资源描述：
《基于粗糙集的认知无线网络跨层学习》由会员上传分享，免费在线阅读，更多相关内容在工程资料-天天文库。
1、第1期电子学报Vol.40No.12012年1月ACTAELECTRONICASINICAJan.2012基于粗糙集的认知无线网络跨层学习1,21,211江虹,伍春,包玉军,黄玉清(1.西南科技大学信息工程学院,四川绵阳621010;2.西安电子科技大学综合业务网理论及关键技术国家重点实验室,陕西西安710071)摘要:认知学习是认知无线网络(CRN)跨层设计中非常重要的一环,它要求通信网络能利用已知跨层环境参数进行知识提取学习,并根据需要重配置网络.本文提出了一种基于粗糙集的CRN跨层学习技术,构建了案例事件库
2、、知识库与规则匹配器,该模型结合数据离散、属性约简、值约简与规则生成算法来解决CRN的跨层学习问题.通过典型测试数据集的仿真比较,选出一组适合于所提出模型的粗糙集算法集合.仿真结果表明,该算法集能有效解决CRN跨层学习中知识提取与规则生成的准确性及有效性等问题,提出的跨层学习模型能有效用于CRN中的知识学习.关键词:认知网络;规则生成;学习引擎;跨层设计中图分类号:TN911文献标识码:A文章编号:0372-2112(2012)01-0155-07电子学报URL:http://www.ejournal.org.c
3、nDOI:10.3969/j.issn.0372-2112.2012.01.025Cross-LayerLearninginCognitiveRadioNetworksBasedonRoughSet1,21,211JIANGHong,WUChun,BAOYu-jun,HUANGYu-qing(1.InformationCollegeofSouthwestUniversityofScienceandTechnology,Mianyang,Sichuan621010,China;2.StateKeyLaborator
4、yofIntegratedServiceNetworksXidianUniversity,Xi.an,Shaanxi710071,China)Abstract:Cognitivelearningisaveryimportantpartforcross-layerdesignincognitiveradionetworks(CRNs).CRNsarerequiredtotakeadvantageoftheknowncross-layerparametersforlearningenvironmentandrecon
5、figuringthenetwork.Thispaperproposesacross-layerlearningschemeforCRNbasedonroughset,buildsdatabaseofcaseevents,knowledgebaseandrulematch-er.Thismodelsolvesthecross-layerlearninginCRNsthroughcombiningdatadiscretization,attributereduction,valuereductionandruleg
6、eneration.Bycomparingthesimulationresultsoftypicaltestingdatasets,agroupofroughsetalgorithmsareselectedfortheproposedmodel.Thesimulationresultsshowthatthesetofalgorithmscaneffectivelysolveaccuracyandvalidityofknowledgeex-traction,rulegenerationforCRNcross-lay
7、erlearning.TheproposedmodelcanbevalidlyusedinknowledgelearningforCRNs.Keywords:cognitiveradionetworks;rulegeneration;learningengine;cross-layerdesign免路由查找.可见跨层信息在CRN中有重要作用,为认1引言知学习提供了条件.[1,2]CRN要求网络能自适应多变环境,其设计区别无线跨层研究在学术界受到了很高的重视,相关的于传统网络.传统网络协议栈采用分层设计原则,使其研
8、究成果也较多[1~10].但迄今为止,对无线网络的跨层具有独立性、模块性.但分层设计不利于跨层参数共享,研究多集中在性能优化方面[3~10],如:文献[3]旨在实导致CRN的认知学习受到很大限制.现拥塞控制和路由调度的性能优化.文献[4]通过引入[3]无线网络多层协议栈中,层间参数有复杂关系.信道预留机制,以最大化次用户吞吐量.文献[5]在有限如MAC层退避与RTS/CT
