عنوان پایان‌نامه
طراحی و تحلیل یک حسگر پلازمونی بوسیله نانو آنتن
- رشته تحصیلی
- مهندسی برق-مخابرات-میدان
- مقطع تحصیلی
- کارشناسی ارشد
- محل دفاع
- کتابخانه مرکزی پردیس 2 فنی شماره ثبت: E 3021;کتابخانه مرکزی -تالار اطلاع رسانی شماره ثبت: 77000
- تاریخ دفاع
- ۱۳ شهریور ۱۳۹۵
- دانشجو
- مهداد منصوری
- استاد راهنما
- لیلا یوسفی
- چکیده
- در این پایان‌نامه یک روش توزیع‌شده کنترل توان با حداقل سربار برای شبکه‌های سلولی رادیوشناختگر زیرپوششی پیشنهاد داده ایم. برای کلیت مساله چندین کاربر رادیو شناختگر، چندین ایستگاه پایه و چندین کاربر ثانویه را درنظر گرفتیم و آن را به چند زیر مسأله یک ایستگاه پایه، چند کاربر ثانویه و چند کاربر اولیه تبدیل کردیم. سپس مدلی توزیع شده بر پایه‌ی بازی‌های یادگیرنده برای کنترل توان ارسالی کاربران ثانویه پیشنهاد دادیم. در مدل پیشنهاد شده کاربران ثانویه به عنوان عامل‌های تصمیم‌گیرنده اطلاعاتی در مورد تداخل سایر کاربران ثانویه و یا استراتژی توان آنها ندارند. در این الگوریتم کاربران ثانویه تنها از یک پسخور ساده از ایستگاه پایه اولیه استفاده می‌کنند و تصمیم‌های خود را بر پایه این پسخور و نیز با تخمین تجربی حاصل عملشان می‌گیرند. اگرچه مدل پیشنهاد شده مبتنی بر بازی‌های غیرهمکارانه و اطلاعات ناقص بود و هیچ تبادل اطلاعاتی بین کاربران شبکه رادیو شناختگر وجود نداشت ما نشان دادیم که این بازی با اطلاعات ناقص معادل بازی با اطلاعات کامل است. در این بازی ابتدا نشان می‌دهیم ماتریس بازی به طور قطری اکیدا محدب است از این رو بازی دارای تعادل نش یکتایی است. با به دست آوردن این نقطه تعادل نش یکتا به طور تحلیلی نشان خواهیم داد اگرچه در مدل پیشنهاد شده هرکاربر تنها در پی حداکثر کردن سود خود است اما دینامیک به وجود آمده در شبکه به نقطه تعادل نش همگرا خواهد شد. همینطور نشان خواهیم داد به خاطر ماهیت زمان گسسته الگوریتم، همگرایی در حالت شرایط متغیر با زمان از مزیت‌های مدل پیشنهادی است و این همگرایی در شرایط متغیر با زمان تابع قدرت پردازشی کاربران ثانویه خواهد بود. با توجه ماهیت غیر خطی الگوریتم برای نشان دادن همگرایی الگوریتم از روش خطی سازی استفاده می‌کنیم. بعد از خطی کردن دینامیک غیر خطی از روش دایره‌های گریشگورین در اثبات پایداری ماتریس خطی شده استفاده می‌کنیم. در ادامه برای بررسی دقیق تر همگرایی، پایداری الگوریتم را با معیار لیاپانوف نشان خواهیم داد و شرایط لازم روی پارامتر‌های یادگیری الگوریتم برای همگرایی آن را به‌دست می‌آوریم. در نهایت با روش لیاپانوف ناحیه جذب الگوریتم را به‌دست می‌آوریم و تاثیر پارامتر‌های یادگیری را بر شکل و اندازه ناحیه جذب بررسی می‌کنیم. کلمات کلیدی: شبکه رادیوشناختگر، کنترل توان، یادگیری چندعاملی، نظریه بازی‌ها، بازی‌های دینامیکی، بازی‌های یادگیرنده.
- Abstract
- In this thesis, we propose a distributed, minimum overhead power control algorithm for underlay cognitive radio networks (CRNs). We consider the case of multiple primary users and multiple secondary users, and propose a learning game based distributed algorithm to allocate power to secondary users. Secondary users (SUs) do not have the information about other SUs’ interference or power strategy. They update their strategy using a simple feedback from PU base station showing the total interference, as well as an empirical estimation caused by their action. Although there is no cooperation among secondary users, we show that the strategy of players in this incomplete information repeated game with learning, converges to that of complete information case. In this game, we first show that the game matrix is diagonally strictly concave. Hence, the game has a unique Nash equilibrium point. Calculating this point analytically, we show that although each user merely seeks maximization of its own payoff in the proposed model, the overall network dynamic will converge into a unique Nash equilibrium point. We will also show that due to the slotted time assumption of algorithm, convergence is one of its advantages, and the algorithm will be capable of adapting to the time varying environment if some conditions on the SUs’ processing power are satisfied. Because of the non-linearity of the algorithm, in order to show its convergence we need to use linearization methods. Then, we use the method of gerschgorin circles in order to prove the stability of the linearized matrix. For a more detailed study on the algorithm’s convergence, we will prove the stability of the algorithm using lyapunov method, and then calculate the required conditions on the learning parameters of the algorithm for it to be converged. Eventually, we calculate the region of attraction of the algorithm with the aid of lyapunov method, and study the effects of learning parameters on the shape and size of the region of attraction. Keywords: Cognitive Radio, Power Control, Multi-Agent Learning, Game Theory, Dynamic Games, Learning Games
