超密集网络中基于集群分配的干扰管理与资源分配

针对超密集网络通信场景,提出一种基于集群分配的干扰管理与资源分配算法,以消除超密集网络中由于大量部署低功率基站而降低吞吐量等影响.首先,基于距离、小区间干扰、可用资源情况3个条件权衡为家庭基站分配集群;其次,根据分配结果将干扰关系建模为干扰加权无向图,按适当标准对家庭基站进行分类,针对不同类型的家庭基站采用不同着色算法...     

超密集部署下以用户为中心的分簇与资源分配

为了解决基站超密集部署时移动用户的吞吐量需求问题,建立以用户为中心的分簇模型,结合对下一个调度时刻用户位置的预测,对基站进行预分簇,在此基础上设计了区分优先级的资源分配算法,并研究了簇大小是否固定对系统性能的影响。仿真结果表明:与原算法相比,提出的算法改善了移动用户的平均吞吐量,降低了速率需求未得到满足的用户比例,保证了用户的服务质量。     

超密集部署下绿色能源感知的用户关联算法

为了降低网络能耗,实现5G绿色蜂窝网络,考虑电力能源和绿色能源同时供电的混合能源供应的超密集异构网络模型.为了更准确地模拟密集部署下基站与用户之间的信道衰落,采用5G中的双斜率路径损耗模型对大尺度信道衰落进行建模,并在此模型下提出一种改进的基于绿色能源感知的自适应用户关联算法.该算法为基站设置优先级和权重因子,用户根据基站的优先级和权重因子自适应地调整自身的关联策略,并结合资源分配完成用户关联过程.仿真结果验证了所提算法在能耗和能效方面的优越性.     

超密集网络中基于分簇的资源分配算法

针对超密集网络(ultra-dense network, UDN)中,严重的小区间干扰制约终端用户的数据速率问题,提出一种基于染色分簇的资源分配方案。该方案采用图论中的染色算法对微蜂窝接入点(femtocell access points, FAPs)进行分簇,利用簇内每个微蜂窝用户(femtocell user equipments,FUEs)的待发送数据量、排队等待时延以及受到的干扰强度来构建相应的优先级,计算每个簇的优先级,并设定高优先级的簇可优先获得信道增益良好的子信道;最后由拉格朗日乘子法求解功率分配方案,即利用KKT(Karush-Kuhn-Tucker)条件和注水算法为FUEs分配功率。仿真结果表明,该方案能够有效地减小微蜂窝接入点之间的相互干扰,极大地满足用户的服务需求,同时提升了系统吞吐量和频谱效率。并且基于最大功率和最低速率的公平性准则能够动态地调整子信道功率,进一步提升了FUEs间的公平性。     

一种基于双层干扰图着色的资源分配算法

针对长期演进(long term evolution,LTE)系统中蜂窝链路和短距离链路中的同频干扰问题,提出一种基于双层同频干扰图着色的信道资源分配算法.该算法通过引入排队理论和终端服务等级要求,分析蜂窝移动通信网和短距离通信网的双层同频干扰,构造一种异构网络的双层同频干扰图.基于系统信道资源占用情况和信道资源分配优先级的考虑,对双层同频干扰图进行着色资源分配.仿真表明,该算法提高了系统平均吞吐量和满意度.     

超密集异构网络中的一种混合资源分配方法

针对在宏小区覆盖范围内高密度部署小小区所带来的跨层干扰和同层干扰,研究了超密集异构蜂窝网络中的资源分配问题,采用了一种共享频谱与分离频谱共存的混合频谱分配方案。依据簇中小基站与宏基站的干扰是否超过设定的阈值,将簇进行分类并以不同的方式进行资源分配,超过阈值的簇采用分离频谱的方式分配资源,反之,可共享整段频谱。而在每个小基站簇内,在相应的约束条件下采用对偶分解法求出规划的优化目标,为每个小基站分配子信道和功率。基于联合分配方案提出算法1和算法2(次梯度算法),算法1最接近最优解决策略,而算法2可以解决高复杂度问题,具有更高的实用性。仿真结果表明,所提方案能够有效地抑制干扰、提升系统容量,同时兼顾用户间公平性。     

超密集网络中基于分簇的干扰管理方案

在超密集网络中,全频复用能够提升网络的吞吐量,但是导致了严重的基站间干扰。为了降低基站间干扰,首先通过干扰权重值描述小基站间的干扰程度,建立合理的干扰图;然后将分簇问题转化为Max K-Cut问题,利用改进的次优化启发式算法对小基站进行分簇;最后通过信道分配算法为每个簇中的用户分配子信道。仿真表明,本文的干扰管理方案在降低小基站间干扰的同时,能够提升系统的频谱效率和平均吞吐量。     

基于遗传退火的密集D2D网络资源分配算法

针对高密集场景下传统D2D资源分配算法接入率较低的问题,提出了基于遗传退火的密集D2D网络资源分配算法.首先根据小区内用户之间的干扰情况构建干扰图;然后根据干扰图为D2D用户构建候选信道集合;最后设计适应度函数,并通过遗传退火算法寻找适应度最高的信道分配方案,以提高系统总吞吐量和D2D接入率.仿真结果显示,提出的算法与图着色算法和随机分配算法相比,系统总吞吐量平均增幅为6.2%和21.8%,D2D用户接入率平均增幅为14.7%和44.5%,表明该算法在提高系统总容量的同时,还能有效提升D2D对的接入率.     

基于流量预测的资源分配策略研究

在超密集网络中,针对小基站密集部署会导致干扰加剧和资源分配难度加大等问题,提出了一种基于流量预测和着色图的信道资源分配方案。首先,利用深度学习工具实现对网络中未来时隙的流量预测;其次,将不相邻的小基站分配到同一集群以缓减网络中的共道干扰;最后,结合流量预测的结果和着色图为每个小基站分配合适的子信道。通过仿真验证了所提算法的可行性和有效性。结果表明,通过机器学习能够有效预测小基站的流量波动,同时基于流量预测的信道分配方案可以有效降低系统干扰、提升频谱利用率和系统吞吐量。     

非合作寡头博弈与干扰信道资源分配

将多用户干扰信道频率和功率资源分配问题用寡头博弈模型进行分析. 寡头博弈中有一个超级用户,它知道其它用户的所有信道信息,并且知道它们所采取的策略,那么这个超级用户将可以计算出对自己更有利的资源分配方案,获取比纳什模型更高的速率. 通常在非合作分布式系统中,获取其它用户信息是非常困难的,本文提出的算法可以让用户从干扰强度的变化中学习得到有用信息,从而设计出基于寡头博弈模型的分布式算法.      

基于干扰温度模型的认知无线电动态功率分配算法

干扰温度模型是认知无线电中频谱分配的一个重要模型,但是该模型也存在着局部干扰.针对该问题,提出了一种基于MIMO-OFDM的功率门限模型,以实现非授权信号的自适应频谱成型.针对迭代过程中估计值偏离目标值时收敛较慢的情况,提出混合二分算法.仿真结果表明,该方法能够克服干扰温度模型的局部干扰问题,使用MIMO技术可进一步提高系统性能,通过动态功率分配算法可降低计算复杂性并提高频谱利用率.     

认知蜂窝异构网络中能效优化的资源分配算法

在认知蜂窝异构网络中,针对大规模部署认知家庭基站带来的能量消耗问题,研究了两层异构网络上行链路的资源分配算法.提出了一种基于双循环迭代的资源联合分配算法,在实时用户服务质量(quality of service,QoS)需求约束和跨层干扰约束下最大化认知系统能量效率,将分数形式的能效函数等价转换为减数形式,使优化问题近似确定为凸优化形式,并通过迭代方法求解.仿真结果表明:该算法能够快速收敛到最优能效,并保证了实时用户的QoS需求,有效提高了系统能量效率.     

OFDM-SDMA系统上行资源分配算法

针对OFDM-SDMA系统的上行链路,以系统吞吐量最大为目标,建立资源分配问题的优化模型,提出一种低复杂度的次优资源分配算法.该算法分为载波分配和功率分配2部分:载波分配算法在功率平均分配的假设下为每个子载波选择用户集合;功率分配算法在载波分配的基础上,考虑相同载波上的干扰对用户进行注水功率分配.仿真结果表明:该算法获得的系统容量与传统OFDMA系统资源分配算法相比有较大幅度的提高;载波分配算法能很好地适应上行链路的特点,其性能优于下行链路载波分配算法;有扰信道注水功率分配亦优于固定功率分配算法.     

基于图形的加权蚁群算法

针对蚁群算法在开始的时候由于信息素较少导致收敛速度慢的问题,提出了基于图形的加权蚁群算法,利用蚁群算法最优路径的特点,对每个城市分别加权,从比较离散的点开始进行寻优,节省了在不可能构成最优路径上的计算时间,提高了运算速度.通过TSP问题检验的结果表明,新算法提高了标准蚁群算法的效率和计算结果的质量.     

基于频谱切片的弹性光网络中可调度请求资源分配算法

针对确定业务开始时间和结束时间特性的可调度请求加重了弹性光网络的资源碎片率和带宽阻塞率的问题,设计了一种配置频谱切片机的弹性光网络节点结构,并提出一种基于频谱切片的可调度请求路由频谱和时间分配(SS-RSTA)算法。在路由选择阶段,设计了一种综合考虑路径长度、路径碎片率和节点可用频谱切片机数量的路径权重值的路由选择策略,为可调度请求选择路径权重值最大的路由;在资源分配阶段,采用链路的资源碎片感知方法为可调度请求选择可用的频谱和时间资源窗口;当资源分配失败时,采用频谱切片准则将可调度请求切分为多个子带宽请求,以增加可调度请求频谱分配成功的概率,提高频谱-时间碎片的利用率。仿真结果表明,所提算法可改善网络的带宽阻塞率和提高网络的频谱利用率。     

基于连续效用子集的资源分配算法

基于离散资源配置选项的实时(或软实时)系统资源分配问题,当以系统整体效用最大化为目标时,属于多维多选择背包问题,直接求解最优值的时间复杂度较高.现有的研究中主要通过使用启发式算法,将其时间复杂度降低为多项式级.这些启发式算法不考虑离散资源配置选项之间的联系,因此在求解中存在一些不必要的计算,而且分配结束后的残留资源不能得到利用.为此通过定义连续效用子集,分析了同一个任务的不同资源配置选项之间的联系.对已有的启发式算法HEU加以改进,提出启发式算法(T-HEU),能够用较低的时间复杂度获得与HEU算法相同的结果.根据同一个连续效用子集中的资源消耗函数的连续性,将残留资源分配问题近似归结为线性规划问题,并提出一种能求得近似最优解的启发式算法RRA_HEU.仿真结果表明,当任务数较少时,RRA_HEU的执行时间少于单纯形法和主-对偶内点法.当任务数较多时,用单纯形法求解残留资源分配问题是合适的.     

基于双向分析的KGMM运动目标检测算法

针对传统的目标检测算法往往是顺着时间轴方向从过去到现在分析视频序列,而忽略当前帧之后的逆向视频帧信息,对于复杂场景下的背景突变或光照变化的运动目标检测等方面存在不足.提出了基于双向分析的(KGMM)运动目标检测方法.在KGMM模型基础上,加入向后分析建立混合高斯模型,有效解决了较强的背景扰动和环境的复杂变化带来检测效果不好的问题,提高了算法的适应性.向前分析模型与向后分析模型共享一个高斯分布集,减少了高斯分布个数,保证了算法的运行速度.实验结果表明,改进的算法检测效果更理想.