认知无线电中基于混沌神经网络频谱预测.docVIP

认知无线电中基于混沌神经网络频谱预测 　　?フ? 要:为了在认知无线电系统中提高频谱的利用率，减少切换次数，提出一种针对信道状态剩余时长的混沌神经网络预测机制，利用混沌预测对信道剩余时长进行分析并作出预测。仿真结果显示，预测精度可以达到90%以上，从而验证了此预测机制的有效性。 　　?ス丶?词: 　　认知无线电系统；频谱预测；混沌神经网络；频谱分配；信道状态 　　 　　?ブ型挤掷嗪?: TN92;TP183 文献标志码:A 　　 　　Abstract: In order to improve spectrum usage in Cognitive Radio System (CRS), and reduce channel switching frequency, a new prediction mechanism was designed, which was used chaotic neural network to analyze and predict the last time of channel status. Simulation results show that the prediction accuracy can reach 90%, thus the effectivess of this new prediction mechanism was proved. 　　 　　Key words: Cognitive Radio System (CRS); spectrum prediction; chaotic neural network; spectrum allocation; channel status 　　?? 　　0 引言?? 　　近十年来无线应用需求迅猛增长，无线频谱资源日益紧缺。然而，现有频谱资源却没有得到充分利用。如何对现有资源实现最大化利用是人们亟待解决的问题。认知无线电(Cognitive Radio, CR)技术能有效地解决这个问题????［1］??。?? 　　在认知无线电系统中，次用户(Second User, SU)只能利用授权用户(Primary User, PU)暂不使用的空闲频谱????［2］??。这些空闲频谱也称为频谱空洞。为了不干扰PU，可靠的感知机制是必不可少的。文献［3-5］中研究了频谱感知机制。单纯地对所有信道进行感知会消耗大量的能量，受限于现实能量有限的条件限制，SU不可能持久这样进行感知。所以信道的状态预测很重要；并且一个好的预测机制可以对信道进行更为合理的分配，从而提高接入的成功率，减少切换次数，并且可以减少感知消耗的能量。?? 　　在频谱预测方面，目前开展的工作不多。已有文献主要侧重于频谱状态(即占用与空闲)的预测????［6-11］??。譬如，文献［6］基于线性回归思想，设计了利用二元时间序列的预测方案；文献［7-8］采用高阶马尔可夫模型进行预测；文献［9］提出了基于神经网络多层感知机(MultiLayer Perceptron, MLP)的预测机制。不过，仅仅预测信道的状态会有一定的局限性。譬如，根据预测，对某一个信道来说，下一时刻空闲，但空闲持续时间很短。此时，如果根据此结果将信道分配给SU，就会与稍后出现的PU发生冲撞，增加切换次数；反之，如果信道下一时刻被PU占用，但PU占用的时间很短，此时，如果根据此结果让SU舍弃这条信道而选择其他空闲信道，就容易引起信道分配不合理。?? 　　 　　基于此，本文开展了频谱状态持续时间预测的研究，主要工作为：设计了混沌神经网络预测机制在频谱状态持续时间预测方面的具体应用方案，分析了预测机制的性能，从而论证了其可行性。?? 　　 　　1 系统预测流程?? 　　SU或CR接入点均可以进行频谱状态持续时间的预测，具体流程如图1所示。?? 　　 　　??1)选取某一信道最近已逝去2M个状态的持续时间长度集Γ={Γ??1,Γ??2,…,Γ????2M??}??为历史数据，其中包括??M?Ц?OFF(空闲)状态的持续时间长度，以及??M?Ц?ON(占用)状态的持续时间长度。对此数据进行采样生成时间序列，采样间隔为?И?Δ??t, ??如图2所示。采样点集记为??C={c??1,c??2,…,c??n}(n为采样的总次数)；采样点对应的时刻集为T={t??c??1,t??c??2,…,t??c??n}；每一采样点对应状态的剩余持续时长为Γ???┆?rem??????i。?? 　　Γ ???┆?rem??????i = Γ ????z ??-t??c??i;?? 　　 z=1,2,…,2M, Γ????z－1??/??Δ??tiΓ??z/??Δ??t 　　(1)??