多业务CDMA网络中基于中断概率的CAC算法

为了提高码分多址接入(CDM A)系统的资源利用率和吞吐量,保证实时业务的服务质量(Q oS),提出了两种基于用户中断概率的呼叫接纳控制(CAC)算法。两种算法分别将平均或者最大中断概率定义为业务的服务质量,对用户的呼叫进行接纳控制。基于平均中断概率的策略能够提高系统的吞吐量和无线资源的利用率,而基于最大中断概率的呼叫接纳控制策略可以提供更好的Q oS保证。通过仿真,比较了基于平均中断概率的CAC算法与基于资源预留的CAC算法。结果表明:该文提出的算法在系统负载较大时,系统的中断概率能够降低50%以上;同时不需要预留资源,提高了系统的资源利用率。     

LTE-A异构网络中一种向下垂直切换预判决算法

大量而频繁的不必要切换问题是限制家庭基站应用的一个重要原因。为了降低宏基站与家庭基站之间的不必要切换率,提出了一种向下垂直切换预判决算法;该算法对低速用户仍采用传统的基于接收信号强度的切换判决算法;而对高速用户设置有效驻留时间门限。在保证用户信干噪比的前提下,拒绝有效驻留时间低于门限值的切换请求。仿真结果表明,所提出的切换预判决算法在有效降低基站间不必要切换率的同时,显著地降低了用户的中断概率。     

基于保护邻居基站主载波的载波（重）选算法

毫微基站(Femtocell)的引入,给无线网络的干扰管理带来新的挑战。在动态部署Femtocell的网络中,每个进入网络的基站选一个载波作为主载波,主载波提供小区的全局覆盖和初始化接入服务。主载波选择的好坏,直接影响小区边缘用户的通信质量。本文提出基于保护邻居基站主载波的家庭基站载波重选算法,基站借助用户测量汇报得到背景干扰信息,重选主载波;本算法着重考虑对邻居基站边缘用户影响,降低小区边缘干扰。仿真结果表明,该算法可以提高系统平均吞吐量和边缘用户的频谱效率。     

基于Stackelberg博弈的最优频谱分配与定价策略

针对家庭基站部署与运营,以及与宏基站共享频谱资源所面临的难题,提出了一种基于Stackelberg博弈的最优频谱分配与定价策略.通过建模基站与用户之间的博弈,分析了资源定价与用户需求的关系;通过建模宏基站与家庭基站之间的博弈,给出了多种场景下双层分级蜂窝网络的最优频谱分配与定价策略.该策略能按需地为宏基站与家庭基站分配频谱,最大化宏基站与家庭基站的频谱效益,并能有效地激励运营商与用户积极部署家庭基站,加速绿色通信网络的建设进程.     

认知无线电网络中的动态权值频谱切换判定算法

为了克服认知无线电网络中衬垫传输覆盖范围的限制,基于对衬垫传输范围的估计,提出了多小区的频谱切换机制。当认知用户超出衬垫传输范围时,采用动态权值调整的简单加权判定算法选择最优目标小区,进行频谱切换,继续保持数据传输。理论分析和仿真结果表明,该方案和算法能够降低认知用户的切换失败概率和服务中断概率,提高认知用户的服务质量。     

基于能量消耗和负载均衡的异构网络基站开闭策略研究

提出新的节能机制是异构网络的一个重大挑战.针对可开闭异构网络,提出了基于纳什均衡的离散粒子群算法(NP-DPSO算法),旨在通过本算法综合考虑系统能量消耗与负载,达到均衡状态尽可能节省系统能量.基站仅需根据自身的能量消耗和负载来决定自身的开闭状态,而勿需根据全局信息,以用户和基站为博弈参与方建立博弈模型,博弈方均以自身利益最大化为目标执行自己的策略,并在每个参与者都认为已经做出了最优策略的情况下达到非合作博弈的均衡点(纳什均衡点),再利用离散粒子群算法对其求解.通过将NP-DPSO算法与基站全部激活状态(BSAA状态)、休眠激活机制的概率唤醒算法(APO算法)和基于基站休眠的负载合并动态功率控制算法(LDPC算法)进行了对比分析,验证本文提出的NP-DPSO算法的先进性与可行性.     

分布式天线小区协作通信系统下行链路频谱效率的研究

针对多小区分布式天线系统中下行链路的干扰问题,提出将基站协作通信和分布式天线技术相结合,通过最大化最小的用户频谱效率,保证用户频谱效率的公平性.同时提出一种用户天线选择关闭算法,改进了传统的基站协作迫零波束成形技术在用户数接近最大值时频谱效率急剧下降的缺陷.仿真结果表明,采用分布式基站天线和用户天线选择技术的小区协作通信,可以获得更高的用户频谱效率.     

基于模糊逻辑的频谱分配算法

提出一种在认知无线电中利用模糊逻辑进行频谱分配的新算法.先对每个认知用户根据其与认知用户基站的距离进行通信优先级划分.再利用每个认知用户的频谱利用率、移动速度、认知用户发射机与主用户接收机之间的距离进行模糊逻辑运算,得到该认知用户的频谱接入概率.定义认知用户的通信优先级与其频谱接入概率之积为基站收益,基站收益越大,该认知用户越易得到频带.仿真结果证实了该算法的可行性.     

卫星认知无线网络中频谱感知与分配策略设计

针对传统认知无线电频谱感知技术直接应用于卫星网络时存在感知效率低、频谱冲撞加剧的问题,提出一种适用于卫星认知无线网络的频谱感知与分配策略。该策略以卫星作为频谱感知的中心节点,利用卫星覆盖的广域性实现对多个频谱的同时检测;卫星在对空闲频谱的有效性进行分析后将频谱感知的最终结果告知地面认知基站,认知基站结合认知用户的业务传输需求与频谱空闲持续时长概率密度特性确定频谱可用度,从而指导认知用户选择接入最佳频谱进行业务传输。仿真结果表明:该策略能够在广域空间内实现对多个频谱状态的并行感知,提高了频谱感知的效率,同时减小了认知用户与授权用户的频谱冲撞概率。     

硬核点过程随机蜂窝网络能量效率优化研究

基于控制/用户平面分离的异构网络架构是5G中的一种重要组网方式.微基站的密集部署引发了巨大的能量消耗问题从而无法保障用户的高质量服务(quality of service,QoS).针对此问题,基于具有最小距离约束特性的硬核点过程(hard-core point process,HCPP),研究了控制/用户平面分离网络架构中能量效率的优化方法.通过联合优化网络频谱分配比、基站的密度和基站配备的天线数量,设计了最小化基站平均能耗的优化问题.由于问题是非凸的,进一步为能量效率优化问题提出了低复杂度的迭代算法,当算法迭代直至收敛可得到天线数和网络频谱分配比的最优解,最终实现基站能耗的最小化.仿真结果表明,该算法在控制/用户平面分离网络架构下有效地降低了基站的平均功耗并提升了系统能效.     

一种改进的小波神经网络的网络流量预测算法

为了有效地对网络进行维护,提高网络性能,预知网络流量可以提前对网络出现的问题采取应对策略,从而对用户提供更好的服务。在神经网络预测模型中把隐含层的传递函数用小波函数替换,并采用共轭梯度下降算法,建立了一个小波神经网络的网络流量预测模型。通过实际流量数据对模型进行仿真,结果显示该模型与神经网络预测模型相比,该网络具有良好的预测效果,网络训练时间短,有效地提高了训练速度。     

基于Sarsa学习的基站休眠策略研究

在异构Macro-femto蜂窝网络中,随着日益增长的用户数量使得基站能耗问题变得更加严峻,提升整个移动系统能效的有效方式就是进行基站休眠。根据无模型理论提出一种基于Sarsa学习的动态基站休眠算法,算法通过基站学习环境中的用户流量,制定合理的休眠机制。仿真结果表明,提出的基于Sarsa学习的基站休眠算法能够有效提升系统能效     

机会式网络编码的用户协作

在两用户相互协作向基站传送数据的无线通信环境下,研究了基于机会式网络编码的协作策略:发送数据的用户节点把正确接收到的伙伴信息与自己将要发送的原始信息进行异或相加后再编码(或把两组信息先编码后再异或相加),然后将所得数据再发送出去。在假设所有的信道都存在衰落现象下,给出了传统的协作传输和机会式网络编码的协作传输策略下系统中断概率公式。仿真结果说明,相对于非协作传输与传统的协作传输,机会式网络编码协作策略具有较好的性能。     

基于动态多频谱感知的认知无线网络信道接入策略

针对固定频谱感知信道接入机制授权信道分配效率低的问题,提出一种多用户场景下基于动态多频谱感知的认知无线网络信道接入策略.该策略根据认知用户接入请求等级与空闲频谱发现概率为认知用户动态分配感知信道数量,首先分析了认知用户的最佳感知频谱分配数量,在此基础上通过建立认知用户信道接入模型和授权信道可用度更新机制,设计了一种动态感知频谱分配策略,并采用短视策略对网络吞吐量进行了分析.仿真结果表明,所提信道接入策略要比现有认知无线网络信道接入策略提高了网络吞吐量和认知用户接入的公平性,降低了认知用户的平均接入时延.     

基于集成学习的用户信用卡违约预测模型研究

用户信用卡违约预测任务有助于银行等金融机构平衡经济风险与经济利益,对于银行信用卡业务的风险管控具有重要作用。针对用户信用卡违约预测问题,提出了一种基于集成学习的预测模型,有异于传统集成学习中的弱学习器。该模型采用集成模型和神经网络模型作为基学习器,从而提升模型整体的预测效果。首先通过预处理提取用户信用卡数据集的相关特征,然后分别采用优化后的决策树、随机森林、GBDT、XGBoost、CatBoost和SPE六种机器学习模型与神经网络模型进行并行训练和预测,最后通过加权软投票法集成基学习器结果并输出最终预测结果。结果表明,相对于基学习器,该模型在各项评估指标上均有所提升,且拥有更好的模型泛化能力。     

改进萤火虫算法与小波神经网络相结合的变压器故障诊断

为了解决变压器故障诊断中诊断效率低的问题,本文对萤火虫算法(FA)进行了改进,并与小波神经网络(WNN)相结合应用于变压器故障诊断中。小波神经网络结构简单,预测精度高,收敛速度快,但是网络参数不好选择,易陷入局部最优。本文结合混沌算法、粒子群算法、可变步长的思想来改进萤火虫算法,用于优化小波神经网络的参数,再将处理后的数据带入神经网络中进行训练与诊断。实验结果表明,该算法与BP神经网络、支持向量机、小波神经网络、遗传算法改进的小波神经网络和粒子群算法改进的小波神经网络相比诊断正确率均有所提高。     

星地认知网络能效谱效联合博弈功率控制算法

在Underlay模式下,卫星网络覆盖范围大会导致用户频率冲突干扰,针对该问题以及星地网络中移动用户的能量有限的情况,综合考虑卫星用户中地面站和移动用户的差异,构建了基于能效谱效联合博弈的星地认知网络多用户功率控制模型,并在该博弈模型基础上提出了一种能效谱效联合博弈算法(COAES),定义了能效和谱效因子,通过对不同用户的能效和谱效优化需求进行博弈,并证明每个用户均能达到最优状态即纳什均衡状态。仿真结果表明:COAES算法能满足不同用户的谱效和能效需求,并且联合因子相比NETMA算法和PRA算法分别提升了50%和35%。     

超密集网络中基于分簇的干扰管理方案

在超密集网络中,全频复用能够提升网络的吞吐量,但是导致了严重的基站间干扰。为了降低基站间干扰,首先通过干扰权重值描述小基站间的干扰程度,建立合理的干扰图;然后将分簇问题转化为Max K-Cut问题,利用改进的次优化启发式算法对小基站进行分簇;最后通过信道分配算法为每个簇中的用户分配子信道。仿真表明,本文的干扰管理方案在降低小基站间干扰的同时,能够提升系统的频谱效率和平均吞吐量。     

基于容量最优化的D2D资源分配方法的研究

D2D(Device-to-Device)通信是一种在基站的控制下,允许终端之间通过复用小区资源直接通信的新型技术.它能够增加蜂窝通信系统频谱效率,降低终端发射功率,在一定程度上解决了无线通信系统频谱资源匮乏的问题.由于在未来的移动网络中有越来越多的异构设备,一个高效的资源分配方案必须最大限度地提高系统的吞吐量,并实现更高的频谱效率.资源分配方案是在保证小区用户吞吐量的前提下,使D2D用户获得最大的吞吐量,并在文献[7]的基础上给出了一个算法来解决这个问题.通过仿真表明,算法具有较低的时间复杂度,能够有效地提高系统的吞吐量.     

基于平均场博弈的超密集5G小蜂窝网络下行功率管理

研究了一个拥有大量小型基站(Small Base Stations,SBSs)和用户设备(User Equipments,UEs)的 超密集 5G 小蜂窝网络(Ultra-Dense 5G Small Cellular Networks,UDN)的下行通信系统,并考虑了功率控制策 略和队列状态信息(Queue State Information,QSI)的影响,研究了 SBSs 与其服务用户之间数据成功传输的概 率和 SBSs 传输能量消耗问题。 考虑 SBSs 之间的交互关系,将该问题建模为一个动态随机博弈(Dynamic Stochastic Game,DSG)。 通过利用 SBSs 的超密集特性,DSG 被进一步近似为平均场博弈(Mean Filed Game, MFG)。 然后基于 Lax-Friedrichs 方案和拉格朗日松弛法开发有限差分方法来求解相应的 MFG。 在数据传 输之前,通过所求解,每个小型基站可以独立地优化其控制策略从而最小化成本,而无需与其他 SBS 进行任 何信息交换。 仿真结果表明:所提出的控制策略能有效地提高数据传输成功的概率并减小相应成本。