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
|
8天前
|
机器学习/深度学习 人工智能 算法
基于Python深度学习的眼疾识别系统实现~人工智能+卷积网络算法
眼疾识别系统,本系统使用Python作为主要开发语言,基于TensorFlow搭建卷积神经网络算法,并收集了4种常见的眼疾图像数据集(白内障、糖尿病性视网膜病变、青光眼和正常眼睛) 再使用通过搭建的算法模型对数据集进行训练得到一个识别精度较高的模型,然后保存为为本地h5格式文件。最后使用Django框架搭建了一个Web网页平台可视化操作界面,实现用户上传一张眼疾图片识别其名称。
26 4
基于Python深度学习的眼疾识别系统实现~人工智能+卷积网络算法
|
8天前
|
算法 数据安全/隐私保护
室内障碍物射线追踪算法matlab模拟仿真
### 简介 本项目展示了室内障碍物射线追踪算法在无线通信中的应用。通过Matlab 2022a实现,包含完整程序运行效果(无水印),支持增加发射点和室内墙壁设置。核心代码配有详细中文注释及操作视频。该算法基于几何光学原理,模拟信号在复杂室内环境中的传播路径与强度,涵盖场景建模、射线发射、传播及接收点场强计算等步骤,为无线网络规划提供重要依据。
|
5天前
|
机器学习/深度学习 算法 计算机视觉
基于CNN卷积神经网络的金融数据预测matlab仿真,对比BP,RBF,LSTM
本项目基于MATLAB2022A,利用CNN卷积神经网络对金融数据进行预测,并与BP、RBF和LSTM网络对比。核心程序通过处理历史价格数据,训练并测试各模型,展示预测结果及误差分析。CNN通过卷积层捕捉局部特征,BP网络学习非线性映射,RBF网络进行局部逼近,LSTM解决长序列预测中的梯度问题。实验结果表明各模型在金融数据预测中的表现差异。
|
9天前
|
算法
基于龙格库塔算法的锅炉单相受热管建模与matlab数值仿真
本设计基于龙格库塔算法对锅炉单相受热管进行建模与MATLAB数值仿真,简化为喷水减温器和末级过热器组合,考虑均匀传热及静态烟气处理。使用MATLAB2022A版本运行,展示自编与内置四阶龙格库塔法的精度对比及误差分析。模型涉及热传递和流体动力学原理,适用于优化锅炉效率。
|
7天前
|
移动开发 算法 计算机视觉
基于分块贝叶斯非局部均值优化(OBNLM)的图像去噪算法matlab仿真
本项目基于分块贝叶斯非局部均值优化(OBNLM)算法实现图像去噪,使用MATLAB2022A进行仿真。通过调整块大小和窗口大小等参数,研究其对去噪效果的影响。OBNLM结合了经典NLM算法与贝叶斯统计理论,利用块匹配和概率模型优化相似块的加权融合,提高去噪效率和保真度。实验展示了不同参数设置下的去噪结果,验证了算法的有效性。
|
6天前
|
算法 决策智能
基于SA模拟退火优化算法的TSP问题求解matlab仿真,并对比ACO蚁群优化算法
本项目基于MATLAB2022A,使用模拟退火(SA)和蚁群优化(ACO)算法求解旅行商问题(TSP),对比两者的仿真时间、收敛曲线及最短路径长度。SA源于金属退火过程,允许暂时接受较差解以跳出局部最优;ACO模仿蚂蚁信息素机制,通过正反馈发现最优路径。结果显示SA全局探索能力强,ACO在路径优化类问题中表现优异。
|
29天前
|
SQL 安全 网络安全
网络安全与信息安全:知识分享####
【10月更文挑战第21天】 随着数字化时代的快速发展,网络安全和信息安全已成为个人和企业不可忽视的关键问题。本文将探讨网络安全漏洞、加密技术以及安全意识的重要性,并提供一些实用的建议,帮助读者提高自身的网络安全防护能力。 ####
67 17
|
1月前
|
存储 SQL 安全
网络安全与信息安全:关于网络安全漏洞、加密技术、安全意识等方面的知识分享
随着互联网的普及,网络安全问题日益突出。本文将介绍网络安全的重要性,分析常见的网络安全漏洞及其危害,探讨加密技术在保障网络安全中的作用,并强调提高安全意识的必要性。通过本文的学习,读者将了解网络安全的基本概念和应对策略,提升个人和组织的网络安全防护能力。
|
1月前
|
SQL 安全 网络安全
网络安全与信息安全:关于网络安全漏洞、加密技术、安全意识等方面的知识分享
随着互联网的普及,网络安全问题日益突出。本文将从网络安全漏洞、加密技术和安全意识三个方面进行探讨,旨在提高读者对网络安全的认识和防范能力。通过分析常见的网络安全漏洞,介绍加密技术的基本原理和应用,以及强调安全意识的重要性,帮助读者更好地保护自己的网络信息安全。
55 10
|
1月前
|
SQL 安全 网络安全
网络安全与信息安全:关于网络安全漏洞、加密技术、安全意识等方面的知识分享
在数字化时代,网络安全和信息安全已成为我们生活中不可或缺的一部分。本文将介绍网络安全漏洞、加密技术和安全意识等方面的内容,并提供一些实用的代码示例。通过阅读本文,您将了解到如何保护自己的网络安全,以及如何提高自己的信息安全意识。
62 10