基于车辆位置和相关性的协作频谱感知算法

齐嘉杰　胡斌杰

摘要：考虑路径损耗和阴影效应对认知车辆接收信号的影响，提出了一种基于车辆位置和相关性的协作感知算法。所提算法在保证感知性能的同时，尽可能选取较少的感知节点参与协作，接着提出一种介于硬判决融合和软判决融合之间的数据融合方法，参与协作的认知车辆上传2 bit的本地感知信息到路侧单元进行线性加权融合判决。仿真结果表明，所提算法与现有频谱感知算法相比有了很好的改进，取得了感知性能和感知开销的折中。

关键词：认知车联网;频谱感知;协作节点;数据融合

doi：10.3969/j.issn.1006-1010.2019.11.003        中图分类号：TN929.5

文献标志码：A        文章编号：1006-1010（2019）11-0014-07

引用格式：齐嘉杰，胡斌杰. 基于车辆位置和相关性的协作频谱感知算法[J]. 移动通信， 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

随着人们对出行的安全性、舒适性的要求越来越高，车载自组织网络快速发展。各类车载通信业务的爆发式增长，导致了用于车载自组网通信的无线电频谱资源的匮乏[1]。认知车联网（CR-VANETs， Cognitive Radio enabled Vehicular Ad-hoc Networks）将认知无线电（CR， Cognitive Radio）技术引入到车载自组织网络中。在无线通信系统中，主用户对授权频段具有更高的优先权，次用户可以机会性地接入授权频段中未被主用户充分利用的部分，认知车联网中具有认知功能的车辆即为次用户，也称为认知车辆[2]。认知无线电技术可以为车载通信提供额外的频谱资源，解决频谱资源紧缺的问题。CR认知环节包括环境感知、分析、决策、频谱共享四个环节。其中，频谱感知是CR技术的首要环节，因此，认知车联网中频谱感知技术的研究至关重要，也是本文的主要研究内容。

现有的认知车联网频谱感知技术根据参与频谱感知的认知车辆数可分为单节点频谱感知技术与车联网协作感知技术两种。常见的单节点感知技术有能量检测、循环平稳特征检测、匹配滤波器检测等[3]。但由于单个认知车辆节点易受到噪声不确定性、多径阴影衰落和隐藏终端等的影响，检测性能下降，因此，引入了协作频谱感知。协作频谱感知的核心思想是利用多个感知节点的空间多样性来提高感知性能，多个认知用户之间相互协作共享感知信息，充分利用空间分集增益，弥补单个感知节点的不足。协作增益不但能提高感知性能，還能降低单个节点感知灵敏度要求，从而减少硬件成本。因此，近年来，针对协作频谱感知技术的研究有很多，根据网络架构，协作频谱感知大致可以分为集中式和分布式两种。

集中式协作感知中选择一个节点作为融合中心[4]，起控制协调作用，接收本地检测数据，进行融合判决，并把最终的判决结果反馈给认知用户。分布式协作感知没有融合中心[5]，频谱感知决策由认知用户之间进行信息交换之后进行。根据本地感知节点传递频谱检测信息的形式，可以将协作频谱感知的数据融合方法分为两大类：硬判决融合和软判决融合。硬判决融合中，认知用户进行频谱感知并得出“0”或“1”的本地判决结果，之后将判决结果发送到融合中心或者传递给其他认知用户进行融合判决[6]。软判决融合的数据融合中心接收到的感知信息，是本地车辆感知过程中获得的原始数据或者对原始数据进行简单处理的感知数据[7]。虽然协作感知技术在传统认知网络中的研究已经比较成熟，但在此基础上，CR-VANETs的协作频谱感知技术的研究还在逐渐开展之中。

由于能量检测实现简单，计算复杂度低，且检测速度快，因此，本文应用能量检测算法进行车辆本地频谱感知，并在此基础上提出一种改进的双门限能量检测方案。基于车辆位置和车辆节点之间的相关性进行协作节点选取，并提出了一种介于硬判决融合和软判决融合之间的数据融合方法，实现协作频谱感知检测性能和系统开销的良好折中。

1   系统模型

认知车联网中包括一个路侧单元和一个主用户信号发射机及其覆盖范围内的M个认知车辆，具体的网络结构如图1所示，采用集中式的协作感知架构，路侧单元作为整个协作感知系统的控制、协调以及数据融合中心。

认知车联网中，通过频谱感知检测授权频段是否存在频谱空洞，动态接入空闲频谱。假设H0和H1分别表示“主用户不存在”和“主用户存在”，那么基本假设模型为[8]：

（1）

式（1）中xi（t）是认知车辆i在时间t时刻接收到的信号，s（t）代表主用户信号，hi（t）感知信道增益，ni（t）是信道噪声，本文中假设信道噪声为加性高斯白噪声（AWGN， Additive White Gaussian Noise），服从均值为0、方差为σ2n的高斯分布。能量检测算法获得的检测统计量可以表示为，N为采样点数，N足够大时：

（2）

其中，χ2N是自由度为的N中心卡方分布，γ表示接收的主用户信号的信噪比，χ2N（2γ）是自由度为N的非中心卡方分布，非中心参数为2γ。利用中心极限定理，可以得出：

（3）

由式（3）可得，检测概率Pd和虚警概率Pf为：

（4）

其中，，λ为预设的门限值，由式（4）可以推出：

（5）

由于传统的单门限检测中门限附近的感知数据可靠性较低，容易发生误判，导致检测性能的下降。因此，提出了双门限能量检测，如图2（b）所示，舍弃可靠性较低的检测统计量。通过噪声不确定度可以获取动态双门限值λ1和λ2。假设x（dB）代表噪声的不确定程度，τ=10x/10，通信环境噪声越不稳定，τ值越大。噪声功率均匀分布在区间[σ2n/τ，τσ2n]，根据噪声不确定度可以设置门限值：

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

在协作频谱感知中，如果所有认知车辆的检测统计量都落在不确定区，则会导致整个感知过程的失败，针对这一问题[9]，本文提出了一种改进的双门限能量检测算法，将丢弃的介于两个门限值之间的检测统计量利用起来。由于这部分检测统计量直接进行本地判决时的可靠性较低，而将这部分检测数据发送到融合中心进行软判决融合会造成感知过程中数据量传输变大，增加系统开销。因此，本文提出了一种对不确定区域的检测统计量也进行划分的方案，认知车辆上传2 bit的信息给数据融合中心，保留更多感知信息的同时节省系统开销，如图2（c）所示。通过频谱感知获得感知数据并构造相应的检测统计量X，并将其与预设的门限值λ， λ1， λ2比较可以得出判决结果：

（7）

2   协作频谱感知算法

由于车辆移动过程中无线通信环境不断变化，单用户频谱感知检测性能易受复杂通信环境的影响，本文引入协作频谱感知来提高系统检测性能。在集中式协作频谱感知中，路侧单元接收不同认知车辆的感知信息并获得一定的空间分集增益，从而解决单用户频谱感知中存在的问题，提高频谱感知的检测性能。由于无线信道的特征，信号在传播过程中不断衰落，认知车辆与主用户信号发射机之间的距离直接影响其接收信号的信噪比，影响频谱感知的检测性能。此外，认知节点的空间相关度决定了空间分集增益，如果参与协作的认知车辆接收到的感知信息相关性较强，空间分集增益就会较小，系统检测性能的提升也随之下降。因此，协作频谱感知系统的检测性能受多方面因素影响，如何在保证感知性能的同时节省系统开销，需要研究相关的协作节点选取和融合算法来解决这一问题。

2.1  路径损耗和阴影效应

假设主用户信号发射机和认知车辆的位置可以通过GPS定位模块获知。认知车辆的位置决定了无线信号传播过程中所经历的衰落，路径损耗模型为对数正态阴影衰落模型[10]：

（8）

其中，LF（d0）表示在参考距离d0处的路径损耗，参考距离由环境确定。n为路径损耗指数，取值由周围的环境决定，一般为2～6。Wσ表示服从N（0，σ2）的正态随机变量。

当两个认知车辆间的距离小于一定值时，两者受到的阴影效应将具有一定的相关性[11]，该定值被称为相干距离dcorr。当两个认知车辆之间的距离dij

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

式（9）中，Rij是Gunmundson提出的基于距離的阴影相关系数，认知车辆之间的距离越短，接收的信号相关性越大。

协作频谱感知中，认知车辆与主用户信号发射机之间的距离决定了信号的路径损耗。认知车辆之间的相关性决定协作感知的空间分集增益。因此，本文提出了一种基于车辆位置和相关性的协作节点选取算法。

2.2  基于车辆位置和相关性的协作节点选取算法

车辆移动过程中向路侧单元发送通信请求，开启认知功能，假设有M个认知车辆在主用户信号发射机覆盖范围内，路侧单元根据接收到的认知车辆的位置信息进行协作节点的选取，具体的实现方法如图3所示：

步骤一，路侧单元接收到M个认知车辆节点发出的通信请求以及相应的位置信息。

步骤二，路侧单元计算t 时刻各个认知车辆节点之间的距离dij（t）。假设表示在t 时刻认知车辆节点CRi和CRj之间的距离，则：

（10）

步骤三，确定参与协作的认知车辆节点数K。根据所需感知准确度和系统开销折中选取参与感知所需的车辆线密度ρ，单位veh/m。车辆节点数K=ρ×dms（t），dms（t）表示t 时刻M个认知车辆节点之间的最远距离。如果认知车辆密度很小，上报感知结果的认知车辆数M ≤K，则全部车辆参与协作感知，K=M 。

步骤四，计算认知车辆与主用户发射机之间的距离以及认知车辆节点之间的相关性。认知车辆节点C Ri和C Rj之间在t时刻的相关性为：

（11）

特别地，当i=j时，Ri，j（t）=0，计算t时刻认知车辆CRi与其他M-1个认知车辆节点之间的相关性之和Ri（t）：

（12）

计算t时刻认知车辆CRi与主用户信号发射机之间的距离di，p（t），认知车辆CRi和主用户信号发射机的位置坐标分别为（xi， yi）和（xp， yp）：

（13）

步骤五，归一化处理认知车辆与主用户发射机之间的距离以及认知车辆节点之间的相关性，定义新的参数Node。

（14）

（15）

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

α 和β 分别表示认知车辆节点之间的相关性和认知车辆与主用户发射机之间的距离的权重系数，取值范围为（0， 1），且满足α +β=1。针对车辆相对密集的场景，认知车辆节点之间的相关性对检测性能的影响更大，可以设置较大的α值;反之，可以设置较大的β值。

步骤六，从M个认知车辆节点中，选取Nodei值最小的K个作为参与协作的车辆节点进行频谱感知，即选取距离主用户信号发射机较近、与其他认知车辆相关性较小的前K个认知车辆参与协作感知。

2.3  数据融合判决

数据融合技术是协作频谱感知技术中必不可少的一个环节，路侧单元根据协作节点选取算法从M个认知车辆中选取K个参与协作，将接收到的K个2 bit感知结果进行融合判决。现有的融合判决方法主要包括硬判决融合和软判决融合。硬判决融合实现简单，感知开销小，但性能较差;而软判决融合检测性能虽好，但计算复杂度高，系统开销大。本文提出一种介于硬判决融合和软判决融合之间的数据融合方法，认知车辆将2 bit的本地判决结果及其位置信息上传到路侧单元，路侧单元基于车辆位置和相关性进行线性加权融合得出最终的判决结果。通过各参与协作的认知车辆的Node值，获得认知车辆CRi的加权系数：

（17）

Nodei越小，认知车辆距离主用户信号发射机越近，与其他车辆相关性越小，权值越大。K个认知车辆进行线性加权融合的判决量为：

（18）

（19）

式（18）中，Di为认知车辆CRi的本地判决结果所对应的的十进制值。路侧单元通过对比参与协作认知车辆的线性加权融合的判决量与预设门限获取最终判决结果：

（20）

k为协作感知判决门限（通常设为2），D=0表示判决结果为主用户不存在，认知车辆可以使用该频段进行通信，D=1表示主用户存在，授权频段不可用。

3   仿真结果与分析

针对真实的交通场景设置车载移动场景，假设认知车辆行驶在双向四车道的高速公路上，道路长2 000 m，宽20 m，单个车道宽5 m。认知车辆节点服从泊松分布进入主用户覆盖范围内。主用户距离道路的最短距离100 m，感知周期T为0.1 s，感知时长1 ms，路径损耗指数为2，路径损耗参考距离d0=10 m，相干距离dcorr=50 m，蒙特卡洛仿真次数为5 000。

首先对节点选取算法进行仿真实现分析。由于车辆的流动性，在主用户信号发射机覆盖范围内认知车辆的个数也具有波动性，但覆盖范围一定，根据所提算法假设车辆间最远距离为定值，即道路长度2 000 m，选取参与协作感知所需的车辆密度ρ=0.01 veh/m，即选取K=p×dms（t）=20个认知车辆参与协作。图4所示为不同节点选取算法选取协作节点的性能比较，可以看出，所提算法具有更好的检测性能。这是由于本文除了考虑了阴影效应的影响外还考虑了路径损耗的影响，选取较近的节点参与协作只考虑了路径损耗对接收信号信噪比的影响，没有考虑阴影效应对相关性的影响。而文献[12]所提的所提相关性较小准则相比节点选取算法只考虑相关性而忽略了路径损耗的影响。

图5所示为在车辆自由移动的场景下，选取不同密度的认知车辆参与协作感知的检测性能。从图中可以看出，虚警概率一定的情况下，所需选取参与协作认知车辆的密度越大，即为一定距离内选取参与协作的车辆数越多，协作频谱感知的检测性能越好。

本文提出的改进后双门限检测算法上传2 bit的本地量化信息到路侧单元，不同的本地判決结果对应不同的十进制数，增加了检测统计量落在确定区域的权重系数。图6所示为所改进的双门限能量检测算法和单门限能量检测算法进行线性加权数据融合后的性能对比。从图中可以看出所提算法不仅解决了感知失败的问题，还提高了系统频谱感知的检测性能。

图7将所提现有协作频谱感知算法进行比较。从图中可以看出，所提出的2 bit半软半硬融合的方案表现出比传统的1 bit“K”秩准则的硬判决方案好得多的性能，代价是每个参与协作的认知车辆多了一个比特的开销。文献[12]基于节点之间的相关性进行线性加权融合，忽略了路径损耗的影响，与传统硬判决融合相比检测性能显著提高。软判决中的最大比合并从本地认知车辆接收原始感知数据，根据信噪比大小进行线性加权融合判决，从图中可以看出，该方法的检测性能最好，但是感知开销很大。而2 bit半软半硬融合方案与最大比合并的软判决融合方案表现出的性能相差很小，但其具有更低的复杂性和开销。因此，所提的2 bit半软半硬融合的方案实现了检测性能和复杂性之间的良好折中。

4   结束语

本文在现有协作频谱感知算法的基础上，提出一种改进的双门限能量检测方案，对不确定区域的检测统计量也进行判决，保留更多的感知信息;其次，考虑路径损耗和阴影效应对频谱感知的影响，引入新的选择标准，选取距离主用户信号发射机较近、与其他认知车辆相关性较小的前K个认知车辆参与协作感知;接着提出一种介于硬判决融合和软判决融合之间的数据融合方法，认知车辆传递2 bit的感知信息，路侧单元基于车辆位置和相关性进行线性加权融合判决。仿真结果表明，所提算法在车联网场景下具有较好的检测性能，实现协作频谱感知检测性能和系统开销的良好折中。

参考文献：

[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無线通信技术及MATLAB实现[M]. 孙锴，黄威，译. 北京： 电子工业出版社， 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. ★