面向轨道交通宽带无线通信的大规模多智能体认知无线频谱管理的关键性技术研究

In terms of public broadband communications in rail transportation, using cognitive radio technology to enhance the efficiency of spectrum usage are greatly valuable. However, there are two fundamental characteristics for cognitive wireless network in rail transportation: it contains a large number of cognitive radio users, and it has cooperation and competition behaviors between these users. These characteristics also result in the issue of bad performance for overall network dynamics.In particular, our research just start from the understanding on the characteristics of cognitive wireless network in rail transportation. We first analyze quantitative correlation between the amount and behaviors of individual users and dynamic network performance.We then use multi-agent reinforcement learning mechanism to resolve the cooperation of cognitive radio users in large-scale communication system in rail transportation. Finally, based on our past research about Value Function Approximation theories, we establish the approximation framework of multiple users' cooperation in large-scale cognitive wireless network.The research will improve the efficiency of applying artificial intelligence techniques to resolve spectrum management of cognitive wireless network in rail transportation. The results from our research is to reveal the evolution process of learning policy in large-scale cognitive wireless networks. It can also be used as a reference of applying value function approximation technique to solve large-scale complex communication problems. The research, as part of cognitve radio research, will be theoretical significant to improve in cognitive radio intelligence.

对于轨道交通公众宽带通信，采用认知无线电技术提升其频谱资源利用率极具实用价值。可是，认知无线网络中包含大量用户,和认知无线用户之间存在合作和竞争行为是轨道交通认知无线网络的两个重要基本特征。这也是导致整体网络动态性能低下的关键性原因。本项目立足于轨道交通认知无线网络呈大规模化的特殊性，分析认知无线电个体用户数量和行为与整体网络性能之间动态关联性，解析大规模认知无线用户智能体在轨道交通通信中协同工作的运作机理，运用已取得的多智能体价值函数近似理论的研究成果，建立适合大规模认知无线用户交互的近似状态空间构架，从而改善目前轨道交通认知无线网络中人工智能技术处理大规模化的能力缺失且效率低下的现状。本研究的成果有望进一步揭示大规模应用性认知无线网络的学习进化演变规律，对目前迫切需要解决的应用认知无线网络处理大规模复杂通信问题有着重要的参考价值，同时对完善认知无线电智能理论有一定的理论意义。

宽带无线接入在现代轨道交通运营中发挥着至关重要的作用。其主要业务包括以乘客为主体受众的宽带数据业务和面向运行安全的在途检测数据传输。列车快速运动特性和用户大规模瞬时接入特点使铁路无线频谱环境存在较高的不稳定性、不连续性和难以预测性。这些不确定性因素，加上固有的频谱稀缺问题，导致其无线通信效率低下。本项目立足于轨道交通无线通信网络的移动特性和规模化问题，分析了乘客用户数量和业务行为与整体网络性能之间的动态关联性，提出了用于保障主用户通信且减少次用户分组时延的调度算法。项目还进一步分析了现有铁路无线通信网络的物理结构，确定了轨道环境中能够承载认知技术的关键通信节点-认知基站。为了分析认知基站个体的频谱可进入性，项目提出了在认知引擎中增加了以贝叶斯网络为核心的认知推理模块，同时还讨论了与频谱可接入性相关的、具有强因果关系的信道上下文特征和网络性能表征。这一研究在实验中通过大量的训练，获取了信道上下文特征与网络性能表征在频谱可接入性中的先验条件概率。为了全面分析链状分布认知基站群的频谱可进入性，项目利用强化学习和多智能体理论，构建了适用于铁路无线环境的基站合作模型。根据轨道沿线认知基站链状分布且级联工作的特性，提出了级联式认知基站多智能体协同工作算法。项目通过在铁路无线通信仿真平台上评估具体测试用例的通信性能，证明了认知基站多智能体级联协同系统可以显著地改善网络数据传输成功率，并且大幅度降低无线频谱切换次数。这一认知基站多智能体系统方案改善了目前轨道交通认知无线网络中人工智能技术处理大规模化的能力缺失且效率低下的现状，为实现铁路认知无线电，全面解决其无线频谱效率低下问题提供了全新的思路。本研究的成果还有望进一步揭示大规模应用性认知无线网络的学习进化演变规律，对目前迫切需要解决的应用认知无线网络处理大规模复杂通信问题有着重要的参考价值，同时对完善认知无线电智能理论有一定的理论意义。