备案控制台
探索云世界
开发者社区 人工智能 文章 正文

m认知无线电网络中频谱感知的按需路由算法matlab仿真

2023-01-01 171
版权
版权声明：
本文内容由阿里云实名注册用户自发贡献，版权归原作者所有，阿里云开发者社区不拥有其著作权，亦不承担相应法律责任。具体规则请查看《 阿里云开发者社区用户服务协议》和 《阿里云开发者社区知识产权保护指引》。如果您发现本社区中有涉嫌抄袭的内容，填写 侵权投诉表单进行举报，一经查实，本社区将立刻删除涉嫌侵权内容。
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
文章标签：
算法
关键词：
MATLAB仿真
网络路由
MATLAB算法
算法MATLAB仿真
算法仿真
我爱matlab
目录
相关文章
须尽欢~~
|
22天前
OFDM深入学习及MATLAB仿真（二）
OFDM深入学习及MATLAB仿真
须尽欢~~
21 1
须尽欢~~
|
22天前
|
机器学习/深度学习
信道编码译码及MATLAB仿真（三）
信道编码译码及MATLAB仿真
须尽欢~~
28 3
须尽欢~~
|
22天前
|
算法
信道编码译码及MATLAB仿真（二）
信道编码译码及MATLAB仿真
须尽欢~~
25 3
简简单单做算法
|
2天前
|
机器学习/深度学习 人工智能 算法
基于DCT和扩频的音频水印嵌入提取算法matlab仿真
本文介绍了结合DCT和扩频技术的音频水印算法，用于在不降低音质的情况下嵌入版权信息。在matlab2022a中实现，算法利用DCT进行频域处理，通过扩频增强水印的隐蔽性和抗攻击性。核心程序展示了水印的嵌入与提取过程，包括DCT变换、水印扩频及反变换步骤。该方法有效且专业，未来研究将侧重于提高实用性和安全性。
简简单单做算法
18 4
须尽欢~~
|
22天前
数字频带传输——多进制数字调制及MATLAB仿真
数字频带传输——多进制数字调制及MATLAB仿真
须尽欢~~
35 2
简简单单做算法
|
23小时前
|
机器学习/深度学习 算法 数据挖掘
基于PSO优化的CNN-LSTM-Attention的时间序列回归预测matlab仿真
该文档介绍了使用MATLAB2022A中PSO优化算法提升时间序列预测模型性能的过程。PSO优化前后对比显示了优化效果。算法基于CNN、LSTM和Attention机制构建CNN-LSTM-Attention模型，利用PSO调整模型超参数。代码示例展示了PSO的迭代优化过程及训练、预测和误差分析环节。最终，模型的预测结果以图形形式展示，并保存了相关数据。
简简单单做算法
10 2
须尽欢~~
|
21天前
雷达模糊函数及MATLAB仿真（三）
雷达模糊函数及MATLAB仿真
须尽欢~~
15 0
须尽欢~~
|
21天前
雷达模糊函数及MATLAB仿真（一）
雷达模糊函数及MATLAB仿真
须尽欢~~
25 0
须尽欢~~
|
21天前
雷达检测及MATLAB仿真（三）
雷达检测及MATLAB仿真
须尽欢~~
21 0
我爱matlab
|
1月前
|
机器学习/深度学习 数据采集 人工智能
m基于深度学习网络的手势识别系统matlab仿真,包含GUI界面
m基于深度学习网络的手势识别系统matlab仿真,包含GUI界面
我爱matlab
40 0

热门文章

最新文章

  • 1
    使用Python实现DBSCAN聚类算法
  • 2
    【软件设计师备考 专题 】算法探索：排序、查找、数值计算和字符串处理（一）
  • 3
    【C++ 数据结构与算法 一站式备考指南】一文掌握 数据结构与算法课程 知识点（二）
  • 4
    R语言聚类算法的应用实例
  • 5
    Java数据结构与算法-java数据结构与算法（二）
  • 6
    【软件设计师备考 专题 】深入理解数据压缩、递归和图的相关算法
  • 7
    深度思考：雪花算法snowflake分布式id生成原理详解
  • 8
    【C++ 数据结构与算法 一站式备考指南】一文掌握 数据结构与算法课程 知识点（一）
  • 9
    Machine Learning机器学习之决策树算法 Decision Tree（附Python代码）
  • 10
    Java数据结构与算法-java数据结构与算法（五）
  • 1
    基于DCT和扩频的音频水印嵌入提取算法matlab仿真
    18
  • 2
    Matlab正态分布、历史模拟法、加权移动平均线 EWMA估计风险价值VaR和回测标准普尔指数 S&P500时间序列
    27
  • 3
    MATLAB用GARCH模型对股票市场收益率时间序列波动的拟合与预测
    9
  • 4
    matlab使用分位数随机森林（QRF）回归树检测异常值
    7
  • 5
    matlab使用长短期记忆（LSTM）神经网络对序列数据进行分类
    12
  • 6
    matlab用高斯曲线拟合模型分析疫情数据
    12
  • 7
    Matlab建立SVM，KNN和朴素贝叶斯模型分类绘制ROC曲线
    31
  • 8
    图像倾斜校正算法的MATLAB实现：图像倾斜角检测及校正
    13
  • 9
    MATLAB 求解特征方程的根轨迹图稳定性分析
    7
  • 10
    matlab使用移动平均滤波器、重采样和Hampel过滤器进行信号平滑处理
    12

    • 相关课程

    更多
  • 云网络白皮书-阿里云网络系列课
  • Go语言核心编程 - 数据结构和算法
  • 企业上云攻略-阿里云网络产品应用系列教程
  • Linux网络进阶 - TCP/IP协议及OSI七层模型
  • 网络管理者必知-2分钟了解新出台的《网络安全法》
  • 神经网络概览及算法详解

    • 相关电子书

    更多
  • 数据+算法定义新世界
  • 袋鼠云基于实时计算的反黄牛算法
  • Alink：基于Apache Flink的算法平台

    • 相关实验场景

    更多
  • 基于阿里云E-HPC和OpenFoam进行流体仿真实验
  • TLS1.3的后量子算法集成
  • RSA非对称加密算法
  • 容器的网络入门
  • 容器的自定义网络
    • 下一篇
    部署LAMP环境（Alibaba Cloud Linux 3）