基于位置預(yù)測(cè)的認(rèn)知車聯(lián)網(wǎng)協(xié)作頻譜感知算法

(1.南京航空航天大學(xué) 電子信息工程學(xué)院，南京 211106; 2.北京聯(lián)合大學(xué) 智慧城市學(xué)院,北京 100101)

近30年來，中國(guó)經(jīng)濟(jì)持續(xù)高速增長(zhǎng)，交通運(yùn)輸業(yè)也伴隨著我國(guó)整體經(jīng)濟(jì)的崛起而迅速發(fā)展。然而，中國(guó)民用汽車保有量占比的提升速度遠(yuǎn)遠(yuǎn)超過同期道路增速比，由此引發(fā)了諸如交通阻塞、尾氣污染、交通安全等一系列道路交通問題。智能交通系統(tǒng)(Intelligent Transportation System,ITS)的出現(xiàn)給交通運(yùn)輸行業(yè)帶來新的機(jī)遇[1]。車聯(lián)網(wǎng)[2](Internet of Vehicles,IoV)作為ITS的基礎(chǔ)信息承載平臺(tái)，是其最底層也是最為重要的組成部分，同時(shí)也是第5代移動(dòng)通信系統(tǒng)(the Fifth-Generation Mobile Communication System，5G)的重要應(yīng)用場(chǎng)景之一，引起了國(guó)內(nèi)外學(xué)者廣泛的關(guān)注[3]。

但隨著接入 IoV車輛數(shù)的增多，交通信息越來越密集，這無疑會(huì)給現(xiàn)有網(wǎng)絡(luò)稀缺的頻譜資源帶來巨大挑戰(zhàn)。研究表明，在車輛擁擠的網(wǎng)絡(luò)中，通信節(jié)點(diǎn)很容易耗盡所有授權(quán)給IoV頻譜資源，造成車載通信的擁擠[4-5]。為解決頻譜不足的問題，人們提出了認(rèn)知無線電(Cognitive Radio,CR)技術(shù)，在不影響主用戶(Primary Users,PUs)通信的條件下，通過次用戶(Secondary Users,SUs)準(zhǔn)確識(shí)別“頻譜空穴”(即頻譜感知)，分配未被使用的頻譜給SUs進(jìn)行通信，實(shí)現(xiàn)有限頻譜資源的高效利用[6-8]。將CR技術(shù)引入IoV中的認(rèn)知車聯(lián)網(wǎng)(Cognitive Internet of Vehicles，Cognitive IoV)，可以有效解決IoV中頻譜資源短缺的問題。

作為實(shí)現(xiàn)認(rèn)知車輛動(dòng)態(tài)頻譜接入的關(guān)鍵技術(shù)之一，認(rèn)知IoV中的頻譜感知已受到國(guó)內(nèi)外學(xué)者的廣泛關(guān)注。但由于IoV具有快速不可預(yù)測(cè)的拓?fù)渥兓?、車流密度的變化、?fù)雜的通信環(huán)境以及可預(yù)測(cè)的移動(dòng)路徑等特點(diǎn)，傳統(tǒng)認(rèn)知網(wǎng)絡(luò)中的頻譜感知技術(shù)無法直接應(yīng)用到IoV中，對(duì)此，人們提出了諸多解決方案。文獻(xiàn)[9]研究了密集認(rèn)知IoV中移動(dòng)性對(duì)頻譜感知的影響，提出一種可以在感知性能和系統(tǒng)開銷之間取得平衡的算法，但其假設(shè)觀測(cè)樣本之間是相互獨(dú)立的；文獻(xiàn)[10]指出，SUs的移動(dòng)性可以通過在不同位置收集多個(gè)樣本來增加空間多樣性，但忽略了SUs可能移動(dòng)到PUs的保護(hù)范圍之外。文獻(xiàn)[11]提出了動(dòng)態(tài)的頻譜感知系統(tǒng)，在控制信道時(shí)隙內(nèi)根據(jù)接入時(shí)延、丟包數(shù)、比特率等參數(shù)引入競(jìng)爭(zhēng)矩陣，從而合理分配頻譜資源，提升認(rèn)知網(wǎng)絡(luò)性能，但沒考慮特定場(chǎng)景下認(rèn)知IoV的差異性。文獻(xiàn)[12]提出協(xié)作頻譜感知方案，減少用戶之間的空間相關(guān)性，并使用不同融合規(guī)則進(jìn)行軟判決，提高了低信噪比區(qū)域中的檢測(cè)概率，但該算法復(fù)雜度過高，不適用于高速移動(dòng)的IoV。

針對(duì)現(xiàn)有協(xié)作頻譜感知算法應(yīng)用于認(rèn)知IoV中所存在的問題，考慮到在地形起伏或密集城市結(jié)構(gòu)所引起的頻譜感知性能低且延時(shí)大，故采用基于位置預(yù)測(cè)的協(xié)作頻譜感知算法并結(jié)合能量檢測(cè)和硬判決方法來提高頻譜感知性能。通過仿真可知，所提出的算法與傳統(tǒng)算法相比，能夠有效提高頻譜感知性能并且降低頻譜感知時(shí)間，尤其適用于對(duì)實(shí)時(shí)性要求較高的IoV系統(tǒng)。

1 系統(tǒng)模型

采用OVERLAY頻譜共享模型[13]，如圖1所示，在該模型下，PUs享有授權(quán)頻譜優(yōu)先使用權(quán)，而SUs則對(duì)授權(quán)頻段進(jìn)行頻譜感知，尋找未被PUs占用的空閑頻譜(稱作“頻譜空洞”)，伺機(jī)接入并使用?？紤]認(rèn)知IoV下行鏈路的多用戶協(xié)作頻譜感知，SUs只對(duì)PUs發(fā)送的下行目標(biāo)信道進(jìn)行頻譜感知。系統(tǒng)由一個(gè)主用戶網(wǎng)絡(luò)和一個(gè)次用戶網(wǎng)絡(luò)組成。其中，主用戶網(wǎng)絡(luò)包括一個(gè)主用戶基站(Primary Base Station,PBS)；次用戶網(wǎng)絡(luò)包括一個(gè)用于決策融合的次用戶基站(Secondary Base Station,SBS)，又稱為融合中心(Fusion Center，F(xiàn)C)，以及X個(gè)SUs，其索引為N={1,2,…,X}，分布在SBS覆蓋范圍內(nèi)的給定地理區(qū)域，如圖2所示。假設(shè)信道狀態(tài)信息(Channel State Information,CSI)可完美估計(jì)并且SUs之間相互獨(dú)立。SUs采用本地頻譜感知算法進(jìn)行頻譜感知，初步判定PUs是否存在，再通過專用控制信道發(fā)送到SBS，并通過位置預(yù)測(cè)技術(shù)計(jì)算SUs的置信值，最后，SBS融合所有SUs的判決結(jié)果并通過最優(yōu)融合準(zhǔn)則，判定該頻譜是否被PUs占用。

圖1 頻譜共享模型

圖2 認(rèn)知IoV協(xié)作頻譜感知模型

2 基于位置預(yù)測(cè)的頻譜感知算法

所提出的基于位置預(yù)測(cè)的頻譜感知算法如圖3所示。首先，信號(hào)Xx采用能量檢測(cè)的方法進(jìn)行本地頻譜感知，通過將SUs接收到的信號(hào)能量大小和預(yù)先設(shè)定的閾值門限進(jìn)行比較，若大于門限，則判決授權(quán)頻段被占用，得到結(jié)果yx；然后，利用認(rèn)知IoV中車輛位置預(yù)測(cè)技術(shù),計(jì)算車輛位置和信道狀態(tài)信息，設(shè)置置信值，刪除置信值低的SUs。最后，在融合中心采用加入置信值的似然比融合規(guī)則得到最終判決結(jié)果。

圖3 基于位置預(yù)測(cè)的認(rèn)知IoV協(xié)作頻譜感知算法模型

2.1 本地頻譜感知

能量檢測(cè)的過程如圖4所示，先將接收到的信號(hào)通過帶通濾波器濾除帶外干擾信號(hào)，接著對(duì)信號(hào)進(jìn)行采樣、取模求平方，并將得到檢測(cè)統(tǒng)計(jì)量Y與預(yù)先設(shè)置的判決門限λ進(jìn)行比較。當(dāng)大于該門限時(shí)，判決授權(quán)頻段被占用，表示為H1；當(dāng)小于這個(gè)門限時(shí)，則判決頻譜空閑，表示為H0。

圖4 能量檢測(cè)方法

由于SUs在接入過程中需要知道授權(quán)頻段是否處于空閑狀態(tài)，因此，一般將檢測(cè)模型建模為Neyman-Pearson(NP)型二元假設(shè)檢驗(yàn)問題。在t時(shí)刻，SUs接收到的信號(hào)表示為

(1)

式中，x(t)為SUs接收到的信號(hào)；s(t)為PUs發(fā)射的信號(hào)；n(t)為加性高斯白噪聲(Additive White Gaussian Noise,AWGN)。

任何認(rèn)知系統(tǒng)的頻譜感知性能都由其檢測(cè)概率Pd,i和虛警概率Pf,i決定。高Pd,i保證了對(duì)主用戶網(wǎng)絡(luò)的干擾最小，而低Pf,i保證了次用戶網(wǎng)絡(luò)的吞吐量，兩種概率都被用作評(píng)價(jià)認(rèn)知系統(tǒng)性能的基礎(chǔ)，表示為

Pd,i=Pr{Y>λ|H1}

(2)

Pf,i=Pr{Y>λ|H0}

(3)

根據(jù)香農(nóng)(Shannon)定理，噪聲可以表示為

(4)

式中，W為帶寬；ai=n(i/2W)；sinc(x)=(sinπx)/πx。由于每次檢測(cè)的時(shí)長(zhǎng)L都是有限的，在有限時(shí)域范圍內(nèi)，n(t)可以用2LW個(gè)采樣點(diǎn)的和表示：

(5)

同理，PUs發(fā)射信號(hào)表示為

(6)

式中，aj=s(j/2W)。

那么，在H0情況下，由于僅存在噪聲，能量檢測(cè)統(tǒng)計(jì)量Y可以表示為

(7)

若噪聲功率譜密度為N0，根據(jù)式(7)，檢測(cè)統(tǒng)計(jì)量Y可近似表示為

(8)

(9)

同理可得，在H1情況下的能量檢測(cè)統(tǒng)計(jì)量為

(10)

由此可知，檢測(cè)統(tǒng)計(jì)量Y的分布為

(11)

檢測(cè)統(tǒng)計(jì)量的概率密度函數(shù)為

(12)

式中，Γ(·)為完全Gamma函數(shù)；Iu(·)為V階第一類修正貝塞爾函數(shù)。

由式(12)可得，AWGN信道下，SUs虛警概率和檢測(cè)概率分別為

(13)

(14)

式中，N為采樣個(gè)數(shù)；δ2為噪聲功率譜密度；Q(·)為Q函數(shù)。

由此得到SUs對(duì)于有無PUs的感知結(jié)果。

2.2 基于位置預(yù)測(cè)的協(xié)作融合

2.2.1 傳統(tǒng)感知

傳統(tǒng)感知算法中，SUs完成本地頻譜感知之后，將感知結(jié)果送到FC進(jìn)行最后判決。相比于軟判決，硬判決可節(jié)約感知數(shù)據(jù)的傳輸帶寬，更適用于高速移動(dòng)的大規(guī)模IoV。因此，通常采用硬判決進(jìn)行融合判決。融合規(guī)則采用“K秩”融合。該規(guī)則下全局檢測(cè)概率和虛警概率分別表示為

(15)

(16)

在硬判決過程中，第i個(gè)SU發(fā)送單比特判決信息給融合中心，表示為ui∈{0,1}，“0”表示PUs不存在，“1”表示PUs存在。SUs只能進(jìn)行二元決策即第i個(gè)SU只能對(duì)本地判決ui做出“0”或者是“1”的判決。所有的SUs同時(shí)觀察同一信道，SBS制定全局的決策u0。針對(duì)以上的二元假設(shè)檢驗(yàn)，利用似然比檢測(cè)(Likelihood Ratio Test,LRT) 給出該問題的最優(yōu)融合規(guī)則：

(17)

假設(shè)Pd,i≥Pf,i，式(2)和式(3)中Pd,i和Pf,i又可以表示為：

Pd,i=Pr(ui=1|H1)

(18)

Pf,i=Pr(ui=1|H0)

(19)

因此，最優(yōu)融合規(guī)則表示為

(20)

式中，S0和S1分別為j=0和j=1兩種決策狀態(tài)下的集合。將式(20)代入式(17)中，融合規(guī)則的判決表達(dá)式可以表示為

(21)

2.2.2 位置感知

在高速移動(dòng)的IoV中，如果SUs位于高密度城市區(qū)域內(nèi)，由于路徑損耗、反射衍射、衰落等因素對(duì)信號(hào)功率的影響，本地感知結(jié)果將不再可靠，會(huì)大大影響最終檢測(cè)的準(zhǔn)確性。所以，為了提高頻譜感知的準(zhǔn)確性，在傳統(tǒng)算法的基礎(chǔ)上增加了位置預(yù)測(cè)技術(shù)[14]。

假設(shè)車輛收發(fā)器端都配備有車載單元，用于存儲(chǔ)并計(jì)算車輛位置、信道和環(huán)境信息，PBS和PUs的位置信息可由統(tǒng)一數(shù)據(jù)庫的公共可用數(shù)據(jù)獲得，移動(dòng)的SUs位置信息通過全球定位系統(tǒng)(Global Positioning System,GPS)獲得。通過得到的用戶位置信息來確定收發(fā)器間是否存在非視線(Non-Line-of-Sight,NLOS)(如大型建筑、風(fēng)力渦輪等)的障礙。

在本中，SUs的傳感結(jié)果與位置坐標(biāo)一起返回SBS。當(dāng)SBS有SU和PBS的位置、信道、發(fā)射功率天線方向性等特征時(shí)，SBS將可以估計(jì)置信值，用來表示每個(gè)SU的周圍結(jié)構(gòu)密度和SBS的傳播環(huán)境。SBS的覆蓋區(qū)域可以劃分為較小的扇區(qū)，每個(gè)扇區(qū)分配一個(gè)。置信值在融合前對(duì)感知數(shù)據(jù)進(jìn)行重新評(píng)估，得到全局決策。

根據(jù)位置信息，SUs可以被賦值為低置信值或高置信值。低置信值表示SU位于陰影區(qū)域(如高度密集的城市區(qū)域)，本地感知結(jié)果不正確的可能性大，需要消除；而高置信值表示SU位于結(jié)構(gòu)較松散的區(qū)域(例如，預(yù)測(cè)視線傳播)，能量檢測(cè)結(jié)果有意義，保留并傳送到融合中心，進(jìn)行全局決策。

為SUs分配置信值可以建模為SUs位于可接受接收區(qū)域的概率Ti，其中Ti=m,0≤m≤1且Vi在空間上獨(dú)立。當(dāng)m=0時(shí)表示SU位于高陰影區(qū)域，篩除；當(dāng)m=1時(shí)表示SU位于與所感知信號(hào)視距內(nèi)，保留。則新的融合規(guī)則表示為

(22)

(23)

式中，Sj為所有置信值等于m的次用戶集合。

將式(23)代入式(22)，可得：

(24)

為了簡(jiǎn)化式(24)，做出如下的定義：

Ptd,ij=Pr(Ti=j|H1)

(25)

Ptf,ij=Pr(Ti=j|H0)

(26)

則式(24)可根據(jù)式(25)和式(26)表示為

(27)

通過對(duì)兩邊取對(duì)數(shù)，得到最優(yōu)融合規(guī)則，該規(guī)則使虛警最小化，檢測(cè)概率最大化，表示為

(28)

3 仿真分析

本節(jié)通過仿真對(duì)比來評(píng)估所提基于位置預(yù)測(cè)的協(xié)作頻譜感知算法的性能。假定SBS已知相關(guān)網(wǎng)絡(luò)的參數(shù)，以及SUs與PBS的位置，且可以計(jì)算置信值。并且將SUs的數(shù)量設(shè)置為X=30進(jìn)行仿真。

圖5對(duì)比了所提算法和不考慮位置預(yù)測(cè)的協(xié)作頻譜感知(下文稱“傳統(tǒng)感知”)ROC的性能，設(shè)T=0.6，表示有40%的SUs位于高陰影區(qū)域，即這些SUs被認(rèn)為是低置信值的信息來源，需要舍棄。Pf變化范圍為[0,1]。當(dāng)T=0.6，檢測(cè)概率Qd=0.9時(shí)，基于位置預(yù)測(cè)感知方案的虛警概率為Pf=0.2，傳統(tǒng)感知方案的虛警概率為Pf=0.28，可以很明顯分析出，所提出的算法的ROC性能要比傳統(tǒng)感知方案的更好。這是由于消除了高陰影區(qū)域的SUs，使其對(duì)最終的全局決策沒有影響，因此，所提出的算法可以改進(jìn)高陰影區(qū)域用戶頻譜感知的性能。

圖5 傳統(tǒng)感知算法和所提出的算法ROC性能曲線仿真圖

在圖6中，比較了傳統(tǒng)算法和所提出的算法檢測(cè)概率隨SNR變化而變化的情況，并考慮了不同虛警概率條件下的變化。設(shè)兩個(gè)虛警概率分別為Pf=0.1與Pf=0.2，SNR的變化范圍為[5,30]，被賦予高置信值的SUs的概率為T=0.6。通過仿真結(jié)果分析可知，當(dāng)Pf=0.2、SNR=20 dBm時(shí)，傳統(tǒng)算法的Qd=0.4，而所提出的算法Qd=0.55，檢測(cè)概率提高了0.15，與圖5結(jié)論相同。同時(shí)可以很明顯看出，檢測(cè)概率Qd隨SNR的增加而增強(qiáng)；相同SNR條件下，虛警概率越大，相應(yīng)的檢測(cè)概率就越小。

圖6 檢測(cè)概率隨SNR變化的仿真圖

圖7給出了網(wǎng)絡(luò)中Pf=0.1并且SUs的數(shù)量X不同時(shí)的協(xié)作頻譜感知算法檢測(cè)概率Qd隨SNR變化而變化的仿真圖。從圖中可見，隨著認(rèn)知用戶數(shù)量的增加，檢測(cè)效果有明顯提高，系統(tǒng)性能更好。尤其在城市網(wǎng)絡(luò)中，認(rèn)知用戶的數(shù)量通常比較大，因此可以利用這種協(xié)作頻譜感知的方式來提高檢測(cè)性能，同時(shí)由于置信值的設(shè)定可以過濾低置信用戶，這就可以大大減少檢測(cè)所需的時(shí)間，滿足IoV對(duì)實(shí)時(shí)性的要求。

圖7 X不同的條件下、Qd隨SNR變化的仿真圖

4 結(jié)束語

本文研究了認(rèn)知IoV中協(xié)作頻譜感知問題，采用基于位置預(yù)測(cè)的協(xié)作頻譜感知算法。先利用能量檢測(cè)技術(shù)得到本地頻譜感知結(jié)果，再通過位置預(yù)測(cè)技術(shù)，得到相關(guān)用戶的位置信息，計(jì)算置信值，過濾低置信值次用戶，最后采用最優(yōu)似然比融合規(guī)則進(jìn)行全局判決。仿真結(jié)果表明，與傳統(tǒng)頻譜感知算法相比，該方案具有更好的性能，尤其是對(duì)于高密度城市區(qū)域內(nèi)的認(rèn)知IoV系統(tǒng)。