基于車輛位置和相關性的協作頻譜感知算法

齊嘉杰　胡斌杰

摘要：考慮路徑損耗和陰影效應對認知車輛接收信號的影響，提出了一種基于車輛位置和相關性的協作感知算法。所提算法在保證感知性能的同時，盡可能選取較少的感知節點參與協作，接著提出一種介于硬判決融合和軟判決融合之間的數據融合方法，參與協作的認知車輛上傳2 bit的本地感知信息到路側單元進行線性加權融合判決。仿真結果表明，所提算法與現有頻譜感知算法相比有了很好的改進，取得了感知性能和感知開銷的折中。

關鍵詞：認知車聯網;頻譜感知;協作節點;數據融合

doi：10.3969/j.issn.1006-1010.2019.11.003? ? ? ? 中圖分類號：TN929.5

文獻標志碼：A? ? ? ? 文章編號：1006-1010（2019）11-0014-07

引用格式：齊嘉杰，胡斌杰. 基于車輛位置和相關性的協作頻譜感知算法[J]. 移動通信， 2019，43（11）： 14-20.

Cooperative Spectrum Sensing Algorithm Based on Vehicle Location and Correlation

QI Jiajie， HU Binjie

（South China University of Technology， Guangzhou 510640， China）

[Abstract]?Considering the influence of path loss and shadow effect on the received signal of cognitive vehicles， this paper proposes a cooperative sensing algorithm based on vehicle position and correlation. While guaranteeing the sensing performance， the proposed algorithm selects fewer sensing nodes to participate in the cooperative sensing. Then， a data fusion method between hard decision fusion and soft decision fusion is proposed. Cognitive vehicles participating in the cooperative sensing upload 2bit local sensing information to the RSUs for linear weighted fusion decision. The simulation results show that the proposed algorithm outperforms the existing spectrum sensing algorithms， and achieves the tradeoff between sensing performance and sensing overhead.

[Key words]CR-VANETs; spectrum sensing; cooperative node; data fusion

0? ?引言

隨著人們對出行的安全性、舒適性的要求越來越高，車載自組織網絡快速發展。各類車載通信業務的爆發式增長，導致了用于車載自組網通信的無線電頻譜資源的匱乏[1]。認知車聯網（CR-VANETs， Cognitive Radio enabled Vehicular Ad-hoc Networks）將認知無線電（CR， Cognitive Radio）技術引入到車載自組織網絡中。在無線通信系統中，主用戶對授權頻段具有更高的優先權，次用戶可以機會性地接入授權頻段中未被主用戶充分利用的部分，認知車聯網中具有認知功能的車輛即為次用戶，也稱為認知車輛[2]。認知無線電技術可以為車載通信提供額外的頻譜資源，解決頻譜資源緊缺的問題。CR認知環節包括環境感知、分析、決策、頻譜共享四個環節。其中，頻譜感知是CR技術的首要環節，因此，認知車聯網中頻譜感知技術的研究至關重要，也是本文的主要研究內容。

現有的認知車聯網頻譜感知技術根據參與頻譜感知的認知車輛數可分為單節點頻譜感知技術與車聯網協作感知技術兩種。常見的單節點感知技術有能量檢測、循環平穩特征檢測、匹配濾波器檢測等[3]。但由于單個認知車輛節點易受到噪聲不確定性、多徑陰影衰落和隱藏終端等的影響，檢測性能下降，因此，引入了協作頻譜感知。協作頻譜感知的核心思想是利用多個感知節點的空間多樣性來提高感知性能，多個認知用戶之間相互協作共享感知信息，充分利用空間分集增益，彌補單個感知節點的不足。協作增益不但能提高感知性能，還能降低單個節點感知靈敏度要求，從而減少硬件成本。因此，近年來，針對協作頻譜感知技術的研究有很多，根據網絡架構，協作頻譜感知大致可以分為集中式和分布式兩種。

集中式協作感知中選擇一個節點作為融合中心[4]，起控制協調作用，接收本地檢測數據，進行融合判決，并把最終的判決結果反饋給認知用戶。分布式協作感知沒有融合中心[5]，頻譜感知決策由認知用戶之間進行信息交換之后進行。根據本地感知節點傳遞頻譜檢測信息的形式，可以將協作頻譜感知的數據融合方法分為兩大類：硬判決融合和軟判決融合。硬判決融合中，認知用戶進行頻譜感知并得出“0”或“1”的本地判決結果，之后將判決結果發送到融合中心或者傳遞給其他認知用戶進行融合判決[6]。軟判決融合的數據融合中心接收到的感知信息，是本地車輛感知過程中獲得的原始數據或者對原始數據進行簡單處理的感知數據[7]。雖然協作感知技術在傳統認知網絡中的研究已經比較成熟，但在此基礎上，CR-VANETs的協作頻譜感知技術的研究還在逐漸開展之中。

由于能量檢測實現簡單，計算復雜度低，且檢測速度快，因此，本文應用能量檢測算法進行車輛本地頻譜感知，并在此基礎上提出一種改進的雙門限能量檢測方案。基于車輛位置和車輛節點之間的相關性進行協作節點選取，并提出了一種介于硬判決融合和軟判決融合之間的數據融合方法，實現協作頻譜感知檢測性能和系統開銷的良好折中。

1? ?系統模型

認知車聯網中包括一個路側單元和一個主用戶信號發射機及其覆蓋范圍內的M個認知車輛，具體的網絡結構如圖1所示，采用集中式的協作感知架構，路側單元作為整個協作感知系統的控制、協調以及數據融合中心。

認知車聯網中，通過頻譜感知檢測授權頻段是否存在頻譜空洞，動態接入空閑頻譜。假設H0和H1分別表示“主用戶不存在”和“主用戶存在”，那么基本假設模型為[8]：

（1）

式（1）中xi（t）是認知車輛i在時間t時刻接收到的信號，s（t）代表主用戶信號，hi（t）感知信道增益，ni（t）是信道噪聲，本文中假設信道噪聲為加性高斯白噪聲（AWGN， Additive White Gaussian Noise），服從均值為0、方差為σ2n的高斯分布。能量檢測算法獲得的檢測統計量可以表示為，N為采樣點數，N足夠大時：

（2）

其中，χ2N是自由度為的N中心卡方分布，γ表示接收的主用戶信號的信噪比，χ2N（2γ）是自由度為N的非中心卡方分布，非中心參數為2γ。利用中心極限定理，可以得出：

（3）

由式（3）可得，檢測概率Pd和虛警概率Pf為：

（4）

其中，，λ為預設的門限值，由式（4）可以推出：

（5）

由于傳統的單門限檢測中門限附近的感知數據可靠性較低，容易發生誤判，導致檢測性能的下降。因此，提出了雙門限能量檢測，如圖2（b）所示，舍棄可靠性較低的檢測統計量。通過噪聲不確定度可以獲取動態雙門限值λ1和λ2。假設x（dB）代表噪聲的不確定程度，τ=10x/10，通信環境噪聲越不穩定，τ值越大。噪聲功率均勻分布在區間[σ2n/τ，τσ2n]，根據噪聲不確定度可以設置門限值：

λ1=λ/τ， λ2=τλ? ? ? ? ? ? ? ? ? ? ? （6）

在協作頻譜感知中，如果所有認知車輛的檢測統計量都落在不確定區，則會導致整個感知過程的失敗，針對這一問題[9]，本文提出了一種改進的雙門限能量檢測算法，將丟棄的介于兩個門限值之間的檢測統計量利用起來。由于這部分檢測統計量直接進行本地判決時的可靠性較低，而將這部分檢測數據發送到融合中心進行軟判決融合會造成感知過程中數據量傳輸變大，增加系統開銷。因此，本文提出了一種對不確定區域的檢測統計量也進行劃分的方案，認知車輛上傳2 bit的信息給數據融合中心，保留更多感知信息的同時節省系統開銷，如圖2（c）所示。通過頻譜感知獲得感知數據并構造相應的檢測統計量X，并將其與預設的門限值λ， λ1， λ2比較可以得出判決結果：

（7）

2? ?協作頻譜感知算法

由于車輛移動過程中無線通信環境不斷變化，單用戶頻譜感知檢測性能易受復雜通信環境的影響，本文引入協作頻譜感知來提高系統檢測性能。在集中式協作頻譜感知中，路側單元接收不同認知車輛的感知信息并獲得一定的空間分集增益，從而解決單用戶頻譜感知中存在的問題，提高頻譜感知的檢測性能。由于無線信道的特征，信號在傳播過程中不斷衰落，認知車輛與主用戶信號發射機之間的距離直接影響其接收信號的信噪比，影響頻譜感知的檢測性能。此外，認知節點的空間相關度決定了空間分集增益，如果參與協作的認知車輛接收到的感知信息相關性較強，空間分集增益就會較小，系統檢測性能的提升也隨之下降。因此，協作頻譜感知系統的檢測性能受多方面因素影響，如何在保證感知性能的同時節省系統開銷，需要研究相關的協作節點選取和融合算法來解決這一問題。

2.1? 路徑損耗和陰影效應

假設主用戶信號發射機和認知車輛的位置可以通過GPS定位模塊獲知。認知車輛的位置決定了無線信號傳播過程中所經歷的衰落，路徑損耗模型為對數正態陰影衰落模型[10]：

（8）

其中，LF（d0）表示在參考距離d0處的路徑損耗，參考距離由環境確定。n為路徑損耗指數，取值由周圍的環境決定，一般為2～6。Wσ表示服從N（0，σ2）的正態隨機變量。

當兩個認知車輛間的距離小于一定值時，兩者受到的陰影效應將具有一定的相關性[11]，該定值被稱為相干距離dcorr。當兩個認知車輛之間的距離dij

Rij=exp（-dij/dcorr）? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? （9）

式（9）中，Rij是Gunmundson提出的基于距離的陰影相關系數，認知車輛之間的距離越短，接收的信號相關性越大。

協作頻譜感知中，認知車輛與主用戶信號發射機之間的距離決定了信號的路徑損耗。認知車輛之間的相關性決定協作感知的空間分集增益。因此，本文提出了一種基于車輛位置和相關性的協作節點選取算法。

2.2? 基于車輛位置和相關性的協作節點選取算法

車輛移動過程中向路側單元發送通信請求，開啟認知功能，假設有M個認知車輛在主用戶信號發射機覆蓋范圍內，路側單元根據接收到的認知車輛的位置信息進行協作節點的選取，具體的實現方法如圖3所示：

步驟一，路側單元接收到M個認知車輛節點發出的通信請求以及相應的位置信息。

步驟二，路側單元計算t 時刻各個認知車輛節點之間的距離dij（t）。假設表示在t 時刻認知車輛節點CRi和CRj之間的距離，則：

（10）

步驟三，確定參與協作的認知車輛節點數K。根據所需感知準確度和系統開銷折中選取參與感知所需的車輛線密度ρ，單位veh/m。車輛節點數K=ρ×dms（t），dms（t）表示t 時刻M個認知車輛節點之間的最遠距離。如果認知車輛密度很小，上報感知結果的認知車輛數M ≤K，則全部車輛參與協作感知，K=M 。

步驟四，計算認知車輛與主用戶發射機之間的距離以及認知車輛節點之間的相關性。認知車輛節點C Ri和C Rj之間在t時刻的相關性為：

（11）

特別地，當i=j時，Ri，j（t）=0，計算t時刻認知車輛CRi與其他M-1個認知車輛節點之間的相關性之和Ri（t）：

（12）

計算t時刻認知車輛CRi與主用戶信號發射機之間的距離di，p（t），認知車輛CRi和主用戶信號發射機的位置坐標分別為（xi， yi）和（xp， yp）：

（13）

步驟五，歸一化處理認知車輛與主用戶發射機之間的距離以及認知車輛節點之間的相關性，定義新的參數Node。

（14）

（15）

Nodei=α ×Rai（t）+β ×di（t）（i=1，2，…M）? （16）

α 和β 分別表示認知車輛節點之間的相關性和認知車輛與主用戶發射機之間的距離的權重系數，取值范圍為（0， 1），且滿足α +β=1。針對車輛相對密集的場景，認知車輛節點之間的相關性對檢測性能的影響更大，可以設置較大的α值;反之，可以設置較大的β值。

步驟六，從M個認知車輛節點中，選取Nodei值最小的K個作為參與協作的車輛節點進行頻譜感知，即選取距離主用戶信號發射機較近、與其他認知車輛相關性較小的前K個認知車輛參與協作感知。

2.3? 數據融合判決

數據融合技術是協作頻譜感知技術中必不可少的一個環節，路側單元根據協作節點選取算法從M個認知車輛中選取K個參與協作，將接收到的K個2 bit感知結果進行融合判決。現有的融合判決方法主要包括硬判決融合和軟判決融合。硬判決融合實現簡單，感知開銷小，但性能較差;而軟判決融合檢測性能雖好，但計算復雜度高，系統開銷大。本文提出一種介于硬判決融合和軟判決融合之間的數據融合方法，認知車輛將2 bit的本地判決結果及其位置信息上傳到路側單元，路側單元基于車輛位置和相關性進行線性加權融合得出最終的判決結果。通過各參與協作的認知車輛的Node值，獲得認知車輛CRi的加權系數：

（17）

Nodei越小，認知車輛距離主用戶信號發射機越近，與其他車輛相關性越小，權值越大。K個認知車輛進行線性加權融合的判決量為：

（18）

（19）

式（18）中，Di為認知車輛CRi的本地判決結果所對應的的十進制值。路側單元通過對比參與協作認知車輛的線性加權融合的判決量與預設門限獲取最終判決結果：

（20）

k為協作感知判決門限（通常設為2），D=0表示判決結果為主用戶不存在，認知車輛可以使用該頻段進行通信，D=1表示主用戶存在，授權頻段不可用。

3? ?仿真結果與分析

針對真實的交通場景設置車載移動場景，假設認知車輛行駛在雙向四車道的高速公路上，道路長2 000 m，寬20 m，單個車道寬5 m。認知車輛節點服從泊松分布進入主用戶覆蓋范圍內。主用戶距離道路的最短距離100 m，感知周期T為0.1 s，感知時長1 ms，路徑損耗指數為2，路徑損耗參考距離d0=10 m，相干距離dcorr=50 m，蒙特卡洛仿真次數為5 000。

首先對節點選取算法進行仿真實現分析。由于車輛的流動性，在主用戶信號發射機覆蓋范圍內認知車輛的個數也具有波動性，但覆蓋范圍一定，根據所提算法假設車輛間最遠距離為定值，即道路長度2 000 m，選取參與協作感知所需的車輛密度ρ=0.01 veh/m，即選取K=p×dms（t）=20個認知車輛參與協作。圖4所示為不同節點選取算法選取協作節點的性能比較，可以看出，所提算法具有更好的檢測性能。這是由于本文除了考慮了陰影效應的影響外還考慮了路徑損耗的影響，選取較近的節點參與協作只考慮了路徑損耗對接收信號信噪比的影響，沒有考慮陰影效應對相關性的影響。而文獻[12]所提的所提相關性較小準則相比節點選取算法只考慮相關性而忽略了路徑損耗的影響。

圖5所示為在車輛自由移動的場景下，選取不同密度的認知車輛參與協作感知的檢測性能。從圖中可以看出，虛警概率一定的情況下，所需選取參與協作認知車輛的密度越大，即為一定距離內選取參與協作的車輛數越多，協作頻譜感知的檢測性能越好。

本文提出的改進后雙門限檢測算法上傳2 bit的本地量化信息到路側單元，不同的本地判決結果對應不同的十進制數，增加了檢測統計量落在確定區域的權重系數。圖6所示為所改進的雙門限能量檢測算法和單門限能量檢測算法進行線性加權數據融合后的性能對比。從圖中可以看出所提算法不僅解決了感知失敗的問題，還提高了系統頻譜感知的檢測性能。

圖7將所提現有協作頻譜感知算法進行比較。從圖中可以看出，所提出的2 bit半軟半硬融合的方案表現出比傳統的1 bit“K”秩準則的硬判決方案好得多的性能，代價是每個參與協作的認知車輛多了一個比特的開銷。文獻[12]基于節點之間的相關性進行線性加權融合，忽略了路徑損耗的影響，與傳統硬判決融合相比檢測性能顯著提高。軟判決中的最大比合并從本地認知車輛接收原始感知數據，根據信噪比大小進行線性加權融合判決，從圖中可以看出，該方法的檢測性能最好，但是感知開銷很大。而2 bit半軟半硬融合方案與最大比合并的軟判決融合方案表現出的性能相差很小，但其具有更低的復雜性和開銷。因此，所提的2 bit半軟半硬融合的方案實現了檢測性能和復雜性之間的良好折中。

4? ?結束語

本文在現有協作頻譜感知算法的基礎上，提出一種改進的雙門限能量檢測方案，對不確定區域的檢測統計量也進行判決，保留更多的感知信息;其次，考慮路徑損耗和陰影效應對頻譜感知的影響，引入新的選擇標準，選取距離主用戶信號發射機較近、與其他認知車輛相關性較小的前K個認知車輛參與協作感知;接著提出一種介于硬判決融合和軟判決融合之間的數據融合方法，認知車輛傳遞2 bit的感知信息，路側單元基于車輛位置和相關性進行線性加權融合判決。仿真結果表明，所提算法在車聯網場景下具有較好的檢測性能，實現協作頻譜感知檢測性能和系統開銷的良好折中。

參考文獻：

[1] EZE Joy， ZHANG Sijing， LIU Enjie， et al. Cognitive radio-enabled internet of vehicles： a cooperative spectrum sensing and allocation for vehicular communication[J]. IET Networks， 2018，7（4）： 190-199.

[2] K Deep Singh， P Rawat， J M Bonnin. Cognitive radio for vehicular ad hoc networks （cr-vanets）： approaches and challenges[J]. Inventi Impact Wireless Communications & Networking， 2014（1）： 49-61.

[3] M Y Lim， Y Cn Chang， M Y Alias， et al. Cognitive radio network in vehicular ad hoc network （vanet）： a survey[J]. Cogent Engineering， 2016，3（1）： 1-19.

[4] S Nallagonda， A Chandra， S D Roy， et al. Detection performance of cooperative spectrum sensing with hard decision fusion in fading channels[J]. International Journal of Electronics， 2016，103（2）： 297-321.

[5] K Cichon， A Kliks， H Bogucka. Energy-Efficient Cooperative Spectrum Sensing： A Survey[J]. IEEE Communications Surveys & Tutorials， 2016，18（3）： 1861-1886.

[6] Q Xiaomin， H Li， N Dadong， et al. Hard Fusion Based Spectrum Sensing over Mobile Fading Channels in Cognitive Vehicular Networks[J]. Sensors， 2018，18（2）： 475-494.

[7] M Jun， ZHAO Guodong， LI Ye. Soft combination and detection for cooperative spectrum sensing in cognitive radio networks[J]. IEEE Transactions on Wireless Communications， 2008，7（11）： 4502-4507.

[8] Z Wei， R Mallik， K Letaief. Optimization of cooperative spectrum sensing with energy detection in cognitive radio networks[J]. IEEE Transactions on Wireless Communications， 2009，8（12）： 5761-5766.

[9] S Dhar Roy， A Bhowmick， S Kundu， et al. Double threshold-based cooperative spectrum sensing for a cognitive radio network with improved energy detectors[J]. IET Communications， 2015，9（18）： 2216-2226.

[10] S C Yong， K Jaekwon， Y Y Won， el al. MIMO-OFDM無線通信技術及MATLAB實現[M]. 孫鍇，黃威，譯. 北京： 電子工業出版社， 2013.

[11] L Xi， S Tiecheng， Z Yueyue， et al. Hybrid cooperative spectrum sensing scheme based on spatial–temporal correlation in cognitive radio enabled VANET[J]. IET Communications， 2019，13（1）： 36-44.

[12] Z Siting， G Caili， F Chunyan， et al. User correlation and double threshold based cooperative spectrum sensing in dense cognitive vehicular networks[A]. International Symposium on Wireless Communication Systems[C]. Poznan： IEEE， 2016： 281-285. ★