登录
首页 » Others » 最大效用频谱分配算法

最大效用频谱分配算法

于 2020-12-01 发布
0 395
下载积分: 1 下载次数: 5

代码说明:

关于认知无线电频谱分配方面的知识,希望对寻找资源的同学有帮助第37卷第19期何利,郑湘渝,刘振坤:基于图着色理论的最大效用频谱分配算法9542最大平均效用ISAA,但小于CSGC的时问开销。但是由图2可知,在同一图2分别给出了CSGC、ISAA和MUAA3种算法在用频谱数目下,MUAA算法的最大平均效用是最高的,并且随户取值为7和12时的最大平均效用。随着系统中频谱数的不着系统中频谱数目的増多,MUAA算法的最大平均效用高于淅增加,3种算法的最大平均效用基本呈现上升趋势,但是SAA算法,ISAA算法和(S(C算法的效用相同。MUAA算MUAA算法的最大平均效用増加趋势大于CSGC和ISAA算法以牺牲较少的时间开销获得了较大的系统效用,可见,法,这是因为随着频谱数目增加,MUAA算法的用户提高了MUAA算法是这3种算法中最优的。频谱的复用率。5结束语120本文研究了认知无线电网络屮基于图论着色模型的频谱H-ISAAMUAA分配算法,在分析CSGC、ISAA存在的问题基础上,提出兼CSGC顾系统效用和时间开销的MUAA算法,并对3种算法在系统效用和时间开销方面进行仿真比较。仿真结果表明,MUAA算法是有效的。下一步工作是将ISAA的并行计算方法应用2个到MUAA屮,在不增加时间开销的基础上,提高频谱分配的系统效用。参考文献[1] Shared Spectrum Company. Dynamic Spectrum Use[EB/OLI频谱数日(2007-04-25).http://www.sharedspectrum.com(an=7[2]Zheng Haitao, Peng Chunyi. Collaboration and Fairness inOpportunistic Spectrum Access[C]/Proc. of the 40th AnnuaMUAAInlernatiunal Conference on Communications. Seoul Kurea: Ieee3]廖楚林,陈劼,唐有喜,等.认知无限电中的并行频谱分配算法[J.电子与信息学报,2007,29(7:1608-1611[4 Wang Jiao, Huang Yuqing, Jiang Hong. Improved algorithm ofSpectrum Allocation Based on Graph Coloring Model in CognitiveRadio[clproc. of International Conference on Communicationsand Mubile Conputing. Washington D. C, USA: IEEE CoInputer频谱数目ociety,2009:353-357[S]彭振,赵知劲.基于混合蛙跣算法的认知无线电频谱分配[门.图2CsGC、ISAA和MUAA的最大平均效用计算机工程,2010,36(6):210-212.综上所述,由图1可知,MUAA算法的时间开销稍大」编辑陆燕菲(上接第92页信道下本地频谱感知和认知网络合作频谱感知进行研究和仿真,结果表明,合作频谱感知能明显改善 Rician衰洛信道的检测效果。下一步工作是研究其他衰落信道如 Nakagami信道下无线认知网络的合作频谱感知参考文献[]周贤伟.软件无线电M].北京:国防工业出版社,2008AWGN[2 Ghascmi A, Sousa E s. Collaborative Spcctrum Sensing forOpportunistic Access in Fading Environments[C]//Proc. of the Ist10IEEE SYmp. on Dynamic Spectrum Access Networks, Baltimore,103锴误警报概率USA: IEEE Press. 2005: 131-136图4不同用户数目时合作频谱感知的ROC曲线[3] Digham FF, Alouini M S, Simon M K On the Energy Detection of4绪束语Unknown Signals over Fading Channels[C]/Proc. of ICC"03在深度阴影衰落环境屮,认知用户需要合作频谱感知来Ottawa Canada: IEEE Press. 2003: 3575-3579检测到主用户的存在。 Rician信道模型适用于郊区或农村建4 Fctc b a.认知无线电技术lMJ.赵知劲,郑什链,尚俊娜,译模,以后将可能广泛应用,因此,对 Rician衰落信道的认知北京:科学出版社,2008网络合作频谱感知的研究具有重要意义。本文对 Rician衰落编辑金胡考C1994-2012ChinaAcademicJournalElcctronicPublishinghOusc.Allrightsrescrved.http://www.cnki.nct

下载说明:请别用迅雷下载,失败请重下,重下不扣分!

发表评论

0 个回复

  • Altium Designer电子工师培训PPT(完整)
    Altium Designer电子工程师培训PPT(完整),一共六个PPT文档,非常详细。
    2020-12-06下载
    积分:1
  • FOC电机控制技术介绍(中文)
    【实例简介】PTT文档介绍FOC电机控制技术,包含了针对dspic的控制说明,可清楚的了解永磁同步电机和直流无刷电机的转动原理。
    2021-11-18 00:32:07下载
    积分:1
  • 调频三角波的matlab仿真
    程序主要包括波形产生,回波信号的接收,混频输出差频,频谱分析,以及加窗后的频谱分析。
    2020-12-03下载
    积分:1
  • verilog屏幕控制
    【实例简介】屏幕控制
    2021-08-28 00:30:52下载
    积分:1
  • 波束形成代码和原理解析
    包含波束形成代码和波束形成的原理解析,主要针对水声以及信号处理相关的设计人员有很大的帮助。
    2020-12-12下载
    积分:1
  • 北航计算机组成实验Project7
    适合北航计算机系的学生1. 处理器应 MIPS-Lite3 指令集。 a) MIPS-C4几乎覆盖了常见的整数运算指令、存储指令、分支指令和跳转指令。 b) MIPS-C4={ LB、LBU、LH、LHU、LW、SB、SH、SW、ADD、ADDU、SUB、SUBU、MULT、MULTU、DIV、DIVU、SLL、SRL、SRA、SLLV、SRLV、SRAV、AND、OR、XOR、NOR、ADDI、ADDIU、ANDI、ORI、XORI、LUI、SLTI、SLTIU、BEQ、BNE、BLEZ、BGTZ、BLTZ、BGEZ、J、JAL、JALR、JR、MFHI、MFLO、MTHI、MTLO
    2020-12-03下载
    积分:1
  • GPS接收机MATLAB仿真序,可自闭环,含GPS发射,捕获,跟踪及解调
    GPS接收机MATLAB仿真程序,可自闭环,含GPS发射,捕获,跟踪及解调
    2021-05-06下载
    积分:1
  • bp神经网络手写字符(汉字识别)
    手写汉字识别,网上找到的使用了BP神经网络
    2020-11-28下载
    积分:1
  • 汽车混合动力simulink仿真模型
    汽车混合动力simulink模型。里面带说明
    2020-12-07下载
    积分:1
  • EM算法详细例子及推导
    EM算法详细例子及推导数θ),那么对于上面的实验,我们可以计算出他们出现我们观察到的结果即0=(5,9,.8,4,7,20=(B,A,A,B,4)的概率函数P(X=x10),2z)⑨)就叫做θ的似然函数。我们将它对θ求偏导并令偏导数为0,就可以得到如的结果P(X=x0,=20))=(;P(z=A)3(1-P(z=A)2C10(1-64)10A(1-6C104(1-0(1-6B)C106n(1-6我们将这个问题稍微改变一下,我们将我们所观察到的结果修改一…下我们现在只知道每次试验有几次投掷出正面,但是不知道每次试验投掷的是哪个硬币,也就是说我们只知道表中第一列和第三列。这个时候我们就称Z为隐藏变量( Hidden variable),X称为观察变量( Observed variable)。这个时候再来估计参数θ4和θB,就没有那么多数据可供使用了,这个时侯的估计叫做不完整数据的参数估计。如果我们这个时候冇某种方法(比如,正确的猜到每次投掷硬币是A还是B),这样的话我们就可以将这个不完整的数据估计变为完整数据估计当然我们如果没有方法来获得更多的数据的话,那么下面提供了一种在这种不完整数据的情况下来估计参数θ的方法。我们用迭代的方式来进行:(1)我们先赋给θ一个初始值,这个值不管是经验也好猜的也好,反正我们给它一个初始值。在实际使用中往往这个初始值是有其他算法的结果给岀的,当然随机给他分配一个符合定义域的值也可以。这里我们就给定64=0.7,6B=0.4(2)然后我们根据这个来判断或者猜测每次投掷更像是哪枚硬币投掷的结果。比如对于试验1,如果投掷的是Δ,那么出现5个止面的概率为C10×0.75×(1-07)5≈0.1029:;如果投掷的是B,出现5个正面的概率为C105×0.43×(1-0.4)5≈0.2007;基于试验1的试验结果,可以判断这个试验投掷的是使币A的概率为0.10290.10290.2007)-0.389是B的概率为02007(0.1029+0.2007)06611。因此这个结果更可能是投掷B出现的结果(3)假设上一步猜测的结果为B,A,A,B,A,那么恨据这个猜测,可以像完整数据的参数仙计一样(公式2重新计算的值这样一次一次的迭代2-3步骤直到收敛,我们就得到了θ的估计。现在你可能有疑问,这个方法靠谱么?事实证明,它确实是靠谱的。期望最大化算法就是在这个想法上改进的。它在估计每次投掷的硬币的吋候,并不要确定住这次就是硬币A或者B,它计算岀来这次投掷的硬币是A的概率和是B的概率;然后在用这个概率(或者叫做Z的分布)来计算似然函数。期望最大化算法步骤总结如下:F步骤先利用旧的参数值〃计算隐藏变量Z的(条件)分布P(万=2|Xn2),然后计算logP(,X=m)的期望B(o(2,X=x)=∑∑P(Z=别X=)P(Z=X=x)其中θ是当前的值,而θ是上一次迭代得到的值。公式中已经只剩下θ一个变量了,θ是一个确定的值,这个公式或者函数常常叫做Q函数,用Q(6,6)来表示。M步骤极大化Q,往往这一步是求导,得到由旧的θ值′米计算新的θ值的公式aQ总结一下,期望最大化算法就是先根据参数初值估计隐藏变量的分布,然后根据隐藏变量的分布来计算观察变量的似然函数,估计参数的值。前者通常称为E步骤,后者称为M步骤3数学基础首先来明确一下我们的目标:我们的目标是在观察变量X和给定观察样本:1,x2,…,rn的情況下,极大化对数似然函数(=>nP(X2=x;)(5)其中只包含观察变量的概率密度函数P(X2=2)=∑P(X=n,=)这里因为参数θ的写法与条件概率的写法相同,因此将参数θ写到下标以更明确的表述其中Z为隐藏随机变量,{}是Z的所有可能的取值。那么6)=∑h∑P(X=x,z=2)∑h∑。Px=x这里我们引入了一组参数(不要怕多,我们后面会处理掉它的)a,它满足可能的;,0;∈(0,1和∑;a=1到这里,先介绍一个凸函数的性质,或者叫做凸函数的定义。∫(x)为凸函数,=1,2,…,m,A∈[0,1∑1A对∫(x)定义域中的任意n个m1,x2,…,xn有f(∑Aa)≤∑mf(xr)i=1对于严格凸函数,上面的等号只有在x1=2xn的时候成立。关于凸函数的其他性质不再赘述。对数函数是一个严格凸数。因而我们可以有下面这个结果0)=∑hn∑≥∑∑ah(X=2n,2=C现在我们根据等号成立的条件来确定a;即P(X=x,Z=2)C(10)其中c是一个与j无关的常数。因为∑,=1,稍作变换就可以得到P(X;=x;)现在来解释下我们得到了什么。c;就是Z=2;在X=x;下的条件概率戌者后验概率。求α就是求隐藏随机变量Z的条件分布。总结一下目前得到的公式就是)-∑∑P(Xi=i,Z(12)直接就极大值比较难求,EM算法就是按照下面这个过程来的。它就是大名鼎鼎的琴生( Jensen)不等式(1)根据上一步的θ来计算α,即隐藏变量的条件分布(2)极大化似然函数来得到当前的的估计3.1极大似然估计好吧,我觉得还是再说说极大似然估计吧。给定一个概率分布D,假设其概率密度函数为f,其中f带有一组参数6。为了估计这组参数6,我们可以从这个分布中抽出一个具有n个采样值的X1,X2,…,Yn,那么这个就是n个(假设独立)同分布随机变量,他们分别有取值x1,x2…,xn,那么我们就可以计算出出现这样一组观察值的概率密度为lI f(ai)(13)对于f是离散的情况,就计算出现这组观察值的概率10)注意,这个函数中是含有参数0的。0的极大似然估计就是求让上面似然函数取极大值的时候的参数O值。般来说,会将上面那个似然函数取自然对数,这样往往可以简化计算。记住,这样仅仅是为了简化计算。取了自然对数之后的函数叫做对数似然函数。ln()=∑lnf(n)因为对数是一个严格单调递增的凹函数,所以对似然函数取极人值与对对数似然函数取极大值是等价的。3取了对数之后还可以跟信息熵等概念联系起来4关于凸函数有很多种说法,上凸函数和下凸函数,凸函数和凹函数等等,这里指的是二阶导数大」(等」)0的一类函数,而凹函数是其相反数为凸数的一类函数32期望最大化算法收敛性如何保证算法收敛呢?我们只用证明l(04+1)≥1(00)就可以了l(0(t11)∑∑(+1)1PX=x;2=2)(+(t+1∑∑nf(X=x;,z=z;)(+1)(t)o(tn /(r=i,Z=2(t)≥∑∑ahn(t)7(0其中第一个人于等于号是因为只有当a取值合适(琴生不等式等号成立条件)的时候才有等号成立,第二个人于等于号正是M步骤的操作所致。这样我们就知道l(θ)是随着迭代次数的增加越来越人的,收敛条件是值不再变化或者变化幅度很小。4应用举例4.1参数估计很直接的应用就是参数估计,上面举的例子就是参数估计42聚类但是如果估计的参数可以表明类别的话,比如某个参数表示某个样本是否属于某个集合。这样的话其实聚类问题也就可以归结为参数估计问题。References[]最大似然估计[oNline].Availablehttp://zh.wikipediaorg/wiki.%E6%9c%80%E5%A4%A7%E4%BC%BC%E7%84%B6%E4%BC%B0%E8%AE%A1[2] Ceppellini, r, Siniscalco, M.& Smith, C.A. Ann. Hum. Genet. 20, 97-115(1955)3 Hartley, H. Biometrics 14, 174-194(1958)4 Baum, L.E., Petric, T, Soulcs, G.& Weiss, N. Ann. Math. Stat 41, 164-171(1970)[ 5] Dempster, A P, Laird, N.M., Rubin, D B.(1977). "Maximum Likelihoodfrom Incomplete Data via the em algorithm. Journal of the royal statis-tical Society Series B(Methodological)39(1): 1-38. JSTOR 2984875 MR0501537[6]Whatistheexpectationmaximizationalgorithm[oNline].Avaiable:http//ai. stanford. edu/-chuongdo/papers/em tutorial pdf[7TheEmAlgorithmOnline.Availablehttp://www.cnblogs.com,jerrylead/ archive/2011/04/06/2006936html
    2020-12-07下载
    积分:1
  • 696516资源总数
  • 106914会员总数
  • 0今日下载