[发明专利]认知无线网络中基于信道质量预测的分层匹配方法

说明书

本发明公开了认知无线网络中基于信道质量预测的分层匹配方法，其包括如下步骤：S1，多个认知用户组成协作感知组群，每个认知用户选择加入其收益最大的组群进行感知；S2，组群领导者利用感知结果训练并构建概率后缀树，通过生成树预测下一时隙频谱空闲概率；S3，组群领导者利用空闲概率构建信道质量评价因子，对多个授权信道可靠性降序排列；S4，调度单元根据优先级‑可靠性调度准则，为编码后的分层数据分配合适的信道。本分层匹配方法能够在时变的认知无线网络中动态地估计信道质量，降低感知时延，为分层数据高效匹配可靠的信道，可用于改进认知无线网络中分层多媒体数据的链路适应性。

技术领域

本发明涉及认知多媒体通信领域，具体涉及一种认知无线电网络中基于信道质量预测的分层匹配方法。

背景技术

无线多媒体业务的爆发式增长使得现有的频谱资源短缺问题日益严重，然而现有的无线频谱存在严重的浪费现象。为了解决该问题，产生了认知无线电(Cognitive Radio,CR)技术，该技术允许认知用户以机会的方式利用空闲频谱资源，极大地提高了频谱利用率，满足了多媒体日益增长的高带宽需求。认知无线网络中，认知用户以机会的方式接入，接入信道前必须感知信道以确保不对授权用户产生干扰。一方面，盲目频繁的感知会带来很多不必要的感知时间和能量开销，另一方面，将不同优先级的分层多媒体业务分配到不同质量的频谱上是很复杂的，可能会引入很大的处理时延。为了解决上述问题，频谱预测技术应运而生，利用频谱预测技术动态地估计信道质量，指导频谱感知，可以优化感知顺序，只选择预测为空闲的信道进行感知和接入，避免了随机盲目地去感知某段已被占用频谱带来得时间开销，对于提高能效和谱效起到了重要作用。此外，根据信道质量及分层重要性制定合理的分层匹配方法，对于认知无线网络中分层多媒体数据的高效传输至关重要。

现有的可变长马尔可夫(Variable order Markov Model，VMM)预测方法都是通过挖掘训练序列的规律进行预测并估计信道质量、指导频谱分配。然而VMM方法在实际场景中都面临一个共同的技术难题，它们都是基于完美感知信息的，所以当感知结果不准确时，预测准确度显著下降。文章Xiaoshuang Xing，Tao Jing，Yan Huo，etal.Channel QualityPrediction Based on Bayesian Inference in Cognitive Radio Networks[C],IEEEINFOCOM,2013:1465-1473.利用感知获得的历史信道信息的二进制序列构建预测模型，通过隐马尔可夫模型分析频谱使用规律预测频谱的可用性，对信道可用性进行降序排列，利用频谱预测指导频谱感知，优化感知顺序。但是隐马尔可夫预测模型方法存在训练序列过长，且每次状态预测都要重新训练序列的问题，具有极高的复杂度。文章Ruixiao Yao,Yanwei Liu,Jinxia Liu,etal.Hierarchical-Matching based Scalable VideoStreaming over Multi-channel Cognitive Radio Networks[C].2014IEEE GlobalCommunications Conference(GLOBECOM 2014),Austin,TX,2014:1400-1405.在传输调度时采用得分层编码方式时，按照对接收端视频质量的贡献大小为不同的层划分优先级，分配信道时为优先级高的层分配更可靠的信道，然而它的信道质量评价标准仅仅考虑了感知传输时间比，并没有考虑到信道噪声、空闲概率等因素对信道质量的影响，对于复杂的认知无线信道缺乏适应性。

发明内容

针对上述现有技术的不足，本发明旨在提出一种认知无线网络中基于信道质量预测的分层匹配方法，通过协作频谱感知解决了非完美感知场景下可变长马尔可夫预测能力不足的问题，重新定义信道质量评价标准预测信道质量，并根据信道质量为分层多媒体数据快速匹配可靠的信道，从而减少感知时间消耗并提高多媒体传输性能。

为了实现上述目的，本发明采用如下技术方案：