基于多智能体近端策略优化的多信道动态频谱接入

为了在多用户多信道通信场景中应用动态频谱接入(Dynamic Spectrum Access,DSA)技术提高通信效率,保证用户公平,本文基于多智能体近端策略优化(Multi-Agent Proximal Policy Optimization,MAPPO)提出了MAPPO-DSA算法.该算法首先针对单信道接入在多个信道同时空闲时存在的频谱浪费问题,使用多信道接入作为解决方案.同时,多信道接入导致状态空间与动作空间指数增长,计算成本高,学习难度大.为此本文引入MAPPO深度强化学习(Deep Reinforcement Learning,DRL)算法,在复杂环境中高效学习和优化接入策略.通过设计优化MAPPO中观测及奖励等强化学习要素和共享网络参数来保证用户公平.最后,在不同场景下的实验结果表明,所提出的MAPPO-DSA能够学习到近似最优的接入策略,部分场景中的网络吞吐量逼近理论上限,显著优于现有算法,且有效保证用户公平.

面向数据传输稳定性的无人机群频谱接入方法

针对频繁变化的无线通信环境中无人机群频谱资源使用问题,在保障无人机数据传输稳定的前提下,以降低无人机间用频冲突率、提升信道利用率和系统吞吐量为目标,设计了基于多用户非耦合排队频谱接入方法。该方法中无人机之间不需要信息交互和中心控制节点,仅需根据自身数据传输需求、互扰功率和历史信道使用状态信息来构建学习效益函数,生成频谱使用策略。仿真结果表明,所提方法在确保无人机数据传输稳定和兼顾无人机用频公平性的前提下,能有效降低无人机间用频冲突,提升无人机群吞吐量。

基于深度强化学习的多用户频谱接入算法研究

面向万物智联的需求,新一代无线通信技术向6G一体化智能网络演进的趋势日益明显。而内生智能将是其中的关键要素之一,成为体现6G网络具备自主感知-通信-决策-控制能力的核心特征。针对6G IEN面对海量数字业务需求的频谱资源稀缺问题,面向复杂多样的动态IEN网络环境和应用场景,提出了一种基于深度强化学习的动态频谱接入算法,使得多个用户设备可实现无人工干预的频谱自感知、设备自决策、用户自接入的智能化处理。与现有方法不同,所提方案在充分考虑用户的实际通信质量的条件下,基于深度强化学习算法对用户的发射功率进行有效的限制,从而实现了频谱资源的高效利用,可在系统吞吐量、碰撞概率等性能指标上获得较大的增益。

无线通信中的频谱感知与动态频谱接入技术研究

随着无线通信技术的迅速发展,频谱资源日益成为一种宝贵的资源。频谱感知与动态频谱接入技术作为解决频谱资源管理难题的重要手段备受关注。本文综述了频谱感知与动态频谱接入技术在无线通信领域的研究现状与应用前景,分析了其在提升频谱利用效率、解决频谱拥塞和频谱管理等方面的重要作用。并结合实验分析,展示了这些技术的潜力和优势,为未来的频谱管理与通信技术发展提供了有益的参考。

基于增强加权质心定位的认知物联网用户频谱接入控制

在认知物联网(CIoT, cognitive internet of things)中,由于主用户(PU, primary user)与次级用户(SU,secondary user)之间的非合作特性,单独依靠传统的频谱感知技术判断频谱接入机会存在一定的不可靠性。作为一种重要的辅助信息,PU与SU之间的相互位置信息可以协助判断授权频谱的二次接入可能性。提出了一种低复杂度的基于相邻关系的加权质心定位(NB-WCL, neighbor-based weighted centroid localization)算法,通过解决CIoT中SU的定位问题,从而完成CIoT中各个地理位置上是否能够进行频谱接入的决策。在理论层面分析了二维位置估计的均方根误差(RMSE, root mean square error)性能,通过仿真验证了通信半径、节点密集度、阴影影响、路径损失、连通性度量值以及发送数据次数等因素对于算法性能的影响。理论推导与实验结果表明,相对于传统的定位算法,所提方案为CIoT中的SU定位算法提供了更为强健和良好的定位误差性能,能够有效地增强认知物联网中用户频谱接入的可靠性。该方案可以作为认知物联网中的一种高效实用的定位感知方案。

认知车联网中基于改进的强化学习的频谱接入方法

认知车联网通过提高频谱利用率,从而可以满足认知车联网通信的需求。然而,先前的研究仅考虑车辆与车辆之间的通信链路或者车辆与路边设施之间的通信链路,或者仅存在单一认知车辆的通信环境。因此,所提方法适用于同时存在上述两种链路的多认知车辆的认知车联网环境。为了提高认知车辆接入信道的成功率,通过结合信干噪比重新设计了反馈函数进而提出一种改进的强化学习方法。通过对比传统的强化学习算法与贪婪算法,所提出的方法的性能与收敛性明显优于其他方法,能够明显的提高频谱利用率。

基于深度强化学习的认知车联网频谱接入算法

先前的研究仅考虑仅仅存在认知车联网单一通信环境的问题,这样不能充分利用频谱资源。为了提高频谱利用率,提出一种适用于同时存在多个认知车辆的认知车联网环境的方法。同时为了提高认知车辆频谱接入的成功率,通过结合不同情况下的授权车辆和认知车辆的吞吐量设计了不同的反馈函数提出了一种改进的深度强化学习方法。所提出方法的性能明显优于传统的Q学习算法,能够更明显地提高频谱利用率,满足日益增长的车联网通信需求。

面向频谱接入深度强化学习模型的后门攻击方法

深度强化学习(Deep Reinforcement Learning,DRL)方法以其在智能体感知和决策方面的优势,在多用户智能动态频谱接入问题上得到广泛关注。然而,深度神经网络的弱可解释性使得DRL模型容易受到后门攻击威胁。针对认知无线网络下基于深度强化学习模型的动态频谱接入(Dynamic Spectrum Access,DSA)场景,提出了一种非侵入、开销低的后门攻击方法。攻击者通过监听信道使用情况来选择非侵入的后门触发器,随后将后门样本添加到次用户的DRL模型训练池,并在训练阶段将后门植入DRL模型中;在推理阶段,攻击者主动发送信号激活模型中的触发器,使次用户做出目标动作,降低次用户的信道接入成功率。仿真结果表明,所提后门攻击方法能够在不同规模的DSA场景下达到90%以上的攻击成功率,相比持续攻击可以减少20%~30%的攻击开销,并适用于3种不同类型的DRL模型。

基于深度强化学习的能量采集认知无线电动态频谱接入

为解决认知无线电(Cognitive Radio, CR)中频谱和能量短缺的问题,提出一种基于深度Q网络(Deep Q-Network, DQN)的动态频谱接入算法。次级用户(Secondary User, SU)通过基站射频信号采集能量,并在频谱感知后实现信道的自主接入。模型通过DQN训练,并使用奖励机制和训练算法优化,SU能够根据环境信息作出合适的接入策略。仿真结果表明,提出的深度强化学习(Deep Reinforcement Learning, DRL)模型性能优于无学习模型,提高了频谱感知准确率及用户吞吐量,对比结果证明了模型的适用性及合理的虚警率可以提升模型的学习性能。

面向多用户动态频谱接入的改进双深度Q网络方法研究

随着移动通信技术的飞速发展,有限的频谱利用资源与大量频谱通信需求之间的矛盾也日益加剧,需要新的智能方法来提高频谱利用率。本文提出了一种基于分布式优先经验池结合双深度Q网络的多用户动态频谱接入方法。通过该方法,次用户可以在动态变化的认知无线网络环境下根据自己感知信息来不断地学习,选择空闲信道完成频谱接入任务来提高频谱利用率。该方法采用分布式强化学习框架,将每个次用户视为一个智能体,各个智能体采用标准单智能体强化学习方法进行学习以降低底层计算开销。另外,该方法在神经网络训练的基础上加入优先级采样,优化了神经网络的训练效率以帮助次用户选择出最优策略。仿真实验结果表明该方法能提高接入信道时的成功率、降低碰撞率和提升通信速率。

基于部分可观测马尔科夫决策过程的C-V2V频谱接入算法

文章基于部分可观测马尔科夫决策过程,提出一种C-V2V(Cellular Vehicle-to-Vehicle)频谱接入算法,并在既定的网络模型下,通过仿真过程验证了本算法可有效提高车辆用户接入频谱后的吞吐量,从而改善C-V2V通信网络服务质量,可应用于交通事故、车辆监督管理等领域。

认知无线电中一种新的频谱接入方法

提出一种新的可实行性频谱接入算法。利用爬坡方法求解目标函数,使得计算频谱接入参数可行。根据对主用户接收机端的干扰温度估计方法不同,提出了合作式频谱接入算法和非合作式频谱接入算法,并对两种方法进行了系统仿真和比较。

认知无线电中的频谱接入技术

认知无线电是一种基于软件无线电的智能通信系统,它能够认知周围环境,并能通过一定的方法相应地改变某些工作参数来实时地适应环境,从而达到提高频谱利用率、缓解频谱资源紧张的目的。授权频段的频谱利用问题是认知无线电实现的关键技术之一。研究了授权频段的两种频谱利用方法:动态频谱接入和基于动态频谱接入模型之一的机会频谱接入。

机会频谱接入系统的切换请求排队机制及性能分析

针对非实时业务的特点,该文提出了机会频谱接入系统的两种切换请求排队方案,并采用二维Markov模型对其性能进行了建模分析,得到了呼叫阻塞率、强制中断率、信道利用率等系统性能关键参数的解析结果。数值结果分析表明,提出的两种切换请求排队方案是降低系统强制中断率的有效方法,且可克服切换信道预留机制阻塞率高、信道利用率低的缺点,信道利用率最多可提高26%。仿真实验验证了理论分析的正确性。

基于Q-learning的机会频谱接入信道选择算法

针对未知环境下机会频谱接入的信道选择问题进行研究。将智能控制中的Q-learning理论应用于信道选择问题,建立次用户信道选择模型,提出了一种基于Q-learning的信道选择算法。该算法通过不断与环境进行交互和学习,引导次用户尽量选择累积回报最大的信道,最大化次用户吞吐量。引入Boltzmann学习规则在信道探索与利用之间获得折中。仿真结果表明,与随机选择算法相比,该算法在不需要信道环境先验知识或预测模型下,能够自适应地选择可用性较好的信道,有效提高次用户吞吐量,且收敛速度较快。

基于预测机制的认知无线电机会频谱接入

基于认知无线电(CR)的机会频谱接入技术,近年成为一个研究热点,但大部分文献是根据当前主用户的频谱活动情况来指导次用户的频谱接入。提出一种新的接入机制,根据主用户过去和现在的频谱活动来预测其未来的频谱活动,从而使次用户可以接入可用性高的频段,减少与主用户发生冲突碰撞的可能性。另外,门限值的设定更进一步减少了不可靠的频段,使次用户的通信质量得以提高。通过仿真实验可看出,与传统的接入机制以及未设门限值的接入机制相比较,所提方案能有效地减少主次用户之间的冲突碰撞率。

基于概率密度估计的认知无线电动态频谱接入算法

提出一种基于概率密度估计的动态频谱接入算法,通过由支持向量机拟合出的授权频段空闲时长的概率密度对信道状态进行评估,认知无线电用户根据信道状况选择接入.该算法可以进行自适应调整,具有良好的实用性与灵活性.仿真结果表明,所提出的算法可以有效降低信道的冲撞率,同时提高认知无线电用户的吞吐量和服务质量.

基于K-均值聚类的动态频谱接入技术

为了有效降低次用户接入授权信道时对主用户造成的干扰以及次用户被阻塞的概率,提出了一种基于K-均值聚类的动态频谱接入方法。该方法首先将关注的频谱划分为若干子信道,尔后对每个子信道进行特征提取,借助频谱特征,用K-均值算法对子信道进行聚类,将子信道分别纳入白色、灰色和黑色频谱池。次用户在接入信道时,重点选择白色频谱池中的信道接入。理论分析和仿真结果表明,利用该方法能够有效降低次用户对主用户的干扰和次用户被阻塞的概率,提高信道接入效率。

基于动态频谱接入的应急移动通信系统

新兴的动态频谱接入(DSA)技术可以解决频谱稀缺问题。本文在研究荷兰典型的下一代应急网络xGEN的基础上,分析了DSA在应急通信网络中的应用需求,设计了分级混合网络架构的DSA应急移动专用通信网络及其基于软件无线电(SDR)平台的快速可重配置的应急终端结构,并探讨了DSA设备特有的动态频谱管理功能实现的关键技术。

认知无线网络中动态频谱接入性能分析

认知无线电技术利用频谱空洞进行通信,有效缓解了频谱资源紧缺问题,动态频谱接入是其核心技术。网络中主用户对授权频谱的使用效率较高时,次用户接入网络无法完成符合QoS要求的通信,只有当主用户频谱效率在一定门限值下时网络才适合次用户接入。有限频谱空洞资源只能满足有限次用户的通信需求,为了保证通信质量,网络在固定的主用户频谱效率下只能接入适量的次用户。提出用强制优先排队理论对认知无线网络中的动态频谱接入过程进行模拟,通过仿真对次用户的切换概率、阻塞概率两个QoS因子进行分析,在给定的QoS条件下,得到了网络适合次用户接入的主用户频谱效率门限值,以及在固定的主用户频谱效率下网络适合接入次用户的量。