认知无线网络中系统行为模型及基于认知行为的资源配置技术研究

认知无线网络系统行为模型研究对了解认知无线网络特性、改进认知无线网络设计，提高系统性能具有重要的意义。目前在认知行为模型研究中可以获取大量外部行为数据，但现实的状况却是"数据丰富，信息匮乏"。有效知识信息的匮乏严重影响了认知无线网络系统行为的高效建模与应用，成为制约认知无线网络性能提高特别是端到端服务质量目标实现的瓶颈。本课题密集围绕认知无线网络核心应用，针对认知网络智能化、泛在化、融合化等发展趋势，在知识层面上利用数据挖掘技术分析认知行为机理与特征，建立以用户端到端目标为中心的、一致性的认知无线网络行为建模框架，在此基础上形成基于数据挖掘的认知网络行为模型及其评价机制；同时基于网络行为模型开展行为驱动的资源优化配置的研究，探索从系统行为角度实现认知无线网络系统端到端目标和提升网络容量极限的新途径，满足未来高速高质量信息服务对宽带通信的需求。

本项目针对认知网络行为模型及基于认知行为的资源配置展开研究。通过分析业务和用户认知行为特征，研究了认知协同中继网络关键理论和方法。主要成果包括：.1）采集大量蜂窝网络业务统计数据，给出了参数化的无线网络业务行为和用户行为认知模型。从业务会话级层面分别针对单小区和多小区环境进行了会话到达、会话持续时间和会话量等重要特征的研究分析，提出了一种连续时间半马尔科夫业务行为模型，基于实际采集的业务数据对提出的业务行为模型进行大量的比较验证，表明该行为模型基本符合无线网络中业务行为规律。.2）针对频谱共享下的认知协同中继网络，完善了基础理论工作，发现了“有峰值干扰功率约束的认知协同中继系统中，第一跳各接收节点的接收信噪比相关”这一特征，提出了适用于该系统中断性能分析框架及相应计算方法，从理论上推导了瑞利和Nakagami-m衰落信道下，分别在有、无峰值发射功率约束时、采用第N佳中继选择的中断概率及分集度的精确闭式表达式。在瑞利衰落信道下，系统的分集度为M-N+2（M：中继数目）；在Nakagami-m衰落信道下，系统的分集度为m(M-N+1)。.3）研究了非理想信道估计下认知协同中继网络的理论性能，理论推导出了为使授权用户不受太大影响而设置的新干扰约束表达式，得到非理想下认知系统的中断概率及分集度的精确闭式表达式。研究表明，干扰信道的非理想估计并不影响认知系统的分集度，但会导致中断性能显著下降。在非对称情形的研究中发现，第一跳干扰信道估计的非理想对系统中断性能的影响比第二跳大很多，在中继网络设计中必须重点关注第一跳信道的估计性能。.4）针对多天线认知协同中继网络，推导了中断概率及分集度的精确闭式表达式。研究表明该系统可以获得分集度为2Ns的满分集增益（Ns：天线数目）。峰值干扰和发射功率约束均会导致中断饱和现象，中断概率随着信噪比的提高而减小。当峰值干扰或发射功率约束较小时，天线数目增加并不一定能够改善系统的中断性能；当峰值干扰和发射功率约束增大到一定程度后，中断性能随着天线数目的增加而显著提高，多天线分集带来的好处得以体现。.本项目执行期间共发表SCI检索论文8篇（IEEE权威期刊3篇），EI检索论文21篇。申请国家技术发明专利8项，已授权3项。培养博士研究生1名，硕士研究生5名。部分研究成果获2013年度教育部技术发明一等奖（项目负责人排名第三）。