基于位置预测的认知车联网协作频谱感知算法

(1.南京航空航天大学 电子信息工程学院，南京 211106; 2.北京联合大学 智慧城市学院,北京 100101)

近30年来，中国经济持续高速增长，交通运输业也伴随着我国整体经济的崛起而迅速发展。然而，中国民用汽车保有量占比的提升速度远远超过同期道路增速比，由此引发了诸如交通阻塞、尾气污染、交通安全等一系列道路交通问题。智能交通系统(Intelligent Transportation System,ITS)的出现给交通运输行业带来新的机遇[1]。车联网[2](Internet of Vehicles,IoV)作为ITS的基础信息承载平台，是其最底层也是最为重要的组成部分，同时也是第5代移动通信系统(the Fifth-Generation Mobile Communication System，5G)的重要应用场景之一，引起了国内外学者广泛的关注[3]。

但随着接入 IoV车辆数的增多，交通信息越来越密集，这无疑会给现有网络稀缺的频谱资源带来巨大挑战。研究表明，在车辆拥挤的网络中，通信节点很容易耗尽所有授权给IoV频谱资源，造成车载通信的拥挤[4-5]。为解决频谱不足的问题，人们提出了认知无线电(Cognitive Radio,CR)技术，在不影响主用户(Primary Users,PUs)通信的条件下，通过次用户(Secondary Users,SUs)准确识别“频谱空穴”(即频谱感知)，分配未被使用的频谱给SUs进行通信，实现有限频谱资源的高效利用[6-8]。将CR技术引入IoV中的认知车联网(Cognitive Internet of Vehicles，Cognitive IoV)，可以有效解决IoV中频谱资源短缺的问题。

作为实现认知车辆动态频谱接入的关键技术之一，认知IoV中的频谱感知已受到国内外学者的广泛关注。但由于IoV具有快速不可预测的拓扑变化、车流密度的变化、复杂的通信环境以及可预测的移动路径等特点，传统认知网络中的频谱感知技术无法直接应用到IoV中，对此，人们提出了诸多解决方案。文献[9]研究了密集认知IoV中移动性对频谱感知的影响，提出一种可以在感知性能和系统开销之间取得平衡的算法，但其假设观测样本之间是相互独立的；文献[10]指出，SUs的移动性可以通过在不同位置收集多个样本来增加空间多样性，但忽略了SUs可能移动到PUs的保护范围之外。文献[11]提出了动态的频谱感知系统，在控制信道时隙内根据接入时延、丢包数、比特率等参数引入竞争矩阵，从而合理分配频谱资源，提升认知网络性能，但没考虑特定场景下认知IoV的差异性。文献[12]提出协作频谱感知方案，减少用户之间的空间相关性，并使用不同融合规则进行软判决，提高了低信噪比区域中的检测概率，但该算法复杂度过高，不适用于高速移动的IoV。

针对现有协作频谱感知算法应用于认知IoV中所存在的问题，考虑到在地形起伏或密集城市结构所引起的频谱感知性能低且延时大，故采用基于位置预测的协作频谱感知算法并结合能量检测和硬判决方法来提高频谱感知性能。通过仿真可知，所提出的算法与传统算法相比，能够有效提高频谱感知性能并且降低频谱感知时间，尤其适用于对实时性要求较高的IoV系统。

1 系统模型

采用OVERLAY频谱共享模型[13]，如图1所示，在该模型下，PUs享有授权频谱优先使用权，而SUs则对授权频段进行频谱感知，寻找未被PUs占用的空闲频谱(称作“频谱空洞”)，伺机接入并使用。考虑认知IoV下行链路的多用户协作频谱感知，SUs只对PUs发送的下行目标信道进行频谱感知。系统由一个主用户网络和一个次用户网络组成。其中，主用户网络包括一个主用户基站(Primary Base Station,PBS)；次用户网络包括一个用于决策融合的次用户基站(Secondary Base Station,SBS)，又称为融合中心(Fusion Center，FC)，以及X个SUs，其索引为N={1,2,…,X}，分布在SBS覆盖范围内的给定地理区域，如图2所示。假设信道状态信息(Channel State Information,CSI)可完美估计并且SUs之间相互独立。SUs采用本地频谱感知算法进行频谱感知，初步判定PUs是否存在，再通过专用控制信道发送到SBS，并通过位置预测技术计算SUs的置信值，最后，SBS融合所有SUs的判决结果并通过最优融合准则，判定该频谱是否被PUs占用。

图1 频谱共享模型

图2 认知IoV协作频谱感知模型

2 基于位置预测的频谱感知算法

所提出的基于位置预测的频谱感知算法如图3所示。首先，信号Xx采用能量检测的方法进行本地频谱感知，通过将SUs接收到的信号能量大小和预先设定的阈值门限进行比较，若大于门限，则判决授权频段被占用，得到结果yx；然后，利用认知IoV中车辆位置预测技术,计算车辆位置和信道状态信息，设置置信值，删除置信值低的SUs。最后，在融合中心采用加入置信值的似然比融合规则得到最终判决结果。

图3 基于位置预测的认知IoV协作频谱感知算法模型

2.1 本地频谱感知

能量检测的过程如图4所示，先将接收到的信号通过带通滤波器滤除带外干扰信号，接着对信号进行采样、取模求平方，并将得到检测统计量Y与预先设置的判决门限λ进行比较。当大于该门限时，判决授权频段被占用，表示为H1；当小于这个门限时，则判决频谱空闲，表示为H0。

图4 能量检测方法

由于SUs在接入过程中需要知道授权频段是否处于空闲状态，因此，一般将检测模型建模为Neyman-Pearson(NP)型二元假设检验问题。在t时刻，SUs接收到的信号表示为

(1)

式中，x(t)为SUs接收到的信号；s(t)为PUs发射的信号；n(t)为加性高斯白噪声(Additive White Gaussian Noise,AWGN)。

任何认知系统的频谱感知性能都由其检测概率Pd,i和虚警概率Pf,i决定。高Pd,i保证了对主用户网络的干扰最小，而低Pf,i保证了次用户网络的吞吐量，两种概率都被用作评价认知系统性能的基础，表示为

Pd,i=Pr{Y>λ|H1}

(2)

Pf,i=Pr{Y>λ|H0}

(3)

根据香农(Shannon)定理，噪声可以表示为

(4)

式中，W为带宽；ai=n(i/2W)；sinc(x)=(sinπx)/πx。由于每次检测的时长L都是有限的，在有限时域范围内，n(t)可以用2LW个采样点的和表示：

(5)

同理，PUs发射信号表示为

(6)

式中，aj=s(j/2W)。

那么，在H0情况下，由于仅存在噪声，能量检测统计量Y可以表示为

(7)

若噪声功率谱密度为N0，根据式(7)，检测统计量Y可近似表示为

(8)

(9)

同理可得，在H1情况下的能量检测统计量为

(10)

由此可知，检测统计量Y的分布为

(11)

检测统计量的概率密度函数为

(12)

式中，Γ(·)为完全Gamma函数；Iu(·)为V阶第一类修正贝塞尔函数。

由式(12)可得，AWGN信道下，SUs虚警概率和检测概率分别为

(13)

(14)

式中，N为采样个数；δ2为噪声功率谱密度；Q(·)为Q函数。

由此得到SUs对于有无PUs的感知结果。

2.2 基于位置预测的协作融合

2.2.1 传统感知

传统感知算法中，SUs完成本地频谱感知之后，将感知结果送到FC进行最后判决。相比于软判决，硬判决可节约感知数据的传输带宽，更适用于高速移动的大规模IoV。因此，通常采用硬判决进行融合判决。融合规则采用“K秩”融合。该规则下全局检测概率和虚警概率分别表示为

(15)

(16)

在硬判决过程中，第i个SU发送单比特判决信息给融合中心，表示为ui∈{0,1}，“0”表示PUs不存在，“1”表示PUs存在。SUs只能进行二元决策即第i个SU只能对本地判决ui做出“0”或者是“1”的判决。所有的SUs同时观察同一信道，SBS制定全局的决策u0。针对以上的二元假设检验，利用似然比检测(Likelihood Ratio Test,LRT) 给出该问题的最优融合规则：

(17)

假设Pd,i≥Pf,i，式(2)和式(3)中Pd,i和Pf,i又可以表示为：

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

(18)

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

(19)

因此，最优融合规则表示为

(20)

式中，S0和S1分别为j=0和j=1两种决策状态下的集合。将式(20)代入式(17)中，融合规则的判决表达式可以表示为

(21)

2.2.2 位置感知

在高速移动的IoV中，如果SUs位于高密度城市区域内，由于路径损耗、反射衍射、衰落等因素对信号功率的影响，本地感知结果将不再可靠，会大大影响最终检测的准确性。所以，为了提高频谱感知的准确性，在传统算法的基础上增加了位置预测技术[14]。

假设车辆收发器端都配备有车载单元，用于存储并计算车辆位置、信道和环境信息，PBS和PUs的位置信息可由统一数据库的公共可用数据获得，移动的SUs位置信息通过全球定位系统(Global Positioning System,GPS)获得。通过得到的用户位置信息来确定收发器间是否存在非视线(Non-Line-of-Sight,NLOS)(如大型建筑、风力涡轮等)的障碍。

在本中，SUs的传感结果与位置坐标一起返回SBS。当SBS有SU和PBS的位置、信道、发射功率天线方向性等特征时，SBS将可以估计置信值，用来表示每个SU的周围结构密度和SBS的传播环境。SBS的覆盖区域可以划分为较小的扇区，每个扇区分配一个。置信值在融合前对感知数据进行重新评估，得到全局决策。

根据位置信息，SUs可以被赋值为低置信值或高置信值。低置信值表示SU位于阴影区域(如高度密集的城市区域)，本地感知结果不正确的可能性大，需要消除；而高置信值表示SU位于结构较松散的区域(例如，预测视线传播)，能量检测结果有意义，保留并传送到融合中心，进行全局决策。

为SUs分配置信值可以建模为SUs位于可接受接收区域的概率Ti，其中Ti=m,0≤m≤1且Vi在空间上独立。当m=0时表示SU位于高阴影区域，筛除；当m=1时表示SU位于与所感知信号视距内，保留。则新的融合规则表示为

(22)

(23)

式中，Sj为所有置信值等于m的次用户集合。

将式(23)代入式(22)，可得：

(24)

为了简化式(24)，做出如下的定义：

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

(25)

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

(26)

则式(24)可根据式(25)和式(26)表示为

(27)

通过对两边取对数，得到最优融合规则，该规则使虚警最小化，检测概率最大化，表示为

(28)

3 仿真分析

本节通过仿真对比来评估所提基于位置预测的协作频谱感知算法的性能。假定SBS已知相关网络的参数，以及SUs与PBS的位置，且可以计算置信值。并且将SUs的数量设置为X=30进行仿真。

图5对比了所提算法和不考虑位置预测的协作频谱感知(下文称“传统感知”)ROC的性能，设T=0.6，表示有40%的SUs位于高阴影区域，即这些SUs被认为是低置信值的信息来源，需要舍弃。Pf变化范围为[0,1]。当T=0.6，检测概率Qd=0.9时，基于位置预测感知方案的虚警概率为Pf=0.2，传统感知方案的虚警概率为Pf=0.28，可以很明显分析出，所提出的算法的ROC性能要比传统感知方案的更好。这是由于消除了高阴影区域的SUs，使其对最终的全局决策没有影响，因此，所提出的算法可以改进高阴影区域用户频谱感知的性能。

图5 传统感知算法和所提出的算法ROC性能曲线仿真图

在图6中，比较了传统算法和所提出的算法检测概率随SNR变化而变化的情况，并考虑了不同虚警概率条件下的变化。设两个虚警概率分别为Pf=0.1与Pf=0.2，SNR的变化范围为[5,30]，被赋予高置信值的SUs的概率为T=0.6。通过仿真结果分析可知，当Pf=0.2、SNR=20 dBm时，传统算法的Qd=0.4，而所提出的算法Qd=0.55，检测概率提高了0.15，与图5结论相同。同时可以很明显看出，检测概率Qd随SNR的增加而增强；相同SNR条件下，虚警概率越大，相应的检测概率就越小。

图6 检测概率随SNR变化的仿真图

图7给出了网络中Pf=0.1并且SUs的数量X不同时的协作频谱感知算法检测概率Qd随SNR变化而变化的仿真图。从图中可见，随着认知用户数量的增加，检测效果有明显提高，系统性能更好。尤其在城市网络中，认知用户的数量通常比较大，因此可以利用这种协作频谱感知的方式来提高检测性能，同时由于置信值的设定可以过滤低置信用户，这就可以大大减少检测所需的时间，满足IoV对实时性的要求。

图7 X不同的条件下、Qd随SNR变化的仿真图

4 结束语

本文研究了认知IoV中协作频谱感知问题，采用基于位置预测的协作频谱感知算法。先利用能量检测技术得到本地频谱感知结果，再通过位置预测技术，得到相关用户的位置信息，计算置信值，过滤低置信值次用户，最后采用最优似然比融合规则进行全局判决。仿真结果表明，与传统频谱感知算法相比，该方案具有更好的性能，尤其是对于高密度城市区域内的认知IoV系统。