基于支持向量机的认知无线电若干关键技术研究

论文摘要

无线频谱资源紧缺与分配方式缺乏灵活性是限制当今无线通信发展的两大因素。认知无线电技术作为一种智能频谱共享技术,可显著提高频谱利用率,实现不可再生频谱资源的再利用,为解决如何在有限频谱资源条件下提高频谱使用率这一无线通信难题开辟了一条新的途径。研究认知无线电关键技术,对于推动认知无线电的发展和应用,意义重大。目前认知无线电关键技术的内容众多,研究方法繁杂,尚没有形成统一的理论研究体系。认知无线电技术本身强调通信设备的智能性,要求设备能通过对外界环境信息的感知和学习,实时改变其操作参数从而充分利用空闲频谱,提高频谱利用率,这使得利用人工智能领域中的机器学习理论研究认知无线电关键技术成为必要与可能。支持向量机是近年来比较流行的机器学习方法,具有相对优良的性能指标。本文从机器学习的角度,利用支持向量机方法,对认知无线电的几个关键技术进行了研究,本文的研究重点是认知无线电关键技术中的频谱感知和动态频谱接入,本文的主要工作包括：1.本文在第二章重新阐述了认知无线电关键技术、认知无线电网络、认知网络的定义,系统总结并详细介绍了认知无线电技术,尤其是关键技术的国内外研究、发展和应用现状；通过讨论与分析,明确了认知无线电关键技术研究中存在的问题和进一步的研究内容与方向,同时也充分体现了提出“基于支持向量机的认知无线电若干关键技术研究”这一课题的必要性和重要性。2.本文在第四章针对认知无线电频谱感知技术中信号调制方式识别的重要性,提出一种新型的认知无线电调制信号识别算法,依据调制信号的循环谱特性,结合支持向量机与隐马尔科夫模型与用于信号识别的各自优点,构建两级分类器,对调制信号进行识别。算法对信号调制方式的识别性能良好,且在低信噪比下仍具有较高的正确识别率。3.本文在第五章提出一种基于概率密度估计的动态频谱接入算法,通过由支持向量机拟合出的授权频段空闲时长的概率密度对信道状态进行预测评估,认知无线电用户根据信道状况选择接入。该算法可以进行自适应调整,具有良好的实用性与灵活性。仿真结果表明,所提出的算法可以有效降低信道的冲撞率,同时提高认知无线电用户的吞吐量和服务质量。4.本文在第六章提出了“无线通信网络中时域频谱利用概率密度拟合研究”这一子课题的重要意义和研究价值,对时域频谱利用概率分布建模的方法和步骤做了详细介绍,在仿真环境下按照传统统计学方法对信道空闲时长的概率密度进行拟合分析,同时也使用了基于支持向量机的密度估计方法。仿真结果说明提出的建模方法切实有效,并且在统计意义上得出了IEEE802.11g WLAN环境下传输UDP流时,信道的空闲时长服从Pareto分布的这一重要结论。

论文目录

• 摘要
• ABSTRACT
• 目录
• 第一章 绪论
• 1.1 研究背景
• 1.1.1 认知无线电技术的提出
• 1.1.2 认知无线电技术的发展及应用
• 1.1.3 认知无线电的关键技术
• 1.1.4 课题的提出和意义
• 1.2 论文的研究内容和研究成果
• 1.3 论文的组织安排
• 1.4 参考文献
• 第二章 认知无线电技术研究综述
• 2.1 引言
• 2.2 认知无线电技术概述
• 2.2.1 认知无线电技术的定义
• 2.2.2 认知无线电技术的基本术语
• 2.2.3 认知无线电技术研究现状
• 2.3 认知无线电关键技术
• 2.3.1 频谱感知
• 2.3.2 无线资源管理
• 2.3.3 物理传输技术
• 2.4 认知无线电的应用及相关标准化
• 2.4.1 认知无线电与WRAN
• 2.4.2 认知无线电与WLAN
• 2.4.3 认知无线电与WMAN
• 2.4.4 认知无线电与WPAN
• 2.4.5 认知无线电与Ad Hoc
• 2.5 本章总结
• 2.6 参考文献
• 第三章 统计学习理论与支持向量机
• 3.1 引言
• 3.2 机器学习
• 3.2.1 函数估计和风险最小化
• 3.2.2 学习问题
• 3.2.3 经验风险最小化原则
• 3.2.4 复杂性与推广能力
• 3.3 统计学习理论
• 3.3.1 学习过程的一致性
• 3.3.2 VC维
• 3.3.3 推广性的界
• 3.3.4 结构风险最小化
• 3.4 支持向量机
• 3.4.1 最优分类超平面
• 3.4.2 线性可分
• 3.4.3 线性不可分
• 3.4.4 支持向量机
• 3.4.5 核函数
• 3.5 支持向量机的应用
• 3.6 本章总结
• 3.7 参考文献
• 第四章 支持向量机在CR频谱感知中的应用研究
• 4.1 引言
• 4.2 循环谱理论
• 4.2.1 循环谱的定义
• 4.2.2 几种典型调制信号的循环谱
• 4.2.3 循环谱的特征
• 4.2.4 谱相关函数的计算
• 4.3 基于循环谱的认知无线电信号调制方式识别技术
• 4.3.1 基于HMM的信号调制方式识别
• 4.3.2 基于ANN的信号调制方式识别
• 4.3.3 多级分类器进行信号调制方式识别的优势
• 4.4 基于HMM/SVM的认知无线电信号调制方式识别算法
• 4.4.1 信号特征参数提取
• 4.4.2 基于HMM/SVM的两级分类器
• 4.4.3 算法性能分析
• 4.4.4 仿真结果
• 4.5 本章总结
• 4.6 参考文献
• 第五章 支持向量机在CR动态频谱接入中的应用研究
• 5.1 引言
• 5.2 动态频谱接入技术研究现状
• 5.2.1 合作协商接入方式
• 5.2.2 透明接入方式
• 5.3 认知无线电动态频谱接入的MAC层方案
• 5.3.1 频谱检测
• 5.3.2 信道接入
• 5.3.3 数据传输
• 5.4 概率密度估计
• 5.4.1 概率密度估计方法
• 5.4.2 基于支持向量机的概率密度估计
• 5.4.3 模式选择
• 5.5 基于概率密度估计的认知无线电动态频谱接入算法
• 5.5.1 算法设计
• 5.5.2 算法步骤及流程
• 5.5.3 算法分析
• 5.5.4 性能分析
• 5.5.5 仿真结果
• 5.6 本章总结
• 5.7 参考文献
• 第六章 无线通信网络中时域频谱利用概率密度拟合研究
• 6.1 引言
• 6.2 授权用户时域频谱利用概率分布
• 6.2.1 时域频谱利用概率分布建模
• 6.2.2 授权用户时域频谱利用概率密度的估计
• 6.3 仿真环境的建立
• 6.4 仿真实验
• 6.4.1 样本采集
• 6.4.2 样本处理
• 6.4.3 概率密度分布曲线分析与拟合
• 6.4.4 概率密度分布曲线拟合结果检验
• 6.4.5 基于支持向量机的概率密度分布曲线拟合
• 6.5 本章总结
• 6.6 参考文献
• 第七章 结论与展望
• 7.1 论文工作总结
• 7.2 下一步工作展望
• 致谢
• 作者攻读博士学位期间的研究成果