论文部分内容阅读
认知无线网络能够在一定程度上解决无线资源的匮乏问题,不过更多的是赋予网络中的实体智能和自适应的能力,同时为无线网络的智能化管理提供进一步的技术支持。认知网络中的实体可以智能地感知外部环境信息,并依此进行策略制定。随着网络环境的复杂化和异构化程度加剧,网络实体的行为带来的数据流量越来越多。因此,对网络中的数据进行智能化地管理,可以有效地提升网络的性能。所以,对网络数据流量的预测和传输调度机制的研究也是未来智能网络的重要方面。基于此,本文的主要研究内容为:第一,研究了在认知网络中如何提高网络数据流量预测精度的问题。针对多信道网络中数据流量的预测问题,提出了一种基于栈式自编码深度学习的流量预测模型,将流量预测的精度问题转化为预测模型的优化问题。相对于传统的浅层学习,深度学习的方法可以获取隐含在网络数据流量中的深层非线性关系。同时,该模型将单目标的预测问题提升到多目标的数据预测。最后,引入了LBFGS算法来对预测模型的参数进行优化,以进一步提高预测精度。经过仿真实验,并且和其他算法进行对比,结果证实了本文的方案具有更小的预测相对误差。第二,研究了认知网络中的数据传输调度问题。在系统中存在一个中继节点和多个用户的情况下,将中继节点的数据转发过程建模为马尔可夫决策过程模型,提出了一种基于深度Q学习的传输调度方案。使用Q学习算法在系统状态转移概率未知的情况下学习和探索系统状态转移信息,以获取调度节点的近似最优策略。当系统的规模较大时,针对Q学习在求解过程中因较大的计算量和存储空间带来的“维灾”问题,引入深度学习的方法来建立状态和行为之间的映射关系,以加速问题的求解。最后,仿真结果表明,本文方案在功耗、吞吐量、丢包率方面的性能逼近基于策略迭代的最优策略,且算法复杂度较低,解决了维灾问题。