随着无线通信技术的不断发展,对频谱资源的需求越来越大。认知无线电技术应运而生。随着高速铁路的快速发展,铁路通信系统对频谱资源的需求日益增加,以往固定分配频谱的方式已不能满足这种需求,探讨认知无线电技术在高铁通信系统中的有效应用成为认知无线电研究的一个重要方面。与一般无线通信系统相比,高速铁路背景下的无线通信经常伴随着多普勒效应、频繁的小区切换、车体损耗等问题,这些问题导致无线通信质量差,严重时会出现通话掉线等等,有着不同于常规无线通信的特殊性。如何在复杂的高铁无线环境下实现认知无线电技术,提升次用户网络通信性能,基于智能化的认知无线电技术是值得研究的解决方案。本文就是在这样的大背景下提出一种适合于铁路无线通信的自适应频谱管理方式。本文主要工作和贡献如下:1.建立认知基站(Cognitive Base Station,CBS)模型,使基站具备认知功能。CBS在铁路无线通信环境中扮演一个频谱管理者,CBS运用Q-Learning算法不断与环境交互学习信道上主用户的行为规律。经过一段时间的探索学习,以累积的Q值表示对信道的评估,在给通信用户分配信道时选择具有较大Q值的信道。仿真结果表明CBS能够正确学习主用户行为规律并且该频谱管理方式有效降低频谱切换次数提高网络性能。2.为了使CBS对信道的评估结果更加精确,本文提出基于隐马尔可夫模型(Hidden Markov Model,HMM)的改进Q-Learning算法。首先建立信道的隐马尔可夫模型,预测信道状态。然后将预测信息融入Q-Learning算法中,使得CBS根据主用户的历史行为以及未来行为对信道有一个更好的评估。仿真证明加入预测信息后的频谱管理方式能够进一步降低频谱切换次数提高网络性能。3.为了解决小区切换问题,本文提出合作的Q-Learning算法。通过CBS间的信息融合,单个CBS参考其他CBS的学习结果,综合整条线路上信道情况做出评估,选择出一条最优信道。仿真结果表明,合作后CBS的决策受到其他CBS学习结果的影响并且合作的Q-Learning算法一定程度上能减少站间的频谱切换次数。