[发明专利]认知无线网络中基于信道质量的频谱预测切换方法

说明书

本发明属于认知无线电技术领域，涉及一种认知无线网络中基于信道质量的频谱预测切换方法。该方法是对于认知无线电网络，SUs通过观察信道以往的状态计算出每个信道对于自身的信道延迟，SU_i根据自身能够容忍的最大延迟以及信道延迟计算出信道ch_c的延迟违例率和延迟质量指数，结合SU_i自身所能容忍的最大延迟违例率，筛选出SU_i的可用信道集合；SU_i根据自身参数以及信道的PU参数计算出中可用信道的吞吐量质量指数，SU_i根据延迟质量指数和吞吐量质量指数计算出中可用信道的接入概率，根据信道的接入概率对可用信道进行排序，作为SU_i频谱切换接入的先后次序，再求出SU_i的期望吞吐量，将SU_i的最大延迟违例率的选取归结为以下约束最优化问题，利用算法求取最优最大延迟违例率。

技术领域

本发明属于认知无线电技术领域，更具体地，涉及一种认知无线网络中基于信道质量的频谱预测切换方法。

背景技术

随着时代的进步与发展，无线通讯技术日益完善，无线接入设备的数量急剧增加，致使无线频谱资源短缺和频谱利用率低下的矛盾日益突出。为此，人们提出了认知无线电网络CRNs(Cognitive Radio Networks)技术。CRNs通过动态频谱接入技术，采用高效的频谱管理和资源分配技术，可以有效缓解无线频谱资源短缺的问题，提高频谱利用率，进而提高网络系统容量。

在现有的频谱切换研究中，有学者提出了延迟违例率以及备份信道的概念，从而减少系统延迟。然而，在该模型中并未考虑系统吞吐量的大小，对于备份信道的引用会使得频谱资源更加紧缺。还有学者提出了基于次用户分级M/G/m排队论模型，但是没有考虑系统吞吐量，也不能减少由于不必要的频谱切换造成的延迟。还有学者提出了CRNs中的基于分散式Q学习的聚集干扰控制，将Q学习应用在频谱预测方面，但是传统的Q学习无法处理Q表庞大的数据，DQN的过估计也是一个很大的问题。

在CRNs系统中，吞吐量和延迟是相互矛盾的。传统的频谱切换在考虑吞吐量最大化的时候会使得延迟增大，或者考虑延迟最小化的时候会使得吞吐量变小。本专利发明的是一种基于信道质量的频谱预测切换方法，引入了吞吐量质量指数和延迟质量指数，同时引入了一个0到1之间的常数，根据对吞吐量和延迟的需求，调控常数以表示吞吐量和延迟的重要性。根据吞吐量质量指数、延迟质量指数以及常数ρ计算出信道的切换成功率，在有需求的场景下可以同时兼顾吞吐量和切换延迟，从而满足系统要求。该发明使得CRNs更加人性化智能化，通过常数ρ人为调控吞吐量和延迟的需求，更具有兼容性。

发明内容

针对现有技术存在的不足之处，本发明提出了一种混合认知无线网络中基于迁移学习策略的频谱预测切换方法，与传统频谱预测切换方法相比，本发明方法具有更高的切换成功率和更大的系统容量。

为解决上述技术问题，本发明采用如下技术方案：

认知无线网络中基于信道质量的频谱预测切换方法，包括如下步骤，

步骤1、对于一个有N个PU信道和L个SU的认知无线电网络，SUs通过观察信道以往的状态计算出每个信道对于自身的信道延迟E[D_k]；

步骤2、SU_i根据自身能够容忍的最大延迟以及信道延迟计算出信道ch_c的延迟违例率

步骤3、根据步骤2中计算出的信道延迟违例率结合SU_i自身所能容忍的最大延迟违例率P_max,i，筛选出SU_i的可用信道集合

步骤4、根据步骤2算出的信道延迟违例率SU_i计算出自己在步骤3中可用信道ch_c的延迟质量指数