分级分布式无人机协作频谱感知方法*

余琪琦,王中豪,张福来,祝长鸿,覃团发

(广西大学a.计算机与电子信息学院;b.广西多媒体通信与网络技术重点实验室,南宁 530004)

0 引 言

近年来,无人机(Unmanned Aerial Vehicle,UAV)吸引了各种商业和工业应用的广泛兴趣,其与无线移动网络的集成有望提高频谱使用效率,可以为未来通信网络中的许多挑战提供创新的解决方案[1]。UAV可以快速灵活地部署在空中,执行可靠的传输且能显著降低路径损耗的影响,为不在地面网络覆盖范围内的用户提供无线服务,其未来的趋势则是由多UAV组成UAV网络协同地完成更复杂的任务。然而,在UAV网络中大量无线设备共存导致频谱资源短缺,这已成为UAV通信中较为严重的问题,传统的静态频谱分配策略已无法有效应对。因此,需要通过动态共享频谱资源来寻求新的高效的解决办法。

认知无线电(Cognitive Radio,CR)是未来无线网络中机会利用无线电频谱资源的关键技术,它可以解决频谱稀缺和频谱效率低下问题。在认知无线电网络(Cognitive Radio Network,CRN)中,次级用户(Secondary User,SU)可以在主用户(Primary User,PU)未使用其频段时访问空闲频段,利用这些频段传输数据[2]。UAV网络中频谱稀缺问题同样可以通过访问可用空闲频段来解决,即无人机认知网络(Cognitive UAV Network,CUAVN)。CUAVN的核心任务是寻找频谱空白区域,通过频谱感知获取可用频谱信息。近年来频谱感知的研究主要分为单节点频谱感知(Single Node Spectrum Sensing,SNSS)和协作频谱感知(Cooperative Spectrum Sensing,CSS)。在SNSS中,每个SU感知PU频段并进行局域决策。最常见的SNSS方法包括能量检测、匹配滤波器检测和循环平稳特征检测。但是,SNSS的检测性能通常会受到阴影、衰落和时变等因素的影响,而在CSS中可以克服这些因素的影响。多个SU共享各自的局部感知信息,以获得更可靠的感知结果。CSS方案分为集中式和分布式两种:在前者中,所有由SU观察到的结果都传输至融合中心(Fusion Center,FC),考虑到UAV网络具有节点移动、网络拓扑动态变化、链路不稳定等特点,且在实际约束下很难收集到全部数据,因此集中式不适用于UAV网络;在后者中,相邻的SU是在没有FC的情况下交换感知信息进行协作决策。本文主要研究基于CUAVN的分布式协同频谱感知(Distributed Cooperative Spectrum Sensing,DCSS)。

文献[3]研究了CUAVN的平均吞吐量,UAV作为SU提高网络覆盖率和频谱效率(Spectrum Efficiency,SE),并利用UAV轨迹和资源分配的联合优化设计,在信道干扰和时间约束下实现平均吞吐量最大化。文献[4]通过优化感知时间、UAV数量和判决门限来提高UAV次级认知网络的SE。文献[5]提出了一种包含一个领航UAV和一组跟随UAV的CUAVN模型,跟随UAV采集数据后将数据传送给领航UAV,通过调整感知时间和飞行轨迹实现CUAVN的吞吐量最大化。为提高协作感知网络的吞吐量,文献[6]提出了联合优化感知时间和数据融合准则,文献[7]则提出了联合优化感知时间和功率控制。文献[8]也是通过优化感知时间和传输功率来提高基于UAV的CRN系统的能源效率(Energy Efficiency,EE)。文献[9]同时考虑了UAV网络的SE和EE优化问题,由于空闲频段随时间和空间变化,因此提出了基于主发射器和UAV位置信息联合优化UAV发射功率、感知时间和感知阈值,进一步提高SE和EE的性能。文献[10]研究了CRN中的分布式频谱感知(Distributed Spectrum Sensing,DSS),提出了一种新的共识算法,提供一种分布式最优权重设计,该设计的传感性能有了明显的提高,且其性能可与集中式加权组合方案相媲美,但此方案未考虑到信息交换时延问题。文献[11]提出了一种基于最小生成树的分簇CSS改进算法,以减少分簇过程中的时延。

在CUAVN中,融合时长与感知信息交换次数密切相关,对检测性能影响较大。因此,对于传统的分布式系统,当节点数量较大时通常需要进行大量的信息交换才能得到一致的结果,这大大降低了CUAVN的频谱感知性能。本文研究基于聚类的分级分布式UAV的CSS,以提高CUAVN的感知性能。

1 系统模型

传统的DSS需要进行大量交换才能得到一致结果。为解决数据融合带来的时延问题,需要一种新的分布式架构,且该方案满足完全式分布要求。

图1 基于聚类的UAV感知系统模型

由图2可见,感知时长t由单个UAV感知持续时间、簇内融合持续时间和簇间融合持续时间组成。在感知过程中,每个UAV先进行能量检测,然后采用分级融合方案。在实际认知环境下,认知用户可能会处于移动状态,认知用户的移动性会对用户间的协作检测产生影响。CR用户速度越大,检测性能越差。若移动CR用户与静止CR用户进行协作感知,移动CR用户速度增大,与静止CR用户的协作检测性能逐渐降低。若全部CR用户都在移动,协作检测性能相比移动CR用户与静止CR用户协作感知方案更差。因此,为了保证频谱感知的检测性能和稳定性,UAV在感知过程中采用悬停方式。UAV在每次悬停过程中包含三个阶段:第一阶段是每个UAV采用能量检测算法感知PU的信号强度;第二阶段中每个CL内进行簇内分布式融合;第三阶段是从每个簇中选取一个UAV作为簇头进行簇间的分布式融合,表示为CU={cu1,cu2,…,cuk},CU⊂U。在时间t内UAV为悬停状态,且位置坐标表示为(xi,yi,zi),第i个UAV到PU的距离为di。

图2 频谱感知时间模型

1.1 能量检测模型

由于能量检测较容易实现,且不需要PU的先验信息,本文采用能量检测来测量PU信号。第i个UAV接收到的信号表示为

(1)

第i个SU在N个样本的检测间隔内总统计量为

(2)

在H0假设下,检测统计量服从中心X2分布;在H1假设下,检测统计量服从非中心X2分布。当取样点N足够大时,根据中心极限定理可以得到Yi近似服从正态分布:

(3)

(4)

将检测统计量Yi与检测门限λ相比,若Yi≥λ,则表示PU存在,否则PU不存在。单节点虚警概率和检测概率表示为

(5)

(6)

由恒虚警检测原理得

(7)

(8)

式中:Q函数表示标准正态分布的互补累计分布函数,

(9)

1.2 信息融合算法

CSS分为集中式和分布式:前者是对PU信号进行感知后,将感知信息发送至FC,FC进行集中式信息融合;后者不存在FC,而是通过成员节点之间进行信息交换,从而达到信息一致。

集中式信息融合表达式如下:

(10)

(11)

(12)

虚警概率和检测概率表示为

(13)

(14)

基于一致性收敛的分布式信息融合是各个认知用户进行各自的频谱感知,获得各自测量值Yi,之后将各自的感知信息与其相连的邻居节点进行数据交换。分布式信息融合表达式如下:

(15)

每个节点根据接收到的信号强度进行感知测量,然后利用自己的感知信息与相连邻居的感知信息进行交换融合,迭代更新自己的感知数据。若网络是连通的,随着迭代次数增加,感知信息在网络中扩散,最终网络中每个节点将得到一个一致性收敛结果,即最终的融合结果。

2 算法设计

图3 分级分布式融合方案流程

2.1 K-means聚类算法

K-means算法是最常用的聚类算法,本文选用该算法来对UAV进行分簇,并在考虑本方案的情况上对其进行一定的改进。一方面,使用K-means聚类算法按照位置来进行划分,距离靠近的划分至一个簇中,距离越近小组内成员通信质量越好。另一方面,根据已知UAV数量设定K个簇,可以保证簇内成员数量稍微可控,每个簇中信息融合时间差异不会很大,且每个簇内的数目不大于M/K。算法简要概括如下:在给定K值,随机选出K个初始聚类中心点的情况下,把每个点分到离其最近中心点所代表的簇中,若簇内的数量大于最大值,将最远节点移除,重新加入至其他最近中心点所在簇;所有节点分配完毕之后,根据簇内的所有节点重新计算该簇的中心点(取平均值),然后再迭代进行分配节点和更新聚类中心点的步骤,直至聚类中心点的变化很小或者达到指定的迭代次数。算法步骤如下:

输入:认知UAV三维空间位置坐标xi,yi,zi,期望分簇数K

输出:各簇中成员节点,簇头,聚类中心

1从数据中随机挑选K个对象作为初始聚类中心。

2计算其余UAV到聚类中心的距离,分别将其加入距离最近的簇中。

3若某簇数量大于最大值,将距离最远的UAV移除,并加入其他距离最近的不饱和簇中,至该簇数量符合要求。

4重新计算每个聚类中心。

此时的老砍头，应该不在家里，有可能跟什么人见面，告诉对方，秀容川死了，也可能与哪个相好约会，正搂着对方说笑呢。

5计算标准测度函数,达到标准或达到最大迭代次数,则停止,否则重复2～4步。

7选取每个簇中平稳参数最大的UAV作为簇头。

2.2 两级分布式融合方法

在信息融合阶段,提出了两级分布式融合方案,第一阶段为簇内融合阶段,第二阶段为簇间融合阶段,两个阶段都是在节点之间进行一致性信息融合。第一阶段为

(16)

第一融合阶段每个簇的收敛值为

(17)

(18)

第二阶段与第一阶段相似:

(19)

式中:k=1,2,…,K。

第二融合阶段每个簇的收敛值为

(20)

(21)

式中:ωl=ψkφk,i。

得到的最终融合结果的公式(21)与集中式融合公式(10)相同。可以看出在没有FC的情况下,同样可以得到一个具有全局信息的分布式结果。最后,将最终的收敛结果与检测阈值进行比较,得到最终决策:

(22)

3 仿真与分析

本节使用Matlab平台进行仿真,验证两级分布式频谱感知算法性能。由于DCSS在认知UAV网络中性能研究还不够深入,因此,将本方案与典型的未分级DSS进行比较。

假设所有UAV在感知阶段都是静态的,且具有独立的衰落效应。设置单个UAV感知信息时间为20 μs,UAV最大移动速度为36 km/h,μ1=0.6,μ2=0.4。为研究在信号特别微弱的情况下无人机网络通过协作感知提升感知性能,让感知结果更准确,使用3组不同的数据进行对照,选用-18 dB,-15 dB,-12 dB作为接收 PU信号平均信噪比。在仿真中主要考虑高斯衰落信道,每个UAV分别产生PU信号能量的测量值Yi。在融合阶段,每个UAV设置初始值xi(0)=Yi,使用融合算法进行迭代融合,直到收敛后达到最终共识。在DCSS中,一致性算法的收敛性至关重要,其收敛时间决定了CRN感知能力的敏捷性。接收PU信号平均信噪比为-15 dB,UAV之间通过一致性算法进行信息融合。分级融合是将20个UAV节点分为3簇,在簇内先进行融合得到3个簇内的融合结果,然后将3个结果再进行第二次融合,得到收敛结果如图4所示,表明两种方法最终都收敛至一个值。未分组算法在100次迭代数内,所有UAV之间xi的差异小于0.1 dB,说明对于全局统计量已经达成共识。而图4(b)表示分组后第二次融合在10次迭代数内,全局统计量已达成共识,UAV节点更少,收敛速度更快。

图4 融合结果对比

单个无人机感知信息时间设置为20 μs,簇间和簇内信息融合时间由信息交换次数决定。在一致性融合算法中,信息交换次数与参与分布式融合的认知用户有关。一般来说,认知用户越多,信息交换次数越多。本文对UAV进行分簇,依据分簇后认知用户数量小于总体数量,从而达到减少时延的作用。假设融合时间与迭代次数成正比关系,迭代次数越少,融合时间越短。由图5可见,未分簇融合时间明显大于分簇后融合时间。为进行比较,本文主要考虑检测概率和虚警概率作为性能指标。其中,检测概率是当PU实际存在时判定PU存在的概率,虚警概率是当PU实际不存在判断PU存在的概率。检测概率越大会导致虚警概率越大,从而增加对PU的干扰。虚警概率低下会导致检测概率较低,频谱利用率也会降低。在高斯信道条件下,本文比较了分级与未分级的情况,并且比较了分布式最优权重融合等增益融合以及传统权重融合。

图5 迭代次数对比

图6(a)中参数设置为20个UAV,平均接收SNR为-18 dB,分簇情况下分为3个簇。分级模式在传统权重融合和等增益融合时优于不分级模式。在最优权重融合模式时,性能几乎相同。当虚警概率为0.1时,最优权重融合模式检测概率为0.95,而等增益检测概率为0.25。在三种模式中,等增益融合性能较差。图6(b)中参数设置为20个UAV,接收平均信噪比为-12 dB,分级情况下同分为3个簇。与图6相同,分级模式在传统权重融合和等增益融合时优于不分级模式。在最优权重融合模式时,性能几乎相同。所提出的分级分布式融合方法与未分级分布式融合方法相比较优。

接下来评估所提分级分布式加权组合方案在不同网络规模下的性能。在图7给出了不同网络规模不同融合方式的检测性能曲线。在相同的高斯信道条件下,分别采用30个和50个UAV节点的UAV网络进行性能评估,设置相同的平均接收信噪比-15 dB。在虚警概率较低的情况下,特别是在UAV节点较多时,体现了加权的优势。观察到不同网络规模下最优权值融合模式取得最好性能,当虚警概率设置在0.01～0.1之间时就可达到0.9以上的检测概率。随着网络规模的增大,检测概率也随之增大,且分级分布式融合优于未分级分布式融合。

(a)UAV数量为30

4 结束语

本文提出了一种用于CUAVN的分级分布式频谱感知方案,该方案基于K-means聚类算法和一致性融合算法。当权重因子为SNR或者等增益进行共识时,分级分布式融合方案优于未分级分布式融合方案;当权重因子为最优权重情况下,分级分布式融合方案与未分级融合方案相当。提出的分级分布式融合方案中,每个簇先同时进行分布式信息融合,然后在簇间进行第二次分布式信息融合,从而减少信息融合时延,提高认知UAV网络的频谱感知性能。仿真结果表明,该方案提高了CUAVN的感知性能。

在未来工作中,可以通过机器学习对迭代状态进行预测,减少迭代时间从而减少感知时间,进一步提高CUAVN的感知性能。此外,本文研究的是单一UAV种类场景,暂未研究多种联合场景的跨层设计,今后可深入研究多种类混合使用场景。