论文部分内容阅读
现今,无线移动终端的种类和数量都在急速增长。终端的庞大数量以及日益增长的业务需求对应的是对无线接入网带宽和时延的更高要求,而这种高要求是传统单一的无线接入网络无法满足的。因此现在的无线接入网络发展成为了由满足广域接入需求的宏基站与满足小区域高密度接入需求的小基站,WiFi接入点共同组成的异构网络。异构网络的广泛存在,使异构网络中的接入选择与接入控制问题有了很高的研究价值。同时,为了增加小基站与宏基站之间的频谱复用效率,减少控制中心的管理复杂度,在异构网络中部分小基站采用了认知无线电的动态频谱接入方法。这种认知异构网络的存在也让频谱感知技术受到了很高的关注。鉴于此,本文主要研究无线异构网络中的移动设备接入网络选择问题与认知异构网络中的频谱感知问题。针对异构网络中的接入问题,本文的主要工作与创新点为:1)在异构网络中,我们从用户角度考虑多网络接入选择的问题。利用马尔科夫决策过程,建模不同网络中用户数量的变化过程,智能地制定动态的网络接入策略以最大化长期累积收益。最后,我们通过仿真验证了基于马尔科夫决策过程的智能网络选择算法的有效性。2)在车联网与蜂窝网络组成的异构网络中,车联网的网络吞吐量往往受到车联网接入点的部署位置以及道路拥堵程度的影响。因此,在车联网与蜂窝网络组成的异构网络中,车辆的网络选择问题与车辆的路径选择问题息息相关。在本文中,我们联合考虑车辆的路径选择与网络接入选择问题,利用半马尔科夫决策过程对车辆的移动,转向和网络接入进行建模。我们提出的算法能在保证车辆按时到达目的地,网络接入开销不超过指定门限的情况下最大化整个车辆行进过程中的网络吞吐量。最后,我们用仿真验证了提出的车辆路径规划-网络接入选择联合优化算法的有效性。针对异构网络中的频谱感知问题,本文的主要工作与创新点为:3)在异构网络中,为了提高频谱复用效率,降低控制中心的管理复杂度,异构网络中部分小基站采用了认知无线电动态频谱接入的策略。在这种策略中,小基站需要利用频谱感知技术周期地监测频谱,以避免对主用户(宏基站和其他非认知的小基站)进行干扰。结合当今广泛应用的深度学习技术,我们出了一种基于变分自编码器-高斯混合模型的频谱感知算法。此算法基于非监督深度学习,具有比传统算法更高的检测概率,同时相对于基于监督学习的频谱感知算法,需要更少的标注训练集。最后,我们利用充分的仿真证明了算法的有效性。4)当今大部分频谱感知算法只是利用当前时刻采集到的感知数据来侦测主用户的存在。在实际中,主用户的发送与静默状态是有持续性的,如果我们能利用过去多个时刻的采样数据对主用户状态的持续时间规律加以学习和利用,并结合当前时刻感知数据包含的能量、相关性特征对主用户的状态进行判断,频谱感知的检测概率必定会有所提升。在本文中,我们提出了一种基于深度卷积神经网络的感知算法。该算法能够利用当前时刻的感知数据和过去时刻的感知数据,学习主用户状态持续时间的规律,并提高检测概率。最后,我们利用充分的仿真,证明了算法的有效性。