CN111065070A - 一种认知车联网中的合作毫米波频谱感知方法 - Google Patents

Abstract

本发明公开了一种认知车联网中的合作毫米波频谱感知方法，其中利用感知结果相似度以及车辆移动模式相似度对用户选择建立优化模型，根据接收的毫米波信号中的噪声和干扰不确定性设计了基于DS(Dempster‑Shafer)证据理论的融合方法，实现了在认知车联网中的合作毫米波频谱感知，有效提高了感知性能。本发明引入皮尔逊相关系数表征认知用户处于同一授权用户波束范围的可能性，并基于车辆的移动性模式限制合作用户的选择，保证参与合作的用户能在同一时间段内对同一授权用户进行感知；考虑噪声和干扰不确定性表征了认知用户对于本地感知的不确定性并基于此进行基于DS证据理论的融合，实现在噪声和干扰不确定性情况下感知性能的提高。

Description

一种认知车联网中的合作毫米波频谱感知方法

技术领域

本发明属于无线通信领域，涉及认知无线电的频谱感知技术，具体地说它是一种面向认 知车联网的合作毫米波频谱感知方法。

背景技术

车联网被认为是在未来的智能交通***(ITS)中发挥关键作用的技术，以提高驾驶安全 性、提供车载娱乐、增强道路驾驶体验并提高交通效率。随着车联网规模的不断增大，其对 更多频谱资源的需求也日益紧迫。现有的车联网通信协议802.11p和LTE-V难以满足车联 网高速率低时延要求。目前商业化的毫米波***已经可以确保高达7Gbps和小于10ms的 延迟，因此现有研究认为将毫米波用于车联网是未来车联网的发展趋势。认知无线电的频谱 感知技术能够使非授权用户接入空闲可用频谱，在使用毫米波的车联网中实现频谱感知可以 有效利用毫米波频段资源，提高频谱利用率。同时考虑到车联网复杂的通信环境，在车联网 中单个节点的频谱感知结果可能不可靠，因此实现认知车联网中的合作毫米波频谱感知具有 重要意义。然而，由于毫米波信号具有与sub-6GHz信号不同的传输特点且车联网中感知用 户的高移动特性，如何针对毫米波信号的传输特性以车辆移动性进行合作频谱感知亟待解决。

现有研究还未有在车联网场景中考虑合作毫米波频谱感知的，目前对于毫米波信号的合 作频谱感知尚处于初步阶段。一般合作感知的研究分为两部分，一部分是对如何选择用户进 行研究，一部分是对如何做融合进行研究。已有研究提出使用协同过滤的方法基于感知用户 之间的相似性实现频谱可用性的学习。这种方法对于感知结果相似性的使用可以解决未知合 作用户是否在同一授权用户波束范围内时的用户选择问题，但是由于此方法没有考虑用户的 移动性而无法用于车联网场景。另一方面，对于结果的融合，现有研究提出在噪声不确定时 进行基于DS(Dempster-Shafer)证据理论的融合，但是该方法没有考虑毫米波接收信号 中的干扰也存在不确定性。因此需要研究一种既能考虑毫米波特性的又能基于车辆移动性的 合作频谱感知方法。

发明内容

本发明的目的是为了解决上述问题，基于毫米波的波束方向性以及车辆移动性，提供一 种认知车联网中的合作毫米波频谱感知方法，适用于使用毫米波通信的认知车联网。本发明 通过进行最优合作用户的选择，然后在噪声及干扰不确定的情况下进行基于DS证据理论的 融合，得到全局判决结果，实现合作频谱感知。

为了达到上述技术效果，本发明的一种认知车联网中的合作毫米波频谱感知方法的实现 步骤包括：

单个认知用户采用能量检测进行本地感知；

基于认知用户的感知结果建立感知结果相似度表达式，以及认知用户的移动模式相似度 表达式；以最大化感知结果相似度为目标，以认知用户的移动模式相似度小于门限值和参与 合作的用户数为限制条件，构建合作用户选择最优化模型，使用自适应遗传算法进行求解得 到最优的合作用户；

建立噪声不确定性时检测概率的表达式，以及干扰不确定时检测概率的表达式，计算各 合作用户对于本地感知结果的不确定性；根据DS理论的融合规则，分别计算各合作用户的 基本概率分配、归一化常数、组合mass函数，并得到全局判决规则，得到最终判决结果。

本发明的优点在于：

(1)在不影响授权用户的情况下，根据合作感知的全局判决结果决定认知用户是否可以 接入空间可用信道，提高了频谱使用效率；

(2)针对毫米波的波束方向性以及车辆移动性进行合作用户的选择，在车辆高移动性情 况下保证合作感知的性能；

(3)根据接收信号中噪声和干扰的不确定性进行融合，提高了合作感知的融合方法应对 不确定的能力。

附图说明

图1：本发明实施例的认知车联网中合作毫米波频谱感知的***模型示意图；

图2：本发明实施例提供的认知车联网中合作毫米波频谱感知方法的流程图；

图3：本发明与背景技术中提到的基于波束的用户选择和基于噪声不确定性的融合方法 的信噪比-检测概率对比图(坐标图)；

图4：本发明与背景技术中提到的基于波束的用户选择和基于噪声不确定性的融合方法 的车辆速度-检测概率对比图(坐标图)；

图5：本发明与背景技术中提到的基于噪声不确定性的融合方法在不同干扰不确定时的 信噪比-检测概率对比图(坐标图)。

具体实施方式

为了使本发明能够更加清楚地理解其技术原理，下面结合附图具体、详细地阐述本发明 实施例。

本发明的认知车联网中合作毫米波频谱感知的***模型示意图如图1所示，该网络中存 在一个授权用户，M个认知用户，一个融合中心。其中车辆使用毫米波与其他车辆和路边基 础设施进行通信。每辆车都配备多根天线来实现波束成形来进行毫米波通信。当存在授权用 户占用频谱时，每个认知用户的接收信号包括三部分，分别是：授权用户发送的信号，噪声 和来自其他用户的干扰。认知用户基于接收到的信号进行本地频谱感知。M个认知用户需要 经过用户选择算法得到合作用户。每个合作用户的频谱感知结果将上传至融合中心参与判决， 融合中心使用融合算法进行最终的判决。

本发明的一种认知车联网中合作毫米波频谱感知方法流程参考图2，步骤包括：

认知用户采用能量检测进行本地感知S1：首先根据毫米波的波束方向特性建立接收信号 模型，然后建立频谱感知二元假设模型，并作能量检测，具体过程如下：

建立接收信号模型S11：认知用户接收到的信号x为:

x＝S+N_w+I

其中S为主用户发送的信号，N_w,I分别是噪声和干扰。下面将根据毫米波的传输特性分别 具体地分析S,N_w和I。

假设发射机和接收机使用的波束形成矢量为w_T,w_R，分别为N_TX×1和N_RX×1矢量，其中 N_TX和N_RX分别为发射机和接收机的天线数。授权用户的信号s由波束形成矢量w_T进行处理， 然后通过毫米波信道H进行传输，到达接收机后经过接收机的波束形成矢量w_R进行接收。所 以S可以表示为:

S＝w_R ^HHw_Ts

其中(·)^H表示求共轭转置。

类似于S的表示，N_w可以写成:

其中n为均为零值，方差为

的加性高斯白噪声(AWGN)。

同样，I可以写成:

其中

为第k个干扰用户引起的干扰，w_Ik和s_k是第k个干扰用户的波束形成矢 量以及由第k个干扰用户发送的信号，K为干扰用户的数量。

建立频谱感知二元假设模型S12：

其中i＝1,...,N，表示采样时刻，H₀表示从接收到的信号中没有检测到授权用户存在，即这 个信道被认为是空闲的，而H₁表示这个信道被授权用户占用，即这个信道不能被认知用户使 用。

采用能量检测进行本地判决S13：

η为判决门限。

建立用户选择优化问题并求解S2：本发明合作频谱感知方法的第一阶段是进行用户选择， 目的是在保证合作用户的移动性模式相差在允许范围内时，使各合作用户之间的感知结果相 似度最大，以选出移动性模式相似且处于同一授权用户波束范围内的认知用户。因此建立优 化问题，过程如下：

计算各认知用户之间的感知结果相似度S21：

其中r_i和r_j表示用户i和用户j的感知结果，Sim(i,j)越大则表示用户i和用户j越有可能 处于同一授权用户的波束范围内。

计算各认知用户的移动模式相似度S22：先计算用户i和用户j的相对方向RD(i,j)和速 度比率SR(i,j)：

RD(i,j)＝cos(θ_i-θ_j)

其中θ_i，θ_j∈(-π,π)分别表示用户i和用户j的移动方向，v_i,v_j分别表示用户i和用户j的速度。 然后计算用户i和用户j的空间依赖SD(i,j)：

SD(i,j)＝RD(i,j)*SR(i,j)

由两两用户之间的空间依赖可以计算用户i的移动模式相似度TSD(i)：

建立优化模型并求解S23：根据S11得到的感知结果相似度和S12的移动模式相似度， 将优化模型建立为如下形式：

s.t.u_iTSD(i)≤Mob,i＝1…M

u_i＝{0,1}

其中u_i＝0时表示不选择用户i，u_i＝1时表示选择用户i，Mob表示移动模式相似度的门限值， K表示参与合作的用户数量的最大值。

接下来采用自适应遗传算法求解优化模型，初始化种群，种群中每个个体的染色体序列 为[u₁,u₂,...,u_M]；将种群中每个染色体序列代入适应度函数以计算适应度；在当前种群中选择 适应度高的染色体；根据自适应交叉概率交换种群中一对染色体的相应基因区段；根据自适 应突变概率随机改变染色体的值，从选择步骤开始重复执行选择、交叉、突变步骤，直到得 到解[u₁ ^*,u₂ ^*,...,u_M ^*]。

融合中心对来自各合作用户的本地感知结果进行融合S3：由于接收信号同时含有噪声和 干扰且噪声和干扰在实际情况中时不确定的，本方法针对噪声和干扰不确定性进行融合，具 体步骤如下：

计算噪声不确定性时各合作用户对于本地感知结果的不确定性S31：首先对噪声的不确 定性进行建模。假设用户i的接收信号中噪声部分为零均值的高斯白噪声，噪声方差为

范围为

其中ρ_i≥1为用户i的噪声方差不确定性参数，噪声方差的下界和上界 分别记为

当

时，得到最大的检测概率，记为

当

时，得到最小的检测概率，记为

噪声不确定性时用户i对于本地感知结果的不确定 性为：

计算干扰不确定性时各合作用户对于本地感知结果的不确定性S32：接收信号中干扰部 分的能量为受波束对准增益、信道增益和信号能量的影响，在信道增益和信号能量一定的情 况下，干扰的不确定性来自影响波束对准增益的对准角度θ，在本地感知算法中假设θ∈[0,ε] 时为有误差的对准，接收到这样的信号则认为授权信号存在，θ∈[ε,π]时认为波束不对准， 接收到这样的信号作为干扰。由于每个用户的可接受的最大对准误差值不同且不确定，因此 每个认知用户中接收信号中的干扰部分也具有不确定性。假设用户i的可接受的最大对准误 差值ε_i的不确定范围为

其中τ_i为ε_i的不确定参数。ε_i的下界和上界分别记为 ε_li,ε_ui。与噪声对检测概率的影响类似，当

时，干扰最大，得到最小的检测概率， 记为P_di(ε_li)，当ε_i＝ε_ui＝τ_iε_Ii时，干扰最小，得到最大的检测概率，记为P_di(ε_ui)。干扰不确 定性时各合作用户对于本地感知结果的不确定性为：

β_i＝P_di(ε_ui)-P_di(ε_li)

融合中心根据本地感知的不确定性进行融合并做全局判决S33：同时考虑噪声和干扰不 确定时，当

且ε_i＝ε_ui＝τ_iε_Ii时，得到最大的检测概率，记为

当

且

时，得到最小的检测概率，记为

令

则δ_i的值可表示用户i对本地感知结果的不确定程度。

利用不确定程度δ_i进行DS融合。首先用户i的假设空间为{φ,H₀,H₁,{H₀,H₁}}，参与融 合的用户总数为M_num。然后进行基本概率分配：

m_i(φ)＝0

m_i(H₀)＝(1-δ_i)p_i(H₀)

m_i(H₁)＝(1-δ_i)p_i(H₁)

m_i({H₀,H₁})＝1-m_i(H₀)-m_i(H₁)＝δ_i

m_i(·)为基本概率分配函数。基于以上的概率分配，可以计算DS融合中的归一化常数K：

其中A_i为第i个合作用户的假设空间中的某一假设。计算H₀,H₁的组合mass函数：

融合中心根据两种假设的组合mass函数进行最终判决：

γ为判决门限值。

图3、图4和图5表示了本发明的认知车联网中的合作毫米波频谱感知方法的使用效果 图。其中OPS为本发明的基于最优化的合作用户选择算法，NIUF为本发明的基于噪声干扰 不确定的融合方法，BS为背景技术中提到的基于波束的用户选择算法，NUF为背景技术中 提到的基于噪声不确定的融合方法。OPS+NIUF为本发明的合作毫米波频谱感知方法。另外， 将OPS+NUF方法与BS+NUF方法对比可以反映本发明的基于最优化的合作用户选择算法 的效果，将BS+NIUF方法与BS+NUF方法对比可以反映本发明的基于噪声干扰不确定的融合方法的效果。

图3比较了在信噪比变化时所实现的检测概率的值，由图可知，本发明提出的 OPS+NIUF方法有最好的检测性能，这是因为本发明所提的方法及考虑了毫米波的特性又适 应了车联网的车辆移动性。OPS+NUF方法与BS+NUF方法对比反映了本发明的用户选择 算法的效果，BS+NIUF方法与BS+NUF方法对比反映了本发明的基于噪声干扰不确定的 融合方法的效果。

图4比较了四种算法在车辆速度变化时所实现的检测概率的值，由图可知，随着车辆速 度增加，四种算法的检测概率都有下降，这是因为当车辆速度增加时，参与合作的用户可能 有些很快离开了授权用户的波束范围而有些还未离开，而本发明所提的用户选择算法的检测 概率随速度增加下降不大是因为在选择时选择了移动模式相似的一组用户，从而尽可能保证 合作用户将同时处于授权用户波束范围内或外。

图5比较了BS+NIUF方法与BS+NUF方法在不同干扰不确定性时的信噪比和检测概率的关系，由图可知，当干扰不确定性增大时，两种方法的检测性能都将下降，这是因为每个用户的本地感知性能都下降了，但是本发明所提的基于NIUF的融合方法使得检测性能下降很小，能抵抗干扰的不确定性，而背景技术中提到的NUF方法使得检测性能下降较多， 这是由于本发明在做融合时是同时考虑噪声和干扰的不确定性进行融合，已对干扰的不确定性进行了处理。

综上所述，通过实施本发明实施例的认知车联网中的合作毫米波频谱感知方法，能够在 车联网场景中对使用毫米波通信的认知车辆进行合作用户选择并基于干扰和噪声不确定性进 行融合，从而实现合作频谱感知。

以上所述是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说， 在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也视为本发明 的保护范围。

Claims (4)

1.一种认知车联网中的合作毫米波频谱感知方法，其特征在于，该方法的实现步骤包括：

S1，根据毫米波的波束方向特性建立接收信号模型，然后建立频谱感知二元假设模型，并作能量检测；

S2，建立优化问题进行合作用户的选择，选出移动性模式相似且处于同一授权用户的毫米波波束范围内的认知用户；

S3，在接收信号中的噪声和干扰不确定性情况下计算本地感知对于感知结果的不确定性，并基于DS(Dempster-Shafer)证据理论进行融合，并作全局判决。

2.按照权利要求1所述方法，其特征在于，步骤S1中认知用户进行本地感知的过程包括：

首先表征认知用户在授权用户存在的情况下的接收信号表达式：

其中，w_T,w_R为发射机和接收机使用的波束形成矢量，H为毫米波信道矩阵，s是授权用户的发送信号，n为加性高斯白噪声，

为第k个干扰用户引起的干扰，w_Ik和s_k是第k个干扰用户的波束形成矢量以及由第k个干扰用户发送的信号，K为干扰用户的数量；(·)^H表示求共轭转置；

其次表征频谱感知二元假设模型：

其中i为采样时刻，H₀表示从接收到的信号中没有检测到授权用户存在，即这个信道被认为是空闲的，而H₁表示这个信道被授权用户占用，即这个信道不能被认知用户使用；

最后表征本地感知的能量检测判决表达式：

η为判决门限值，表征结束。

3.按照权利要求1所述方法，其特征在于，步骤S2中合作用户选择的过程包括：

首先构建最优化模型：

s.t.u_iTSD(i)≤Mob,i＝1…M

u_i＝{0,1}

其中u_i＝0时表示不选择用户i，u_i＝1时表示选择用户i，M为所有待选择的认知用户的数量，Sim(i,j)为用户i和用户j之间的感知结果相似度，Sim(i,j)越大表示用户i和用户j越有可能处于同一个授权用户的波束范围内，TSD(i)为用户i的移动模式相似度，Mob为移动模式相似度的限制门限，此优化模型可以选出移动模式相似且处于同一授权用户波束范围的认知用户以进行合作，然后采用自使用遗传算法对此优化问题进行求解得到合作用户。

4.按照权利要求1所述方法，其特征在于，步骤S3设计针对在噪声和干扰不确定性下的融合过程包括：

首先表征噪声和干扰不确定性时各合作用户对于本地感知结果的不确定性：

表示用户i噪声方差，ε_i表示用户i的最大对准角度误差值，

分别表示噪声方差的下界和上界,ε_li,ε_ui分别表示最大对准角度误差值的下界和上界，当ε_i＝ε_ui时，干扰值最小，当ε_i＝ε_li时干扰值最大；

为当

且ε_i＝ε_ui时，得到的最大检测概率，

为当

且ε_i＝ε_li时，得到的最小检测概率；

然后表征用户i的假设空间为{φ,H₀,H₁,{H₀,H₁}}，基于DS(Dempster-Shafer)证据理论进行基本概率分配：

m_i(φ)＝0

m_i(H₀)＝(1-α_i)p_i(H₀)

m_i(H₁)＝(1-α_i)p_i(H₁)

m_i({H₀,H₁})＝1-m_i(H₀)-m_i(H₁)＝α_i

m_i(·)为基本概率分配函数，基于以上基本概率分配，计算归一化常数、组合mass函数M(H₀)、M(H₁)，融合中心根据两种假设的组合mass函数以及判决门限γ进行最终判决：

方法结束。

Images