论文部分内容阅读
认知无线电作为通信行业的新兴研究对象,其研究价值日益被人们所认可。面对高铁环境中的固定频谱分配方式造成的低频谱利用率和日益增长的铁路通信业务造成的频谱资源紧缺问题,将认知无线电引入高铁环境,这既是一大创新点,同时又是一大难点。如何将认知无线电中的次用户(本文中指各种乘客通信终端)快速、准确地接入高铁环境的专网频谱中,需要从分析主用户(本文指列控设备)占用频谱的状态入手,根据主用户占用状态,分析出可用信道,将次用户接入。因此,本文提出了一种基于主用户占用状态的频谱预测方式。通过预测,结合提出的信道分配方式,使次用户在面对当前时刻信道分配时可以有更优的选择。(1)在介绍了研究背景及意义之后,接下来对本文基于的高铁通信环境进行介绍。首先,介绍了铁路长期演进系统(Long Term Evolution-Railway,LTE-R)网络的基本架构及性能特点,相比于铁路无线全球移动通信系统(Global System for Mobile Communications-Railway,GSM-R),LTE-R有高速率、大带宽等优点。其次,对LTE-R网络中的数据传输方式正交频分复用(Orthogonal Frequency Division Multiplexing,OFDM)技术进行介绍,利用OFDM可实现在高铁环境同时对多个次用户进行数据传输。接着,介绍了认知云基站的形成过程。最后,提出主用户状态模型及研究对象,为后续的主用户状态预测和信道择优分配打下坚实的基础。(2)通过比较两种适用于主用户状态预测的预测方式——改进GM(1,1)马尔可夫和自适应在线-极限学习机(Adaptive Online Sequential-Extreme Learning Machine,AOS-ELM),本文选择预测性能更好的方式对主用户占用状态进行预测。在改进GM(1,1)马尔可夫算法中,首先,对三种不同长度的主用户状态历史数据利用GM(1,1)进行预测,选择最优的预测值,并将该预测值对应的序列长度作为新陈代谢的固定长度。其次,通过二次加权马尔可夫模型对最优预测值进行校正。最后,每当加入一个新数据时,根据固定长度剔除一个最旧的历史数据,利用新序列进行后续主用户状态预测。在AOS-ELM中,首先,对历史序列进行相空间重构,形成极限学习机(Extreme Learning Machine,ELM)的可用样本。其次,利用部分样本的预测精确度对比,选择最优的隐层节点数作为初始值,并在基本ELM的基础上,对其进行在线化和Cholesky分解,实现实时预测并简化计算过程。最后,每当加入一个新数据时,对同时加入的新隐层节点进行重要性排序,优化网络结构。经过对两种方式的精确度及预测耗时的对比,选择预测精度高且耗时短的改进GM(1,1)马尔可夫模型作为主用户状态预测方法。(3)在对信道择优分配的过程中,本文将轮询算法、启发式-广度优先搜索和加入主用户状态预测结果的启发式-广度优先搜索三种方式用于认知无线电领域,利用由三种不同的次用户到达率得到的传输过程中的切换次数和累计丢包数,验证了启发式-广度优先搜索为次用户分配信道的灵活性及精确性,并进一步验证了主用户状态预测结果对于信道择优分配的优势。结果表明,加入主用户状态预测结果的启发式-广度优先搜索方式,对于信道的择优分配而言效果最佳,减少了信道切换次数与累计丢包数,有助于提高高铁环境的通信质量。