[发明专利]一种基于机器学习的认知无线电网络中频谱接入方法

说明书

本发明设计出一种基于机器学习的认知无线电网络中频谱接入方法。该方法在充分的考虑了授权用户及恶意干扰者对认知无线电用户的干扰。不依赖于任何基础设施。认知无线电用户可以通过学习学习到不同状态下的最佳频谱接入方法。在此方法中，认知无线电用户在同一时间可以接入多个授权频段。由于无线通信网络的异构性，本发明假设不同认知无线电用户可接入的授权频段是不同的。适用于真实的认知无线电网络。此方法可以在认知无线电用户对授权用户及恶意干扰者状态未知的状态下，可通过不断的学习过程对信道的状态进行准确判断，从而选择最佳的频谱接入方法以获得最佳的通信性能。

技术领域

本发明涉及一种基于机器学习的认知无线电网络中频谱接入方法，属于无线电网络技术领域。

背景技术

随着无线电设备及应用的迅速增多，无线电网络对频谱资源的需求量极具增长。然而，在固定的频谱分配政策下，频谱资源的利用效率非常低。其中，分配给广播，卫星放送等的授权频谱没有被充分的利用。与此同时，无线WIFI及蓝牙设备等使用的非授权频谱非常拥挤。因此，为了解决频谱资源需求量增大及其利用效率低的问题，认知无线电技术应运而生。在认知无线电网络中，认知无线电用户可以在不干扰授权用户正常通信的情况下，动态地使用授权频谱。到目前为止，已有部分分配给电视广播的授权频段开放给认知无线电用户使用。认知无线电网络结构可以分为基于基础设施的认知无线电网络以及无基础设施的认知无线电网络。由于基于基础设施的认知无线电网络中基础设施的部署及维修花费较大，而且面临着单点通信失败及扩展性差等问题。因此，本发明主要涉及无基础设施的认知无线电网络。在无基础设施认知无线电网络中，认知无线电用户无法依靠基础设施进行频谱感知及频谱管理。认知无线电用户需要自己进行频谱感知，频谱分析及频谱接入。认知无线电用户通过频谱感知过程来获得授权频段的状态。然后根据感知到的频谱状态进行频谱分析，选择合适的频道接入。因此，频谱感知在认知无线电网络中起着至关重要的作用。

为了选择最佳的通信信道，研究者们已经提出了一些针对认知无线电网络的频谱感知方法来感知信道的状态。这些频谱感知方法主要可以分为三大类：能量检测方法，基于波形的感知方法，基于循环平稳检测方法以及合作感知方法。能量检测感知方法是最常见的感知方法。因为其具有低计算复杂度及实施复杂度。此外，因为使用能量感知方法，接收器不需要任何授权用户的信号的信息。因此，能量检测方法更加通用。在能量检测方法中，信号通过能量检测器的输出和一个阈值的对比来检测。通常的能量检测方法面临的挑战包括：授权用户检测阈值的选择，没有能力区分来自授权用户的干扰以及在低信噪比的情况下性能较差。因此，为了有效的避免对授权用户的干扰，研究者在频谱感知方面扔需要进一步的研究。此外，认知无线电用户可能面临恶意的干扰。恶意干扰可以分为三大类：静态干扰，随机干扰以及适应干扰。静态干扰即干扰者总是干扰相同的信道。随机干扰即干扰者随机地选择信道来发送干扰信号。适应干扰即干扰者可以根据感知到的外界环境来选择干扰信道。装有认知无线电设备的干扰者可以智能地感知授权用户及认知无线电用户的通信并且根据其观察推断将要干扰的信道。因此，为了避免恶意干扰者干扰认知无线电用户的正常通信，在频谱感知过程中也要对恶意干扰进行准确的感知。在认知无线电网络中，认知无线电用户需要选择最佳的频谱接入方法以获取最佳的通信性能。此外，由于硬件限制，认知无线电用户在同一时间可接入的频段的数量通常小于其在同一时间可感知的频段的数量。同时，由于无线通信网络的异构型，不同的认知无线电用户可接入的频道可能也是不同的。因此，如何选择部分频段进行接入也是需要探究的问题。

目前针对认认知无线电网络中频谱接入方法的相关研究文献如下：

1.Vishnu Raj等人在2018年的《IEEE Journal of Selected Topics in SignalProcessing》上发表的文章“Spectrum Access in Cognitive Radio Using a Two-StageReinforcement Learning Approach”中提出了一种结合数据传输信道选择方法。此方法利用强化学习中的多臂赌博机方法来进行信道选择。这一方法减少了认知无线电用户花费在频谱感知上的能量，并且提升了通信的吞吐量。