基于固定和动态时隙相融合的TDMA分配算法

计算机工程与应用 ›› 2015, Vol. 51 ›› Issue (13): 92-95.

基于固定和动态时隙相融合的TDMA分配算法

冷爱莲1，杨恢先2，李利2

1.湘潭大学能源工程学院，湖南湘潭 411105
2.湘潭大学材料与光电物理学院，湖南湘潭 411105

出版日期:2015-07-01 发布日期:2015-06-30

Static and dynamic slot allocation algorithm for time division multiple acces

LENG Ailian1, YANG Huixian2, LI Li2

1.Energy Engineering College, Xiangtan University, Xiangtan, Huanan 411105, China
2.Faculty of Materials Optoelectronics and Physics, Xiangtan University, Xiangtan, Huanan 411105, China

Online:2015-07-01 Published:2015-06-30

摘要/Abstract

摘要： 为了提高数据链系统的时隙利用率，提出一种基于固定和动态时隙预约相融合的TDMA分配算法。采用固定时隙分配算法对部分时隙进行分配，用极限学习机对用户业务量进行预测，并根据预测结果确定所需时隙数，这样可以根据不同业务特点动态调整时隙分配策略，以满足用户通信需求；最后使用OPNET仿真软件对算法性能进行测试。实验结果表明，相对其他时隙分配算法，该算法提高了时隙利用率，大幅度减少了平均时延。

关键词: 战术数据链, 业务预测, 极限学习机, 固定时隙分配算法

Abstract: To improve the performance of tactical data link system, a new slot allocation algorithm is proposed based on static and dynamic slot allocation algorithm. Firstly, the static slot assignment algorithm is used to assign part time slot, and then the extreme learning machine is used to predict the user traffic volume, and the required number of slots is determined according to the prediction results, so the communication requirements of user is met according to different business characteristics by dynamic adjustment slot allocation strategy, finally the simulation experiments are used to test the performance of the algorithm in OPNET platform. The results show that the proposed algorithm has improved the slot utilization rate and reduces the average delay.

Key words: tactical data link, traffic prediction, extreme learning machine, static slot assignment algorithm

冷爱莲1，杨恢先2，李利2. 基于固定和动态时隙相融合的TDMA分配算法[J]. 计算机工程与应用, 2015, 51(13): 92-95.

LENG Ailian1, YANG Huixian2, LI Li2. Static and dynamic slot allocation algorithm for time division multiple acces[J]. Computer Engineering and Applications, 2015, 51(13): 92-95.

[1]	黄泽英，李海艳，林景亮. 迁移学习下的极限学习机代理建模方法及应用[J]. 计算机工程与应用, 2021, 57(22): 257-262.
[2]	沈少禹，蔡满春，芦天亮，赵琪. 基于LFKPCA-DWELM的入侵检测方案[J]. 计算机工程与应用, 2021, 57(17): 130-137.
[3]	赵京霞，钱育蓉，南方哲，张晗，行艳妮. CNN多层特征融合与ELM的乳腺疾病诊断方法[J]. 计算机工程与应用, 2020, 56(4): 122-127.
[4]	赵童，黄钲，王秀超，李淼，张昀，郑秀娟，刘凯. 心理测试中掩饰行为的识别研究[J]. 计算机工程与应用, 2020, 56(20): 158-164.
[5]	杨锦朋，常俊，余江，李晓薇. 免校准的跨异构设备的室内定位方法[J]. 计算机工程与应用, 2020, 56(2): 248-254.
[6]	陈媛，陈晓云. 流形极限学习机自编码特征表示[J]. 计算机工程与应用, 2020, 56(17): 150-155.
[7]	杨彦荣，宋荣杰，周兆永. 基于GAN-PSO-ELM的网络入侵检测方法[J]. 计算机工程与应用, 2020, 56(12): 66-72.
[8]	耿银凤，张雪英，李凤莲，胡风云，贾文辉，王超. 优化极限学习机及其在脑卒中TCD数据分类应用[J]. 计算机工程与应用, 2020, 56(10): 268-272.
[9]	邵良杉，李臣浩. 基于改进花粉算法的极限学习机分类模型[J]. 计算机工程与应用, 2020, 56(1): 172-179.
[10]	睢璐璐，韩东升，闫飞，阎高伟. 多任务正则极限学习机的研究与应用[J]. 计算机工程与应用, 2019, 55(3): 120-125.
[11]	易明雨，肖赤心，潘晖，舒文杰. 用于大数据分类的快速隐层优化分布式极限学习机[J]. 计算机工程与应用, 2019, 55(16): 165-169.
[12]	吴建波，王春艳，洪华军，方伟. 基于极限学习机的船舶柴油机故障诊断[J]. 计算机工程与应用, 2019, 55(15): 147-152.
[13]	魏迪，刘德山，闫德勤，张悦. 应用于人脸图像识别的邻域保持极限学习机[J]. 计算机工程与应用, 2019, 55(11): 187-191.
[14]	赵建堂. 大数据分割式极限学习机算法[J]. 计算机工程与应用, 2019, 55(10): 73-76.
[15]	贺高1，蒋明峰1，郑俊褒1，龚莹岚2. 卷积神经网络在心电逆问题中的应用[J]. 计算机工程与应用, 2019, 55(1): 123-127.