学位论文 > 优秀研究生学位论文题录展示

认知无线网络离线学习技术研究

作　者: 杨彦超
导　师: 江虹
学　校: 西南科技大学
专　业: 检测技术与自动化装置
关键词: CR RBF神经网络认知引擎学习重构多目标遗传算法
分类号: TN925
类　型: 硕士论文
年　份: 2012年
下　载: 10次
引　用: 0次
阅　读: 论文下载

内容摘要

认知无线电(CR)是一种智能无线电通信系统，它为解决逐渐增长无线业务需求与频谱资源缺乏的矛盾提供了一个可行的思路。智能学习推理作为认知无线电的核心技术，对有效利用频谱资源，满足用户需求，改善通信系统性能起决定性作用。认知无线电智能学习技术的核心主要体现在认知引擎设计上。CR认知引擎的设计可引入人工智能领域的学习与推理方法，认知引擎通过学习与推理方法来实现CR通信参数的重配置。本文主要研究认知无线网络的离线学习技术，主要包括CR认知引擎的学习，推理和决策。具体工作总结如下：第一，提出基于离散均匀分配遗传算法-Discrete uniform genetic algorithm（DUGA）的CR优化引擎设计方法。CR参数调整是典型的多目标优化问题，本文在考虑MAC和PHY层联合的基础上，提出基于DUGA的CR参数优化引擎设计方法。同传统的遗传算法比较，DUGA采用离散均匀分配原则，克服轮盘算法陷入局部最优的缺点，交叉、变异，并逐步迭代以实现种群多样性和快速收敛性。通过MATLAB对测试函数的仿真，验证了DUGA的有效性。将建立的CR参数优化引擎应用于CR通信场景中，NS2仿真结果表明本文建立的优化引擎能有效提高系统的吞吐量，改善节点发送功率。第二，本文将RBF神经网络有效应用于CR认知引擎设计中，提出基于RBF神经网络的多层网络学习模型。该学习模型不同于传统的神经网络学习模型，本文的学习模型分为外层和内层网络，将全局参数和局部参数学习隔离开，由认知信息的流通驱动外层到内层的信息流，可以提高网络的学习预测能力，减少网络的学习时间，提高网络对环境的适应能力。通过NS2平台仿真CR通信系统，采集数据，并用作网络训练的感知样本。感知信息用于训练测试外层和内层网络。两层网络的主要功能为：外层神经网络学习全局参数路由协议的重配置；内层神经网络学习对应该协议下的局部通信参数的重配置。外层网络和内层网络通过认知信息的流通联系起来。多层学习模型对感知信息进行学习推理，并根据业务需求和网络目标输出决策出适合当前网络的工作参数配置。重配置通信系统，仿真结果表明，该多层学习推理模型能有效适应环境变化，满足用户需求。第三，结合前期研究工作的基础，建立两种智能学习技术设计的认知引擎算法模型，即RS-RBF和GA-RBF的CR认知引擎学习模型。该学习模型将粗糙集和遗传算法与RBF_NN相结合，并应用于CR认知引擎设计中。RS能有效处理通信系统中参数的冗余性，不确定性和不完整性，减少学习模型运行的存储空间，提高网络的训练速度。RBF网络学习过程中，工作参数的选取是凭经验的，导致网络的适应性受到影响，通过GA迭代寻求网络的工作参数，可以有效提高网络的适应性。通过NS2仿真平台模拟无线通信系统，采集训练模型的感知信息，并分别将数据导入学习模型。仿真结果表明，该学习模型能有效实现CR学习重构功能，满足用户需求，提高网络的适应性。

全文目录

摘要  4-6
Abstract  6-11
1 绪论  11-19
  1.1 论文研究背景与意义  11-13
    1.1.1 认知无线电智能学习技术面临的挑战  12-13
    1.1.2 认知无线电智能学习所需解决的关键问题  13
  1.2 研究现状  13-15
    1.2.1 国外研究现状  14-15
    1.2.2 国内研究现状  15
  1.3 论文研究内容  15-17
    1.3.1 解决的关键问题  16
    1.3.2 主要研究内容  16-17
  1.4 论文结构与组织安排  17-19
2 CR 智能学习技术相关研究  19-26
  2.1 认知循环  19-22
  2.2 认知引擎模型  22-23
  2.3 智能学习推理技术应用分析  23-25
    2.3.1 知识表示技术  23-24
    2.3.2 机器推理、学习技术  24-25
  2.4 本章小结  25-26
3 基于 DUGA 的 CR 参数优化引擎设计  26-36
  3.1 引言  26-27
  3.2 多目标参数优化引擎设计  27-29
    3.2.1 多目标适应度函数  27-28
    3.2.2 发送功率适应度函数  28
    3.2.3 信道容量适应度函数  28-29
    3.2.4 信道间干扰适应度函数  29
  3.3 DUGA 实现流程  29-32
    3.3.1 测试函数  30-31
    3.3.2 DUGA 性能分析  31-32
  3.4 NS2 仿真及其分析  32-35
    3.4.1 最大化吞吐量  33-34
    3.4.2 最小化发送功率  34-35
  3.5 本章小结  35-36
4 用 RBF 神经网络设计 CR 认知引擎  36-50
  4.1 引言  36-37
  4.2 RBF 神经网络  37
  4.3 RBF 神经网络学习推理模型实现  37-41
    4.3.1 样本数据  38-39
    4.3.2 RBF 神经网络拓扑结构确定  39
    4.3.3 NN 训练、测试与模型库的建立  39-40
    4.3.4 参数重配置模型  40
    4.3.5 模型算法实现  40-41
  4.4 仿真场景建立、数据预处理  41-42
    4.4.1 场景建立  41-42
    4.4.2 数据预处理  42
  4.5 CR 认知引擎性能评估  42-49
    4.5.1 RBF 网络初始化  42-43
    4.5.2 模型仿真与分析  43-46
    4.5.3 参数重配置仿真  46-49
  4.6 本章小结  49-50
5 基于 RS 和 GA 的 CR 认知引擎设计  50-70
  5.1 引言  50-51
  5.2 系统模型设计  51-57
    5.2.1 基于 RS-RBF 的 CR 学习推理模型  51-52
    5.2.2 基于 GA-RBF 的 CR 学习推理模型  52-53
    5.2.3 样本数据  53
    5.2.4 网络拓扑结构确定  53-54
    5.2.5 参数重配置  54
    5.2.6 模型算法实现流程  54-57
  5.3 RS-RBF 学习模型的仿真与分析  57-61
    5.3.1 粗糙集数据离散和属性约简  57
    5.3.2 网络初始化  57
    5.3.3 网络仿真与分析  57-59
    5.3.4 参数重配置仿真  59-61
  5.4 GA-RBF 学习模型的仿真与分析  61-69
    5.4.1 网络测试评估函数  61-62
    5.4.2 GA 适应度函数  62
    5.4.3 网络拓扑结构初始化  62-63
    5.4.4 性能仿真与分析  63-67
    5.4.5 参数重配置回归分析  67-69
  5.5 本章小结  69-70
结论  70-72
致谢  72-73
参考文献  73-78
攻读硕士学位期间发表的学术论文及研究成果  78

认知无线网络离线学习技术研究

内容摘要

全文目录

相似论文