论文部分内容阅读
当大众对无线通信服务进一步的呼吁,能够被分配的频谱无奈到了不好寻找的时候。认知无线电利用次级使用者能够在尽量不影响主使用者业务的前提下,不断地进行检测和利用频谱空洞,理所应当更多地享受特权。一方面,如果次级使用者能够预先获取主使用者更多的特点,例如媒体访问控制(Medium Access Control,MAC)信息等,想当然进一步降低对主使用者产生的紊乱。另一方面,深度学习因为它自己惊人的集合表征特点和办法,化身各个辖区分析和讨论中不可或缺的宠儿。本文把深度学习这个工具扩展在认知无线电中,特别通过循环神经网络分析主使用者序列,重点解决基于深度学习的MAC协议分析问题。首先,这里基于TDMA、CSMA、Slotted Aloha以及Pure Aloha 4类经典的MAC序列,利用循环神经网络善于分析时序流样本的特点,设计了一种依赖深度学习的MAC序列种类分辨技术,解决了主用户所使用的MAC序列的种类识别问题。这个方法着重完备地想到了MAC协议序列在时域上的联系,相较于传统的机器学习方法具有更高的分类精度且不需要手动特征提取。然后,这里考虑到仿真模型通信网络中存在多个主用户协同合作的情况,设计了一种基于循环神经网络的MAC协议主用户数目估计算法。在采用冲突办法的MAC序列样本认知系统中,主用户数目的不同会导致接收信号特征发生改变。本文利用这个特点,完成了Slotted Aloha或Pure Aloha协议的主用户数目估计。仿真结果表明,该算法在主用户数目较多或数据包发送概率较高的情况下具有较好的性能。最后,在MAC协议类型识别和主用户数目估计的基础上,本文还提出了基于门控循环单元网络的MAC协议多标签分类算法,旨在分辨MAC序列是哪一种的同时也能估计出采用该MAC序列的主用户数目。许多图和表都能展示出,依赖算法适应的多标签辨别方案相比于依赖问题更改的方案展示出更高的分辨准确率。