超密集网络中混合接入方式下基于分组的资源分配

针对混合接入方式下的超密集异构网络中存在的干扰及频谱资源分配问题,提出了一种基于分组的资源分配方案.根据Small cell间的干扰采用模拟退火算法对Small cell进行分组;运用基于最小信干噪比最大化的信道分配方案对分组后的网络进行信道分配.给出了混合接入方式下用户的资源使用方式.仿真结果表明,该方案可以有效地抑制干扰,提高系统性能.     

超密集网络中基于改进DQN的接入选择算法

在超密集网络环境中,各个接入点密集部署在热点区域,构成了复杂的异构网络,用户需要选择接入合适的网络以获得最好的性能。如何为用户选择最优的网络,使用户自身或网络性能达到最佳,称为网络接入选择问题。为了解决超密集网络中用户的接入选择问题,综合考虑网络状态、用户偏好以及业务类型,结合负载均衡策略,提出了一种基于改进深度Q网络(deep Q network, DQN)的超密集网络接入选择算法。首先,通过分析网络属性和用户业务的偏好对网络选择的影响,选择合适的网络参数作为接入选择算法的参数;其次,将网络接入选择问题利用马尔可夫决策过程建模,分别对模型中的状态、动作和奖励函数进行设计;最后,利用DQN求解选网模型,得到最优选网策略。此外,为了避免DQN过高估计Q值,对传统DQN的目标函数进行优化,并且在训练神经网络时,引入了优先经验回放机制以提升学习效率。仿真结果表明,所提算法能够解决传统DQN的高估问题,加快神经网络的收敛,有效减少用户的阻塞,并改善网络的吞吐能力。     

超密集网络中宏微协作的干扰最小化资源分配

超密集网络能够最大化频谱利用率,但不可避免地带来严重的小区间干扰。为解决该问题,提出一种能够适应超密集网络动态负载场景宏微协作的干扰最小化资源分配算法。首先通过宏微协作交换小区子带干扰信息;然后为高功率用户分配邻区子带干扰较小的资源来降低小区间干扰。当小区业务部分加载时,算法还通过为高功率用户分配更多的带宽资源来降低它们的功率谱密度,从而进一步降低小区间干扰。仿真结果表明,新算法在业务量动态变化的超密集网络中能够有效地降低网络的干扰水平并提升网络的能效比。     

超密集网络中基于分簇的资源分配方案

为了缓解超密集网络中毫微微小区基站（FBS）间的同层干扰,提出一种基于干扰受限的分簇及资源分配（ILCRA）方案,该方案用一个预先设置的干扰门限来限制每个FBS簇内成员的数量。首先采用聚合成簇的思想对FBS进行分簇,每个FBS簇中干扰权值之和不能超过干扰门限,然后在每个FBS簇内采用穷举图着色算法依次对用户设备（UE）进行分簇;其次,在每个FBS簇内独立地分配资源,根据UE簇在每个子信道上的吞吐量依次为每个UE簇分配子信道;最后在每个FBS簇内采用注水算法为簇内用户分配功率。仿真结果显示,该方案有效地限制了FBS簇内成员的数量,提升了系统的吞吐量和频谱效率。     

超密集网络中非合作博弈的功率分配算法

为了抑制超密集网络中小小区基站的密集化部署带来的干扰,并提高系统的吞吐量,本文研究了频谱共享超密集网络中的功率分配策略.首先,针对非凸的系统和速率最大化问题,采用非合作博弈模型将其转化为每个用户效益函数最大化的凸子问题,并通过设计一种动态定价使得非合作博弈模型的纳什均衡点(NE)是原优化问题的驻点.其次,为了保证宏小区用户的服务质量(QoS),模型中引入了干扰功率约束条件来抑制宏小区受到的干扰.最后,在此非合作博弈论框架下,设计了一种迭代式的基于全局信息的功率分配算法.每次迭代通过求解KKT条件获得每个用户的最优发射功率,通过理论推导证明了迭代算法可收敛到博弈模型的NE.此外,为了减少迭代算法的信令开销、提高资源利用率,还提出了一种基于局部信息的功率分配算法.仿真结果表明,所提出的基于全局信息的功率分配算法比对比方法具有更好的传输性能,所提出的基于局部信息的功率分配算法在保证较好的传输性能的前提下有效地减少了信令开销.     

基于图形表示的异构超密集网络的机器学习技术研究

异构超密集网络(H-UDN)被认为是一种通过网络密集化来维持爆炸性的移动业务需求的解决方案。通过将接入点、处理器和存储单元放置得尽可能靠近移动用户,H-UDN带来了许多优势,包括较高的频谱利用率、较高的能量利用率和低延迟。尽管如此,H-UDNs中网络实体的高密度和多样性给协同信号的处理和资源管理带来了巨大的设计挑战。该文阐述了机器学习技术在解决这些挑战方面的巨大潜力。特别地,展示了如何利用H-UDN的图形表示来设计有效的机器学习算法。     

基于深度强化学习的超密集网络中多用户上行功率控制方法

针对超密集网络中由于用户数量多、相互距离近,通信过程中彼此之间干扰大,导致频谱利用率不高的问题,建立了通过优化控制发射功率同时提升系统信息容量和满足服务质量的用户数量的优化问题. 由于该问题非凸且功率控制为离散变量,将其建模为马尔科夫决策过程. 在此基础上,提出了基于深度强化学习的功率控制算法,并设计了相应的动作空间、状态空间及奖励函数. 仿真结果表明,所提算法与最大发射功率策略和随机发射功率策略相比,分别提高了至少15.9%的信息容量和至少10.7%的用户服务质量满足率. 与不考虑用户服务质量满足率提升的算法相比,所提算法通过适当降低信息容量,提升了用户服务质量满足率.     

超密集网络中一种改进的分簇及资源分配方案

为了减少超密集网络中小区间的干扰,提出了一种改进的分簇及资源分配方案.首先,根据小基站间的路径损耗程度构造损耗图,基于损耗图选出簇头并且分簇,将路径损耗之和较小的小基站放在一个簇中,每个簇中小基站的数量不超过子信道的数量;然后,根据簇内的用户在每个子信道上的信干噪比依次为每个簇的用户分配正交的子信道;最后,优化功率分配,以提高吞吐量.仿真结果显示,与相同场景中的已有方案相比,所提方案更加均匀地将小基站分布在每个簇中,并且显著提高了系统吞吐量.     

基于用户分群的超密集小区网络资源分配

为了降低超密集小区网络中的小区间干扰,给出一种利用用户信干噪比和干扰泄漏计算连续权值的用户分群方案。利用连续权值进行用户分群后,采用次优化的启发式算法为用户群分配资源。仿真结果表明,与现有的用户分群算法相比较,所给算法的系统吞吐量可提升20%~35%,同时单个小区的吞吐量也可提升5%~10%。     

一种新的基于网络虚拟环境的用户访问模式聚类算法

为了有效地实现网络虚拟环境的个性化信息推荐,提出一种针对网络三维虚拟环境的用户访问模式聚类算法,即基于多目标粒子群优化的模糊C-均值聚类算法(MOPSO-based FCM, MPF)。MPF算法结合了粒子群优化算法(particle swarm optimization, PSO)与模糊C 均值算法(fuzzy C-means, FCM)的优点,通过PSO的全局空间搜索避免了FCM算法对初始值、噪声数据敏感与容易陷入局部最优等。为了改善聚类效果,在PSO中设计一个基于双目标(最小化类内距离与最大化类间距离)的粒子适应度函数。最后用标准数据集与模拟数据集分别对MPF算法进行性能测试,实验结果表明:本算法在聚类精度方面表现良好。     

应力—强度模糊干涉模型

提出了应力强度模糊干涉模型,研究模糊强度差概率密度函数积分法,并给出机械强度模糊可靠度公式．     

基于模糊隶属度的加权广义不定核判别分析

对线性不可分的问题,已有许多基于正定核的降维方法,Fisher判别分析法是其中常用的方法。本研究对此类方法进行了改进和推广,首先将正定核推广到不定核,然后提出了基于模糊隶属度的不定核判别分析,最后结合权函数提出了加权广义不定核判别分析。实验结果表明,所提算法不仅有很好的分类效果,而且权函数的选择对分类结果有比较明显的影响。     

发射波束赋形消除感知用户对主用户干扰算法

针对如何完全消除感知用户对主用户的干扰问题,探讨了如何利用发射端的波束赋形消除感知用户对主用户的干扰。给出了感知网络和主用户网络共存的系统模型和一种最佳波束赋形算法。并对这种最佳波束赋形算法进行了性能仿真,仿真结果表明,该算法较迫零波束赋形算法在性能上更有优势。与经典的迫零波束赋形方法比较,该算法既能消除对主用户的干扰,提高了感知用户自身的性能。     

网格编码调制在扩频多址系统中的应用

在假定多用户干扰等效于高斯分布的条件下,讨论了网格编码调制（ＴＣＭ）在ＡＷＧＮ信道下的性能．通过和非编码扩频多址（ＳＳＭＡ）下的性能比较,得出了ＴＣＭ－ＳＳＭＡ系统在一定信噪比条件下,性能比ＳＳＭＡ系统要好的结论．     

一种造型设计方法UFF及其应用

提出产品造型设计方法UFF,此方法结合了用户过程分析、功能论分析,以及模糊逻辑方法.UFF方法把用户过程分析作为设计前期发现、明晰设计问题的工具,通过传统公认的功能论设计思想,把产品的功能目标系统转化为技术、艺术和谐共存的创造性设计方案.鉴于造型设计方案评价的模糊性,最后通过模糊逻辑决策模式采集用户评分对种子设计方案进行评价优选,获得最优方案.从而提供一种可依托的产品开发中的造型设计途径,并以测量设备为例,进行了应用.     

BP、模糊、小波网络逼近性比较研究

对神经网络、小波网络和模糊小波网络函数逼近性进行对比,进而对采用正交化选择法和前向选择法净化小波时,小波网络和模糊小波网络对一维非线性函数逼近进行了分析.仿真结果证明模糊小波网络具有高精度的逼近能力和很强的泛化能力,该方法比小波网络和BP网络更优越,并且正交最小二乘法净化小波的性能指标优于前向选择法.     

新型支持向量机在风速预测模型中的应用研究

在短期风速预测方面支持向量机已被广泛应用并取得较好的效果. 然而, 随着应用的深入, 其逐渐暴露出两大问题: 一, 对噪声较为敏感; 二, 未能充分利用样本已有信息. 为进一步提高支持向量机的泛化能力, 该文提出模糊流形支持向量机FMSVM. 该方法引入模糊技术, 保证不同样本区别对待, 减少或消除噪声的影响; 充分利用流形判别分析的性质, 进一步改进支持向量机, 在分类决策时同时考虑样本的边界信息、分布特征以及局部流形结构. 通过某风场风速数据集上的比较实验验证该方法的有效性.     

基于平均场博弈的超密集网络边缘缓存和删除分配研究

超密集网络设备数目庞大导致缓存分配算法复杂度极高,频繁地缓存和删除同样的内容导致的系统不稳定,为此,提出了基于平均场博弈（MFG）的分布式缓存分配算法和基于李雅普诺夫漂移加惩罚（DPP）方法的分布式删除分配算法.MFG方法使缓存分配算法的复杂度与基站数目无关.DPP方法将具有时间相关性的删除分配问题解耦成为每个时刻的问题,并求解得到了兼顾系统稳定性和网络开销优化的删除分配策略.仿真结果表明,MFG方法能够使网络最优控制策略快速收敛,并且在超密集场景下得到明显低于基本缓存分配方法的网络开销;李雅普诺夫DPP方法能够实现兼顾网络开销优化的网络缓存和删除稳定性.