11、利用调制与编码分类实现异构网络功率控制

利用调制与编码分类实现异构网络功率控制

1. 引言

5G 无线系统面临着大幅提升用户数据速率的挑战，而频谱管理是实现这一目标的关键。研究表明，部分频段已拥堵，但大部分频段未得到充分利用，原因在于频谱分配的静态架构。动态频谱管理（DSM）概念应运而生，它主张根据灵活约束分配频谱，而非严格规定。认知无线电（CR）技术是实现 DSM 的有效途径，它能让无线电设备感知、理解、适应并与无线电环境交互。在 CR 中，有三种主要应用类别：底层、上层和交织机制，本文聚焦于底层 CRN 范式，即次级用户（SU）可在主用户（PU）频段传输，前提是对 PU 的干扰在一定阈值以下。实现 DSM 需要频谱感知（SS）和决策（DM）功能，本文着重探讨与 CR 发射功率水平相关的 DM，即功率控制（PC）策略，同时关注机器学习（ML）在 SS 和 PC 中的应用。

2. 频谱感知：机器学习方法

2.1 特征

通信信号包含诸多特征，可用于调制分类。以下是一些常见特征：
- 归一化中心瞬时幅度频谱功率密度的最大值 ：$\gamma_{max}=\max\left[\text{FFT}\left(\frac{A_{cn}(i)}{N_s}\right)^2\right]$，其中$A_{cn}(i)=\frac{A(i)}{E{A(i)}} - 1$，该参数对识别不同幅度调制信号有效。
- 归一化瞬时幅度非线性分量绝对值的标准差 ：$\sigma_{\alpha\alpha}=\sqrt{E{|A_{cn}(i)|^2} - (E{|A_{cn}(i)|})^2}$，用于区分 M - 进制幅度键