输后通道过分浪费的现象。所以算法在快速恢复阶段设计规则是，当前一次的所有信息在网络中传输结束后，才能允许下一次传输的信息进入网络。
Reno中的“快速恢复/快速重传”算法在数据拥塞传输过程中有一个比较大的问题就是遇到拥塞可能出现丢弃多个报文的情况，这样会造成部分数据信息的缺失，导致传输信息不完整。为了进一步提高TCP的性能，NewReno优化了Reno中的“快速恢复/快速重传”算法。其算法设计思路是：对于处理同一窗口中丢失的数据时，让网络连接状态一直处于快速恢复阶段，一直等到丢失数据全部恢复，源端才转换状态，停止快速恢复。如果遇到在数据传输过程中出现同一窗口丢失多个数据包的情况后，网络终端反复通过ACK通知网络源端重新发送没有恢复的数据，直到这个ACK不再发送通知为止，说明数据传输完成，故称为Partial ACK。所以NewReno算法利用Partial ACK主要解决检测同一窗口中丢失的多个数据包的问题。
2.TCP SACK
SACK算法的优化在于采用数据“发”的时候进行选择机制，“收”的时候进行确认机制，所以Reno和SACK两种优化算法最大的区别在于对于同一个窗口出现多个报文数据丢失的性能和应对的方式是不一样的。SACK算法设计思路是：在网络连接进行初次握手时，网络起始端和网络终端互相进行命令提示，确定此次连接是否使用SACK命令选项。SACK网络终端根据命令来选择丢失的数据信息再一次发送到源端，同时告知已经完成传输的数据信息，这样起始端不需要重复传输数据，只需重传丢失的数据。这样的算法思路设计可以达到在一个RTT内选择重传多个丢失的报文段，提高了TCP的性能。在数据传输丢失率处于中间且长延迟网络环境中比较适用于SACK算法。
3.TCP Vegas
TCP Vegas（以下简称Vegas）算法的创新点在于通过测量传输数据的TCP技术，其算法设计3种不同的传输机制有效得提高单位时间里传输的数据量、同时降低分组丢弃率。这3种不同的传输机制包括新的重传机制，新的拥塞避免机制和扩展的“慢起动”机制。由于Vegsa是基于回路响应延时RTT估计的，它比基于丢包探测的Reno拥塞控制性能优越，比Reno算法提高37%到71%的吞吐量。
Vegas是通过比较实际吞吐量来调整拥塞窗口大小的。
4.TCP Westwood
TCPW也是一种基于测量的TCP算法。它和Reno算法的最大区别是降低盲目性，Reno算法主要处理运算超时或者判断ACK是否重复出现，而算法的处理结果就是减半拥塞窗口。TCPW算法设计的出发点抛开中间路由器采用带宽优异估计算法，具体思路是当出现通信网络拥塞时，首先进行通信带宽大小的估计，主要用链路估算法，通过估算出的带宽智能调整启动门限值，控制窗口来匹配带宽，保证窗口的有效利用。这种控制方法称为AIAD（Additive Increase Adaptive Decrease）机制，主要用于无线网路下拥塞处理，算法性能相对较优。这种控制算法的工作特征是ACK速率的检测，通信源端通过估计目的端的通信速率，实时估算网络中能够应用的通信带宽数，当出现拥塞时，做出响应，调整可用带宽，适应拥塞窗口。具体算法如图2所示。
nlc202309082228
在设计算法过程中，有3个参数值的注意，其中，
代表网络数多少，
代表带宽估算值，
代表网络中检测的最小窗口门限值，其结果在理想情况下处理，以中间队列长度为零时得到的数值为准。
因此，TCPW是在Reno算法上的改进，集合了Reno算法的优点，避免了Reno算法的拥塞窗口过分浪费的问题，TCPW算法在出现拥塞时，能准确调整带宽窗口及窗口门限值，对传输的数据快速恢复。而且这种算法的最大优势在于不减少数据包或中途检测，充分遵循了端到端的语义。
四、仿真设计及分析
为了验证拥塞算法及其改进算法在处理无线电环境下网路拥塞的效果，设计通信网络拓扑结构如图3所示，无线电网路覆盖面在500×400米范围内，在这个覆盖面存在3个网络节点，其中发送端有2个，分别是0节点和3节点，而接收端是2节点，1节点进行信息中转，是中继端，通信速率设置为2Mbps，是节点之间信息的传输速率。在15秒的时候，1节点1向正上方以5m/s的速度匀速前行，前行150s的时间。1节点移动范围始终保持在0节点和2节点通信频率覆盖面，且保持信号始终是畅通的。
仿真实验参数设定：主要比较Reno、Newreno、Sack、Vegas和TCPW等算法在无线网络和认知无线电网络两种通信环境情况下，各种参数的性能，参数包括拥塞窗口、瞬时吞吐量、阈值和丢包率，仿真结果如图4、图5、图6、图7所示，其中Reno、Newreno、Sack、Vegas和TCPW各算法在认知无线电环境下仿真分别用R CogN、NR_CogN、S_CogN、V_CogN和W_CogN表示，拥塞窗口用CWND表示，吞吐量用Throughput表示，门限值用ssthresh表示。
从图4至图7仿真结果可以得到各种拥塞算法在认知无线电通信网络中各种参数（拥塞窗口、吞吐量）的变化趋势。得出如下结论：Reno算法及其改进算法主要用于带宽较低和有限网络，所以处理认知无线电通信网络中的带宽范围变化较大的动态情况不理想，平均拥塞窗口和吞吐量都高于Reno算法或改进算法的是TCPW算法。从图4中可以看出，在处理网络拥塞时明显性能较好的是Sack、TCPW算法，Sack算法主要采用应答选择方式，只要通信信息包非连续丢失，其处理拥塞时性能比较高，TCPW算法是通过通信网络带宽使用量来估算当前网络使用效率以此判断是否出现拥塞，而且判别出是哪一种丢包情况，即误码丢包还是拥塞丢包，其处理网络拥塞情况不明时性能更优。Vegas算法采用反馈RTT控控机制，比其它算法最大的差异在于在带宽分配过程中存在不公平现象，导致控制算法在慢启动动作重复性，网络的有效利用被降低。TCPW算法采用带宽测量方式，根据通信带宽来合理分配，可以有效利用认知网络环境下的带宽、吞吐量，同时保证系统时延降低等性能。
图6和图7仿真5种拥塞算法在认知无线电网络中的平均吞吐量和ACK变化趋势，可以得到：在平均吞吐量方面，Vegas算法处理拥塞性能最差，变化趋势没有波动，其他算法处理效果区别不大，TCPW算法采用ACK流控制拥塞窗口的动态变化，效果稍强于其它算法。原因在于在认知无线电网络中，TCPW算法调整慢启动门限值在通信过程中一直未中断，实时进行，门限值调整综合当前网络情况和历史情况智能决定，而Reno算法及其改进算法的TCP慢启动机制，慢启动时只是探测网络当前使用带宽，在不明网络状态下，把慢启动门限值设置为当前带宽窗口大小，与实时传输信息量不匹配，窗口过大导致重复传输，从而是RTO控制超时，降低了系统吞吐量。
为了进一步研究5种算法在处理网络拥塞时性能，丢包数、丢包率是另一个重要参数，5种算法丢包数、丢包率在认知无线电网络中的比较如表所示。
从表中数据可以比较得出：丢包率最小的是Vegas算法，但其在同时间内发送数据是最少的，很多带宽没有充分利用，造成网络资源浪费；其它4种算法丢包率差别不明显，Reno算法稍好于Newreno算法，Newreno算法稍好于Sack算法，TCPW算法好于Reno算法、Newreno算法和Sack算法，但其在同时间内发送数据是最多，相对而言丢包率也比较低。从各个参数比较情况综合来看，各种TCP拥塞控制算法在处理无线电认知网络中效果已经达不到想要的性能。因此从多参数分析评价，TCPW算法在处理认知无线电网络动态环境效果更理想。
五、结语
本文从TCP拥塞控制机制原理介绍出发，研究现阶段常用的5种典型的拥塞控制算法，提出针对传统无线网络环境下的TCP性能增强方案，从衡量拥塞控制机制的性能参数进行分析对比，得出可行性处理方案。由于无线网络的逐渐普及，网络结构及数据传输变得复杂且要求增高，处理过程呈现动态性、多态性，这使充分利用拥塞控制机制变得尤为重要。由于在无线电认知网络中，每一个通信节点有感知周围环境和重构能力，可以通过感知周围环境对频谱的使用情况进行实时监控，对认知无线电网络的频谱资源进行有效选择，以当前网络拥塞量的平均值作为下一次拥塞时的窗口门限值，调整变化大。在认知无线电网络环境下，比较了5种典型TCP拥塞控制算法性能，通过对丢包、平均拥塞窗口、平均吞吐量、瞬时吞吐量和ACK等参数的仿真分析，结果表明TCPW在认知无线电网络下性能最佳。
一种矿用精确定位系统认知算法设计 篇3
近年来,随着精确定位系统在煤矿井下的应用, 井下工作人员的人身安全得到了有效保障。与传统的RFID定位系统相比,精确定位系统的覆盖范围更广,因此,系统中的节点必须具有更大的发射功率才能和基站进行通信; 同时,基站在大范围内对目标节点的实时跟踪往往会导致大量定位数据的产生, 从而导致整个定位系统的功耗和数据产生率数倍、 甚至数十倍于RFID定位系统[1]。由于系统中目标节点携带的电池能量有限,过高的功耗会使定位系统的生命周期大大缩短; 同时,煤矿井下特殊通信环境限制了基站到主干网链路的数据传输速率[2],系统产生的大量定位数据极易导致通信链路发生拥塞,不能及时上传目标节点的实时定位数据,从而导致地面监控中心无法监测到目标节点的实时运动轨迹。因此,降低精确定位系统的功耗和数据产生率, 有助于精确定位系统在煤矿井下的推广应用。
对于采用TOA( Time of Arrival)[3,4,5]技术的矿用精确定位系统,其功耗与目标节点的射频发射功率、 定位数据采样间隔直接相关; 系统的数据产生率直接与目标节点数据产生率相关,由定位数据采样间隔所决定。要降低精确定位系统的功耗和数据产生率,首先应考虑降低系统中目标节点的射频发射功率,同时增大定位数据采样间隔。本文提出了一种矿用精确定位系统认知算法,通过动态感知目标节点的移动速度、位置变化等信息,采用重构决策的方法动态调整目标节点的发射功率、定位数据采样间隔,在不影响系统对目标节点跟踪性能的条件下,有效地降低系统功耗和数据产生率。
1系统参数分析
在现有精确定位系统中,目标节点的发射功率、 定位数据采样间隔在不同环境下均采用相同配置, 所以目标节点的平均功耗和数据产生率无法随环境的变化而得到有效控制。
要降低目标节点的功耗和数据产生率,其本质就是根据环境变化调整与目标节点性能相关的配置参数,从而优化整个系统的性能[6,7,8,9]。在精确定位系统中,与目标节点功耗和数据产生率直接或间接相关的环境参数包括系统定位精度[10]、目标节点与基站的距离和目标节点移动速度; 相关的配置参数包括定位数据采样间隔和发射功率。
1.1定位数据采样间隔
定位数据采样间隔T为基站与目标节点进行相邻2次通信的时间间隔,它直接影响了目标节点的平均功耗和数据产生率。从参考文献[11]可知, 目标节点在1个定位周期内的平均功耗PNode为
式中: PPosition为目标节点与基站完成1次定位需要的功耗,m W; TPosition为目标节点与基站完成1次定位需要的时间,ms; Psleep为目标节点休眠时的功耗, μW; Tsleep为目标节点休眠时间,s。
PPosition可通过式( 2) 计算:
式中: V为目标节点工作电压; TTx为射频功放工作时长; ITx为射频功放的工作电流,当发射功率发生变化时,ITx随之变化; Iother为目标节点中除射频功放外其余器件的工作电流之和。
由于Tsleep> > TPosition,所以式( 1) 可简化为
从式( 3) 可以看出,通过增大定位数据采样间隔T可以降低目标节点的平均功耗; 增大定位数据采样间隔T,在相同时间段内基站采集到的目标节点定位数据量也随之减少,等同于降低目标节点的数据产生率。
1.2系统定位精度和节点移动速度
系统定位精度、目标节点移动速度等参数均影响基站对目标节点运动状态的判断结果。假设目标节点在ti时刻与基站的实际距离为D( ti) ,测量距离为d( ti) ,定位误差为e( ti) ,由参考文献[12-13] 中的测量模型可得
式中: nm( ti) 为系统测量误差,是一个零均值高斯变量; NLOSm( ti) 为由无线 传输环境 带来的NLOS ( Non-Line of Sight) 误差,是一个正随机变量。
由式( 4) 可知,若目标节点静止不动,则在ti + 1时刻基站获取到的测试距离位移量 Δdi + 1为
式中: Δei + 1为ti + 1时刻定位误差变化量。
定义 Δd表示任意2个相邻采样点之间的目标节点测量距离位移量,Amax为系统定位精度,则根据式( 5) 可知,只需满足目标节点动态判决条件: Δd > Amax,即目标节点在1个采样间隔T内的测量距离位移量大于系统定位精度,基站就能可靠地判断出目标节点处于非静止状态[10]。
当目标节点移动速度为vi时,其在ti + 1时刻的实际距离为D( ti + 1) = D( ti) + viT,结合式( 4 ) ,可计算出目标节点在( ti,ti + 1) 时间段内的测量距离位移量 Δdi + 1为
式中: vmi为目标节点在ti时刻的测量速度,与目标节点移动速度vi成正比。
从式( 6) 可以看出,在满足 Δd > Amax的条件下, 目标节点的移动速度越慢,采样间隔T的取值就可以越大,从而可降低目标节点的功耗和数据产生率。
1.3发射功率
发射功率( Transmission Power,Tx P) 是决定目标节点功耗高低和有效通信距离远近的关键因素。在减小发射功率、降低目标节点功耗的同时,会缩短目标节点的有效通信距离,因此,根据目标节点的位置信息配置合适的发射功率参数,在降低目标节点功耗的同时,才不会导致目标节点与基站的通信出现中断。
从参考文献[14]可知,基站在距离目标节点位置D处接收到的信号强度PR( D) 为
式中: PR0为参考点处的接收信号强度; u为路径衰减因子,其值与无线信号的传播环境有关,是一个经验值,本文取u = 2. 888 9[15]; D0为目标节点和参考点之间的距离,一般取为1 m。
当目标节点 与基站距 离为D时,只要满足PR( D) > Rx_sensitivity( Rx_sensitivity为基站的接收灵敏度值) ,目标节点就能与基站进行可靠定位。当目标节点靠近基站时,只要适当减小发射功率,就不会使目标节点与基站中断联系。
2认知算法
为了降低精确定位系统的功耗和数据产生率, 本文提出的认知算法主要用于调整目标节点的发射功率和定位数据采用间隔。算法的具体工作流程如图1所示。
该算法采用重构决策的方法控制目标节点的功耗和数据产生率,找到一个与特定环境下对应的输入参数联合作为当前环境下的最佳参数。将目标节点和基站之间 的测量距 离d划分为2个等级: { Near,Far} ,对应距离分别为dN,dF; 将发射功率划分为3个等级: { Low,Meduim,High} ; 将目标节点的测量速度vm划分为3个等级: { Slow,Intermediate, Fast} ,对应速度分别为vS,vI,vF; 将定位数据采样间隔T划分为4个等级: { Static,Slow,Intermediate, Fast} 。
从式( 4) 和式( 7) 可得
现有矿用精确定位系统的定位误差e的数量级为米,当dN和dF远大于e时,式( 8) 可简化为
从式( 9) 可知,目标节点可根据测试距离d控制发射功率,测试距离d越小,发射功率的值也相应降低,发射功率的控制规则见表1。
从式( 6) 可知,定位数据采样间隔T的取值与目标节点测量速度vm相关,T = Δd /vm。因此,定位数据采样间隔T的控制规则见表2。
算法具体步骤:
( 1) 初始化。设置系统定位精度Amax; 配置发射功率等级为High,采样间隔等级为Fast,确保目标节点首次能与基站进行可靠通信。
( 2) 目标节点根据di从表1中选择相应的发射功率等级。
( 3) 调整定位数据采样间隔T。1计算出 Δdi; 2根据vm= Δd / T,计算目标节点移动速度vmi; 3如果vmi小于表2中Ti对应的速度等级,则逐级增加定位数据采样间隔,如Ti等级为Slow,则设置Ti + 1等级为Static; 如果vmi等于表2中Ti对应的速度,则Ti不改变; 如果vmi大于Ti对应的速度,则立即设置Ti + 1等级为Fast,以保证基站对目标节点运动轨迹跟踪的连续性。
( 4) 令i = i + 1,重复步骤( 2) 、( 3) ,直到目标节点离开该基站的覆盖范围,结束重复。
3算法仿真与性能分析
一般井下巷道长度在数百米以上,而巷道壁的宽度通常很短,一般为3 ~ 6 m,当基站位于巷道中轴线时,其距离巷道壁的垂直距离为1. 5 ~ 3. 0 m。 考虑在现有矿用精确定位系统中,系统定位精度的数量级为米,因此,巷道宽度相对于巷道长度来说, 可以忽略不计[16]。
本文采用Matlab对认知算法进行性能分析。 模拟一个300 m长的井下巷道,在( - 150 ~ 150 m) 的巷道区域内随机部署20个目标节点,基站位于巷道区域中间位置即0 m处。
3.1仿真参数设置
测试距离d对应的仿真参数设置: dN= 50 m,dF= 100 m。从参考文献[11]中得知,目标节点发射功率为21 d B·m时,即PR0= 21 d B·m时,目标节点在150 m处能可靠地与基站进行通信。结合式 ( 6) 可以得出,发射功率PR0为18 d B·m时,可满足100 m处的可靠通信; 发射功率PR0为10 d B·m时, 可满足50 m处的可靠通信。因此,设发射功率等级Low,Meduim,High对应的功率分别为10,18,21 d B ·m。
设定位数据 采样间隔 等级Static, Slow, Intermediate,Fast对应的时间分别为8,4,2,1 s。根据vm= Δd / T,将vm对应的仿真参数设置为
从参考文献[11]可知,目标节点工作电压V = 2. 5 V,射频功放工作时长TTx约为3. 5 ms,除射频功放外其余器件的工作电流Iother约为34. 8 m A。因此,当目标节点的发射功率为21 d B·m时,射频功放工作电流ITx为130 m A,从式( 3) 可以得出目标节点在定位时所需功耗PPosition为3. 75 m W; 当发射功率为18 d B·m时,射频功放工作电流为90 m A,可以计算出PPosition降为3. 4 m W; 当发射功 率为10 d B·m时,射频功放工作电流为60 m A,PPosition则降为3. 15 m W。
其他参数设置见表3。
3.2仿真结果与分析
3.2.1功耗
在不同精度的定位系统中,目标节点在基站覆盖范围内以不同速度随机移动时,采用认知算法后的功耗减少比例如图2所示。从图2可知,在定位精度为5 m的系统中,采用认知算法后,当目标节点高速移动时,目标节点的功耗减少并不明显,约减少10% ; 随着目标节点移动速度降低,目标节点的功耗逐渐减小,与不采用认知算法时相比,最多可减少85% 的功耗; 而在定位精度为10 m的系统中,采用认知算法后,目标节点的 功耗减少 了约30% ~ 90% 。由于认知算法根据目标节点的位置和速度变化对定位数据采样间隔和功率进行主动调节,所以目标节点功耗相对未采用认知算法来说明显降低。
3.2.2数据产生率
在不同定位精度的定位系统中,目标节点在基站覆盖范围内以不同速度随机移动时,采用认知算法后,数据产生率减少比例如图3所示。从图3可知,在定位精度为5 m的系统中,当目标节点移动速度较高时,数据产生率几乎没有减少,而随着目标节点移动速度降低,数据产生率逐渐减少,最多可减少82% ; 而在定位精度为10 m的系统中,采用认知算法后,目标节点的平均数据产生率比不采用认知算法时的数据产生率减少了约20% ~ 85% 。由于认知算法根据目标节点的速度变化对定位数据采样间隔进行主动调节,有效地降低了目标节点的数据产生率。
结合图2、图3可以得出,当目标节点移动速度较低或系统定位精度较低时,采用认知算法后,功耗和数据产生率明显减少; 随着目标节点移动速度或系统定位精度增加,采用认知算法后,各项性能指标改善程度逐渐降低。根据vmT > Amax,当定位精度越高或目标节点移动速度越快时,基站判断出目标节点处于运动状态的概率越大。为了不影响精确定位系统的轨迹跟踪性能,认知算法会更加频繁地将定位数据采样间隔调整到Fast状态,导致目标节点的功耗和数据产生率的改善程度相对降低。现有煤矿井下精确定位系统的系 统定位精 度大多为5 ~ 10 m,所以认知算法能较明显地降低煤矿精确定位系统的功耗和数据产生率。
3.2.3运动轨迹
在定位精度为10 m的系统中,采用认知算法和非认知算法时,基站对目标节点以不同速度移动的运动轨迹跟踪情况如图4所示。从图4( a) 可看出, 在目标节点低速运动时,认知算法虽然不能提高定位精度,但可以平 滑目标节 点的运动 轨迹。从图4( b) 可看出,当目标节点运动速度较高时,采用认知算法后,目标节点的运动轨迹与采用非认知算法的运动轨迹几乎重合。从图4可以看出,认知算法在自主应对环境变化、降低功耗和数据产生率的同时,不会影响精确定位系统跟踪目标节点运动轨迹的性能。
4结语
分析了影响矿用精确定位系统功耗和数据产生率的因素,提出了一种改进的精确定位系统认知算法。仿真结果证明,采用该认知算法后,矿用精确定位系统的功耗和数据产生率明显降低,同时并未影响系统的运动轨迹跟踪性能。对于采用TOA定位技术的精确定位系统来说,影响定位系统功耗和数据产生率的因素均类似,因此,该认知算法适用于采用TOA定位技术的各类矿用精确定位系统。
摘要：针对现有矿用精确定位系统存在功耗高、数据产生率大的问题,设计了一种矿用精确定位系统认知算法。该认知算法通过感知目标节点移动速度、位置的变化,采用重构决策的方法将目标节点的发射功率和定位数据采样间隔进行合理重配置,实现系统功耗和数据产生率的优化。仿真结果表明,该认知算法能有效地降低矿用精确定位系统的功耗和数据产生率,同时不会影响定位系统对节点运动轨迹的跟踪性能。
认知无线电中频谱感知算法研究 篇4
为提高对微弱信号的检测能力, 克服经典感知算法的缺点, 近年来基于随机矩阵理论的感知算法迅速成为研究热点。Cardoso等人提出基于大维随机矩阵理论的协作频谱感知算法 (LSC算法) , Zeng等人中提出了最大特征值感知算法和最大最小值特征值 (MME) 算法, 文献[1,2,3]对上述算法进行改进, 但求取判决门限时仍然使用了协方差矩阵特征值的渐近值。在小样本情况下会对感知性能造成影响。
为解决上述算法中计算量大, 通信开销大、忽视认知用户的差异性等缺点, 本文采用随机矩阵理论的最新发现, 分析了根据特征值比值分布设置判决门限的方法, 提出了一种基于自适应信任度选择的特征值频谱感知算法。
1 感知场景
在网络中存在认知基站, 多个认知用户采用协作的方式对主基站发射的信号进行感知, 并把感知到的信号发送到认知基站进行统一的数据处理, 最后根据相应准则判决出频段内是否存在频谱空洞, 实现了协作频谱感知。
2 算法描述
认知网络中, 用户分布存在非均匀性、不对称性, 甚至有一些恶意用户存在。这些原因导致不同用户判决结果的可靠性程度不同。若融合中心完全公平地同等对待所有参与用户, 则最终判决难免会受到那些检测性能低的节点的不利影响。而且在协作感知过程中协作用户数和采样数越多, 需要越多的通信开销。本文根据各认知用户的自适应可信度作为选择条件, 从K个用户中选出可信度最高的M个用户进行协作, 以降低运算量和检测时间, 减小感知开销, 进而提高检测效率。
为了避免对噪声功率进行估计, 首次感知前利用不存在授权用户的过去感知周期内的信号 (该信号可以通过关闭感知设备接收天线前端, 通过采集感知设备的噪声而获得) 与实际通信中的接收信号能量作对比, 得出本地感知结果。本文提出的自适应信任度特征值频谱感知算法描述如下:
(1) 初始化参数, 信任度均为1, 判决错误数均为0, 调整因子初始为0.9; (2) 进行信号采样, 得出本地判决。将本地判决与采样信号发送到认知基站; (3) 并计算协方差矩阵的最大最小特征值, 并计算判决门限; (4) 按相应公式得出判决结果; (5) 对比各用户本地判决与认知基站得出的最终判决, 更新用户信任度值; (6) 选择出前M个信任度最高的认知用户进行下次协作; (7) 在下一次协作中, 步骤 (6) 中选出的M个用户发送其本地感知结果及采样信号信息;其余K-M个用户仅发送其本地感知结果。
3 仿真分析
经过仿真可以得到用户的信任度与检测概率具有基本一致的变化趋势, 并且随着检测次数的增加, 信任度越来越接近其本地检测概率。用户由于检测概率逐渐降低, 信任度也随之降低。CMME特征值的比值分布与实际分布存在较大偏差, 本文算法的分布能够精确逼近实际分布。因此, 在同一虚警概率下, 本课题设置的门限更为精确。
通过选择出5个信任度高的认知用户进行感知。本算法能够在特定虚警概率下设置出更精确的门限, 可达到80%以上的检测概率;而CMME算法由于其门限设定时的渐近特性, 使得在小样本情况下无法达到较好的检测性能;由于噪声不确性的存在, 能量检测几乎失效。在5个用户协作时, 本算法性能明显优于CMME算法;在10用户协作时, CMME算法性能略高于本课题算法;在信噪比为-25dB时, 本课题算法能达到接近60%的检测概率。
在算法复杂度方面, 由于特征值检测算法的计算复杂度主要在于协方差矩阵特征值的计算上, 复杂度为O (K3) , 而得到协方差矩阵也需要进行K×N次的乘法和加法运算。因此, 协作用户数量的选取直接影响了感知算法的复杂度。本文算法基于信任度选择小部分用户进行协作, 大大降低了算法的复杂度;在感知开销方面, 本课题算法选择出少量用户进行协作, 其他用户仅需发送1bit的本地感知结果;相比其他特征值检测算法所有用户均发送大量采样信息, 本课题算法减少了感知过程的通信开销。
4 结束语
本文针对传统特征值检测算法中计算量大, 忽略用户差异性的缺点, 研究了一种基于特征值检测的改进算法。通过设置不同用户的自适应信任度对用户进行选择, 并利用随机矩阵理论中最新发现的特征值比值分布设置相应判决门限, 在信任度高的部分用户的协作下能获得高检测性能, 节省了感知时间和感知开销。
摘要：本文利用随机矩阵最新研究成果, 分析接收信号采样协方差矩阵的最大最小特征值的比值分布, 求取更为精确的判决门限, 并在感知过程中选择信任度高的部分用户进行协作。
关键词：认知无线电,频谱感知,特征值,信任度
参考文献
[1]PENNA F, GARELLO R, SPIRITO M A.Cooperative spectrum sensing based on the limiting eigenvalue ratio distribution in Wishart matrices[J].IEEE Communications Letters, 2009, 13 (7) :507-509.
[2]曹开田, 杨震.一种新型的基于最大特征值的合作频谱感知算法[J].电子与信息学报, 2011, 33 (6) :1367-1371.
对认知无线电波束成形算法的探讨 篇5
在无线通信中, 有限的无线频谱资源大部分分配给了授权的用户;然而, 授权用户在时间、地点和空间等一系列的维度上没有完全充分利用宝贵的频谱资源, 故研究学者提出了认知无线电 (Cognitive Radio, CR) 技术[1]。认知无线电技术从根本上说就是利用授权用户在授权频谱不用的维度传输非授权用户的信息。此技术从提出就广受学术界的关注, 成为研究的热点[2,3,4]。在传统的研究中, 协作频谱感知策略通常都引入一些次用户, 最后将各自检测的数据或者结论发给融合中心进行决策[5]。所研究的系统, 主用户网络中的中继节点利用主用户收发双方的空隙可以与次用户网络中的感知基站进行信息的交互。在频谱感知的优化标准, 以次用户基站的信噪比作为优化的目标, 设计最优的波束成形算法, 在保证主用户系统服务质量的同时, 最大化次用户系统的信噪比。列出的优化函数是一个非凸问题, 即是非正定规划。将此非凸问题转化成凸优化问题, 可以得到闭合解, 仿真结果表明此方法的检测概率明显优于其他方法。
1 系统模型
所提方案的系统模型如图1所示。此系统中包括1对主用户收发装置和K个次用户, 主用户对之间需要通过次用户进行信息交换, 他们中间不存在之间的链路信息。次用户有2个方面的作用: (1) 进行频谱感知, 检测主用户是否正在利用授权的频谱; (2) 作为主用户对之间的中继, 帮助主用户进行通信。假设从一开始, 同步机制比较完善, 每一个步骤都非常同步, 并且次用户采用放大转发的中继协议进行转发。主用户配置N个接收天线, 同时每一个次用户均配置N个天线, 次用户基站配置M个天线。
在第1时隙, 次用户基站和主用户基站均向次用户发送信息;在第2时隙, 次用户将处理后的信号发送给主用户和次用户基站。其中, 虚线代表对主用户的干扰。不失一般性, 设主用户基站为用户1和次用户基站为用户2分别发送信息, 并且假设主用户基站和主用户之间不存在直接的通信链路。本系统是频分双工系统, 在第1时隙, 用户i (i=1, 2) 发送信号Si给次用户, 则次用户接收的信号可以表示为:
在第2时隙, 次用户将接收到的信号进行信号处理, 即波束成形处理发送给主用户基站和次用户基站, 从而达到传送主用户信息和次用户基站进行频谱检测的目的。其中Tj代表第j (j=1, 2, …, K) 个次用户发送的信号, 其可以写为:
式中, vj是在主用户基站或者次用户基站的加性高斯白噪声, 其均值为0, 方差为σ2;Gj为第j个次用户到主用户的信道, 。为了保证主用户的正常通信, 次用户对主用户造成的干扰不能超过一个特定的值, 在此表示为:
在此系统模型中, 假设认知网络不考虑对主用户网络的任何干扰, 因此, 主用户网络应用双向中继进行通信, 次用户基站通过感应信道来进行机会主义传输, 在第2时隙, 次用户基站接收到的信号可以表示为:
式中, H3=diag (h3) 是次用户到次用户基站之间的信道矩阵。根据矩阵知识带入式 (4) 可写为:
在次用户基站接收到的信号与主用户接收到的信号用途是不同的, 在主用户接收的信号是为了得到对方的信息, 而在次用户接收的信号是为了进行频谱检测, 重点也是对次用户基站的频谱检测。
2 有限反馈条件下的频谱感知
根据最大似然检测, 可以得到判决门限为λ, 根据检测可以得到检测中的检测概率PD和虚警概率PF:
式中, Q (·) 为标准高斯分布的累积分布函数, 通过设计合理的λ, 可以得到相应的虚警概率和检测概率:
将式 (8) 带入式 (6) , 可以得到检测概率与虚警概率之间的关系为:
定义接收到的信噪比为:
将式 (10) 带入式 (9) 从而可以得到双向中继认知系统的检测概率为:
从式 (11) 可以看出, 检测概率是信噪比的增函数, 所以最大化信噪比, 可以有效地提高系统的检测概率。
3 有限反馈条件下的频谱感知优化
根据分析, 在有限反馈条件下来优化频谱感知函数[8,9], 从而提高频谱感知的性能。其主要手段就是最小化信噪比, 因此, 要确定优化函数, 其优化问题可以表达为:
式中, φ1和φ2分别为干扰的噪声容限, 而PMAX为整个网络发送的最大功率, 在一个确定的系统中, 这些值均是已知的, 故在这里, 可以当作常数来用。而在有限反馈条件下, 反馈的信道不再是完整的信道状态信息, 故SNR和其他涉及到σ12和σ22中的信道状态信息均按照反馈的估计值计算, 即:
由于式 (15) 是非凸优化函数, 故需要将其转化为优化函数, 即定义W=w wH, 则优化问题可以转化为:
根据式 (16) 可以看出, 只有在合理的t的取值范围下找到最优的值tmax, 令t的取值范围为[tl, tu]。
4 仿真结果与复杂度分析
采用计算机仿真来显示所提方案的先进性。为了简化仿真, 认为次用户到双向中继的距离是相等的。不失一般性, RS和次用户到主用户的距离是RS到次用户距离的2倍和3倍。在仿真中, 取M=8, N=2, K=8, 且设次用户和中继发送的最大功率相等, 即PR=Pk=Pt。设不同阶段对主用户干扰的界限均为η。在有限反馈机制中, 采用随机高斯曼流型的量化码本, 其迭代次数为8次。在反馈机制中, 采用的是随机码本。
在SNR变化的情况下误检测概率的变化情况如图1所示。可以看出, 随着SNR的增加, 其误检测概率也随之降低, 而且对比了不同数量次用户的情况。随着次用户的增加, 其误检测概率也随之降低。
5 结束语
研究了在次用户作为双向中继的场景下, 认知无线电系统的频谱检测问题, 在此场景下, 协作频谱感知的效果最好, 次用户不但充当了双向中继, 也有频谱检测的功能, 通过优化问题转化得到了一个最优解, 在有限反馈条件下也依然适用。当然还有处理速度的问题没有考虑, 将在随后的研究中不断的深入。
参考文献
[1]CHAKRAVARTHY V, LI X, ZHOU R L, et al.A Novel Hybrid Overlay/Underlay Cognitive Radio Waveform in Frequency Selective Fading Channels[C]∥4th International Conference on Cognitive Radio Oriented Wireless Networks and Communications, 2009:1-6.
[2]CHAKRAVARTHY V, WU Z Q, TEMPLE M, et al.Cognitive Radio Centric Overlay/Underlay Waveform[C]∥3rd IEEE Symposium on New Frontiers in Dynamic Spectrum Access Networks, 2008:1-10.
[3]CHAKRAVARTHY V, WU Z Q, SHAW A, et al.A General Overlay/Underlay Analytic Expression Representing Cognitive Radio Waveform[C]∥International Waveform Diversity and Design Conference, 2007:69-73.
[4]DIGHAM F F, ALOUINI M S, SIMON M K.On the Energy Detection of Unknown Signals over Fading Channels[J].IEEE International Conference on Communications (ICC’03) , 2003:3575-3579.
[5]GHASEMI A, SOUSA E S.Collaborative Spectrum Sensing for Opportunistic Access in Fading Environments[J].First IEEE International Symposium on New Frontiers in Dynamic Spectrum Access Networks, 2005:131-136.
[6]CHEN S P, WANG W B, ZHANG X.Performance Analysis of Multiuser Diversity in Cooperative Multi-Relay Networks under Rayleigh-Fading Channels[J].IEEE Trans.on Wireless Commun, 2009, 8 (8) :3415-3419.
[7]OH J, CHOI W.A Hybrid Cognitive Radio System:A Combination of Underlay and Overlay Approaches[J].IEEE Vehicular Technology Conference Fall (VTC 2010-Fall) , 2010:1-5.
[8]SRIRAM S, VISHWANATH S, JAFAR S, et al.On the Capacity of Cognitive Relay Assisted Gaussian Interference Channel[J].2008 International Symposium on Information Theory, 2008:1-5.
[9]BIXIO L, OLIVERI G, OTTONELLO M, et al.Cognitive Radios with Multiple Antennas Exploiting Spatial Opportunities[J].The IEEE Trans.Signal Process., 2010, 58 (8) :4453-4459.
认知算法 篇6
随着无线通信技术的飞速发展,频谱资源变得越来越紧张。尤其是随着无线局域网(WLAN)技术、无线个人网(WPAN)技术和无线城域网(WMAN)技术的高速发展,以及无线区域网络(WRAN)的兴起,人们对宽带无线应用提出了更高的要求。同时一部分非授权频段的使用率已趋于饱和,而另一方面,相当数量的另一部分授权频段的频谱利用率却非常低。日益增长的频谱需求与有限的频谱资源之间的矛盾已经成为通信发展的主要制约因素。为了解决上述问题,因此, 人们提出采用认知无线电CR技术, 通过从时间和空间上充分利用那些空闲的频谱资源,来解决上述难题[1]。
采用认知无线电技术的最终的目的是通过认知和重新配置获得最好的可用频谱。由于多数频谱都已经被分配,因此认知无线电最大的挑战就是如何与法定用户共享频谱而不对其产生有害干扰。为了衡量CR用户的发射信号对授权用户(PU)可能造成的有害干扰,美国(FCC)于2003年提出了一种干扰测量模型——干扰温度。这个模型使得人们把评价干扰的方式,从大量的发射机的操作转向了发射机和接收机之间的以自适应方式进行的实时性交互活动。干扰温度提供了在某一地理位置上的某一感兴趣的频带上接收机能够顺利工作的最差环境特征描述。只要CR用户的射频干扰叠加环境噪声以后尚未突破这个干扰温度界限,就可以利用该频段。也即CR用户可以通过择机的方式接入主用户的频段,从而提高频谱利用率。
近年来,认知无线电的动态频谱分配的研究工作相继展开,目前认知无线电频谱分配模型主要有以下几种。文献[2]讨论了基于图论着色理论的频谱分配中的频谱分配算法,文献[3]讨论了基于博弈理论的频谱分配,文献[4]讨论了基于竞价拍卖理论的频谱分配模型。认知无线电中的频谱分配技术区别于其它无线通信频谱分配的最主要特点就是保证灵活性[5]。认知无线电任何频谱分配技术的研究都要有较强的频谱退避和转换功能,而由于可用频谱信息的不断更新,相应的频谱分配算法也必须满足实时性的要求。为了进一步提高频谱分配算法的收敛速度,文献[6]基于干扰温度模型将稳定婚姻问题中的延迟认可算法[7]引入认知无线电频谱分配中,并在CR用户数等于可用频谱数以及CR用户数大于可用频谱数的条件下,对频谱分配算法进行了讨论,并通过仿真实验证明该算法具备低复杂度和快速收敛的特点。本文基于上述思想,通过研究延迟认可算法的特点,提出了两种适用于可用频谱大于CR用户数的频谱分配方案,并分析了两种方案的优劣,通过仿真表明:多次循环分配方案能有效地降低分配复杂度,提高算法的收敛速度。
1 稳定婚姻问题及延迟认可算法
稳定婚姻问题是图论中二分图匹配问题的一个变形,有一个n个男士的集合M={m1,m2,…,mn}和一个n个女士的集合W={w1,w2,…,wn}。每个男士按照他对每个女士的偏爱程度给每个女士排名次,不允许并列名次的出现,也就是说每个男士对女士的偏爱遵循一个严格的优先级排序;同样每个女士对男士的偏爱也遵循一个严格的优先级排序。一个婚姻匹配S是一个包含n个(m,w)对的集合,每一对的成员都按照一对一的模式从不相交的集合M和N中选取。即:M中的每个男士m都只和N中的一个女士w配对,反之亦然,则称S为一个完美匹配。如果在一个完美匹配S中,m∈M,w∈W,男士m和女士w没有配对,但是他们都更加倾向于对方而不是S中的伴侣,那么就称S是一个不稳定的配对,且称(m,w)为一个受阻对。反之,若一个完美匹配S中不存在受阻对,则称S为一个稳定配对。
1962年由Gale和Shapley首先证明了在一个稳定婚姻问题中肯定存在稳定配对,并给出了稳定婚姻配对的一个解法——延迟认可(Gale-Shapley)算法。算法的具体描述如下:
输入:有一个n个男士的集合和一个n个女士的集合,以及每个男士选择女士的优先级和每个女士选择男士的优先级。
输出:一个稳定的婚姻匹配。
第一步 一开始所有的男士和女士都是自由的。
第二步 如果有自由男士,从中任选一个然后执行以下步骤:
求婚:选中的自由男士m向w求婚,w是他优先级列表的下一个女士(即优先级最高而且之前没有拒绝过他)。
回应:如果w是自由的,她接受求婚和m配对;如果她不是自由的,她把m和当前的配偶作比较。如果她更喜欢m,则接受m的求婚,她的前配偶变为自由人,否则,拒绝 m的求婚,m还是自由的。
第三步 返回n个配对的集合。
2 频谱分配模型
基于延迟认可算法的频谱分配模型是一种集中式的频谱分配方案,即频谱分配是在基站完成的。假设频谱检测/分配周期相对于环境变化时间来说很短,即假设在一个周期内认知无线电网络环境维持不变。在频谱检测周期各认知无线电用户通过频谱检测获得可用频谱,并且按照一定的量化标准计算偏好优先级,并把这些信息通过控制信道传送给基站,基站获得完备的信息以后,通过延迟认可算法对各用户进行频谱分配。本文假设M个CR用户对集合为{CR1,CR2,…,CRM},N个频谱集合为{Ch1,Ch2,…,ChN},其中CR用户对包括一个发射结点和一个接收节点。
2.1 CR用户对频谱的偏好排序
次用户总是在低于主用户干扰门限的条件下,尽可能地保证传输质量。因此以其接收节点的信干噪比作为其对频谱偏好的排序依据,接收机在某一频谱下的信干噪比越大,则对该频谱的偏好优先级越高。
认知无线电网络示意图如图1所示,CR代表认知用户,PU代表某一频谱的主用户。则CR接收机处的信干噪比可以表示为:
其中:PTx表示CR发射节点的功率,HTR表示CR发射结点与接收节点之间的链路增益,N0表示CR接收节点处的环境热噪声,一般认为是一个常数,PPU表示该频谱主用户的发射功率,HPR表示CR接收节点到PU发射结点的信道增益。设置主用户最大干扰功率限位τ,以HPT表示CR发射结点到PU接收节点的信道增益,因此CR在该频谱上的发射功率应满足:
2.2 频谱对CR用户的偏好排序
对于主用户来说,CR对其影响主要来源于CR发射机接入产生的干扰,因此干扰越大,该CR用户的优先级越低。本文定义干扰风险系数PR表示频谱对CR用户的偏好程度,即该系数越大,优先级越低。由于CR用户是择机使用频谱,因此在满足传输的条件下应该尽可能的减小发射功率以降低对主用户的干扰,因此CR发射结点与接收节点之间的链路增益HTR越大,满足传输条件所需要的发射功率就越小,即HTR与PR成反比。而影响干扰的另一个因素是CR发射机与PU接收机之间的信道增益HPT,HPT越小,CR发射信号对PU的干扰就越小。即HPT与PR成正比。因此对PR可以近似表示为:
根据两径模型[8],信道增益与距离的4次方成反比,可以将信道增益做如下近似:
其中k为简化常数,d为节点之间的距离。
2.3 对可用频谱数与CR用户数不等情况的处理
延迟认可算法假设男女数量相等,应用到频谱分配中就是CR用户对数和可用频谱数相等,而在实际应用中,大多数情况下CR用户数和可用频谱数不会恰好相等。在CR用户对数量小于可用频谱数量(即M<N)情况下,如果直接采用延迟认可算法进行频谱分配则必然会有部分频谱剩余。为了提高系统的总效益及频谱利用率,应该对频谱分配方式进行改进。为此,本文提出两种方案对频谱进行再分配,以达到最大化频谱利用率。
2.3.1 虚拟CR用户的方式
该方法通过增加虚拟用户的方式,使得CR用户数与虚拟用户数之和与可用频谱数量相等,即增加N-M个虚拟用户,将需要添加的虚拟用户设为
2.3.2 多次循环分配方式
通过分析延迟认可算法的实现过程可以知道:当M<N时算法也能正确执行并获得稳定解,将优先级较高的频谱分配给CR用户。因此可以采用多次循环的分配方法,即第一次分配完成后,删除已被分配的频谱,然后剩下的频谱数目和CR用户数目进行比较,如果频谱数目大于CR用户数,则再进行一次循环,直到频谱数目不大于CR用户数,然后通过补充虚拟频谱的方式分配剩余的频谱。
程序实现如下:
3 分配算法
3.1 虚拟CR用户方式
频谱分配流程如图2所示。
下面以4个CR用户对和6个可用频谱为例,说明频谱分配过程,根据CR用户频谱检测结果并通过优先级计算,并通过虚拟用户补齐。可得如表1所示的排序状态。
其中CR1、CR2、CR3、CR4代表4组CR用户对,VCR1、VCR2表示虚拟CR用户,分别对应实际CR1、CR2。而Ch1、Ch2、…、Ch6代表6个可用频谱。就CR1而言,对频谱的优先级排序为:Ch3>Ch1>Ch6>Ch2>Ch4>Ch5,而频谱Ch1对CR用户的优先级排序为:CR2>CR1>CR4>CR3>VCR2>VCR1,以此类推。算法执行过程为:
(1) CR1申请Ch3,获得分配;
(2) CR2申请Ch3,由于对Ch3来说CR2优先级大于CR1,因此CR2获得Ch3,CR1的分配取消;
(3) CR1申请Ch3被拒绝,再申请Ch1频谱,获得分配;
(4) CR3申请Ch3、Ch1被拒绝,再申请Ch4,获得分配;
(5) CR4申请Ch1、Ch3被拒绝,再申请Ch2,获得分配;
(6) VCR1申请Ch3、Ch1被拒绝,再申请Ch6,获得分配;
(7) VCR2申请Ch3、Ch1、Ch4被拒绝,再申请Ch6,由于对Ch6来说,VCR2优先级更高,因此VCR2获得Ch6,VCR1的分配取消;
(8) VCR1申请Ch6、Ch2、Ch4被拒绝,再申请Ch5,获得分配;
(9) 所有CR均获得频谱,分配完毕。分配结果{(CR1,Ch1),(CR2,Ch3),(CR3,Ch4),(CR4,Ch2), (VCR1,Ch5),(VCR2,Ch6)};
(10) 最终分配结果{(CR1,Ch1),(CR2,Ch3),(CR3,Ch4),(CR4,Ch2), (CR1,Ch5),(CR2,Ch6)}。
3.2 多次循环分配方式
频谱分配流程如图 3所示。
以4个CR用户对和6个可用频谱为例,说明频谱分配过程,根据CR用户频谱检测结果并通过优先级计算,并通过虚拟用户补齐。可得如表2所示的排序状态。
算法执行过程如下:
(1) 第一次循环得到如下分配:{(CR1,Ch1),(CR2,Ch3),(CR3,Ch4),(CR4,Ch2)},具体执行过程和方法一类似,此处不再详述。
(2) 第二次通过添加虚拟频谱(Ch7、Ch8)方式补齐,再执行一次算法。得到如下分配:{(CR1,Ch8)(CR2,Ch6)(CR3,Ch5)(CR4,Ch7)},去除虚拟频谱得到{(CR2,Ch6)(CR3,Ch5)}。
(3) 最终分配结果为:{(CR1,Ch1),(CR2,Ch3),(CR3,Ch4),(CR4,Ch2),(CR2,Ch6),(CR3,Ch5)}。
4 仿真结果及其分析
仿真场景各个参数如表3所示。
首先采用CR用户对数为4,频谱数为12的无线电环境。
采用虚拟用户方式的频谱分配过程如图 4所示。添加了虚拟用户以后,12个用户和12个频谱,通过延迟认可算法,经过44次迭代后达到稳定配对。
多次循环分配方式的频谱分配过程如图 5所示。整个分配过程共执行3次延迟认可算法,总共经过17次迭代达到稳定配对。
其次采用CR用户对数为4,频谱数为15的无线电环境。
采用虚拟用户方式的频谱分配过程如图 6所示。添加了虚拟用户以后,15个用户和15个频谱,通过延迟认可算法,经过73次迭代后达到稳定配对。
多次循环分配方式的频谱分配过程如图 7所示。整个分配过程共执行4次延迟认可算法,总共经过28次迭代达到稳定配对。
通过比较两种分配方法,可以得出以下结论:
(1) 在可用频谱数为用户数的整数倍时,两种方法的分配结果相同;而可用频谱数不是用户数的整数倍时,两种方法对次优频谱的选择有所区别,采用虚拟用户方式时,由于虚拟用户选取的主观性(由基站指定)导致排在后面的CR用户失去一次获得频谱的机会。而采用多次循环方式时,由于每次执行延迟认可算法都是所有CR用户一起参与频谱竞争,结果是频谱优先级较低的用户在最后一轮竞争中不能获得频谱。这样就保证了频谱优先级较高的用户能获得较多的频谱。因此多次循环方式能更好地提高系统满意度。
(2) 采用多次循环方式时,每次执行只有M个CR用户参与频谱竞争,在M<N的情况下,相对于虚拟用户方式,这种方式降低了系统复杂度。因此多次循环方式能明显提高算法的收敛速度。图 8为在CR用户数为4的情况下,不同可用频谱数使用两种分配算法对应的算法收敛速度,仿真结果证明多次循环分配方式较虚拟用户方式能进一步提高算法收敛速度。
5 结 语
本文基于稳定婚姻问题的延迟认可算法,提出了两种在CR用户对数小于可用频谱数情况下的频谱分配方案,并比较两种方案的优劣。仿真结果表明,两种方案均能实现频谱的有效分配,都有运算复杂度较低,收敛速度快的特点。相对而言多次循环分配的方式能进一步降低系统的复杂度,改善算法收敛速度。
摘要：提出两种在认知无线电CR(Cognitive Radio)用户数小于可用频谱数情况下,基于延迟认可算法的认知无线电频谱分配策略。两种策略都基于干扰温度模型,先分别计算CR用户对频谱的优先级排序和频谱对CR用户的优先级排序,然后在可用频谱数量多于CR用户数量情况下,应用延迟认可算法,将检测到的多个频谱分配给CR用户使用。仿真结果表明,通过多次循环分配,该策略能有效地降低分配复杂度,提高算法的收敛速度。
关键词：认知无线电,稳定婚姻问题,延迟认可算法,频谱分配
参考文献
[1]Haykin S.Cognitive Radio Brain-Empowered Wireless Communications[J].IEEE J.Selected Areas in Commun,2005,23(5).
[2]李一兵,等.基于着色理论的认知无线电频谱分配算法[J].系统工程与电子技术.2010,32(6).
[3]谭学治,等.基于博弈理论的认知无线电频谱分配[J].华南理工大学学报:自然科学版.2010,38(5).
[4]Kloeck C,Jaekel H,Jondral F K.Dynamic and local combined pri-cing,allocation and billing system with cognitive radios[C]//The First IEEE International Symposium on New Frontiers in Dynamic Spectrum Access Networks(DySPAN),2005:73-81.
[5]Paul Houze,Sana Ben Jemaa,Pascal Cordier.Dynamic Spectrum Allo-cation Algorithm for Cognitive Networks[C]//Wireless and Mobile Communications,2007,ICWMC'07,Third International Conference,2007:25.
[6]沈嘉,王军,等.认知无线电网络基于配对算法的频谱分配策略[C]//中国西部青年通信学术会议论文集,2008.
[7]Gale D,Shapley L S.College admissions and the stability of marriage[J].Am.Math.Monthly,1962,69:9-15.
认知算法 篇7
认知无线电(Cognitive Radio)技术突破传统的频谱管理机制,从崭新的角度来使用频谱资源,极大地提高了频谱利用率,缓解了日益增长的无线业务需求与日渐匮乏的频谱资源之间的矛盾,被普遍认为是解决目前无线频谱利用率问题的最佳方案[1]。在对认知无线电技术的深入研究中,频谱切换是需要研究的关键技术之一。在频谱切换过程中,切换判决算法是保证切换及其性能的关键因素,准确而高效的切换判决算法是保证用户QoS的基础,是实现无缝切换的重要前提。错误的切换判决会降低通信效率和用户QoS,甚至导致通信连接中断。与传统网络中的判决算法不同,CRN中切换判决需要考虑当前频段的网络特性、SU的业务需求、SU的通信质量等特性,进行综合判决[2]。
切换判决机制大多是针对触发条件进行设计的。为了降低对PU的干扰,要求SU频谱切换的机制具备复杂度低、执行时间短等特点[3]。切换判决条件的取得是来自于频谱感知和分析的结果。但由于路径损耗和阴影衰落等因素影响,通常无法精确地检测PU所受干扰情况,而且对于SU的发射功率、SNR、QoS指标等多项切换判决参数,缺乏统一的通信质量衡量标准,如何进行频谱切换判决是一个挑战性问题[4]。考虑到干扰检测的模糊性及判决参数的不确定性,本文提出了一种基于模糊神经控制的频谱切换判决机制,并设计了相应的模糊神经控制器(Fuzzy Logic Controller,FLC)。
2 基于模糊控制的切换判决策略
神经模糊控制系统是用神经网络作为控制器实现模糊推理规则的控制系统。其优点在于可以用神经网络的学习机制补偿模糊控制系统原有的缺点。它是基于自适应网络的模糊推理系统(ANFIS)。本文将针对CRN网络中对频谱切换判决要求的特点,设计基于神经模糊控制的切换判决算法。
2.1 模糊控制系统的基本结构及原理
模糊控制系统由模糊控制器和控制对象组成,模糊控制器的基本结构如图 1所示,它主要包括模糊化接口、知识库、模糊推理机和解模糊化4个部分。
(1) 模糊化接口
模糊化接口的作用是将输入的精确量转换成模糊化量。其中输入量包括外界的参考输入和系统的输出或状态。
(2) 知识库
知识库中包含了具体应用领域中的知识和要求的控制目标。它通常由数据库和模糊控制规则库两部分组成。
(3) 模糊推理机
模糊推理机是模糊控制器的核心,具有模拟人的基于模糊概念的推理能力。该推理过程是基于模糊逻辑中的蕴含关系及推理规则进行的。
(4) 解模糊化
解模糊化接口的作用是将模糊推理得到的控制量变换为实际用于控制的清晰量。
2.2 模糊控制器的设计
考虑到切换中要求的复杂度低,执行时间短的特点,结合CRN中频谱切换的触发机制。在切换判决中把接收的授权信号强度SS以及SU比特速率R作为模糊控制器的输入,输出用HO表示,设计如下的模糊判决器,如图 2所示。
图 2是实现切换判决的模糊控制单元,包含两个输入变量,分别是接收的授权信号强度SS和以及比特速率R,其中R用来表征SU的QoS指标。各输入变量用"低(L)"、"中(M)"、"高(H)"三个模糊集合所组成的术语(Term Set) 来表示,描述为:
undefined
输出变量HO表示是否进行频谱切换。该方法中,当HO<0.5时,则进行频谱切换,描述为:
undefined
模糊隶属度函数采用三角形函数,如图 3所示。
输出隶属度函数的子集表示为:{"切换(N)"、"降低发射功率(PY)"、"保持(Y)"}。模糊推理规则库如表 1所示。
上表中,可以看出在两类场景下会进行频谱切换。一类是对PU造成干扰,例如在规则3中,接收到的授权信号强度SS均为H,干扰较大,需要切换到其他频段;另外一类是不能满足SU的QoS需求,如在规则1中, SS为L,表示对PU无干扰,但R仍为L,SU的业务体验较差,需要选择新的频段。
根据上述规则,完成了模糊控制器的设计。图 4为根据上述规则生成的决策曲面。其中,深色部分代表作出切换的决策,而浅色部分代表作出保持的决策,中色则代表采取其他行为的决策(其他行为包括降低发射功率和执行切换)。
2.3 神经网络学习过程
由于CRN网络是实时改变的,为了使设计的判决控制器可以依据当前网络状况来调整自身参数,使之有学习功能。采用神经网络对各指标权重进行调整,从而完成模糊控制器中隶属度函数和输入输出参数的自适应调整过程。ANFIS采用的神经网络结构如图 5所示。中间3层实现模糊推理系统的功能。将SS和R作为输入变量,输出为将要执行的判决动作。
网络的学习过程即神经网络神经元之间的权值调整过程,可采用最小均方(LMS)算法. LMS算法采用梯度运算,不断更新神经元的权值,达到网络的实际输出与期望输出的均方误差(MSE)最小的目的,即
undefined
其中wk为当前的权值,wk+1为下一步的权值;μ为学习参数,-∇k为MSE曲面上对应wk的梯度。设均方误差(MSE)的误差函数为
undefined
其中dk输入单元第 k次训练的期望输出;wkxk为输出单元第 k次的实际输出。定义梯度为
undefined
得
undefined
至此,对权值调整的学习过程完成。
3 基于神经模糊控制的切换策略分析
对基于神经模糊控制的切换算法,通过仿真对其实用性进行验证。
仿真条件如下:SU在授权基站周围随机的(方向、速度)移动,移动速度为0-60km/h。传播模型是距离的函数:L(dB)=128.1+37.6lg(d(km))。PU的接入服从泊松分布,接入率为6次/h,平均服务时间为180s;SU和PU的最大发射功率均为20dBm。判决算法每隔100ms进行一次判决。判决中,当PU功率SS>-92dBm,或者SU数据传输速率R<350bit/s时,选择进行切换。网络中,PU数为2个,SU数为10。仿真结果如图 6所示。
图 6中纵坐标的切换百分比是指在切换判决算法进行判决的过程中,SU符合触发条件的情况下,执行切换的次数与总的判决次数的比。从图中可以看出,基于FLC的判决和基于神经模糊控制的判决算法性能都优于基于RSS的判决算法;基于神经模糊控制的切换判决算法在一定程度上可以减少切换次数,较FLC算法有一定的优越性。
图 7中给出的是几种不同切换判决算法下,SU的中断率(统计结果)随PU接入率的变化。可以看出,随着PU接入率的增加,SU阻塞率逐渐增大。但变化率在逐渐减小,最后趋近于一个稳定值。基于FLC和神经模糊控制的切换判决算法中,SU的中断率要比基于RSS的中断率低。基于神经模糊控制的切换判决算法的中断概率稳定在0.1以内,比基于FLC切换判决有10%的提升。
4 结 论
本文提出了一种基于神经模糊控制的切换判决器。并根据CRN的特点,对FLC中的输入进行了调整,对判决规则进行了修改。仿真结果表明,本文提出的算法,可以降低认知用户切换比例和中断概率,提高判决效率。但对于实时的用户在线的权值修正,由于在线调整,增加了通信的时间开销;对于非实时的权值修正,其算法结果往往是滞后的,不能适应网络环境动态变化的要求。
参考文献
[1]J.MitolaⅢ.Cognitive radio:An integrated agent archi-tecture for software defined radios[D].Ph..D.Disserta-tion,Doctor of Technology,Royal Institute Technology(KTH),Stockholm,Sweden,2000.
[2]H.J.Liu,Z.X.Wang,S.F.Li,et al.Study on the per-formance of spectrum mobility in cognitive wireless net-work[C]//IEEE ICCS 2008.19-21 Nov.2008:1010-1014.
[3] L.Giupponi, P.I.erez-Neira.A Fuzzy-based Spectrum Handoff in Cognitive Radio Networks[C]// CrownCom 2008,15-17 May 2008:1-6.
认知算法 篇8
从图1中可以看出,能量检测算法的实现主要通过三部分:带通滤波器,平方器和积分器。能量检测算法[5]主要讨论点是其门限的确定,在本实验中,直接将探测的结果用图形化的方法显示出来。
1 用Gnuradio实现能量检测算法
1.1 程序中的数据流流向
在使用Gnuradio来实现能量检测算法的时候必须要考虑到在电脑中处理的是数字信号,怎样把模型转换成离散的。这也正是使用Gnuradio时一直需要考虑的问题。怎样把连续的信号离散化处理,离散处理以后会有什么影响,这是使用Gnuradio时的重点也是难点。通过频谱检测算法的理论意义以及数字信号处理的知识,能量检测算法的模型离散成图基本模型如图2所示。
在编写程序的时候首先要规划程序性能的设定,在这里检测2409.5M到2410.524M之间的1.024M的带宽。取1000个点,每个点代表1.024k的带宽,显示的时候每个点作为一个像素,正好1000像素,通过python的图形模块Tkinter显示出来。将DDC的抽取因子设为最高的256,这样传到电脑中的信号就是64M/256=250k的信号,在电脑中将250k的信号通过滤波抽取处理成1.024k的信号,将其平方求平均后存储起来作为这1.024k的频段内能量的大小。然后通过调整子板,将处理的信号放在下一段,用同样的方法得到数据。得到1000个点的数据以后就将其显示出来。图3就是数据处理时的数据流图。
1.2 程序的流程图
在用USRP子板读取数据的时候增益要尽量选的高一些,同时还要设置两个时间:一个是子板调整频率的时间“tune_delay”,另一个是在一个频率段上停留的时间“dwell_delay”。“tune_delay ”的含义是调谐命令到子板的时间加上实际调谐时间再加上调谐后的第一帧数据的到达时间。“dwell_delay”表示当调谐完成以后,在一个频率点上停留采样的时间,在这段时间内,如果“tune_delay ”时间给的太短的话,可能会造成频率调整不过来,采到的点是上一频率段的点。如果“dwell_delay”时间给的太短,可能会造成采样的时间不够,采样点没有采够,可能会用到上一次所采的一些点,这两种情况都会造成拖尾现象。如果给的时间太大,扫描一次所需的时间就太大了,根据多次实验的经验,在上面所述的参数的情况下“tune_delay ”取0.04s,“dwell_delay”取0.02s时效果最好。在本程序中有两个线程,一个是信号采集,抽取,滤波,等待传递的子线程,另一个是信号接收,平方,求和,并循环1000个点以后来显示的主线程。
图4-5两个流程图就描述了这两个线程。
1.3 实验测试
参数dwell_delay=0.004,tune_delay=0.004时,检测结果如图6所示。
通过观察,发现它十分不平稳,毛刺很多,说明它探测到的数据不稳定。图7是dwell_delay=0.04,tune_delay=0.4时的检测结果,通过观察发现这个探测结果相对比较稳定,图形的波动比较小,不同频率的能量之间的波动比较平缓更加符合实际情况。
2 测试验证
2.1 接收一个已知信号
这个程序是否能够达到标准可用一个验证程序来实现。这个程序是发送一个2.41GHz的余弦波,程序产生的是发射一个为2410000500Hz的余弦信号,其原理是先在电脑中产生一个采样率为300k,频率为500Hz的余弦信号,然后再将这个信号上调到2.4GHz,这样就产生了2410000500Hz的信号。
设置USRP板参数的代码如下:
self.USRP_simple_sink_x_0 = grc_USRP.simple_sink_c(which=0, side="B")
self.USRP_simple_sink_x_0.set_interp_rate(512)
self.USRP_simple_sink_x_0.set_frequency(2410000000, verbose=True)
self.USRP_simple_sink_x_0.set_gain(20)
self.USRP_simple_sink_x_0.set_enable(True)
第一句的意思是使用0口USRP板的B端,第二句的意思是将内插值设为512,第三句的意思是将上调的频率设为2.41GHz,第四句的意思是将增益设为20dB,第五句的意思是使能USRP板。
信源产生好,信宿设置好以后就将两者连接起来,连接使用的语句是:
self.connect((self.gr_sig_source_x_0, 0), (self.USRP_simple_sink_x_0, 0))
直接运行程序,然后再用前面编写的能量检测程序来检测。得到如图8所示的检测结果。
在信号与系统中余弦波信号的频谱是在2.41GHz处的一个冲击,因为余弦信号是用数字信号产生的,而数字信号的长度是有限的,所以当发送的时候给时域加窗就相当于在频域给它卷积了一个Sinc函数,所以得到了上面的结果。将频谱移动到旁边发现它有旁瓣,这是Sinc函数的旁瓣。将发射的信号增大500k,再进行频谱检测,检测结果如图9所示。
2.2 与频谱分析仪的结果相比较
频谱分析仪的原理是将收集到的信号进行FFT变换然后显示出来,这个程序是在能量检测算法的基础上改进的,它的不同之处只是在信号收集以后增加了一个做FFT变换的模快。其信号流图如图10所示。
它由两个线程组成,其流程图和实现能量检测算法的程序基本相同,程序中的主类的信号连接语句为:self.connect(self.u, s2v,fft,c2mag, stats)
当self.u类中收到信号,通过模块s2v将流的数据类型变成向量的数据类型,然后用c2mag模块将复数信号变成幅值信号,然后交给stats模块,由stats模块传给主线程并将所感兴趣的频段切到下一段,得到如图11所示的结果。
如果发射余弦波,则探测结果如图12所示。
该结果与上面能量检测算法得到的结果相似,说明能量检测算法性能优良。
3 结束语
本文以软件无线电平台为依托,实现了认知无线电中一种常用的频谱检测算法——能量检测算法,并编写程序发送已知信号来验证了这种算法的正确性。本文针对软件无线电和认知无线电做的主要工作有:(1)调通了软件无线电系统中的软硬件部分,即USRP板和Gnuradio软件。(2)运用数字信号处理知识和python语言编写程序在平台上实现了能量检测算法。(3)编写程序发送已知信号以验证程序。本实验的最大特点就是使用了物理实现的方式而不是用软件仿真的方式来进行算法实现,这样就可以使理论结果更贴近现实,且更具有说服力。
参考文献
[1]Mitola Joseph,Maguite Gerald Q.Cognitive radio:Making softwareradios More Personal[J].IEEE Personal Communications,1999,6(4):13-18.
[2]Haykin S.Cognitive Radio:Brain-Empowered Wireless Communica-tions[J].IEEE Journal on Selected Areas in Communications,20005,23(2):201-220.
[3]Sahai A,Hoven N,Tandra R.Some fundamental limits in cognitiveradio[C].Allerton Conf.on Commun..Control and Computing,2004.
[4]Digham F,Alouini M,Simon M.On the energy detection of un-known signals over fading channels[J].Proc.IEEE ICC 2005,2003,5:3575-3579.
[5]Gelbert X,Sallent O L,Perez-Romer O J,et al.Spectrum sharing incognitive radio networkswith imperfect sensing:a discrete-time Mark-ov model[J].Computer Networks,2010.
[6]Mitola J.Cognitive radio[Dissertation][D].Stockholms,Sweden:Royal Institute of Technology(KTH),2000.
[7]Qing Z,Sadler B M.A survey of dynamic spectrum access:signalrocessing,networking,and regulatory policy[J].IEEE Signal Pro-cessing Magazine,2007,24(3):79-89.
【认知算法】相关文章：
自我认知类型引导认知方式的实验研究05-10
国外新颖优化算法——花斑鬣狗算法09-10
《算法案例：秦九韶算法》教学教案04-09
国外新型智能优化算法——松鼠觅食算法09-25
认知研究05-03
图式认知05-05
语境认知05-13
直销认知05-13
认知自然05-16
主体认知05-19