羅 歡， 曹開田， 錢 平， 鄧 菲

(上海應用技術(shù)大學 電氣與電子工程學院，上海 201418)

當前，無線頻譜資源具有分配不均勻和利用率低的特點。這些特性不僅導致了頻譜資源的巨大浪費，而且極大地阻礙了無線通信技術(shù)的發(fā)展。認知無線電(cognitive radio,CR)作為一種頻譜再利用技術(shù)，因其在提升頻譜利用率，解決無線通信中頻譜匱乏等方面表現(xiàn)出來的巨大優(yōu)勢，越來越受到人們的重視[1]。頻譜預測技術(shù)應用于CR網(wǎng)絡(luò)中能夠顯著改善系統(tǒng)延時，提高靈敏度，減少信道沖突，對于提升CR系統(tǒng)性能具有重要意義。

頻譜預測技術(shù)一直以來都是CR中十分重要的部分，國內(nèi)外學者對此也進行了廣泛的研究。Sun等[2]從性能界限的角度分析了頻譜狀態(tài)的可預測性，為頻譜狀態(tài)預測提供了理論依據(jù)。Ding等[3]從時域、頻域、空間域?qū)︻l譜預測算法及應用進行了綜述，并討論了其在5G等方面的應用。Zhao等[4]提出了一種新的基于預測的頻譜管理策略，綜合考慮了頻譜占用信息和用戶遷移率，同時提出一種多通道同時可用的信道選擇方案，能夠更有效地分配頻譜資源。本文分別從頻譜感知、頻譜決策、頻譜遷移和頻譜共享4個方面介紹頻譜預測技術(shù)的發(fā)展與應用。

基于預測的頻譜感知[5]是CR技術(shù)的基礎(chǔ)，它為后續(xù)的頻譜決策，頻譜遷移，頻譜共享提供可能。頻譜決策[6-7]為次用戶(secondary user,SU)選擇最合適的信道進行通信。頻譜切換[8-9]的目的是保證SU通信質(zhì)量和避免對主用戶(primary user,PU)造成干擾。頻譜共享[10-11]是解決頻譜利用率低的最主要的途徑，具體結(jié)構(gòu)如圖1所示。

圖1 結(jié)構(gòu)示意圖

1 頻譜感知

頻譜感知是CR核心技術(shù)之一?；陬A測的頻譜感知能夠顯著縮短感知周期，降低系統(tǒng)感知時延，有效提升頻譜資源利用率。因此，無論是在時域，頻譜還是在空間域，基于預測的頻譜感知都得到了長足的發(fā)展。

1.1 時域感知

在時域頻譜預測中，SU通過歷史頻譜信息建立頻譜占用模型實現(xiàn)頻譜感知。不同的預測模型適用于不同的外界環(huán)境和感知需求。隱馬爾可夫模型是時域頻譜感知中廣泛使用的一種數(shù)學模型，其基本模型如圖1所示，其中Y相當于觀測變量，X相當于隱變量，由觀測變量Y可以得到隱變量X的狀態(tài)。

圖2 隱馬爾可夫模型示意圖

Eltom等[12]在隱馬爾科夫模型的基礎(chǔ)上，以狀態(tài)轉(zhuǎn)移矩陣為目標進行頻譜感知，結(jié)構(gòu)簡單，實用性強。但是其模型中假設(shè)的過去狀態(tài)(即當前以前的歷史狀態(tài))與將來狀態(tài)(即當前以后的未來狀態(tài))是無關(guān)的，在實際系統(tǒng)中并不常見。對此，Chen等[13]使用高階隱馬爾科夫模型，充分利用之前幾個狀態(tài)的數(shù)據(jù)進行預測，有效提升了系統(tǒng)預測感知的準確性。同時，對應于狀態(tài)不完全可觀的系統(tǒng)，Jiang等[14]引入狀態(tài)部分可觀的隱馬爾可夫模型，并提出了一種基于仿真的梯度算法來計算最優(yōu)自適應感知策略。該自適應感知策略具有較低的計算復雜度，即使在低信噪比的擁擠頻譜中也能取得較好的性能。相對于隱馬爾可夫模型，基于人工神經(jīng)網(wǎng)絡(luò)算法的模型具有更高效的預測機制。人工神經(jīng)元模型的數(shù)學模型可用下式表示：

(1)

式中：x為神經(jīng)元輸入；w為對應權(quán)值；θ為閾值；f(·)為激活函數(shù)；y為輸出。

文獻[15-16]中分別提出了前饋神經(jīng)網(wǎng)絡(luò)模型和反饋神經(jīng)網(wǎng)絡(luò)模型兩種人工神經(jīng)網(wǎng)絡(luò)模型。相較而言，反饋神經(jīng)網(wǎng)絡(luò)模型將歷史數(shù)據(jù)引入狀態(tài)預測算法中，比前饋神經(jīng)網(wǎng)絡(luò)模型具有更好的感知性能。基于深度學習算法的模型在預測的頻譜感知中也有廣泛的應用。在文獻[5]中，作者開發(fā)了一個基于深度學習的頻譜預測框架，提出一種長短期記憶(long short-term memory，LSTM)模型，在協(xié)作中繼網(wǎng)絡(luò)和5G網(wǎng)絡(luò)中應用廣泛。LSTM模型將傳統(tǒng)循環(huán)神經(jīng)網(wǎng)絡(luò)(recurrent neural network，RNN)中的隱含層換成存儲塊，當誤差從輸出層反向傳播回來時，可以使用模塊的記憶元記下來，有效地避免了RNN網(wǎng)絡(luò)中反向傳播時梯度指數(shù)衰減的現(xiàn)象。所以 LSTM 可以記住比較長時間內(nèi)的信息。作者利用 5 270～5 290 MHz 頻段對線性LSTM網(wǎng)絡(luò)模型進行測試，結(jié)果顯示在90%以上的頻段LSTM網(wǎng)絡(luò)的均方誤差<15.2。支持向量機模型(support vector machine，SVM)[17]在頻譜預測感知中也發(fā)揮重要作用。然而SVM增加了算法復雜性，使系統(tǒng)延時有所增加。

1.2 頻域感知

頻域頻譜預測致力于根據(jù)已獲得的感知結(jié)果來推斷相鄰或其他信道的狀態(tài)。Ding等[18]開發(fā)了一個魯棒的在線頻譜預測(robust online spectrum prediction，ROSP)框架，應用于不完全感知及復雜干擾條件。首先對真實的頻譜測量數(shù)據(jù)進行分析，揭示頻譜演化的相關(guān)結(jié)構(gòu)，并分析異常對頻譜矩陣秩分布的影響。然后，從頻譜-時間二維角度，通過有效地集成時間序列預測技術(shù)，將ROSP問題轉(zhuǎn)化為矩陣完成和恢復的聯(lián)合優(yōu)化問題，并提出了一種交替方向優(yōu)化方法來有效地求解。作者分別分析了數(shù)據(jù)丟失、數(shù)據(jù)錯誤等因素對系統(tǒng)的影響，并分別使用電視頻段、ISM頻段等多種頻段進行仿真。仿真結(jié)果顯示，文獻中所提方法較傳統(tǒng)時頻域聯(lián)合頻譜預測方法具有一定優(yōu)勢。在電視頻帶下，當注入錯誤數(shù)據(jù)概率在20%的條件下ROSP的均方誤差具有約 5 dB 的優(yōu)勢。但是，當數(shù)據(jù)誤差率達到50%時，Ding等[18]所提方法性能出現(xiàn)大幅下降，在更高誤差率條件下，該方法的有效性難以保證。

1.3 空間域感知

空間域頻譜預測在推斷頻譜狀態(tài)的同時考慮SU的位置移動性和CR系統(tǒng)覆蓋區(qū)域。Ma 等[19]提出了一種 sub-Nyquist寬帶頻譜傳感與地理定位數(shù)據(jù)庫的有效聯(lián)合方案，改進了子空間增廣貪心算法，引入了來自地理定位數(shù)據(jù)庫的先驗信息，從而使局部頻譜感知能在有限數(shù)量的電視空白頻譜上進行。該方法的局限性在于引入壓縮感知，需要建立在樣本稀疏性的基礎(chǔ)上來實現(xiàn)，對樣本的范圍是一種限制。同時在信號數(shù)據(jù)壓縮和恢復的過程中不可避免的造成數(shù)據(jù)的缺失與失真，文獻中并沒有明確這一條件的影響。

現(xiàn)有基于預測的頻譜感知方案仍有以下幾個問題亟待解決：①低信噪比，復雜電磁環(huán)境下的感知；②對于大批量數(shù)據(jù)的處理；③不完全感知條件下，保證感知結(jié)果的正確性。未來，從時間、空間和頻率3個維度獲取頻譜信息將是一個熱點問題?？紤]實際應用，各種算法在多輸入多輸出系統(tǒng)的應用也應受到重視。

2 頻譜決策

頻譜決策要求CR根據(jù)空閑頻譜的特征和用戶的需求選擇出合適的空閑頻段來進行通信，并根據(jù)對頻譜環(huán)境的預測適時地調(diào)整傳輸參數(shù)。相應地，可以從動態(tài)頻譜分配、信道選擇和動態(tài)頻譜接入3個方面分別來論述基于預測的頻譜決策的發(fā)展。

2.1 動態(tài)頻譜分配

2.2 信道選擇

從感知結(jié)果中選擇一條最優(yōu)的信道是頻譜決策中一個非常重要的內(nèi)容。通過信道的歷史信息來預測未來最佳頻譜使得網(wǎng)絡(luò)對沖突的響應時間更短是信道選擇的一個重要任務(wù)。貝葉斯推理能夠?qū)⑾惹暗闹R和經(jīng)驗包含在正在構(gòu)建的模型中，在信道狀態(tài)預測中具有明顯優(yōu)勢。貝葉斯公式：

(2)

式中：事件Bi的概率為P(Bi)；事件Bi已發(fā)生條件下事件A的概率為P(A│Bi)；事件A發(fā)生條件下事件Bi的概率為P(Bi│A)。

Reyes等[21]通過貝葉斯推理建立一個信道占用概率預測模型以協(xié)助CRNs中頻譜決策的過程，推導出信道占用概率表達式：

式中：Posocc為后驗概率；Priocc為第一次迭代的先驗概率；Locc為釋然概率；Pocc為特定分布的先驗概率。為了隨后的迭代，先前的Priocc是過去迭代后的Posocc。由于其具有學習能力，可以處理信道建模過程中的一些不確定因素，同時其能夠充分利用先前感知數(shù)據(jù)，以及對感知精度參數(shù)調(diào)整，貝葉斯推理應用于信道選擇過程中，具有很強的靈活性。

文獻[7]中提出一種由估計和排序組成的方法，保證了SU之間的公平性。在用時隙表征預測過程的方式中，當劃分的時隙個數(shù)T達到 100 000 時，SU在每個時隙中進行信道切換概率能夠降至接近0.01，性能優(yōu)異。但是，文獻中假設(shè)信道狀態(tài)平穩(wěn)，在實際應用中具有一定的局限性，信道狀態(tài)非平穩(wěn)條件下，該方法的性能有待考證。

2.3 動態(tài)頻譜接入

動態(tài)頻譜接入是實現(xiàn)頻譜效率優(yōu)化不可或缺的一步，在整個CR系統(tǒng)中占據(jù)十分重要的地位。文獻[17]中引入SVM預測模型，對給定信道中授權(quán)用戶空閑狀態(tài)持續(xù)時間和占用狀態(tài)持續(xù)時間的概率密度進行評估，可以對頻譜實時檢測結(jié)果進行評估和修正，降低誤報概率和誤判概率對認知系統(tǒng)的影響。但是其算法相對復雜，系統(tǒng)時延增加。考慮到信道狀態(tài)隨時間變化的情況，Xu等[22]將時變環(huán)境下用戶之間的交互描述為一個非合作博弈，提出了一種超越期望優(yōu)化的分布式學習算法。仿真結(jié)果顯示，該算法能在動態(tài)不完全信息約束下獲得穩(wěn)定解。分布式的方式最大化特定的網(wǎng)絡(luò)實用程序，而不需要用戶之間進行在線協(xié)調(diào)或消息交換。但是，由于狀態(tài)空間大、狀態(tài)的局部可觀測性強，通常求解頻譜訪問問題的最優(yōu)解計算量大。Naparstek 等[23]提出了一種基于深度多用戶強化學習的分布式動態(tài)頻譜訪問算法，在大狀態(tài)空間和部分可觀系統(tǒng)中表現(xiàn)優(yōu)異。基于深度學習的算法具有靈活高效的特點，SU用戶之間不需要在線協(xié)調(diào)、消息交換或載波感知。文獻的不足之處在于，其沒有考慮感知過程中信號的缺失及錯誤問題，這在實際條件下是不可避免的。研究者針對LTE白空間的開發(fā)，設(shè)計并實現(xiàn)了基于生存分析的動態(tài)頻譜訪問算法。用空白空間利用率和主次用戶碰撞率來衡量算法的性能，在請求到達時間為200 ms時，空白空間利用率能夠達到44%左右，碰撞率低于0.1。同時，表明了只要累積危險函數(shù)是相似的(就斜率而言)，算法可以使用任何數(shù)據(jù)集進行訓練，并在另一個數(shù)據(jù)集上運行。但是文章中并沒有明確相似性的數(shù)學表達[24]。

動態(tài)頻譜分配過程需要綜合多方面信息，不可避免的造成數(shù)據(jù)量巨大，這對算法的先進性，以及硬件方面的要求相對較高。有效區(qū)分并提取感知過程獲取的最有效的信息，獲取性能與開銷的平衡將是解決頻譜分配問題的有效途徑。信道的非平穩(wěn)狀態(tài)對于信道選擇算法是一個極大地挑戰(zhàn)，它對于算法的自學習能力要求較高。在研究動態(tài)頻譜接入過程中，很多學者將PU和SU的到達概率分布設(shè)置為指數(shù)分布，而其他分布條件下以及非固定分布條件下的研究較少涉及，這將是下一步工作的方向。

3 頻譜切換

CR系統(tǒng)中，SU在使用空閑頻譜的過程中不可避免的會受到外界環(huán)境的干擾。當PU回歸，或者當前信道無法滿足SU通信需求時，SU需要及時的進行頻譜切換以避免對PU造成干擾或滿足SU自身的通信需求?；陬A測的頻譜切換能夠通過不同的預測方法獲取信道信息以實現(xiàn)這一目的。

3.1 頻譜切換算法

排隊論在頻譜切換中也是一種比較常見的方法。研究排隊系統(tǒng)問題的主要目的是研究其運行效率,考核服務(wù)質(zhì)量,以便據(jù)此提出改進措施。通常評價排隊系統(tǒng)優(yōu)劣有6項數(shù)量指標。①系統(tǒng)負荷水平ρ：它是衡量系統(tǒng)在承擔服務(wù)和滿足需要方面能力的尺度；②系統(tǒng)空閑概率P0：系統(tǒng)處于沒有用戶來到要求服務(wù)的概率；③隊長：系統(tǒng)中排隊等待服務(wù)和正在服務(wù)的用戶總數(shù)，其平均值記為Ls；④隊列長：系統(tǒng)中排隊等待服務(wù)的用戶數(shù)，其平均值記為Lg；⑤逗留時間：一個用戶在系統(tǒng)中停留時間，包括等待時間和服務(wù)時間，其平均值記為Ws；⑥等待時間：一個用戶在系統(tǒng)中排隊等待時間,其平均值記為Wg。M/M/1排隊系統(tǒng)是一種最簡單的排隊系統(tǒng),系統(tǒng)的各項指標可由圖3中狀態(tài)轉(zhuǎn)移速度圖推算出來(見表1)，其中λ為到達率，μ為服務(wù)率。

圖3 排隊論中狀態(tài)轉(zhuǎn)移速度圖

表1 M/M/1排隊模型指標

文獻[25]中采用M/M/1排隊模型進行建模。仿真結(jié)果如下：在服務(wù)率為1，SU到達率為0.5的條件下，SU平均等待時間為1 s，平均服務(wù)時間為1.987 s；PU到達率為0.1的條件下，PU平均服務(wù)時間為1.18 s。該方法的不足之處在于M/M/1排隊模型表示系統(tǒng)具有泊松到達過程，服務(wù)時間呈指數(shù)分布，只有一個信道服務(wù)，條件過于苛刻。同時，該方法沒有考慮SU的不同需求。在文獻[26]中，作者提出了一種基于自由裁量規(guī)則的混合排隊模型來表征二級用戶之間的頻譜訪問優(yōu)先級。然后利用該混合排隊模型計算了頻譜切換過程中的信道等待時間。同時，針對現(xiàn)有的CRNs認知引擎?zhèn)戎赜谕ㄟ^SU自學習來適應頻譜。文獻中提出知識轉(zhuǎn)移的概念——多個已經(jīng)成熟的SU與一個沒有經(jīng)驗的SU分享他們的頻譜適應策略。作者在強化學習的基礎(chǔ)上增加多教師學習的算法，以實現(xiàn)新SU出現(xiàn)時迅速獲取環(huán)境參數(shù)，在切換性能方面表現(xiàn)良好，但是算法復雜。

主動式的頻譜切換以其低延時，高吞吐量的特性在PU流量高時具有良好的性能，在5G網(wǎng)絡(luò)、大規(guī)模MIMO系統(tǒng)中應用廣泛。而被動式的頻譜切換能夠在PU流量比較輕的時候有效降低切換過程的功耗。在文獻[8]中，作者評估了主動和被動頻譜切換策略在CRNs中的應用，還實施了一個混合頻譜切換方案，基于PU流量強度選擇性地使用被動或主動切換。仿真結(jié)果表明，當PU數(shù)據(jù)流量在2 kpt/s時，SU的丟包率可以控制在16%左右，明顯低于主動式或被動式頻譜切換策略。當PU數(shù)據(jù)流量達到10 kpt/s時，SU的平均數(shù)據(jù)延時達到0.24 s，此時系統(tǒng)時延增長迅速。此外，文獻中對于主被動切換模式選擇時的閾值設(shè)置沒有明確的指明來源。

頻譜切換過程中，需要綜合考慮系統(tǒng)的吞吐量和時延，需要在兩者之間進行權(quán)衡，根據(jù)現(xiàn)實情況來調(diào)整算法，以滿足實際需求。不同的SU對于網(wǎng)絡(luò)的需求也不盡一致，對SU分級的算法能更好的滿足現(xiàn)實條件，也會是研究的重點方向。

4 頻譜共享

頻譜共享是解決傳統(tǒng)頻譜分配方式下頻譜利用率低，頻譜資源供需矛盾等問題的重要途徑。通過將指定頻段的電磁頻譜按一定的規(guī)則分配給不同用戶使用，頻譜共享可以有效提升頻譜使用率。上文所述頻譜感知、頻譜決策、頻譜切換都是實現(xiàn)頻譜共享的步驟。但是頻譜共享不僅包含上述3個部分，更多的涉及整個系統(tǒng)過程的框架設(shè)計與實現(xiàn)。

4.1 頻譜共享方案

Garcia等[27]提出一種應用于未授權(quán)的大規(guī)模多輸入多輸出(massive multiple-input multiple-output unlicensed，mMIMO-U)系統(tǒng)的頻譜共享方法，提升了無線局域網(wǎng)(wireless local area networks，WLAN)的吞吐量。在文獻設(shè)置條件下，當天線數(shù)NA=64和NA=128時，基站接收到的總干擾在 95%的時間分別小于 -81 和 -89 dBm，遠低于閾值。文獻的限制在于其假設(shè)PU的信道增益總是遠小于SU的中繼信道增益，既沒有明確遠小于的數(shù)量關(guān)系，而且具有片面性。文獻[28]中提出了一種認知非正交多址(non-orthogonal multiple access，NOMA)方案，將CR與NOMA相結(jié)合，實現(xiàn)無授權(quán)頻帶的機會共享，是5G網(wǎng)絡(luò)中一種全新的共享方式。在信噪比SNR為20 dB時，PU掉線率約為0.026，優(yōu)于實驗參照的其他方法。但是在SNR低于15 dB的條件下，SU的掉線率相對較高。由于CR與NOMA的結(jié)合，系統(tǒng)內(nèi)部的干擾控制也是一個巨大的挑戰(zhàn)。文獻[29]中提出雙向中繼系統(tǒng)中具有雙向傳輸?shù)膮f(xié)同頻譜共享，SU通過正交頻分復用的雙向中繼幫助PU實現(xiàn)其雙向目標速率。作為回報，PU允許SU在子載波的子集上雙向通信。該方法大大提高了SU的傳輸效率，使頻譜效率得到大幅提升。

在襯底式共享中，主網(wǎng)絡(luò)中引入的自干擾可能會極大地阻礙SU訪問頻譜的機會。針對這一問題，Sharma 等[11]提出一種使用不適當高斯信號的帶內(nèi)全雙工系統(tǒng)的底層頻譜共享技術(shù)，推導了一個封閉形式的表達式和一個SU和PU中斷概率的上界。然后根據(jù)平均信道狀態(tài)信息對SU信號參數(shù)進行優(yōu)化，在保證所需的PU服務(wù)質(zhì)量的同時，將其停機概率降到最低。但是，襯底式共享固有的缺點在于SU發(fā)射功率太小，無法進行遠距離傳輸。覆蓋式共享可以很好地解決傳輸距離問題。SU通過信號處理和編碼解碼等技術(shù)，不僅能夠滿足自己的通信需求，同時還可以提升PU通信質(zhì)量。文獻[30]中的基于擴頻和正向的覆蓋頻譜共享協(xié)議，采用覆蓋方式，所選的二次網(wǎng)絡(luò)分配部分功率對衛(wèi)星信號進行中繼，并利用剩余的功率傳輸自己的信號。SU中繼PU的流量，以交換PU許可頻譜上的訪問時間。文獻對比了PU的Pareto 最佳平衡與Robusr平衡，在PU于SU數(shù)量不等時，兩者的性能差異小于10%。

頻譜共享以提升頻譜利用率為最終目的。在頻譜共享的框架設(shè)計過程中，更應該注重現(xiàn)實可行性以及策略的性價比問題，低延時、高吞吐量是主要考慮的兩個目標。頻譜共享在5G網(wǎng)絡(luò)、大規(guī)模MIMO系統(tǒng)等實際場景中的應用將會是工作的重點之一。CR與其他技術(shù)(如NOMA)的結(jié)合使用也會是一個熱點問題。

5 頻譜預測技術(shù)的應用

頻譜預測技術(shù)在CRNs中的應用可以有效提升頻譜利用率，為解決頻譜短缺問題開辟一條有效途徑，因此其在5G網(wǎng)絡(luò)、認知蜂窩網(wǎng)絡(luò)(cognitive cellular networks，CCN)等領(lǐng)域都有廣泛應用。

5.1 頻譜預測技術(shù)在5G網(wǎng)絡(luò)中的應用

5G中不同服務(wù)的特性和需求是不同的。異構(gòu)網(wǎng)絡(luò)、應用程序和用戶需求之間的管理和協(xié)調(diào)需要5G網(wǎng)絡(luò)的開放性和靈活性，以確保網(wǎng)絡(luò)資源的高效配置。文獻[31]中提出了一種由數(shù)據(jù)平面、認知平面和控制平面三部分構(gòu)成的無線網(wǎng)絡(luò)虛擬化模型。設(shè)計了一種新的控制信令方案來支持該模型，以基于預測的頻譜共享為基礎(chǔ)進行擴展，從網(wǎng)絡(luò)虛擬化的實現(xiàn)角度出發(fā)，采用了一種基于單元聚類的分層控制方案，實現(xiàn)了資源利用率的動態(tài)優(yōu)化。與沒有進行頻譜虛擬化的情況相比，頻譜虛擬化后的總頻譜利用率提高了近30%。文獻[32]中以新興的公私無線電干擾管理框架為基礎(chǔ)，建立一個新的QoE評價方法，利用頻譜預測技術(shù)探索未充分利用的候選5G射頻頻譜，使短期頻譜共享成為可能，在短期內(nèi)提高無線接入網(wǎng)(RAN)內(nèi)容傳輸能力，并對5G網(wǎng)絡(luò)價格、性能和總用戶QoE產(chǎn)生積極影響。

5.2 頻譜預測技術(shù)在CCN中的應用

在云無線接入網(wǎng)絡(luò)(cloud radio access networks，CRANs)的基帶單元(baseband units，BBUs)上進行主動緩存已經(jīng)引起了廣泛的關(guān)注。然而，大多數(shù)現(xiàn)有的工作都假定了一個已知的內(nèi)容分布，而忽略了CRANs中數(shù)據(jù)的大量本質(zhì)。Chen等[33]研究了CRANs的主動緩存問題。在主動緩存模型中，BBUs可以根據(jù)內(nèi)容預測每個用戶的內(nèi)容分布，確定緩存哪些內(nèi)容，集成遠距離射頻單元(remote radio heads，RRHs)。在文獻[33]中這個問題被表述為一個優(yōu)化問題，它結(jié)合了回程負載、RRHs集群和內(nèi)容緩存。針對這一問題，文獻提出了一種將回波狀態(tài)網(wǎng)絡(luò)的機器學習框架與子線性算法相結(jié)合的算法。利用回波狀態(tài)網(wǎng)絡(luò)，BBUs可以預測用戶的內(nèi)容請求分布，同時只提供有限的網(wǎng)絡(luò)和用戶狀態(tài)信息。在此基礎(chǔ)上，提出了一種子線性算法來確定緩存哪些內(nèi)容以及如何在使用有限內(nèi)容請求樣本的情況下對RRHs進行聚類。優(yōu)酷真實數(shù)據(jù)仿真結(jié)果表明，與采用聚類隨機緩存和不采用聚類算法的隨機緩存相比，該方法的總有效容量分別提高了26.8%和36.5%。文獻[34]中研究在無授權(quán)頻段中加入LTE的蜂窩網(wǎng)絡(luò)(small cell networks，SCNs)的上行鏈路與下行鏈路解耦的資源分配問題。在這里，用戶可以訪問授權(quán)和未授權(quán)的波段，同時連接到不同的基站。該問題是一個結(jié)合用戶關(guān)聯(lián)、頻譜分配和負載均衡的優(yōu)化問題。針對這一問題，作者提出了一種基于回聲狀態(tài)網(wǎng)絡(luò)機器學習框架的分布式算法，在網(wǎng)絡(luò)和用戶狀態(tài)信息有限的情況下，由小基站自主選擇最優(yōu)頻帶分配策略。仿真結(jié)果表明，與Q-learning和最近鄰算法相比，該方法在總速度上有顯著提高，分別達到41%和54%。結(jié)果還表明，與Q-learning相比，ESN的收斂速度提高了17%。

6 結(jié) 語

CRNs中頻譜預測技術(shù)的發(fā)展極大地推進了頻譜資源的充分利用，有效地提高了能量效率、系統(tǒng)靈敏度，降低了信道沖突等。本文分別從頻譜感知、頻譜決策、頻譜遷移、頻譜共享四個方面研究了頻譜預測技術(shù)的發(fā)展與現(xiàn)狀，分析了不同方法、策略的優(yōu)勢與不足。同時也指出了各個方面存在的問題，面臨的挑戰(zhàn)，也為下一步的工作指出了方向。