第一章绪论
1.1无线资源优化
国家相继启动了与之相关的863计划、973计划、国家科技重大专项和国家自然科学基金等支撑项目。比如本课题组参与的国家科技重大专项“面向IMT-Advanced增强多媒体多播技术”,国家863项目“无线协作广播组播的多级传输与冲突控制”,国家自然科学基金项目“基于协作的自适应无线通信资源分配”等项目。这充分说明了我国对无线资源优化技术的极大重视,体现了该项目对国家科学技术发展和社会进步具有重大的意义。
1.2基于混沌神经网络的无线资源优化技术
自从将混沌引入神经网络以后,混沌神经网络就被广泛应用于各种组合优化中。而近年来,混沌神经网络不断用于无线资源优化问题中,取得了丰富的研究成果。下面简单介绍一下混纯和人工神经网络的基本原理,及其两者的交叉学科一一混纯神经网络,并详细讨论几种具有代表性的混沌神经网络在无线资源优化中的应用研究。
……………………
第二章改进的混沌神经网络优化模型
2.1引言
HNN系列混沌神经网络模型是最具代表性的模型之一,HNN系列模型包括HNN、TCNN和NCNN等。其中,1982年Hopfield教授提出HNN网络是ANN发展史上一个重要的里程碑。随后,Chen等人结合模拟退火的思想,提出了TCNN,提高了系统的整体性能。为了避免陷入局部最小值,提高优化率和收敛速度,Wang等人在TCNN的基础上,加入了随机噪声,提出了 NCNN,使得系统能够更有效地逃离局部极小值,提高了系统的优化率。
从现有文献来看,HNN系列混沌神经网络能够较好地解决组合优化问题,但是仍然存在一些问题,包括理论研究不够深入,不能很好地支撑仿真测试,导致仿真参数设置困难、收敛速度慢和优化率不高等问题。本章通过深入分析混沌神经网络的优化理论,通过理论分析和大量的仿真测试,进一步研究了仿真中的参数设置,提供了合理的参数设置依据,并给出了一套行之有效的参数集。通过经典的TSP问题测试,改进的算法能够更有效地提高系统的整体性能。
2.2 HNN系列混沌神经网络模型
—般情况下,组合优化问题是在给定的约束条件下,求出目标函数的最小或者最大值。根据以上对CHNN网络的分析和推理,我们可以用CHNN来解决组合优化问题。具体方法如下:将组合优化问题中的目标函数和限制条件一一映射到CHNN的能量函数中。组合优化问题的具体变量则转换为CHNN网络中神经元的状态。这样一来,网络会自动按照算法定义的规则进行迭代运算,总的能量函数值将随着系统的迭代而不断下降,直至网络收敛到平衡状态,此时系统的状态就对应所求优化问题的解。
1985年Hinton等人提出的Boitzmaim机模型,在HNN模型中引入随机机制,并采用模拟退火算法,用符号函数作为激活函数。因此Boltzmann机模型在寻优能力方面较HNN有很大的改善另一方面,几种启发式的退火方法也被提出,而且也和神经网络成功地结合。这些退火方式被称作确定性模拟退火(Deterministic Simulated Annealing, DSA)。这些方法包括 Lee等提出的 Hopfield网络增益锐化技术(Gain sharpening of the hopfield networks) Peterson 等人提出的均场退火近似算法(Mean field approximation annealing)等[32]。
自从梯度下降算法在很多传统的优化算法中得到了成功应用以后,很多具有混沌动力的人工神经网络技术也引入了梯度下降算法,使得神经动力更加复杂。1990年Aihara将人脑中的混沌应用到神经网络,提出了混沌神经网络模型。为了在组合优化中充分利用混沌神经动力和传统的收敛神经动力,他的学生Chen结合模拟退火的思想,提出了暂态混沌神经网络(TCNN) [n]。
第三章基于TCNN的多用户……………26
3.1引言……………… 26
3.2系统模塑……………… 27
3.3多用户OFDMA系统的……………28
3.3.1优化卿……………… 29
3.3.2优化准则……………30
3.3.3优化算法……………32
3.4基于TCNN的多……………35
第四章基于NCNN的……………49
4.1 引言……………….49
4.2单播和多播业务……………………50
4.3基于NCNN的…………………51
第五章基于NCNN的MBSFN………………..73
5.1引言………………73
5.2 MBSFN 技术……………75
5.2.1MBSFN 同步技术……………… 75
5.2.2MBSFN 组网技术 …………………76
5.2.3MBSFN无线资源管理……………76
5.3基于NCNN的MBSFN信………………77
第五章基于NCNN的MBSFN区域信道分配与优化
5.1引言
传统的单小区传输MBMS业务时,边缘小区用户和单播一样,由于远离基站,信号较弱,而且容易受到邻区的干扰。而MBSFN由于将邻区的干扰信号视为有用信号,有效避免了边缘用户的干扰问题,而且通过多个相同信号的合并,获得了较好的分集增益,提高了小区边缘用户的接收信干比,进一步提升了 MBMS网络的性能。由于MBSFN区域是多个相邻小区的集合,所以可以在MBSFN区域内进行无缝切换,并通过接收端对信号进行合并处理,获得宏分集增益,使小区的整体SNR性能得到提升,有效地提高了无线资源利用率,也有助于业务接收的稳定性以及盲区覆盖等问题。
5.2 MBSFN 技术
由于MJBSFN模式是在MBSFN区域内所有小区同一时间同一频率上传输相同的波形,要做到这一点,同步问题就成为了 MBSFN技术的一个核心问题,这就要求各小区之间要做到时间同步和频率同步。首要问题是时间同步,时间同步是指各基站在同一时间发送相同的MBMS业务,由于E-MBMS釆用了扩展CP,这就放松了时间同步对精度的要求,一般精确到微秒级。如果各eNB不能同步传输,则用户接收到的来自不同eNB的MBMS信息中有的就可能会成为同频干扰信息,不但不能获得宏分集增益,反而会影响用户对这些信息的有效合并,严重时会导致信息失真,无法正确接收。
…………………
第六章总结与展望
6.1论文工作总结
从以上三种典型场景的无线资源优化研究可以看出,每一次将混沌神经网络技术成功应用于每个具体的应用场景时,都需要深入分析具体场景中的优化问题,深度挖掘未来无线移动通信系统具体场景的无线资源优化问题和混沌神经网络优化模型之间的内在联系,建立起物理意义到模型变量之间的一一映射关系,并结合混沌神经网络的特点对问题进行合理的数学建模,为了降低复杂度,一般会简化初始优化问题,精心构建混纯神经网络的能量函数,根据具体的仿真系统模型合理地设置和调试仿真中的各个参数,然后利用富足的混沌神经动力去搜索子优化问题的最优解。从仿真结果可以看出,虽然最终所求得的解仍然是次优解,但是都能很好地满足系统和用户各方面的性能需求,与现有文献比较,提出的各个算法能进一步提高无线资源利用率,达到了优化无线资源的目的。
6.2未来工作展望
如何延续本文的研究思路去解决更多的信息学科优化问题也是很有价值的。在算法方面,除了深入研究混沌神经网络外,还可以结合或者借鉴一些类似的新兴算法,例如贝叶斯网络和支持向量机等。在应用场景方面,可以结合一些新的应用场景去解决某一个系统甚至某一个节点的资源优化问题,例如协作通信系统、中继通信系统、认知无线电系统、物联网以及云计算等。
…………………
参考文献(略)