导读：
针对车联网通信系统，为了提升系统的传输性能，建立多中继多天线协作车联网模型，并设计了一种基于广义回归神经网络(GRNN)的中断概率预测算法。通信链路服从级联Nakagmi-m分布，中继使用混合译码放大转发(HDAF)协议，目的端运用等增益合并。针对多天线，设计天线选择方案，并推导出中断概率表达式；进而构建预测中断概率的数据集，建立GRNN模型。实验结果表明，信道级联、HDAF协议和等增益合并能够提升中断性能，GRNN能有效实现中断概率的预测。
01
基本信息：
基于GRNN的协作车联网的中断性能预测
Prediction of Outage Probability of Cooperative Vehicular Network Based on GRNN
作者：
李 亚, 张 宇：河南理工大学物理与电子信息学院，河南 焦作
关键词:
协作车联网(CVN)；混合译码放大转发协议(HDAF)；天线选择；中断性能预测；广义回归神经网络(GRNN)
项目基金：
河南省科技攻关项目(172102210023)
原文链接：
https://doi.org/10.12677/HJWC.2023.131001
02
内容简介：
在汉斯出版社《无线通信》期刊上，有论文对N-Nakagami-m衰落信道下的多中继MIMO协作车联网通信进行研究，提出了基于GRNN的中断概率预测模型。
本文分析了多天线多中继CVN通信系统中断性能的影响因素，提出基于GR神经网络的中断概率预测模型。信道模型采用Nakagami-m级联，中继使用HDAF协议，接收端使用EGC方式。针对多天线系统，提出AS方案，推导出OP的表达式。实验结果显OP随信道级联数的增大而增大，随天线数目的增加而降低。同时表明，HDAF协议相对于AF和DF协议有显著优势，EGC技术下的中断性能优于SC技术。GRNN能够实现实时预测系统的中断概率，若能进一步提高预测精度和速度，则有利于提升系统传输速率与通信质量，因此，接下来将研究如何提高CVN通信系统的预测准确度和速度。
03
相关文章：
1.谢亚贤, 黎锁平. 基于能量收集的协作车联网性能分析[J]. 计算机科学与应用, 2018, 8(4): 553-558.
https://doi.org/10.12677/CSA.2018.84062
2.薛培. GRNN神经网络在粮食产量预测中的应用[J]. 数据挖掘, 2020, 10(4): 247-253.
https://doi.org/10.12677/HJDM.2020.104026
3.韩志彦, 常虹, 范泽敏, 陈静. 基于改进GRNN的电网雷击跳闸预测[J]. 输配电工程与技术, 2020, 9(4): 39-45.
https://doi.org/10.12677/TDET.2020.94005
4.刘阳, 黎锁平. 认知无线电协同传输在车联网中的应用及性能分析[J]. 无线通信, 2021, 11(1): 1-7.
https://doi.org/10.12677/HJWC.2021.111001
5.陈妤嘉, 罗荣华. 基于主成分分析的GRNN在软件开发成本预测的应用[J]. 软件工程与应用, 2013, 2(3): 62-68.
http://dx.doi.org/10.12677/SEA.2013.23011
所属期刊
-Hans Journal of Wireless Communications-
《无线通信》是一本开放获取、关注无线通信领域最新进展的国际中文期刊，主要刊登无线光通信、无线传感器网络及无线通信各领域内最新技术及成果展示的相关学术论文。本刊支持思想创新、学术创新，倡导科学，繁荣学术，集学术性、思想性为一体，旨在给世界范围内的科学家、学者、科研人员提供一个传播、分享和讨论无线通信领域内不同方向问题与发展的交流平台。
声明：本文转载仅仅是出于传播信息的需要，并不意味着代表本公众号观点或证实其内容的真实性；如其他媒体、网站或个人从本公众号转载使用，须保留本公众号注明的“来源”，并自负版权等法律责任。如本公众号内容不妥，或者有侵权之嫌，请先联系小编删除，万分感谢！
投稿联系：027-86758873
QQ:2194278918
投稿邮箱：2194278918@qq.com
合作联系：service@hanspub.org
点击“阅读原文”，免费下载论文