基于位置預測的認知車聯網協作頻譜感知算法

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

近30年來，中國經濟持續高速增長，交通運輸業也伴隨著我國整體經濟的崛起而迅速發展。然而，中國民用汽車保有量占比的提升速度遠遠超過同期道路增速比，由此引發了諸如交通阻塞、尾氣污染、交通安全等一系列道路交通問題。智能交通系統(Intelligent Transportation System,ITS)的出現給交通運輸行業帶來新的機遇[1]。車聯網[2](Internet of Vehicles,IoV)作為ITS的基礎信息承載平臺，是其最底層也是最為重要的組成部分，同時也是第5代移動通信系統(the Fifth-Generation Mobile Communication System，5G)的重要應用場景之一，引起了國內外學者廣泛的關注[3]。

但隨著接入 IoV車輛數的增多，交通信息越來越密集，這無疑會給現有網絡稀缺的頻譜資源帶來巨大挑戰。研究表明，在車輛擁擠的網絡中，通信節點很容易耗盡所有授權給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，人們提出了認知無線電(Cognitive Radio,CR)技術，在不影響主用戶(Primary Users,PUs)通信的條件下，通過次用戶(Secondary Users,SUs)準確識別“頻譜空穴”(即頻譜感知)，分配未被使用的頻譜給SUs進行通信，實現有限頻譜資源的高效利用[6-8]。將CR技術引入IoV中的認知車聯網(Cognitive Internet of Vehicles，Cognitive IoV)，可以有效解決IoV中頻譜資源短缺的問題。

作為實現認知車輛動態頻譜接入的關鍵技術之一，認知IoV中的頻譜感知已受到國內外學者的廣泛關注。但由于IoV具有快速不可預測的拓撲變化、車流密度的變化、復雜的通信環境以及可預測的移動路徑等特點，傳統認知網絡中的頻譜感知技術無法直接應用到IoV中，對此，人們提出了諸多解決方案。文獻[9]研究了密集認知IoV中移動性對頻譜感知的影響，提出一種可以在感知性能和系統開銷之間取得平衡的算法，但其假設觀測樣本之間是相互獨立的；文獻[10]指出，SUs的移動性可以通過在不同位置收集多個樣本來增加空間多樣性，但忽略了SUs可能移動到PUs的保護范圍之外。文獻[11]提出了動態的頻譜感知系統，在控制信道時隙內根據接入時延、丟包數、比特率等參數引入競爭矩陣，從而合理分配頻譜資源，提升認知網絡性能，但沒考慮特定場景下認知IoV的差異性。文獻[12]提出協作頻譜感知方案，減少用戶之間的空間相關性，并使用不同融合規則進行軟判決，提高了低信噪比區域中的檢測概率，但該算法復雜度過高，不適用于高速移動的IoV。

針對現有協作頻譜感知算法應用于認知IoV中所存在的問題，考慮到在地形起伏或密集城市結構所引起的頻譜感知性能低且延時大，故采用基于位置預測的協作頻譜感知算法并結合能量檢測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間，尤其適用于對實時性要求較高的IoV系統。

1 系統模型

采用OVERLAY頻譜共享模型[13]，如圖1所示，在該模型下，PUs享有授權頻譜優先使用權，而SUs則對授權頻段進行頻譜感知，尋找未被PUs占用的空閑頻譜(稱作“頻譜空洞”)，伺機接入并使用。考慮認知IoV下行鏈路的多用戶協作頻譜感知，SUs只對PUs發送的下行目標信道進行頻譜感知。系統由一個主用戶網絡和一個次用戶網絡組成。其中，主用戶網絡包括一個主用戶基站(Primary Base Station,PBS)；次用戶網絡包括一個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，FC)，以及X個SUs，其索引為N={1,2,…,X}，分布在SBS覆蓋范圍內的給定地理區域，如圖2所示。假設信道狀態信息(Channel State Information,CSI)可完美估計并且SUs之間相互獨立。SUs采用本地頻譜感知算法進行頻譜感知，初步判定PUs是否存在，再通過專用控制信道發送到SBS，并通過位置預測技術計算SUs的置信值，最后，SBS融合所有SUs的判決結果并通過最優融合準則，判定該頻譜是否被PUs占用。

圖1 頻譜共享模型

圖2 認知IoV協作頻譜感知模型

2 基于位置預測的頻譜感知算法

所提出的基于位置預測的頻譜感知算法如圖3所示。首先，信號Xx采用能量檢測的方法進行本地頻譜感知，通過將SUs接收到的信號能量大小和預先設定的閾值門限進行比較，若大于門限，則判決授權頻段被占用，得到結果yx；然后，利用認知IoV中車輛位置預測技術,計算車輛位置和信道狀態信息，設置置信值，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則得到最終判決結果。

圖3 基于位置預測的認知IoV協作頻譜感知算法模型

2.1 本地頻譜感知

能量檢測的過程如圖4所示，先將接收到的信號通過帶通濾波器濾除帶外干擾信號，接著對信號進行采樣、取模求平方，并將得到檢測統計量Y與預先設置的判決門限λ進行比較。當大于該門限時，判決授權頻段被占用，表示為H1；當小于這個門限時，則判決頻譜空閑，表示為H0。

圖4 能量檢測方法

由于SUs在接入過程中需要知道授權頻段是否處于空閑狀態，因此，一般將檢測模型建模為Neyman-Pearson(NP)型二元假設檢驗問題。在t時刻，SUs接收到的信號表示為

(1)

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

任何認知系統的頻譜感知性能都由其檢測概率Pd,i和虛警概率Pf,i決定。高Pd,i保證了對主用戶網絡的干擾最小，而低Pf,i保證了次用戶網絡的吞吐量，兩種概率都被用作評價認知系統性能的基礎，表示為

Pd,i=Pr{Y>λ|H1}

(2)

Pf,i=Pr{Y>λ|H0}

(3)

根據香農(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。由于每次檢測的時長L都是有限的，在有限時域范圍內，n(t)可以用2LW個采樣點的和表示：

(5)

同理，PUs發射信號表示為

(6)

式中，aj=s(j/2W)。

那么，在H0情況下，由于僅存在噪聲，能量檢測統計量Y可以表示為

(7)

若噪聲功率譜密度為N0，根據式(7)，檢測統計量Y可近似表示為

(8)

(9)

同理可得，在H1情況下的能量檢測統計量為

(10)

由此可知，檢測統計量Y的分布為

(11)

檢測統計量的概率密度函數為

(12)

式中，Γ(·)為完全Gamma函數；Iu(·)為V階第一類修正貝塞爾函數。

由式(12)可得，AWGN信道下，SUs虛警概率和檢測概率分別為

(13)

(14)

式中，N為采樣個數；δ2為噪聲功率譜密度；Q(·)為Q函數。

由此得到SUs對于有無PUs的感知結果。

2.2 基于位置預測的協作融合

2.2.1 傳統感知

傳統感知算法中，SUs完成本地頻譜感知之后，將感知結果送到FC進行最后判決。相比于軟判決，硬判決可節約感知數據的傳輸帶寬，更適用于高速移動的大規模IoV。因此，通常采用硬判決進行融合判決。融合規則采用“K秩”融合。該規則下全局檢測概率和虛警概率分別表示為

(15)

(16)

在硬判決過程中，第i個SU發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只能進行二元決策即第i個SU只能對本地判決ui做出“0”或者是“1”的判決。所有的SUs同時觀察同一信道，SBS制定全局的決策u0。針對以上的二元假設檢驗，利用似然比檢測(Likelihood Ratio Test,LRT) 給出該問題的最優融合規則：

(17)

假設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，最優融合規則表示為

(20)

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

(21)

2.2.2 位置感知

在高速移動的IoV中，如果SUs位于高密度城市區域內，由于路徑損耗、反射衍射、衰落等因素對信號功率的影響，本地感知結果將不再可靠，會大大影響最終檢測的準確性。所以，為了提高頻譜感知的準確性，在傳統算法的基礎上增加了位置預測技術[14]。

假設車輛收發器端都配備有車載單元，用于存儲并計算車輛位置、信道和環境信息，PBS和PUs的位置信息可由統一數據庫的公共可用數據獲得，移動的SUs位置信息通過全球定位系統(Global Positioning System,GPS)獲得。通過得到的用戶位置信息來確定收發器間是否存在非視線(Non-Line-of-Sight,NLOS)(如大型建筑、風力渦輪等)的障礙。

在本中，SUs的傳感結果與位置坐標一起返回SBS。當SBS有SU和PBS的位置、信道、發射功率天線方向性等特征時，SBS將可以估計置信值，用來表示每個SU的周圍結構密度和SBS的傳播環境。SBS的覆蓋區域可以劃分為較小的扇區，每個扇區分配一個。置信值在融合前對感知數據進行重新評估，得到全局決策。

根據位置信息，SUs可以被賦值為低置信值或高置信值。低置信值表示SU位于陰影區域(如高度密集的城市區域)，本地感知結果不正確的可能性大，需要消除；而高置信值表示SU位于結構較松散的區域(例如，預測視線傳播)，能量檢測結果有意義，保留并傳送到融合中心，進行全局決策。

為SUs分配置信值可以建模為SUs位于可接受接收區域的概率Ti，其中Ti=m,0≤m≤1且Vi在空間上獨立。當m=0時表示SU位于高陰影區域，篩除；當m=1時表示SU位于與所感知信號視距內，保留。則新的融合規則表示為

(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)可根據式(25)和式(26)表示為

(27)

通過對兩邊取對數，得到最優融合規則，該規則使虛警最小化，檢測概率最大化，表示為

(28)

3 仿真分析

本節通過仿真對比來評估所提基于位置預測的協作頻譜感知算法的性能。假定SBS已知相關網絡的參數，以及SUs與PBS的位置，且可以計算置信值。并且將SUs的數量設置為X=30進行仿真。

圖5對比了所提算法和不考慮位置預測的協作頻譜感知(下文稱“傳統感知”)ROC的性能，設T=0.6，表示有40%的SUs位于高陰影區域，即這些SUs被認為是低置信值的信息來源，需要舍棄。Pf變化范圍為[0,1]。當T=0.6，檢測概率Qd=0.9時，基于位置預測感知方案的虛警概率為Pf=0.2，傳統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性能要比傳統感知方案的更好。這是由于消除了高陰影區域的SUs，使其對最終的全局決策沒有影響，因此，所提出的算法可以改進高陰影區域用戶頻譜感知的性能。

圖5 傳統感知算法和所提出的算法ROC性能曲線仿真圖

在圖6中，比較了傳統算法和所提出的算法檢測概率隨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。設兩個虛警概率分別為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。通過仿真結果分析可知，當Pf=0.2、SNR=20 dBm時，傳統算法的Qd=0.4，而所提出的算法Qd=0.55，檢測概率提高了0.15，與圖5結論相同。同時可以很明顯看出，檢測概率Qd隨SNR的增加而增強；相同SNR條件下，虛警概率越大，相應的檢測概率就越小。

圖6 檢測概率隨SNR變化的仿真圖

圖7給出了網絡中Pf=0.1并且SUs的數量X不同時的協作頻譜感知算法檢測概率Qd隨SNR變化而變化的仿真圖。從圖中可見，隨著認知用戶數量的增加，檢測效果有明顯提高，系統性能更好。尤其在城市網絡中，認知用戶的數量通常比較大，因此可以利用這種協作頻譜感知的方式來提高檢測性能，同時由于置信值的設定可以過濾低置信用戶，這就可以大大減少檢測所需的時間，滿足IoV對實時性的要求。

圖7 X不同的條件下、Qd隨SNR變化的仿真圖

4 結束語

本文研究了認知IoV中協作頻譜感知問題，采用基于位置預測的協作頻譜感知算法。先利用能量檢測技術得到本地頻譜感知結果，再通過位置預測技術，得到相關用戶的位置信息，計算置信值，過濾低置信值次用戶，最后采用最優似然比融合規則進行全局判決。仿真結果表明，與傳統頻譜感知算法相比，該方案具有更好的性能，尤其是對于高密度城市區域內的認知IoV系統。