吞吐量在合作通信使用进化算法优化

辛格的阿布¹Ashish拉曼²,Deepti kakkar³

M。理工大学学生,N.I. ECE学系T Jalandhar,旁遮普,印度
N.I. ECE学系助理教授T Jalandhar,旁遮普,印度
N.I. ECE学系助理教授T Jalandhar,旁遮普,印度

文摘

本文说明了二级用户的吞吐量的结果(超自然)在认知无线电在合作的情况下使用进化算法的加性高斯白噪声(AWGN)。在这部作品中,表现的投票权或融合规则研究的Pd和Pf曲线。或融合规则中找到最合适的合作情况。然后,基于粒子群优化(PSO)和生物地理学优化算法(偏硼酸钡)使用或融合规则实现提高认知用户通过账户的吞吐量的保护主要用户(注册)。0.9检测的概率将保护的目的。合作方面的仿真结果表明,算法执行更好的最初但随着数量的合作增加算法性能会有所下降。

关键字

吞吐量,进化算法,融合规则,优化

介绍

近年来,认知无线电(CR)已经成为一种很有前途的范例利用频谱机会,由目前的刚性限制频谱分配方案,解决频谱稀缺问题[1 - 2]。不同的频谱感知技术可用于遥感主要用户(脓)信号。他们可以大致分为三类:周期平稳检测和匹配滤波器检测、能量检测[19]。能量检测是广泛采用,因为较低的复杂性比其他两个方案和先验知识的信号也不是必需的。频谱感知取决于两个概率即检测概率(Pd)和假警报概率(Pf) [5]。探测概率与正确检测概率脓的存在,而假警报概率与错误检测脓不在[4]。许多研究工作提出改善性能指标的检测概率和虚警概率。然而,算法是解决sensing-throughput权衡问题合作的场景下使用各种组合融合方案[3]。优化合作传感性能的合作执行用户使用恒定的检出率(CDR)和恒虚警率[4]。但是,没有考虑客户的吞吐量。 The work in [5] focuses on the optimization of sensing-throughput tradeoffs using iterative algorithms. In this paper, PSO and BBO algorithms are implemented to achieve the same objective. Both the algorithms are performed over OR fusion schemes.

本文的组织结构如下:第二节表示系统模型和其他性能指标。偏硼酸钡和PSO算法在第三和第四部分分别讨论。第五节提出工作所使用的方法。然而,第六部分和第七部分分别包括结果和结论。

二世。系统模型

本研究主要关注在AWGN CUs脓信号。我们假设噪声和脓信号都是独立的。能量检测器的基本模型图1所示,包括噪音过滤器,平方律设备和积分器[6];

比较输出信号和一个特定的阈值来决定信号存在与否。阈值决定根据统计特性的输出(O / p)。合作检测,辅助用户接收信号传输和计算信号/能源。执行检测后,个人艰难的决定被送到融合中心决定使用一些融合规则相结合。Pf与Pd,数量的观察样本(N)和信噪比(¯害怕害怕一个½¯½)如下[5];

观测样本遥感的数量与Pd和Pf[5]在能源检测:

图2所示的合作模型考虑[18];

在图2中,CU1,忍耐力,……。坎昆认知用户提供个人感知决策,然后结合使用各种融合规则融合中心等,或者,投票权。

一个。艰难的决定融合规则

融合中心实现n-out-of-M规则如果至少n本地决策表明脓的存在。在融合中心检测的概率假设不相关的决策是由[6 - 7]

1)逻辑和规则

在这条规则中,如果所有的决定发送到融合中心,最后决定由组合器就是其中之一。绩效评估使用这种融合规则是计算通过设置在上面方程n = M [6];

图3描述了一个帧持续时间分为两个阶段:感知阶段和传播阶段。传播阶段有助于认知用户的吞吐量。

的吞吐量,因为是在两个条件下生成的,在[8]报道:第一个场景显示没有聚氨酯信号和不产生铜假警报。在这种情况下的吞吐量是由[3];

第二个场景,PU不是被铜即使是礼物。这种情况下的吞吐量如下[3];

C0¢¶表示吞吐量的铜在PU缺席C1:表示铜操作的吞吐量PU的存在

网络可以实现系统的吞吐量是表示为[9];

在P (H1)的概率是聚氨酯的主动和P H0 = 1−P (H1)

标准可以解决如下问题:R (Ts)的价值最大化,Pd从来没有低于0.9聚氨酯保护,数字可以显示为;

马克斯·R (Ts)这样Pd > 0.9关于FCC的指导方针

如果P (H1)相当小的< 0.2[9]和C0 > C1, eqn。(9)简化了

三世。基于BIO-GEOGRAPHY优化

Biogeography-Based优化(偏硼酸钡)是一个全局优化算法由丹·西蒙,2008年是受生物地理学的数学模型由罗伯特·麦克阿瑟和爱德华·威尔逊。生物地理学是研究自然界中物种的分布在时间和空间;这是移民和移民之间的物种栖息地[16]。每一个可能的解决方案是一个岛屿适居性及其特征被称为适应性指数变量(SIV) [21]。每种解决方案的健身叫做栖息地适宜性指数(HSI),取决于许多特性的栖息地。High-HSI解决方案倾向于与low-HSI分享功能解决方案通过移民解决方案功能其他栖息地。Low-HSI解决方案从high-HSI接受很多新功能解决方案通过移民来自其他栖息地[20]。

答:偏硼酸钡运营商

迁移:偏硼酸钡迁移策略中,我们决定是否从一个区域迁移到其他[22]。每种解决方案的迁移率是用来概率之间共享功能的解决方案。偏硼酸钡迁移是用来改变现有栖息地。迁移在偏硼酸钡是一个自适应的过程[16]。

突变,突变是随机概率算子修改解决方案功能。突变的目的是增加生境中人口[21]。低价值的解决方案,突变给他们一个机会提高解决方案的质量,和较高的健身价值的解决方案,突变努力提高价值比[20]的前一个值。

b . GA /偏硼酸钡的局限性:

1)遗传算法不能保证找到全局最优;他们通常给一个好的近似[13]。

2)遗传算法可以需要很长时间才能收敛,也不容易实现[17]。

3)遗传算法不规模与复杂性[15]。是,暴露于突变的元素数量大就经常会有一种指数增加搜索空间的大小。

IV.PARTICLE群优化

算法是一种进化算法是基于人口和设计保持查看群鸟的社会行为(- 11)。每个解决方案由一个粒子和粒子分为群。每个粒子朝着最好每次迭代最优解通过学习从过去的经验和环境。由于其简单性、高收敛速度和搜索能力,算法已经部署到许多优化问题[12]。实现所需的输出或迭代次数后,流程终止。

两个基本方程的本质PSO代表粒子的位置和速度在任何即时t + 1是[10]

害怕一个¯½¯一个害怕一个½¯害怕害怕一个½¯½和¯害怕一个一个½¯害怕一个½¯害怕害怕一个½¯½是当地最好的粒子和全球最好的群。

对于开始的一个粒子,向量可以表示为X = X, V (x1, x2)。xn) V = (v1、v2,…, vn)和P = (p1, p2,…。。pn)。V (t)确保所有的粒子都在正确的方向上没有任何突然改变而第二和第三届eqn。(11)测量粒子的性能相对于其过去的表现和邻居的性能

方法

使用偏硼酸钡和PSO算法的基本优化流如下:首先,决策融合规则的表演或和投票权等比较的Pd和Pf的情节。规则有更好的系统性能即较小的Pf值和Pd的较大值然后使用优化环境优化SUs的吞吐量(T)。优化参数对算法和偏硼酸钡等群体大小、变异概率,重量因素,学习因素的定义。然后解决方案是随机初始化偏硼酸钡与随机位置和零初始速度的算法。基于迁移率,如果需要更新解决方案和突变的特点是应用于偏硼酸钡。粒子的位置更新的速度矢量算法。这一过程持续进行直到获得期望输出或终止条件。最后,结果比较得出两个进化算法的性能。

参数的值用于偏硼酸钡和PSO算法分别显示在表1和表2。这些值被用于设计优化过程的框架。

VI.RESULTS和讨论

基于给定的边界条件在表1和2中,所有MATLAB仿真已经完成与AWGN nakagami-m衰落环境下,与Pf < = 0.3和Pd = 0.9。使用公式或融合规则给出了方程(5),模拟进行。

微型计算机体积很小。显示了AWGN信道的Pd Vs Pf曲线有一半投票融合规则不同数量的合作(2、3和4)。

图7。显示了AWGN信道的Pd Vs Pf曲线对不同数量的合作或融合规则。

从图5和图7,看到ROC曲线的融合规则转向左侧增加数量的合作表明系统性能的改善。但这种转变的或融合规则更比投票权规则。4合作的情况下,目标检测概率(Pd) 0.9 Pf = 0.2的实现或融合规则和Pf = 0.45的投票权的规则。一个更小的值或融合规则的Pf表示相比更适合的投票权的统治。桌子上。3is formed using eqn. (2) and (10). The value of throughput for OR fusion rule with different number of cooperation is shown in table 3.

图7显示了SUs的吞吐量算法和偏硼酸钡对合作。仿真结果表明,两种优化算法提供了更好的结果比未经优化吞吐量值如表3中给出。有一个在苏吞吐量4合作提高8%。偏硼酸钡和PSO算法最初占主导地位,但其性能恶化是合作的数量增加。

VII.CONCLUSION

的帮助下,我们学习偏硼酸钡和PSO算法吞吐量的性能优化的认知用户合作场景情况下使用或融合规则和之际,这些进化算法执行比未经优化的结论(正常的)情况下,导致更高的可实现的吞吐量。PSO算法的性能而言,最初合作的数量占主导地位,但随着合作的数量增加,偏硼酸钡性能保持稳定而算法性能会有所下降。

引用

微积分,“认知无线电:brain-empowered无线通讯,IEEE在选定地区通讯》杂志上,23卷,第220 - 201页,2005年。
问:赵和b·m·萨德勒”的调查动态频谱接入:信号处理、网络、和监管政策,“IEEE信号处理杂志,24卷,第89 - 79页,2007年5月。
Rozeha拉希德,a·哈迪Fikri a·哈米德n . Fisal m·阿迪Sarijari,穆罕默德Rozaini a . Rahim别名“最优用户选择决策的合作传感IEEE无线技术应用”研讨会上2012年9月
爱德华Peh和梁的文化”,优化合作感知认知无线电网络”,WCNC,香港、卷。58岁的没有。9日,11 - 15号,2007页
E.C.Y. Peh Y.C.梁,y l .曾关、y”合作感知认知无线电网络的优化:Sensing-Throughput权衡视图”,IEEE反式。在车辆技术、卷。58岁的没有。9日,2009年
。、侯赛因。Mahabubur拉赫曼。易卜拉欣阿卜杜拉和穆罕默德Alamgir HossainHard,“结合数据融合的合作频谱感知CognitiveRadio”》,页。811 - 818年,2012年
Spyros Kyperountas Neiyer科雷亚,Qicai史”的融合规则比较合作频谱感知衰落通道”。EMS研究,摩托罗拉
益阳裴,安老爷黄平君,梁的文化,“Sensing-Throughput权衡在认知无线电网络:频率光谱传感应该执行吗?“IEEE 18个人国际研讨会,室内移动无线电通信,PIMRC,页1 - 5,雅典。3 - 7 2007年9月。
研究。梁,曾庆红y, e . c . y . Peh和a . t .黄平君Sensingthroughput权衡为认知无线电网络,IEEE反式。无线Commun。,7卷,不。4、1326 - 1337年,2008页。
j·肯尼迪,进行r·c·埃伯哈特“粒子群优化”,Proc。IEEE国际会议上神经网络,澳大利亚,4卷,第1948 - 1942页,1995年。
j·肯尼迪和进行r·c·埃伯哈特,群体智慧,摩根考夫曼出版商,加利福尼亚,2001年。
c . Mendis s . m .大师,s . Halgamuge和费尔南多,“使用粒子群优化优化水槽节点路径”,20国际会议上先进的信息网络和应用程序,IEEE计算机学会学报》,5,2006页
Prasanna a Lohe和数字显示帕蒂尔”,增强数字x光图像相结合的遗传优化和分水岭变换技术”,IJESIT, 2卷,不。2013
哈立德本Letaief和魏张”合作为认知无线电网络通信”,IEEE反式。无线Commun卷。97年,没有。2009
en.wikipedia.org/wiki/Genetic_algorithm
丹•西蒙“Biogeography-Based优化”,IEEE反式。进化计算,12卷,。2008
Mittu米塔尔和Gagandeep比较偏硼酸钡和遗传算法”,IJSETR,卷。2,没有。2、284 - 293年,2013页
卢卢*,周Xiangwei Uzoma Onunkwo杰弗里叶莉,“十年的研究在认知无线电的频谱感知和分享”,EURASIP杂志在2012年无线通信和网络,2012:28 doi: 10.1186 / 1687-1499-2012-28
南赵,Richard Yu范Hongjian太阳,Arumugam Nallanathan,“节能合作频谱感知方案认知无线电网络”,EURASIP杂志在2013年无线通信和网络,2013:120 doi: 10.1186 / 1687-1499-2013-120
h·马·d·西蒙,Biogeography-based与混合迁移为约束优化问题,优化:遗传与进化计算会议,波特兰,或者,第418 - 417页,2010年7月。
诉应,p .辛格Kaur n、h·昆德拉,“基于生物地理学的卫星图像分类”,国际计算机科学与信息安全杂志6卷,没有。2,页。269 - 274年,2009年。
r . Rarick d·西蒙,远东Villaseca b . Vyakaranam”Biogeography-based优化和功率流的解决问题”,在:IEEE会议系统,人,和控制论,圣安东尼奥,德克萨斯州,1029 - 1034年,2009页。