m认知无线电网络中频谱感知的按需路由算法matlab仿真

简介: m认知无线电网络中频谱感知的按需路由算法matlab仿真

1.算法概述

1.png

 使用无线电用户的频率范围在 9kHz 到 275GHz[3],由于无线通信环境中的干扰、信道衰落和无线电收发设备自身属性等的影响,大部分无线电设备只能工作在 50GHz 以下。在 3GHz 以上无线频谱资源利用率较低,3GHz 以下的利用率低于30%[4]。因此,频谱资源缺乏的主要原因为不合理的频谱资源管理政策。

  在低频段的频谱利用率较高,但在中频段和高频段利用率极低,固定的频谱管理政策是导致无线频谱资源短缺的真正原因,不是频谱资源不能满足用户需求。

   认知无线电让无线通信设备能够主动寻找可用信道,将未被使用的频谱资源进行再次利用,具体可通过认知无线电的智能化特性实现频率、时间和空间域不同频谱环境的信号感知,来充分满足用户使用需求。认知无线电本身存在学习能力,能够对通信环境中的变化做出分析和判断,然后能寻找到“频谱空穴”。

   当一个节点需要给网络中的其他节点传送信息时,如果没有到达目标节点的路由,则必须先以多播的形式发出RREQ(路由请求)报文。RREQ报文中记录着发起节点和目标节点的网络层地址,邻近节点收到RREQ,首先判断目标节点是否为自己。如果是,则向发起节点发送RREP(路由回应);如果不是,则首先在路由表中查找是否有到达目标节点的路由,如果有,则向源节点单播RREP,否则继续转发RREQ进行查找。
   按需路由选择(ODR)。ODR使用Cisco发现协议(CDP)来在分支(末节)路由器和中央路由器之间传输网络信息。与动态路由选择协议相比,ODR提供IP路由选择信息的开销非常小;而与静态路由相比,ODR的手工配置量更少。

   在大规模的路由网络中,例如在一个由省-地市-县-营业点组成的四级远程互连的路由网络中,如何维护大量的营业点路由器的直连子网路由和配置营业点的静态路由成为一个巨大的负担.此案例中说明了如何利用cisco On-Demand Routing (ODR)技术来优化这种大规模路由网络的一个设想.

算法A文献:

2.png
3.png

算法B:

  基础算法B是基础算法A的简化,路径的退避时延只是节点退避时延的累加。算法的具体解释,参考文献’基础算法B’。

2.仿真效果预览
matlab2013b仿真

4.png
5.png

3.MATLAB部分代码预览

for i = 1:NUM_SOP
    SOP_fre(i)  = 10*round(MAX_Fre/10*rand(1,1)) + MIN_Fre;%设置总共的频段情况20M~2400M,频段变换步进为10M
end
k        = 0.01;%调整10M的频率段,需要时间10ms。
Infor    = cell(sqrt(Num_node),sqrt(Num_node));
NUM_SOUR = 1;%源节点个数
NUM_DENT = 1;%目标节点个数
 
if sel_sna == 1
Band_W   = 2;%带宽统一为2M
end
 
if sel_sna == 2
   Band_Ws  = cell(sqrt(Num_node),sqrt(Num_node));%定义每个节点的带宽
   SNRi     = cell(sqrt(Num_node),sqrt(Num_node));%定义每个节点之间的信噪比
   Pi       = cell(sqrt(Num_node),sqrt(Num_node));%定义每个节点之间数据传输的不成果概率
end
 
 
S_data   = 0.3;%定义每个数据包的大小,通常,这个数据包的大小是相同的。
P0       = 0.7;%表示节点P观察到某个频段可用同时Q也观察到这个频段可用的概率;
qc       = 0.8;%在Q没有观察到频段可用而P观察到频段可用的概率
Pc       = 0.1;%每个节点的冲突概率
W0       = cell(sqrt(Num_node),sqrt(Num_node));%表示IEEE 802.11指数退避流程中退避窗口的最小值
 
 
Stime    = 100;%利用蒙特卡罗的仿真思想,对结果进行多次仿真,求平均
 
 
for pp = 1:Stime
    pp
%%
%-----START:初始化产生节点,注意,这里,节点的显示用方格坐标显示,但是实际的位置信息均存储在每个节点的信息cell中
%-----START:初始化产生节点,注意,这里,节点的显示用方格坐标显示,但是实际的位置信息均存储在每个节点的信息cell中
%-----START:初始化产生节点,注意,这里,节点的显示用方格坐标显示,但是实际的位置信息均存储在每个节点的信息cell中
%-----START:初始化产生节点,注意,这里,节点的显示用方格坐标显示,但是实际的位置信息均存储在每个节点的信息cell中
%以下的代码仅仅为显示节点
[X_view,Y_view,Index] = func_postion(Num_node);
% figure(1);
% for i = 1:sqrt(Num_node)
%     for j = 1:sqrt(Num_node)
%         plot(X_view(i,j),Y_view(i,j),'b.');hold on
%     end
% end
 
%下面的是产生的每个节点的基本信息
%以下的信息是基于AOVD协议产生每个节点的基本信息
%产生坐标信息
POS = cell(sqrt(Num_node),sqrt(Num_node));
X   = zeros(sqrt(Num_node),sqrt(Num_node));
Y   = zeros(sqrt(Num_node),sqrt(Num_node));
for i = 1:sqrt(Num_node)
    for j = 1:sqrt(Num_node)
        X(i,j)   = RR*rand(1,1);Y(i,j) = RR*rand(1,1);
        POS{i,j} = [X(i,j),Y(i,j)];
    end
end
 
%产生每个节点的附近的所有的频段,每个节点附近的频段的个数是随机的1~NUM_SOP
FRE = cell(sqrt(Num_node),sqrt(Num_node));
for i = 1:sqrt(Num_node)
    for j = 1:sqrt(Num_node)
        tmp     = randint(1,1,[1,NUM_SOP/2]);          %产生该节点的频段数的个数
        Ind_sop = unique(randint(1,tmp,[1,NUM_SOP]));%产生对应个数的随机频段的编号
        FRE{i,j}= unique(SOP_fre(Ind_sop));                  %每个节点附近的随机频点,构成SOP集合来模拟频谱分布的非均匀性
    end
end
 
%产生每个节点的数据流
%分别定义单数据流;
%-------多数据流:并行的数据流,交叉的数据流以及随机的数据流;
[Data_flow,Starts,Ends] = func_data_flow(Num_node,sel_type);
 
%产生每个节点的退避最大窗口
for i = 1:sqrt(Num_node)
    for j = 1:sqrt(Num_node)
        W0{i,j} = 8-0.5*length(FRE{i,j}); 
    end
end
 
%定义每个节点的带宽
for i = 1:sqrt(Num_node)
    for j = 1:sqrt(Num_node)
        Band_Ws{i,j} = 2 + (1-2*rand(1,1));%通常情况下节点的带宽都是相同的 
    end
end
 
%定义每个节点之间的信噪比
for i = 1:sqrt(Num_node)
    for j = 1:sqrt(Num_node)
        SNRi{i,j} = 5 + 2*rand(1,1);%每个路径的SNR包括固有的5db以及随机性差异
    end
end
 
%定义每个节点之间数据传输的不成概率
for i = 1:sqrt(Num_node)
    for j = 1:sqrt(Num_node)
        Pi{i,j} = 0.5 + 0.5*rand(1,1);%满足高斯分布
    end
end
 
 
 
%-----OVER:节点的初始化信息结束,通过循环可知,每次的参数是时变的,符合实际情况
%-----OVER:节点的初始化信息结束,通过循环可知,每次的参数是时变的,符合实际情况
%-----OVER:节点的初始化信息结束,通过循环可知,每次的参数是时变的,符合实际情况
%-----OVER:节点的初始化信息结束,通过循环可知,每次的参数是时变的,符合实际情况
 
%%
%%
%%
%%
 
%%
%-----START:通过基础算法A的相关方法计算目标路径的延迟
%-----START:通过基础算法A的相关方法计算目标路径的延迟
%-----START:通过基础算法A的相关方法计算目标路径的延迟
%-----START:通过基础算法A的相关方法计算目标路径的延迟
%根据之前定义的数据流,找到数据流的源节点和目标节点,并根据最小延迟算法确定实际的路径
%[Data_flow,Starts,Ends]   
%根据已知的路径和SOP集合,计算每个交叉节点的冲突数
 
%通过计算延迟,使每个节点的频谱进行重新分配,从而使延迟达到最小值,频谱从初始化产生的SOP集合中选择
%计算初始的冲突数量,后面在动态分配频段的时候,进行实时的更新
Num   = zeros(sqrt(Num_node),sqrt(Num_node));
Num = func_find_Num(Data_flow,FRE,Num_node);
 
for i = 1:length(Starts)
    for j = 1:length(Data_flow{i})
        
 
        %首先计算节点延迟
        %首先计算节点延迟
        %不是目标节点,是中间节点
        %不是目标节点,是中间节点
        %不是目标节点,是中间节点
        if j < length(Data_flow{i})
                tmp1 = Data_flow{i}(:,j);
                tmp2 = Data_flow{i}(:,j+1); 
            %首先判断当前节点下有误存在交集,如果没有频段的交集则丢去该帧
            if  FRE{tmp1(1),tmp1(2)}(1) == FRE{tmp2(1),tmp2(2)}(1)
                Dswitching(j) = 0;
                if Num(tmp1(1),tmp1(2)) > 0
                   Dbackoff(j)   = W0{tmp1(1),tmp1(2)}/((1-Pc) * (1-(1-Pc)^(1/(Num(tmp1(1),tmp1(2))-1))));
                else
                   Dbackoff(j)   = 0;
                end                
            else
                Dswitching(j) = 2*k*abs(FRE{tmp1(1),tmp1(2)}(1) - FRE{tmp2(1),tmp2(2)}(1));
                if Num(tmp1(1),tmp1(2)) > 0
                   Dbackoff(j)   = W0{tmp1(1),tmp1(2)}/((1-Pc) * (1-(1-Pc)^(1/(Num(tmp1(1),tmp1(2))-1))));
                else
                   Dbackoff(j)   = 0;
                end
            end
            
            %计算传输延迟
            Dtrans(j)       = (1/(1-Pi{tmp1(1),tmp1(2)}))*S_data/( Band_Ws{tmp1(1),tmp1(2)}*log2(1 + SNRi{tmp1(1),tmp1(2)}) );
            %进行延迟信息反馈RREQ反馈
            DN(j)          = Dswitching(j) + Dbackoff(j) + Dtrans(j) ; 
  
            
        else%如果是目标节点
            %如果是目标节点
            %如果是目标节点
            tmp1 = Data_flow{i}(:,j);
            tmp2 = Data_flow{i}(:,j);         
            
            indss1 = 1;
            
            %搜索最小DN值
            for hh1 = 1:length(FRE{tmp1(1),tmp1(2)})
                for hh2 = 1:length(FRE{tmp2(1),tmp2(2)}) 
                    indss1 = indss1 + 1;
                    %更新频段
                    Fre_now  = FRE{tmp1(1),tmp1(2)}(hh1);
                    %更新冲突数
                    Fre_nows                  = FRE;
                    Fre_nows{tmp1(1),tmp1(2)} = Fre_now;
                    Num = func_find_Num(Data_flow,FRE,Num_node);
 
                    Dswitching(indss1) = 2*k*abs(FRE{tmp1(1),tmp1(2)}(hh1) - FRE{tmp2(1),tmp2(2)}(hh2));
                    if Num(tmp1(1),tmp1(2)) > 0
                       Dbackoff(indss1)   = W0{tmp1(1),tmp1(2)}/((1-Pc) * (1-(1-Pc)^(1/(Num(tmp1(1),tmp1(2))-1))));
                    else
                       Dbackoff(indss1)   = 0;
                    end
                    
                    %计算传输延迟
                    Dtrans(indss1)       = (1/(1-Pi{tmp1(1),tmp1(2)}))*S_data/( Band_Ws{tmp1(1),tmp1(2)}*log2(1 + SNRi{tmp1(1),tmp1(2)}) );
                    %进行延迟信息反馈RREQ反馈
                    DNss(indss1)         = Dswitching(indss1) + Dbackoff(indss1) + Dtrans(indss1) ; 
                end
            end
            %找到最小值,给出最小值对应的频段及相关参数
            DN(j) = min(DNss);
        end
        Num = func_find_Num(Data_flow,FRE,Num_node);
        %计算路径延迟    
        %计算路径延迟  
        indss = 0;
        for pp1 = 1:length(FRE{tmp1(1),tmp1(2)})
            for pp2 = 1:length(FRE{tmp2(1),tmp2(2)})
                indss = indss + 1;
                H = length(Data_flow{i})-j+1;%多跳跳数
 
                for j2 = 1:H
                    Dswitchingi_tmp(j2) = k*abs(FRE{tmp1(1),tmp1(2)}(pp1) - FRE{tmp2(1),tmp2(2)}(pp2));
                end
                Dswitchingi(indss) = sum(Dswitchingi_tmp);
                if mod(H,2) == 0%偶数
                   for j2 = 1:H
                       Uhx_tmp(j2) = (1-P0)*qc^((1-Pc^j2)/(1-Pc^2)); 
                   end
                   Uhx = sum(Uhx_tmp);
                end
                if mod(H,2) == 1%奇数
                   for j2 = 1:H
                       Uhx_tmp(j2) = (1-P0)*qc^((1-Pc^j2)/(1-Pc^2)) + P0*Pc^(j2-1); 
                   end
                   Uhx = sum(Uhx_tmp);        
                end       
                Dbackoffi(indss)   = (S_data/Band_Ws{tmp1(1),tmp1(2)}) * (floor((H+1)/2) - Uhx)/Uhx;
                DPss(indss)          = Dswitchingi(indss) + Dbackoffi(indss);
            end
        end
        DP(j) = min(DPss);
        
        Droutej(j)     = DP(j) + DN(j);
 
    end
 
    Droutej_i(:,i)     = Droutej;
    
 
    
end
    F_Droutej_i(:,:,pp) = Droutej_i;
end
%-----OVER:通过基础算法A的相关方法计算目标路径的延迟
%-----OVER:通过基础算法A的相关方法计算目标路径的延迟
%-----OVER:通过基础算法A的相关方法计算目标路径的延迟
%-----OVER:通过基础算法A的相关方法计算目标路径的延迟
 
 
%最后的延迟为F_Droutej_i进行求平均
for i = 1:size(Droutej_i,1)
    for j = 1:size(Droutej_i,2)
        Droutej_i_average(i,j) = mean(F_Droutej_i(i,j,:));
    end
end
Droutess = mean(mean(Droutej_i_average));
01_044_m
相关文章
|
6天前
|
机器学习/深度学习 算法 数据安全/隐私保护
基于yolov4深度学习网络的公共场所人流密度检测系统matlab仿真,带GUI界面
本项目使用 MATLAB 2022a 进行 YOLOv4 算法仿真,实现公共场所人流密度检测。通过卷积神经网络提取图像特征,将图像划分为多个网格进行目标检测和识别,最终计算人流密度。核心程序包括图像和视频读取、处理和显示功能。仿真结果展示了算法的有效性和准确性。
53 31
|
16小时前
|
机器学习/深度学习 算法
基于改进遗传优化的BP神经网络金融序列预测算法matlab仿真
本项目基于改进遗传优化的BP神经网络进行金融序列预测,使用MATLAB2022A实现。通过对比BP神经网络、遗传优化BP神经网络及改进遗传优化BP神经网络,展示了三者的误差和预测曲线差异。核心程序结合遗传算法(GA)与BP神经网络,利用GA优化BP网络的初始权重和阈值,提高预测精度。GA通过选择、交叉、变异操作迭代优化,防止局部收敛,增强模型对金融市场复杂性和不确定性的适应能力。
|
6天前
|
算法
基于Adaboost模型的数据预测和分类matlab仿真
AdaBoost(Adaptive Boosting)是一种由Yoav Freund和Robert Schapire于1995年提出的集成学习方法,旨在通过迭代训练多个弱分类器并赋予分类效果好的弱分类器更高权重,最终构建一个强分类器。该方法通过逐步调整样本权重,使算法更关注前一轮中被误分类的样本,从而逐步优化模型。示例代码在MATLAB 2022A版本中运行,展示了随着弱分类器数量增加,分类错误率的变化及测试数据的分类结果。
|
5天前
|
供应链 算法 调度
排队算法的matlab仿真,带GUI界面
该程序使用MATLAB 2022A版本实现排队算法的仿真,并带有GUI界面。程序支持单队列单服务台、单队列多服务台和多队列多服务台三种排队方式。核心函数`func_mms2`通过模拟到达时间和服务时间,计算阻塞率和利用率。排队论研究系统中顾客和服务台的交互行为,广泛应用于通信网络、生产调度和服务行业等领域,旨在优化系统性能,减少等待时间,提高资源利用率。
|
15天前
|
机器学习/深度学习 算法 Python
基于BP神经网络的金融序列预测matlab仿真
本项目基于BP神经网络实现金融序列预测,使用MATLAB2022A版本进行开发与测试。通过构建多层前馈神经网络模型,利用历史金融数据训练模型,实现对未来金融时间序列如股票价格、汇率等的预测,并展示了预测误差及训练曲线。
|
13天前
|
存储 算法
基于HMM隐马尔可夫模型的金融数据预测算法matlab仿真
本项目基于HMM模型实现金融数据预测,包括模型训练与预测两部分。在MATLAB2022A上运行,通过计算状态转移和观测概率预测未来值,并绘制了预测值、真实值及预测误差的对比图。HMM模型适用于金融市场的时间序列分析,能够有效捕捉隐藏状态及其转换规律,为金融预测提供有力工具。
|
13天前
|
机器学习/深度学习 算法 信息无障碍
基于GoogleNet深度学习网络的手语识别算法matlab仿真
本项目展示了基于GoogleNet的深度学习手语识别算法,使用Matlab2022a实现。通过卷积神经网络(CNN)识别手语手势,如&quot;How are you&quot;、&quot;I am fine&quot;、&quot;I love you&quot;等。核心在于Inception模块,通过多尺度处理和1x1卷积减少计算量,提高效率。项目附带完整代码及操作视频。
|
16天前
|
机器学习/深度学习 算法 数据安全/隐私保护
基于深度学习网络的宝石类型识别算法matlab仿真
本项目利用GoogLeNet深度学习网络进行宝石类型识别,实验包括收集多类宝石图像数据集并按7:1:2比例划分。使用Matlab2022a实现算法,提供含中文注释的完整代码及操作视频。GoogLeNet通过其独特的Inception模块,结合数据增强、学习率调整和正则化等优化手段,有效提升了宝石识别的准确性和效率。
|
18小时前
|
机器学习/深度学习 人工智能 算法
基于GRNN广义回归网络和MFCC的语音情绪识别matlab仿真,对比SVM和KNN
该语音情绪识别算法基于MATLAB 2022a开发,可识别如悲伤等情绪,置信度高达0.9559。核心程序含中文注释及操作视频。算法采用MFCC特征提取与GRNN广义回归网络,通过预加重、分帧、加窗、FFT、梅尔滤波器组、对数运算和DCT等步骤处理语音信号,实现高效的情绪分类。
|
4月前
|
安全
【2023高教社杯】D题 圈养湖羊的空间利用率 问题分析、数学模型及MATLAB代码
本文介绍了2023年高教社杯数学建模竞赛D题的圈养湖羊空间利用率问题,包括问题分析、数学模型建立和MATLAB代码实现,旨在优化养殖场的生产计划和空间利用效率。
225 6
【2023高教社杯】D题 圈养湖羊的空间利用率 问题分析、数学模型及MATLAB代码