应急通信系统中基于认知无线电动态频谱分配技术方案.docVIP

应急通信系统中基于认知无线电动态频谱分配技术方案 　　摘要：本文讨论一种可实现的基于认知无线电的动态频谱分配技术的应急通信方案。在突发事故现场中，来自不同地方的救援力量拥有各自的集群网络。在此基础上，我们将每个集群网络视为认知无线电网中的一个认知节点，所有节点一起组成认知无线电网络。而认知无线电网络与强化学习系统有着密切的联系，故采用强化学习算法学习整个认知无线电网络，优化整个网络信道动态分配。 　　关键词：应急通信 认知无线电 强化学习 　　中图分类号：TN92 文献标识码：A 文章编号：1007-9416（2016）02-0000-00 　　Abstract： A realizable emergency communication scheme based on the dynamic spectrum allocation （DSA） technology in cognitive radio （CR） is discussed. In the scene of the emergency accident， rescue teams from different places have their own cluster network， which can be regarded as a cognitve node in CR and all of them form the whole CR network. Since the CR network is associated with reinforcement learning （RL） system， the RL algorithm is taken to learn and optimize the whole dynamic spectrum allocation scheme in CR. 　　Keywords： Emergency communication Cognitive radio Reinforcement learning 　　1引言 　　应急通信，指当有突发的人为或自然的紧急情况时，利用包括集群、短波、有线、无线、卫星等各种通信资源，为当前救援行动和事后救助提供必要的通信保障的一种暂时性特殊通信[1]。 　　当前，在城市突发事件中的应急通信保障手段应用最广泛的是集群通信网络。集群通信系统具备其特有的指挥调度功能和组呼功能以及快速呼叫等特性，支持通话、图像、视频等等多种信息获取手段，并且能够与该区域的移动通信、固话通信等通信系统实现有效连接，具备良好的动态适应能力和拓展性，在当前的城市应急通信中有着重要地位[2]。然而，特定的部门拥有特定的的集群网络，在突发重大事故中，多个不同部门抢险救灾的应急力量一时间从四面八方迅速赶来，如解放军、武警、公安消防等，即使是同一部门也有来自不同地方的，各自的集群网络由于信道资源分配、MAC层接口协议设计很有可能不同。这样各应急系统之间不能进行频谱共享，而且在事发地，会有大量突发的无线业务，将会造成无线应急系统的频谱资源紧张，呼叫拥塞，甚至系统瘫痪[3]。导致无法进行有效的通信，进而使信息上传下达不顺畅，无法进行统一指挥调度，贻误战机，甚至使事态进一步扩大。因此，如何利用好现场已有的包括集群通信网络的各种通信手段，重新实现信道的动态分配，使得不同的网络之间可以进行有效地通信，是本文要进行进行探讨的关键。本文讨论的方案是在原有的集群通信网络的基础上，使用频谱感知和动态分配等技术使不同的集群网络能够快速的融合成一个整体而进行有效地通信。 　　强化学习技术是从神经网络、统计学习理论和控制等学科发展起来的，属于机器学习的三大分支之一[10]。强化学习不需要像监督学习那样进行模型训练，它可以高效利用环境知识，并与之进行动态交互，学习效率高且收敛很快。其学习过程更类似人或者生物的认知（趋利避害）过程，而认知无线电的通信过程也是要求具有认知能力，认知通信的过程中能跟周围复杂的电磁环境进行有效的交互。故强化学习技术和认知无线电技术二者之间本质上存在紧密联系，目前已有部分研究将强化学习算法应用到认知无线电通信中，文献[12]中提出了一种基于Q-Learning自动化分配信道和功率的算法，将强化学习应用于认知无线电网络功率和信道的分配领域。文献[13]则提出了一种基于博弈竞拍的Q-Learning算法来改善SU用户的频谱动态接入。采用强化学习技术来对整个认知无线电网络通信进行优化学习可以很好的提高整个网络的性能。 　　以下是本文结构的安排：第二部分对动态频谱接入进行介绍；第三部分主要是强化学习主要算法进行简介；第四部分则是首先对整个通信中的感知模型进行分析简化，其次在采用强化学习算法优化动态信道分配