认知无线电网络的自适应QoS保障机制研究

Due to the dramatic increase in wireless access services and low spectrum utilization existing in licensed channels, this project focuses on the key techniques for multimedia transmissions over cognitive radio network(CRN). First, a cooperative spectrum sensing algorithm will be proposed, which integrals compressive sensing (CS) and the spatial-temporal data mining method. Since different clusters may have different sparseness spectrum states, the cooperative spectrum sensing algorithm will fully exploit the spatial and time diversity information of CS data to make a high resolution spectrum decision. Second, the spectrum mobility is used to guarantee the quality of service(QoS) of multimedia application. This project will propose a cross-layer design to obtain the optimal spectrum sensing frequency and packet loading schemes, which joints spectrum mobility and spectrum sensing. Last, to fairly share the available spectrum resource of the uplink in each cluster, a distributed, cooperative and overlay spectrum sharing mechanism will be proposed, which is based on machine learning theory. To improve the QoS performance of multimedia applications, the spectrum sharing mechanism can generate the optimal subcarrier selection, power and modulation allocation for each multimedia packet from secondary user.

针对日益增长的无线接入业务需求以及授权频谱的低利用率现状，本项目主要研究多媒体应用在认知无线电网络（CRN）上传输的关键技术。首先，针对不同的簇可能具有不同的稀疏频谱，提出了一种基于空时数据挖掘和压缩感知的联合频谱感知算法，算法充分利用感知数据的空间和时间分集信息来获得高精度的频谱判决。其次，为了通过频谱切换来保证多媒体应用的服务质量（QoS），本项目将频谱切换与频谱感知进行联合跨层设计，得到多媒体传输的最佳频谱感知周期及数据包分配方案。最后，为了在簇内同其它次要用户在上行链路中公平地分享可利用频谱资源，提出了一种基于机器学习理论的分布式、协作式以及填充式的频谱共享机制，为次要用户的每个数据包选择最佳的子载波、发射功率以及调制方式，从而提高多媒体应用的QoS。

为了提高无线频谱资源的利用率，本项目研究了认知无线电网络中的关键技术，即联合频谱感知、自适应频谱感知周期和数据包分配方案以及智能跨层分配策略。首先，项目针对不同的簇可能具有不同的稀疏频谱，提出一种基于非参数分组机制的联合频谱感知算法，提高频谱判决结果的精确度。具体的技术由三个方面组成：（1）共享机制：本项目采用具有稀疏特性的分层模型作为信道状态的先验知识，提出一种协作的、非中心式的基于贝叶斯推理的频谱感知算法，使用多个SU的压缩感知数据来挖掘共享的超参数；（2）分组机制：本项目在共享机制的基础上继续扩展，引入基于DP的分层贝叶斯模型来实现压缩感知数据的自动分组，并在各个组内实施共享机制（分层贝叶斯推理）得出共享的超参数；（3）时域挖掘：在上述分组机制对空间分集信息进行充分挖掘后，本项目提出使用HMM对每个SU的压缩感知数据进行时域挖掘，充分利用之前采集的压缩感知数据来提高频谱判决结果的精确度。其次，项目针对基于时分多址接入技术的多用户接入可用信道场景，提出了稳定信道状态模型来描述无线通信接口中多用户的接入及数据包加载问题。具体的技术由两个方面组成：（1）所有次要用户采用S-ALOHA多址接入技术，可用信道被分成若干时隙用于次要用户的数据包传输，来自各次要用户的数据包必须在时隙的起始位置开始传输。针对多用户接入多信道的场景，本项目分析各用户在子载波上的成功投包率的稳定状态方程；（2）根据上述的稳定状态方程，在目标次要用户加载了一定比例的数据包到某子载波上时，我们可以估计各子载波上所有次要用户的稳定信道状态。最后，项目针对基于NC-OFDM技术的认知无线电网络，提出一种基于贝叶斯模型的智能频谱分配机制，实现了动态跨层分配。具体的技术由三个方面组成：（1）针对多媒体应用，在基于NC-OFDM系统的CRN中将机器学习应用于动态跨层分配策略；（2）本项目为了推导闭环的基于时延的效用函数，将排队论和全贝叶斯模型结合在一起；（3）本项目使用了时间窗口的概念来计算多媒体应用的归一化吞吐量。与要求的数据包传输速率相比，时间窗口能够清晰地刻画可以同时传输的数据包个数，从而定义了基于吞吐量的效用函数。本项目在学术研究方面，学科交叉特色突出。致力于将机器学习理论应用于认知无线电网络，使得网络能够动态学习和捕捉到无线电环境的变化和规律，研究成果为认知无线电网络的智能化奠定了理论基础。