41、认知无线电中的信道选择与分配学习模型及超薄多功能极化转换超表面研究-优快云博客

本文链接：https://blog.youkuaiyun.com/jwt8token/article/details/152880281

认知无线电中的信道选择与分配学习模型及超薄多功能极化转换超表面研究

认知无线电信道选择与分配ADP模型

在认知无线电网络中，为了实现高效的信道选择和分配，提出了一种基于分析数据预测（ADP）的模型。该模型旨在为次用户选择可靠的空闲信道，以提高网络性能。

算法流程

信道和时隙分配 ：将 $p$ 个信道分配到 $m$ 个时隙中，其中 $m \in {1, 2, …n}$，$n$ 为总时隙数。次用户通过每个时隙的历史数据来判断信道是空闲还是繁忙。
循环处理 ：

while p = 1 do {
    for (m = 1 to n) {
        // 估计最佳拟合线
        用方程 y = c0 + c1x + e 估计最佳拟合线，其中 y 是信道的 RSSI，x 是时隙
        // 初始化垂直距离
        初始化垂直距离为 dm，∀m
        // 估计平方和
        估计 ∑ d²m，∀m
        // 计算计算误差
        计算计算误差 e
        e ← min(∑ d²m)
        // 计算最佳拟合线的斜率
        用 Eq. 5 计算最佳拟合线的斜率 (c1)
        // 计算最佳拟合线的截距
        从 Eq. 1 计算最佳拟合线的截距 (c0)
        // 获得预测输出
        将 c0、c1 和 e 的值代入步骤 4 以获得预测输出
        if (e ≤ 2) {
            该信道被视为活动信道
        } else {
            该信道被视为繁忙信道
        }
    }
}

结果分析

为了验证 ADP 模型的有效性，进行了 QUALNET 仿真，采集了 3000 个样本。在 18 个不同的时隙中观察了单个信道的行为，并分析了每个时隙的 RSSI 以评估信道性能。

可靠信道检测 ：通过图形分析，发现时隙 (5, 6, 7, 8, 11, 12, 14, 16) 中的信道适合次用户分配，因为这些信道点到最佳拟合回归线的平方垂直距离在 2 dBm 以内。
| 时隙 | 1 | 2 | 3 | 4 | 5 | 6 |
| — | — | — | — | — | — | — |
| RSSI (dBm) | -68.5 (B) | -56.2 (B) | -68.2 (B) | -65.8 (B) | -65.3 (A) | -64.2 (A) |
| 时隙 | 7 | 8 | 9 | 10 | 11 | 12 |
| RSSI (dBm) | -58.3 (A) | -57.5 (A) | -50.2 (B) | -57 (B) | -61 (A) | -63.4 (A) |
| 时隙 | 13 | 14 | 15 | 16 | 17 | 18 |
| RSSI (dBm) | -65 (B) | -58 (A) | -66.5 (B) | -57.6 (A) | -67.5 (B) | -55 (B) |

注：“A” 表示活动信道，“B” 表示繁忙信道。

比较分析 ：将 ADP 模型与深度神经网络算法 (DNN) 和强化学习神经网络 (RLNN) 进行了比较。结果表明，ADP 模型的最大测试误差仅为 2.1%，而 DNN 和 RLNN 算法的最大测试误差分别为 33.28% 和 53.23%。这表明 ADP 模型具有更好的验证准确性，因为它能够通过收集历史数据信息来提高学习能力。

算法	预测活动信道的时隙估计准确率
ADP 模型	97.9%
DNN 模型	53.23%
RLNN 模型	60%

信道干扰缓解 ：为了缓解网络中的信道干扰问题，采用了模糊 c 均值聚类 (FCM) 算法。将每个时隙的信道分为两个簇 (Cluster 1 和 Cluster 2)，通过分析活动信道的 RSSI，发现时隙 7、8、12 中的活动信道具有较好的隶属度值 (0.5387、0.6221、0.6350)，这些信道受到的干扰较小，可以分配给次用户。

活动信道时隙	隶属度值 (β)	最终决策
5	0.9475	不分配
6	0.9897	不分配
7	0.5387	分配
8	0.6221	分配
11	0.826	不分配
12	0.635	分配
14	0.9628	不分配
16	0.8988	不分配

流程图

graph TD;
    A[开始] --> B[分配信道和时隙];
    B --> C[循环处理每个时隙];
    C --> D[估计最佳拟合线];
    D --> E[初始化垂直距离];
    E --> F[估计平方和];
    F --> G[计算计算误差];
    G --> H[计算斜率和截距];
    H --> I[获得预测输出];
    I --> J{误差 e ≤ 2?};
    J -- 是 --> K[活动信道];
    J -- 否 --> L[繁忙信道];
    K --> M[继续下一个时隙];
    L --> M;
    M --> N{是否处理完所有时隙};
    N -- 否 --> C;
    N -- 是 --> O[结束];

超薄多功能极化转换超表面

在微波频率区域，极化转换器是一种重要的设备，可用于改变电磁波的极化状态，广泛应用于卫星通信、雷达隐身等领域。提出了一种基于超薄超表面的多功能极化转换器，可同时实现线性到圆形 (L-t-C) 和线性到线性 (L-t-L) 极化转换。

结构几何

该超表面由 12 × 12 个单元组成，单元结构为对角栅栏形，位于薄介电基板顶部，基板背面印有连续金属层。优化后的结构参数如下：
- $M1 = 1.10mm$
- $M2 = 1.00mm$
- $M3 = 1.80mm$
- $M4 = 6.00mm$
- $N1 = 1.00mm$
- $N2 = 10.20mm$
- $N3 = 2.00V$
- $N4 = 1.60mm$
- 周期性 $P = 10mm$
- 介电基板高度 $t = 1.4mm$

超表面分析与讨论

通过 ANSYS HFSS 模拟器对超表面单元进行数值模拟，观察共极化和交叉极化反射及其相应的反射相位，以评估极化转换性能。

L-t-L 极化转换 ：在 6.27 - 6.56GHz 和 9.18 - 9.82GHz 频率范围内，交叉极化反射 $Rxy \geq -3 dB$，共极化反射 $Ryy \leq -10 dB$，表明该超表面在这些频率区域具有高效的线性到线性极化转换能力。通过极化转换比 (PCR) 进一步验证了这一结果。
L-t-C 极化转换 ：在 6.00 - 6.17GHz、6.71 - 8.93GHz 和 10.03 - 10.52GHz 频率范围内，$Ryy$ 和 $Rxy$ 的幅度几乎相等，且共极化反射相位 $\varphi_{yy}$ 和交叉极化反射相位 $\varphi_{xy}$ 之间的相位差为 $n\pi/2$（$n$ 为奇数），这表明该超表面在这些频率区域实现了线性到圆形极化转换。通过轴向比 (AR) 进一步证实了这一结论。
斜入射性能 ：研究了超表面在不同斜入射角度下的性能。结果表明，线性到线性极化转换性能在高斜入射角度下没有显著降低，而线性到圆形极化转换的轴向比性能在 30° 斜入射角度内变化不大，在更高斜入射角度下仍具有相对稳定的性能。这种高角度稳定性使得该超表面在多极化通信设备、雷达截面减小等实际应用中具有很大的潜力。

性能图表

反射系数 ：展示了共极化和交叉极化反射系数随频率的变化。
反射相位 ：显示了共极化和交叉极化反射相位随频率的变化。
极化转换比 (PCR) ：验证了线性到线性极化转换的效率。
轴向比 (AR) ：证实了线性到圆形极化转换的性能。
不同斜入射角度下的 PCR 和 AR ：评估了超表面在不同斜入射角度下的性能。

通过以上研究，ADP 模型为认知无线电网络的信道选择和分配提供了一种有效的方法，而超薄多功能极化转换超表面为微波频率区域的极化转换提供了一种高性能的解决方案。这些技术有望在未来的通信和雷达系统中得到广泛应用。

认知无线电中的信道选择与分配学习模型及超薄多功能极化转换超表面研究（续）

认知无线电信道选择与分配ADP模型的优势与应用拓展

ADP 模型在认知无线电网络的信道选择和分配中展现出了显著的优势。其基于历史数据学习的特性，使得它能够根据信道的实际使用情况进行动态调整，从而提高了信道分配的准确性和效率。

优势总结
- 低误差率 ：与 DNN 和 RLNN 算法相比，ADP 模型的最大测试误差仅为 2.1%，远低于 DNN 的 33.28% 和 RLNN 的 53.23%，这表明它在预测信道状态方面具有更高的准确性。
- 高学习能力 ：通过收集和分析过去的数据信息，ADP 模型能够不断优化自身的预测能力，适应信道环境的变化。
- 高效性 ：ADP 模型的算法流程相对简单，计算量较小，能够在较短的时间内完成信道状态的预测和分配，减少了网络的延迟。
应用拓展
- 5G 认知蜂窝网络 ：随着 5G 技术的发展，对频谱资源的需求越来越大。ADP 模型可以用于 5G 认知蜂窝网络中，帮助基站动态地选择和分配空闲信道，提高频谱利用率。
- 物联网 (IoT) 网络 ：在 IoT 网络中，大量的设备需要共享有限的频谱资源。ADP 模型可以为 IoT 设备提供可靠的信道选择和分配方案，确保设备之间的通信稳定。

超薄多功能极化转换超表面的性能优化与应用前景

超薄多功能极化转换超表面在微波频率区域的极化转换方面具有出色的性能，通过进一步的优化和拓展，其应用前景十分广阔。

性能优化
- 材料选择 ：选择具有更高介电常数和更低损耗的材料作为基板，可以提高超表面的极化转换效率和稳定性。
- 结构设计 ：优化单元结构的几何形状和尺寸，如调整对角栅栏形结构的参数，可以进一步拓宽极化转换的频率范围。
- 制造工艺 ：采用先进的制造工艺，如光刻、电子束光刻等，可以提高超表面的制造精度，减少制造误差对性能的影响。
应用前景
- 卫星通信 ：在卫星通信中，需要对电磁波的极化状态进行精确控制，以提高通信的质量和可靠性。超薄多功能极化转换超表面可以用于卫星天线中，实现线性到圆形和线性到线性极化转换，满足不同通信需求。
- 雷达隐身 ：在雷达隐身技术中，通过改变目标的极化特性，可以降低目标的雷达散射截面，提高隐身效果。超薄多功能极化转换超表面可以用于雷达吸波材料中，实现对雷达波的极化转换和吸收，增强隐身性能。

总结与展望

本文介绍了认知无线电中的信道选择与分配学习模型（ADP 模型）和超薄多功能极化转换超表面。ADP 模型通过收集历史数据信息，实现了对信道状态的准确预测和高效分配，具有低误差率、高学习能力和高效性等优势。超薄多功能极化转换超表面在微波频率区域实现了同时的线性到圆形和线性到线性极化转换，具有高角度稳定性和良好的应用前景。

未来，随着通信技术的不断发展，对频谱资源的需求将越来越大，对极化转换技术的要求也将越来越高。ADP 模型和超薄多功能极化转换超表面有望在 5G 认知蜂窝网络、物联网、卫星通信、雷达隐身等领域得到更广泛的应用。同时，也需要进一步研究和优化这些技术，以提高其性能和适应性，满足不断变化的应用需求。

表格总结

技术	优势	应用领域
ADP 模型	低误差率、高学习能力、高效性	5G 认知蜂窝网络、物联网
超薄多功能极化转换超表面	高角度稳定性、多频段极化转换	卫星通信、雷达隐身

流程图：技术发展展望

graph LR;
    A[现有技术] --> B[性能优化];
    B --> C[拓展应用领域];
    C --> D[满足未来需求];
    D --> E[持续研究与创新];
    E --> A;

通过以上的研究和分析，我们可以看到 ADP 模型和超薄多功能极化转换超表面在通信和雷达领域具有重要的应用价值和发展潜力。在未来的研究中，我们可以进一步探索这些技术的优化和拓展，为通信和雷达技术的发展做出更大的贡献。