分布式认知网络中基于马尔科夫预测的多信道感知顺序优化方法

摘要

分布式认知网络中基于马尔科夫预测的多信道感知顺序优化方法，在认知网络具有多个可机会接入的授权信道，次级用户一次只能感知并接入一个信道的限制条件下，基于马尔科夫预测估计各信道的可用概率，优先选择可用概率较大的信道进行感知，并根据感知结果决定是否接入信道进行数据传输；在认知网络具有多个次级用户同时接入的情况下，提出了一种频域感知窗口调整策略，以减小次级用户间的碰撞概率。该方法能使次级用户快速感知到可用信道开始数据传输，减少次级用户的感知次数，提高次级用户的感知效率和认知网络的吞吐量，并为次级用户节约能量。仿真结果表明，在授权信道统计信息各不相同时，与随机选择感知信道的策略相比，该方法能够明显提高次级用户的感知效率和认知网络的吞吐量。

主权项

分布式认知网络中基于马尔科夫预测的多信道感知顺序优化算法，其特征在于，包括如下步骤：1)系统模型的建立：系统包含M个次级用户，N个授权信道的认知网络，N个信道是同步的，具有相同的时隙结构，次级用户的每个时隙划分为三个阶段：感知、数据传输、确认阶段；2)次级用户根据各自记录的各信道可用概率值，优先选择可用概率较大的信道进行感知，根据感知结果决定是否接入，并根据马尔科夫预测更新各信道的可用概率记录值；3)在认知系统中有多个次级用户的情况下，各次级用户统计自己与其他次级用户的碰撞情况，并据此自适应地调整自己的频域感知窗口大小，以减小次级用户间的碰撞概率。