車聯網中基于BP神經網絡的智能協同頻譜感知算法*

張月霞，趙義飛

(北京信息科技大學 a.信息與通信工程學院;b.現代測控技術教育部重點實驗室，北京 100101)

0 引 言

近年來，隨著5G通信和智能交通的不斷發展，車聯網(Internet of Vehicles，IoV)環境下新用戶數量激增以及車流密度增大，導致頻譜資源緊張而無法滿足用戶需求。頻譜感知技術可以有效提高無線頻譜的資源利用率，可以充分緩解無線頻譜資源短缺的問題。在頻譜感知技術中，授權使用頻段的用戶為主用戶(Primary User,PU)，次用戶(Second User,SU)可以通過頻譜感知技術來判斷主用戶是否占用頻段。若判斷主用戶未占用頻段，次用戶則可以接入網絡占用該頻段進行數據傳輸，以提高頻譜利用率。傳統的頻譜感知方法多為單用戶頻譜感知，多用在移動速度較慢、通信環境變化較小的場景中，此類環境中噪聲干擾較小，檢測結果可大致滿足要求。但在IoV環境中，隨著車輛高速移動、通信環境快速變化，無線信號容易受到噪聲、陰影衰落、多徑效應等因素影響，使得單用戶檢測結果不夠準確，導致頻譜感知失敗。因此，在IoV中研究多用戶協同頻譜感知，以提高感知性能具有重要意義。

目前，關于IoV環境中頻譜感知技術的研究大致分為以下三類：第一類是在傳統協作頻譜感知方法上進行判決權重或者門限的優化研究[1-3]；第二類是在傳統協作頻譜感知方法上引入機器學習進行算法優化的研究[4-5]；第三類是在傳統協作頻譜感知方法上基于車輛位置和相關性的特點，對本地數據作進一步挖掘、融合的研究[6-7]。當前文獻在進行協作頻譜感知方法優化的過程中，并未真正考慮復雜環境中噪聲等干擾的影響，導致檢測結果的準確率較低，影響頻譜感知整體性能。

反向傳播神經網絡(Back Propagation Neural Network,BPNN)具有較強的自主學習能力，同時抗噪聲干擾能力較強，在復雜環境中的適應能力更強，魯棒性較好，優于其他機器學習算法，更符合車聯網的變化隨機性[8]。因此，本文提出了一種基于BP神經網絡的協同頻譜感知算法，通過將本地各次用戶感知結果進行協方差處理，結合BP神經網絡對次用戶信噪比進行權值優化以得到最優的頻譜感知網絡模型，最后使用訓練好的模型進行協同頻譜感知，進一步降低噪聲等干擾的影響，提高檢測準確性。

1 系統模型

如圖1所示，假設車聯網環境下存在1個授權頻段主用戶PU，M個次用戶SU，1個數據中心(Data Center，DC)。PU隨機出現，具有頻段使用的優先權；SU只可通過頻譜感知方法以確定主用戶是否占用頻段，從而決定是否使用該頻段進行數據傳輸；在頻譜感知過程中，每個SU可以接收到來自其他SU的數據信息；DC則負責接收、處理SU的本地檢測結果[8]。

圖1 IoV場景下協同頻譜感知模型

次用戶頻譜感知是對主用戶是否使用頻譜進行判斷，判斷方法具體如下：

(1)

式中：k為時間節點，k=1,2,…,L；x(k)為主用戶在k時間點發射的信號；y(k)為次用戶在k時間點接收到的信號；n(k)為在k時間點的加性高斯白噪聲(Additive White Gaussian Noise，AWGN)；h(k)為主用戶與次用戶之間在k時間點的信道增益；H0表示主用戶未占用頻譜的狀態；H1表示主用戶占用頻譜的狀態[9]。

M個次用戶在第k個時間點接收到的采樣數據序列如公式(2)所示：

Y(k)=[y1(k),y2(k),…,yM(k)]T。

(2)

M個次用戶接收到的信號矩陣如公式(3)所示：

(3)

式中：N為采樣時間點數。

對信號矩陣Y進行一定的數據處理，通過估計提取信號數據的特征值，從而得到相應的采樣協方差矩陣為

(4)

當次用戶數為M時，矩陣大小為N×N。

M個次用戶的本地檢測結果為

(5)

如公式 (6)所示，如果主用戶PU處于H0狀態時，次用戶本地檢測結果低于門限值λ；如果主用戶PU處于H1狀態時，該檢測結果高于門限值λ[10]。

(6)

在IoV中，頻譜感知研究廣泛采用AWGN信道，根據能量檢測理論可近似估計Y1服從卡方分布，如公式(7)所示：

(7)

由此可得，本地檢測概率Pd如公式(8)所示，即為當主用戶占用頻段時系統可檢測到的概率。

(8)

式中：Qu是Marcum Q函數。

虛警概率Pf如公式(9)所示，即為當主用戶并未占用頻段時系統卻錯誤判定其占用頻段的概率。

(9)

2 BP-CSS算法

本文研究IoV場景下基于BP神經網絡的協同頻譜感知(BP-Cooperative Spectrum Sensing,BP-CSS)算法，算法流程主要由本地數據預處理和頻譜感知訓練兩部分構成，如圖2所示。本算法選擇協方差矩陣進行數據預處理，是為了便于更好地提取數據的特征值。協方差矩陣中涉及矩陣運算，根據FPGA、DSP等硬件實現原理，復雜度為加法運算，具體為 (h2+n2)×N，其中h為主用戶與次用戶之間的信道增益，n為加性高斯白噪聲，N為采樣時間點數。本算法通過數據預處理階段的復雜度以換取頻譜感知訓練階段的感知效率和準確率提高，從而促使整個頻譜感知的性能提升。

圖2 BP-CSS算法感知流程

2.1 本地數據預處理

在IoV環境中，M個次用戶接收到的本地數據信號通過正交解調和采樣得到I、Q兩路信號，然后構成算法中的原始數據，如公式(10)所示：

yi(n)=Ii(n)+ηQi(n) 。

(10)

式中：Ii(n)和Qi(n)分別表示第i個次用戶接收到的I路信號和Q路信號，n為時間節點集合，n={1,2,…,N}。將M個次用戶在N個時間點的采樣數據序列進行處理，形成信號矩陣，再對其進行實部和虛部的劃分，并分別組成兩個矩陣YI、YQ，如公式(11)、(12)所示：

(11)

(12)

根據公式(4)，由YI可以得到實部的采樣協方差矩陣RI為

由YQ可以得到虛部的采樣協方差矩陣RQ為

采樣協方差矩陣R(N)如公式(13)所示：

RI+RQ。

(13)

因此，RI、RQ即為本算法頻譜感知模型的輸入。

2.2 頻譜感知訓練

在協同頻譜感知中，每個次用戶可以接收到來自其他次用戶的信噪比信息。在實際IoV環境中，此類信號易受噪聲、陰影衰落等影響導致次用戶接收到的信號能量值降低，如果主用戶存在而能量值低于門限值的時候，則可能發生誤判。因此，本文通過將網絡中的信噪比權重非靜態分配給不同次用戶，即是對不同次用戶動態分配相應的判決門限，這樣可使得信噪比較小的用戶的判決門限較高，從而降低整體感知的誤判率。

本文采用信噪比網絡加權來構建BP神經網絡，將采樣協方差矩陣的實部RI和虛部RQ作為輸入，通過模型訓練來提取數據特征，最終利用所提取的特征進行頻譜感知。

第i個次用戶的信噪比網絡權重為

(14)

第i個次用戶的判決門限為

(15)

根據公式(8)、(9)，第i個次用戶的本地檢測概率Pd,i和虛警概率Pf,i分別如公式(16)、(17)所示：

(16)

(17)

BP神經網絡的整體結構包括帶有S個神經元的輸入層、帶有Q個神經元的隱含層以及帶有P個神經元的輸出層，如圖3所示。

圖3 BP神經網絡訓練過程

隱含層的輸入為

(18)

式中：ωs,i為輸入層神經元與隱含層神經元之間的連接權值，xs為輸入層第s個節點的輸出。

隱含層的輸出為

fs=f(classs),s=1,2,…,S。

(19)

式中：f(·)為激勵函數。

輸出層的輸入為

(20)

式中：ωi,p為隱含層神經元與輸出層神經元之間的連接權值。

輸出層的輸出為

fp=f(classp),p=1,2,…,P。

(21)

3 實驗分析

本文基于Matlab平臺，模擬實際噪聲干擾較大的道路場景，對多用戶協同頻譜感知下的傳輸數據進行一系列系統仿真。本文選用AWGN信道，給定虛警概率Pf=0.1，仿真自變量設置為0～25 dB信噪比以及不同的車輛結點[12]。具體仿真參數如表1所示。

表1 仿真參數表

在IoV環境下，給定范圍內車輛數N=10，三種頻譜感知算法在不同信噪比條件下的檢測概率變化關系如圖4所示。從圖中可以看到三種算法的檢測概率都隨著信噪比的增大而增加，其中，在0～5 dB的范圍內，基于門限值和基于信噪比加權算法的檢測概率較高，這是因為在較為理想的環境下，周圍干擾較小，傳統方法仍然具有一定的優勢；但在5～25 dB的范圍內，本算法的檢測概率較高，接近于1并且趨于穩定，收斂性較好。本算法的平均檢測概率可達90%，比基于信噪比加權頻譜感知算法提升20%，比基于門限值頻譜感知算法提升30%，充分證明了算法的有效性。其原因是引入了BP神經網絡，優化了權值設置，在相同虛警概率的前提下，可以有效避免漏檢情況的發生，提高了整體檢測的準確度，使其更接近真實值，從而提升了感知性能[13]。

圖4 三種算法的頻譜感知性能對比關系(N=10)

在低信噪比的IoV環境下，給定范圍內車輛數N=10，設置較大的環境噪聲，將本文所提BP-CSS算法與其他兩種最新的頻譜感知算法進行比較所得到的檢測概率變化關系如圖5所示。從圖中可以看到三種算法的檢測概率在低信噪比的環境中都隨著信噪比的增大而增加，而本文所提算法的檢測概率明顯高于其他兩種算法的檢測概率，感知性能更好，說明本文所提算法的魯棒性更強。基于車輛位置和相關性頻譜感知算法和基于雙門限能量檢測頻譜感知算法在低信噪比環境中受噪聲影響較大，所以在0～2 dB的范圍內兩者的檢測概率近乎為零；本文所提算法因為引入BP神經網絡，抗噪聲干擾能力較強，曲線增長更加快速明顯，檢測性能顯著提高。

圖5 三種算法在低信噪比環境中的頻譜感知性能對比關系(N=10)

在IoV環境下，本文所提BP-CSS算法與其他兩種最新算法在頻譜感知過程中檢測時間隨車輛數量的變化關系如圖6所示。從圖中可以看到三種算法的檢測時間在車聯網環境中都隨著車輛數的增大而增加，在0～5 dB的范圍內三種算法的檢測時間近乎一致；但在高于5～25 dB的范圍內，BP-CSS算法的檢測時間明顯低于其他兩種算法的檢測時間，檢測效率更高，感知性能優于對比算法。基于車輛位置和相關性頻譜感知算法和基于雙門限能量檢測頻譜感知算法的檢測時間曲線隨著車輛數的增加而迅速增加，這是因為在車聯網環境中車輛數的增加會導致車輛之間的數據傳輸更加復雜，車輛之間會存在一定的同頻干擾，再加上環境中存在較大的噪聲影響，使得檢測時間進一步增加。本文所提算法由于采用協方差矩陣提取特征值，有效降低了本地車輛的數據傳輸干擾，再通過引入BP神經網絡進行優化訓練，降低了協同頻譜感知的能耗，檢測時間有效減少，檢測性能顯著提高。

圖6 三種算法在車聯網環境中受車輛數量影響的頻譜感知時間對比關系

在實際噪聲干擾較大的IoV環境下，基于本算法對道路范圍內不同車輛數(N=10,30,50)在不同信噪比條件下的檢測概率變化關系如圖7所示。從圖中可以發現，在車輛數保持一定的情況下，本文算法檢測概率的峰值會隨著信噪比的增大而降低。這是因為信噪比的增大會使得車輛之間干擾增加，從而降低檢測概率。在低信噪比的情況下，檢測概率峰值的出現頻率隨著車輛數的增加而增加，具體表現為在0～15 dB的范圍內，當N=50時檢測概率峰值的出現頻率最高。這是因為在低信噪比的情況下車輛之間干擾較小，隨著車輛數的增加，可用于頻譜感知的協作用戶增加，則可以更高效地提升檢測概率。在高信噪比的在情況下，檢測概率的峰值隨著車輛數的增加而降低，具體表現為在15～25 dB的范圍內，當N=10時檢測概率的峰值最高。這是因為隨著信噪比增大，車輛數增多會導致協作用戶在進行頻譜感知時的干擾增大，使得檢測概率降低[14]。

圖7 本算法的檢測概率(≥50%)受車輛數影響曲線

4 結 論

本文在研究頻譜感知技術的基礎上，引入機器學習理論，提出了一種深化的基于BP神經網絡的協同頻譜感知(BP-CSS)算法。將次用戶接收信息通過協方差矩陣進行數據處理，再通過BP神經網絡的自主學習能力、權值動態優化設置來進行協同頻譜感知，使得具有不同信噪比的次用戶在數據中心判決時的權值達到最優，進而提升整體的感知性能。仿真結果表明，本文所提算法受噪聲影響較小，檢測準確率更高，優于傳統的信噪比加權的協作頻譜感知算法；同時發現頻譜感知的準確率受車流密度影響，隨著車流密度的增大，干擾加強，感知準確率會隨之降低。