认知无线网络中基于信道质量预测的分层匹配方法

文档序号:9847440阅读:524来源:国知局
认知无线网络中基于信道质量预测的分层匹配方法
【技术领域】
[0001] 本发明涉及认知多媒体通信领域,具体涉及一种认知无线电网络中基于信道质量 预测的分层匹配方法。
【背景技术】
[0002] 无线多媒体业务的爆发式增长使得现有的频谱资源短缺问题日益严重,然而现有 的无线频谱存在严重的浪费现象。为了解决该问题,产生了认知无线电(Cognitive Radio, CR)技术,该技术允许认知用户以机会的方式利用空闲频谱资源,极大地提高了频谱利用 率,满足了多媒体日益增长的高带宽需求。认知无线网络中,认知用户以机会的方式接入, 接入信道前必须感知信道以确保不对授权用户产生干扰。一方面,盲目频繁的感知会带来 很多不必要的感知时间和能量开销,另一方面,将不同优先级的分层多媒体业务分配到不 同质量的频谱上是很复杂的,可能会引入很大的处理时延。为了解决上述问题,频谱预测技 术应运而生,利用频谱预测技术动态地估计信道质量,指导频谱感知,可以优化感知顺序, 只选择预测为空闲的信道进行感知和接入,避免了随机盲目地去感知某段已被占用频谱带 来得时间开销,对于提高能效和谱效起到了重要作用。此外,根据信道质量及分层重要性制 定合理的分层匹配方法,对于认知无线网络中分层多媒体数据的高效传输至关重要。
[0003] 现有的可变长马尔可夫(Variable order Markov Model,VMM)预测方法都是通过 挖掘训练序列的规律进行预测并估计信道质量、指导频谱分配。然而VMM方法在实际场景中 都面临一个共同的技术难题,它们都是基于完美感知信息的,所以当感知结果不准确时,预 测准确度显著下降。文章 Xiaoshuang Xing,Tao Jing,Yan Huo,etal .Channel Quality Prediction Based on Bayesian Inference in Cognitive Radio Networks[C],IEEE INF0C0M,2013:1465-1473.利用感知获得的历史信道信息的二进制序列构建预测模型,通 过隐马尔可夫模型分析频谱使用规律预测频谱的可用性,对信道可用性进行降序排列,利 用频谱预测指导频谱感知,优化感知顺序。但是隐马尔可夫预测模型方法存在训练序列过 长,且每次状态预测都要重新训练序列的问题,具有极高的复杂度。文章 Ruixiao Yao, Yanwei Liu,Jinxia Liu,etal·Hierarchical-Matching based Scalable Video Streaming over Multi-channel Cognitive Radio Networks[C].20I4IEEE Global Communications Conference(GL0BEC0M 2014),Austin,TX,2014:1400-1405.在传输调度 时采用得分层编码方式时,按照对接收端视频质量的贡献大小为不同的层划分优先级,分 配信道时为优先级高的层分配更可靠的信道,然而它的信道质量评价标准仅仅考虑了感知 传输时间比,并没有考虑到信道噪声、空闲概率等因素对信道质量的影响,对于复杂的认知 无线信道缺乏适应性。

【发明内容】

[0004] 针对上述现有技术的不足,本发明旨在提出一种认知无线网络中基于信道质量预 测的分层匹配方法,通过协作频谱感知解决了非完美感知场景下可变长马尔可夫预测能力 不足的问题,重新定义信道质量评价标准预测信道质量,并根据信道质量为分层多媒体数 据快速匹配可靠的信道,从而减少感知时间消耗并提高多媒体传输性能。
[0005] 为了实现上述目的,本发明采用如下技术方案:
[0006] 认知无线网络中基于信道质量预测的分层匹配方法包括协作概率后缀树预测 (Cooperative Spectrum Sensing Combined with Probabilistic Suffix Tree △]^〇1';11:11111,033-?31')及分层匹配(]^6瓜1'〇11;[031-]\^11:〇11;[1^,!1-]\〇两部分;所述方法包括如 下步骤:
[0007] SI,多个认知用户组成协作感知组群,每个认知用户选择加入其收益最大的组群 进行感知;
[0008] S2,组群领导者利用感知结果训练并构建概率后缀树,通过生成树预测下一时隙 频谱空闲概率;
[0009] S3,组群领导者利用空闲概率构建信道质量评价因子,对多个授权信道可靠性降 序排列;
[0010] S4,调度单元根据优先级-可靠性调度准则,为编码后的分层数据分配合适的信 道。
[0011]需要说明的是,步骤Sl的具体方法如下:
[0012] 1.1)第j个认知用户单独进行本地频谱感知,并分别计算其检测概率PdjP误警概 率 Pfj:
[0015] 其中,SNRj表示第j个认知用户在授权信道上的信噪比,δ表示能量检测门限,r表 示时宽带宽积,SNRj的定义为
,式中σ2是高斯白噪声方差,Ppli 表示授权用户的传输概率,PU表示授权用户和第j个认知用户之间的路径损耗值,其定义
w,σ表示路径损耗常数,e表示路径损耗指数,山, PU表示第j个认知用户和授 权用户之间的距离。
[0016] 1.2)第j个认知用户根据本地频谱感知结果计算其加入附近的感知组群Ck后的协 作漏检概率Ψ m和协作误警概率Ψ f:
[0019] 其中初始时刻每个认知用户单独构成一个组群,義M是第j个认知用户和组群领导 者3之间由于信道衰落造成的传输错误。组群领导者负责数据融合,将融合组群内所有认 知用户上报的信息并做出最终决策。
[0020] 组群领导者d的选取规则是:选择组群Ck中漏检概率最小的认知用户作为组群领 导者。
[00211 1.3)第j个认知用户发现其可加入的潜在组群集合Bj= IC1,C2, ... .Cn},N表示其 周围可加入的组群总数,对应的组群收益值为V(J) = IVj(C1) ,Vj(C2). .. ,Vj(Ck). ..,Vj (CN)},第j个认知用户从中选择收益值最大的组群加入。其中组群的收益值Vj(Ck)为:
[0022] Vj(Ck) = l-Wm(Ck)-C( Wf(Ck));
[0023] 其中(ΧΨΚ&))代表协作误警代价,协作误警代价是误警概率的单调增函数,其限 制每个认知用户的误警概率不能超过一定的门限。
[0024] 1.4)认知用户均加入合适的组群形成稳定的组群结构后,领导者搜集该组群中成 员们的感知信息并根据这些信息做出最后决策,获得过去U个时隙的信道状态序列0 u,U = min(A,T),其中A为累积时隙个数,T为预设的定长时隙。
[0025] 进一步需要说明的是所述的协作频谱感知方法,所述的步骤1.2中,组群领导者α 采用或准则进行数据融合,以提高组群的检测性能。
[0026] 需要说明的是,步骤S2的具体方法如下:
[0027] 2.1)组群领导者根据步骤Sl得到过去U个时隙的信道状态序列0U,0 U作为训练序 列,通过学习过程生成概率后缀树。
[0028] 2.2)组群领导者遍历生成树预测信道下一时隙的状态,预测公式为:
[0030]
表示状态〇3+1在字符串{o1. . .〇s}之后出现的概率,F(〇、. .os) 表示字符串{o1. . .0s}在训练序列Ou中出现次数的累积。F(C)1. . .OsOs + 1)表示字符串 Io1. . .osos+1}在训练序列Ou中出现次数的累积
大于一定阈值时,可判定信 道下一时隙为空闲状态,可以被认知用户使用。
[0031 ]需要说明的是,步骤S3的具体方法如下:
[0032] 3.1)认知节点根据预测到的第i个信道的空闲概率Pldle,i和信噪比|:,计算第i个 信道的信道质量评价标准Qu:
[0034] 其中,Zts是第i个信道总的丢包率,是第i个信道的授权用户回归造成的碰撞 丢包,其值为I-Pldle3,Ui3M是第i个信
当前第1页1 2 3 
网友询问留言 已有0条留言
  • 还没有人留言评论。精彩留言会获得点赞!
1