CN112350789B - 一种基于能效最大化的认知IoV协作频谱感知功率分配算法 - Google Patents

Abstract

本发明公开了一种能效最大化的认知车联网协作频谱感知功率分配方法。该方法采用了分布式算法对目标函数进行建模，根据最大化***能效的优化目标，并加入认知***最低通信速率，主用户干扰和发射功率等要求。近似最优解求解过程中，采用分式规划将拟凹问题转换为凸函数，得到新的目标函数，将采用混合频谱接入方式所需的两种发射功率作为目标函数的变量，通过子梯度算法，获得最优拉格朗日乘子，代入最优解中，最终，完成最优功率分配。MATLAB通信仿真环境下的仿真实验证明了该方法可以提高能效并且保证***感知性能。

Description

一种基于能效最大化的认知IoV协作频谱感知功率分配算法

技术领域

本发明涉及一种认知车联网技术，尤其涉及一种认知车联网的频谱感知方法，更具体地说，涉及一种基于能效最大化的认知车联网协作频谱感知功率分配方法。

背景技术

车联网(Internet of Vehicle，IoV)是指由车辆位置，速度和路线等信息组成的巨大网络。随着信息技术的快速发展，人们对通信的要求日益增高，合理高效地分配无线信道资源是热点问题。目前，IoV中的资源分配(ResourceAllocation，RA)面临着许多挑战。第一，随着IoV及相关应用基础设施数量不断增加，通信业务量大大提升，导致专用短距离通信(Dedicated Short Range Communications，DSRC)频谱资源短缺；第二，由于IoV是智能交通***(Intelligent Transportation System，ITS)的基础，因此，为了保证交通***的安全，对***的实时性要求更严格的；第三，车联网在密集型的城市道路中应用，周围建筑物较多，这样就会造成用户间的干扰严重。

在认知车联网环境中，由于车辆位置的时变性，频谱感知的信道状态信息容易受到阴影衰落、多径效应等因素的影响，而且车联网周围建筑物较为复杂使得传播环境也较为复杂，仅仅依靠一个用户进行频谱感知很难获得正确的感知结果，大大降低了检测的准确性，从而导致主用户通信受到干扰并且频谱利用率的也会下降。因此，需引入多用户进行协作感知，共享频谱感知信息，综合判断授权频谱是否处于空闲状态。协作频谱感知的过程一般包括：首先，单个次用户进行本地频谱感知，将感知结果传送到融合中心(FusionCenter，FC)；然后，FC采用不同融合规则来决策；最后得到全局决策结果。

但是随着本地感知的次用户数量的增加，尤其是面对车流量密度很大的场景时，协作频谱感知会带来大量额外的能量消耗。同时随着社会、科技的发展，信息通信行业的能量消耗也正在以惊人的速度持续增长，进一步加剧环境的恶化。所以如何控制过度的能量消耗已经成为了新一轮亟待解决的难题，由此，学术界也提出了“绿色通信这个概念”。对于优化能效(Energy Efficiency，EE)的频谱感知，人们目前也有了一些研究成果。有文献提出了最大化***能效的多信道协作频谱感知优化问题，并且联合考虑了最优传输功率、感知时间和协作次用户的数目对***性能的影响，但是没有考虑频谱利用率；有文献提出了一种能效最大化的OSA协作频谱感知模型，通过采用迭代算法以及优化单个次用户的检测阈值来进一步提高***能效，但是也没有考虑频谱利用率；有文献提出在underlay模式下将用户中断概率作为约束条件，联合考虑到***模型中，但是对主用户的干扰较大。上述文献考虑的都是OSA或者频谱共享的频谱接入模型。因此，本发明采用Hybrid频谱接入技术下的协作频谱感知模型，并且针对报告信道存在报告错误的情况，将错误概率考虑到***模型中，将次用户发送端平均传输功率、主用户干扰以及***速率等作为约束条件，能效最大化作为优化目标，在提高了***的能量效率的同时降低了对主用户的干扰。

发明内容

发明目的：针对现有技术存在的上述问题，提出一种基于能效最大化的认知IoV协作频谱感知功率分配方法，该方法能在Hybrid频谱接入模式下实现能效最大化。

技术方案：在基于能效最大化的认知IoV中，提高能效，并且保证***感知性能为目的。针对报告信道存在报告错误的情况，将错误概率考虑到***模型中，同时联合次用户发送端平均传输功率、主用户干扰以及***速率等约束条件，联合优化***的能量效率。通过建模并采用分式规划以及拉格朗日迭代法求出目标函数的最优功率分配。完成上述发明通过以下技术方案实现：认知车联网中一种基于能效最大化的协作频谱感知功率分配方法，其特征在于，包括步骤如下：

(1)，所有次用户进行协作频谱感知，得出全局决策的虚警概率和检测概率，在***模型中考虑频谱感知错误概率，得到平均速率与平均总能耗的表达式；

(2)，在次用户发送端平均传输功率、主用户干扰以及***速率等约束条件下，确定最大化能效的***模型，得到目标函数；

(3)，采用分式规划将拟凹问题转换为凸函数，得到新的目标函数，将采用混合频谱接入方式所需的两种发射功率作为目标函数的变量；

(4)，构造拉格朗日函数，根据KKT条件，得到最优解；

(5)，采用子梯度算法，获得最优拉格朗日乘子，代入最优解中，完成最优功率分配。

进一步的，所述步骤(1)包括如下具体步骤：

(1a)，次用户进行本地频谱感知，得出本地频谱感知的虚警概率和检测概率；

(1b)，次用户将各自的感知结果汇报给融合中心，融合中心采用“OR”准则进行决策，得出全局决策的虚警概率和检测概率；

(1c)，计算出检测到信道空闲和信道忙的概率，以及在检测到信道空闲或忙的情况下实际信道为忙的条件概率；

(1d)，为提高频谱利用率，采用混合频谱接入方式，当检测到信道空闲时，次用户以功率P₀传输数据，当检测到信道忙时，次用户以功率P₁传输数据；

(1e)，计算出次用户一个时隙内可获得的平均速率为：

次用户一帧内的平均能耗为：

进一步的，所述步骤(5)包括如下具体步骤：

(5a)，初始化分式规划系数α＝α₀，拉格朗日乘子τ⁽⁰⁾＝τ₀，υ⁽⁰⁾＝υ₀，ε⁽⁰⁾＝ε₀，迭代步长δ＞0，误差阈值θ_1，2＞0，F(α₀)＝∞，并给定最大迭代次数L_max；

(5b)，将初始值代入最优解公式，得到初始最优发射功率：

(5c)，更新拉格朗日乘子，直到拉格朗日乘子迭代误差小于预设的误差阈值，此时算法收敛，得到拉格朗日乘子；

(5d)，更新分式规划系数，直到F(α)≤θ₁或迭代次数到达迭代上限，得到分式规划系数，即能效；

(5e)将拉格朗日乘子和分式规划系数代入最优解公式，得到次用户最佳发射功率。

有益效果：本发明提出的一种基于能效最大化的认知车联网协作频谱感知功率分配算法，通过引入Hybrid频谱接入技术进一步提高能效。同时考虑了报告信道错误概率，***平均传输功率、主用户的干扰阈值以及次用户速率等约束条件，联合优化***的能量效率。通过建模并采用分式规划以及拉格朗日迭代法求出目标函数的最优功率分配。仿真结果表明Hybrid模型在最大化***能效方面优于传统的OSA模型，同时还仿真分析了感知时间以及次用户数对***能效的影响，进一步证明了结论的正确性。

附图说明

图1为次用户帧结构；

图2为不同模型下***能量效率随传输功率的变化图；

图3为不同模型下***能量效率随报告信道误差的变化图；

图4为不同模型下***能量效率随感知时间的变化图；

图5为不同模型下***能量效率随次用户数的变化图；

具体实施方式

本发明的核心思想在于：通过引入Hybrid频谱接入技术进一步提高能效。同时考虑了报告信道错误概率，***平均传输功率、主用户的干扰阈值以及次用户速率等约束条件，联合优化***的能量效率。通过建模并采用分式规划以及拉格朗日迭代法求出目标函数的最优功率分配。得到基于能效最大化的频谱分配。

下面对本发明做进一步详细描述。

步骤(1)，所有次用户进行协作频谱感知，得出全局决策的虚警概率和检测概率，在***模型中考虑频谱感知错误概率，得到平均速率与平均总能耗的表达式，包括如下步骤：

假设***有1个主用户和K个次用户，次用户的帧结构如图1所示，其中T为帧长；T_s为感知时间，在该时间段内次用户完成本地频谱感知，初步判定主用户是否存在且假设所有次用户采用能量检测技术同时感知；T_r为报告时间，在该时间段内次用户完成将各自的本地感知结果报告到融合中心，再根据“OR”融合准则做出全局决策；T_d为数据传输时间，在该时间段内次用户接入授权频段进行数据传输。同时，我们认为***模型中所有信道在每一帧内都独立且满足平坦衰落，定义次用户发射机到次用户接收机的信道功率增益表示为G_ss，次用户发射机到主用户接收机的信道功率增益表示为G_sp。

由于本地频谱感知采用能量检测技术，推导可知，此时第k个次用户的本地虚警概率表示为：

其中λ为能量检测阈值；

为噪声方差；f_s为采样频率；Q函数定义为：

同时，第k个次用户的本地检测概率表示为：

其中γ为主用户的平均信噪比。进一步地，若给定

那么表达式1和表达式2之间的关系表示为：

其中Q^-1为Q的反函数。

考虑报告信道不理想的情况考虑到***模型中，用

表示第k个次用户报告时的错误概率。由于融合中心采用“OR”准则，所以联合公式表达式1和2以及报告信道错误概率

此时全局决策的虚警概率和检测概率分别表示为：

其中，根据频谱感知原理介绍，二元假设感知模型存在两种情况，H₀表示为PU不存在的情况，H₁表示为PU存在的情况，与此同时，我们再定义

表示融合中心检测出PU不存在的情况，

表示融合中心检测出PU存在的情况。

为了简化分析，假设所有次用户在相同但是独立的报告信道中传输，表达式5和6可以简化为：

Q_f＝1-[(1-P_f)(1-P_e)+P_fP_e]^K 表达式7

Q_d＝1-[(1-P_d)(1-P_e)+P_dP_e]^K 表达式8

根据主用户的真实状态和频谱感知的结果可知，存在四种组合情况，分别为：

case1：

即检测出的和真实的情况下PU都不存在，该情况下的概率为P(H₀)(1-Q_f)，此时SU以功率P₀进行数据传输；

case2：

即检测出PU存在但是真实情况是PU不存在，该情况下的概率为P(H₀)Q_f，此时SU以功率P₁进行数据传输；

case3：

即检测出PU不存在但是真实情况是PU存在，该情况下的概率为P(H₁)(1-Q_d)，此时SU以功率P₀进行数据传输；

case4：

即检测出的和真实的情况下PU都存在，该情况下的概率表示为P(H₁)Q_d，此时SU以功率P₁进行数据传输。

其中P(H₀)为H₀情况的概率，P(H₁)为H₁情况的概率，且P₀＞P₁。

同时，上述四种情况的发送-接收模型可以表示为：

其中，i＝1，2，...，T_d；x和y分别为发送和接收的信号；h为次用户发射机到次用户接收机之间的信道增益且G_ss＝|h|²；n为噪声信号且满足均值为0，方差为

s为主用户接收到的衰落信号且满足均值为0，方差为

由此，检测出主用户不存在的概率

和存在的概率

可以计算得：

同理，

情况下的概率

和

情况下的概率

分别可以计算得：

进一步地，可以得到次用户在一帧内的速率R_G，表示为：

其中

为给定h和

下的x，y之间的互信息；h_e(.)为微分熵；ω定义为：

推导可知，定义R_ave为R_G的近似，此时R_ave可以表示为：

此时次用户一帧内的平均总能耗表示为：

其中P_s和P_r分别为次用户感知时隙和报告时隙所消耗的功率；P_c为电路功率，即发射机电路(混频器、滤波器、数模转换器等)消耗的功率。

步骤(2)，在次用户发送端平均传输功率、主用户干扰以及***速率等约束条件下，确定最大化能效的***模型，得到目标函数：

对能效的定义为一个时隙内可获得的平均速率与平均总能耗的比值，可以表示为：

表达式18是我们的目标函数，通过优化功率P₀和P₁的分配达到目标函数的最大化。

接着，考虑目标函数的约束条件，首先是功率约束，为了保证次用户的功率预算，需要约束衰落信道下次用户的平均发射功率小于功率阈值，即：

其中，P_ave为次用户发送端平均传输功率阈值。

其次，我们考虑干扰约束，为了保证不影响主用户通信，次用户的干扰必须小于主用户能容忍的最大干扰阈值I^th，表示为：

(T-T_s-KT_r)E{[P(H₁)(1-Q_d)P₀+P(H₁)Q_dP₁]|G_sp|}≤I^th 表达式20

给定P_T和I^th的值。

最后，为了保证次用户的正常通信，其速率要达到一定值，即：

R_ave≥R_min 表达式21

综上，***目标函数可以建模为：

其中，C1、C2、C3分别表示上式表达式19，表达式20，表达式21中的约束，C4保证功率为非负数。

步骤(3)，采用分式规划将拟凹问题转换为凸函数，得到新的目标函数，将采用混合频谱接入方式所需的两种发射功率作为目标函数的变量，包括步骤如下：

首先采用分式规划将拟凹问题转换为凸函数，我们定义一个新的目标函数：

g(P₀，P₁，α)＝R_ave(P₀，P₁)-αE_ave(P₀，P₁) 表达式23

其中α是正系数，此时，优化问题表示为：

表达式24的最优值函数为：

其中S为式表达式22和表达式24的可行域。

因此，表达式24的最优解可以通过下式进行计算得到：

Dinkelbach引理：

当且仅当

当表达式27中条件成立时，表达式22和表达式24有相同的最优解。所以，原优化问题转变为表达式24，对于一个固定的α，可以求出使能效最大化的最优功率分配，再更新α，直到满足式表达式27，此时即可得到表达式22的最优解。

步骤(4)，构造拉格朗日函数，根据KKT条件，得到近似最优解，包括如下步骤：

(4a)，拉格朗日函数表示为：

其中τ、υ、ε分别是约束条件C1、C2、C3的拉格朗日乘子，且三者均非负。对式(3.28)求关于P₀和P₁的偏导，并令导数为0，即

(4b)，根据KKT条件，得到最优解为：

其中，[x]⁺＝max{x，0}。

步骤(5)，采用子梯度算法，获得最优拉格朗日乘子，代入最优解中，完成最优功率分配，包括如下步骤：

本发明采用子梯度算法，以某一合适的步长δ沿着子梯度的方向更新拉格朗日乘子，第i次迭代时，

拉格朗日乘子τ、υ、ε分别按如下公式进行更新：

υⁱ⁺¹＝[υⁱ-δⁱ{I^th-(T-T_s-KT_r)E{[P(H₁)(1-Q_d)P₀+P(H₁)Q_dP₁]|G_sp|}}]⁺ 表达式32

εⁱ⁺¹＝[εⁱ-δⁱ(R_ave-R_min)]⁺ 表达式33

其中，δ是一个大于0的步长序列。

通过迭代计算公式(表达式29-表达式33)直到F(α)≤θ₁成立，此时得到最优功率分配。

最后进行仿真分析，通过仿真工具对上述提到的协作频谱感知功率分配算法进行仿真分析，并与传统OSA模型进行比较，验证结论的可行性，仿真结果为1000次MonteCarlo实验的平均值。在设置***模型参数时，考虑主用户个数为1，次用户个数K＝10，次用户一帧时隙长T＝100ms，T_r＝10μs；同时功率分别为P_s＝0.02w，P_r＝0.05w，P_c＝0.1w；设置P(H₀)＝0.7，P(H₁)＝0.3，Q_d＝0.9，Q_f＝0.1；且f_s＝6MHZ，

γ＝-20dB；信道功率增益G_ss和G_sp是遍历平稳且满足指数分布。为了方便分析，定义传统机会式频谱接入模型下能效最大化算法为“OSA”，本发明所提的Hybrid频谱接入技术模型下的能效最大化算法为“Hybrid”。

在图2中，描述了不同模型下***能量效率和传输功率的关系。从图中可以看出能效随着传输功率P_ave的增加而增大，当P_ave的值大于-10dB之后，能效的值基本不变，这是因为***传输功率阈值越大，原优化问题的关于变量的可行域就越大，能效就越高，但是当传输功率增加到一定值之后，此时约束能效的条件就主要取决于干扰，所以能效会趋于稳定。同时，可以看出当P_ave取固定值时，Hybrid所获得的能效最高，即同等条件下，本发明提出的Hybrid模型能效优于传统OSA。

在图3中，描述了使用传统OSA和Hybrid协作频谱感知模型的能量效率和报告信道错误概率的关系，从图中可以很明显的看出***的能效随着P_e的增大而减小，即报告信道错误概率越大，***能效越低，证明了报告信道错误概率对于***能效的影响；同时固定P_e，可以看出我们所提的Hybrid能效要优于传统OSA。

在图4中，描述了使用传统OSA和Hybrid协作频谱感知模型的能量效率和感知时间T_s的关系，从图中可以看出能量效率随着感知时间的增加先增大后减小，存在最优感知时间为8ms附近，而当超过这个数值，随着感知时间继续增大，会缩短数据传输的时间，消耗更多的能量，进而导致能效降低。同时从图中可以看出相同模型，相同T_s条件下，次用户速率R_min越大，能效越低，这是因为次用户需要消耗更多的能量去满足高速率，从而导致能效随着速率R_min的增加而降低。同样的，同等条件下Hybrid和OSA之间有一定间隔且前者获得的能效大于后者，证明了Hybrid在能效上性能优于OSA。

在图5中，描述了使用传统OSA以及Hybrid协作频谱感知模型的能量效率和次用户数的关系，从图中可以看出，***能效随次用户数的增加而先增大后减小，***存在最优次用户数K＝3。这是因为随着次用户的增多，频谱感知性能的提高优于***传输时间和能耗造成的性能损失，但是随着次用户数再增加，消耗的能量会更多但是频谱感知性能已经趋于稳定，由此能耗造成的性能损失大于频谱感知性能的提高，使得***整体能量效率呈现下降趋势。同时，P_e相同时，我们可以看出Hybrid能效要优于传统OSA。

根据对本发明的说明，本领域的技术人员应该不难看出，本发明的Hybrid模型在最大化***能效方面优于传统的OSA模型，并且能保证***性能。

本发明申请书中未作详细描述的内容属于本领域专业技术人员公知的现有技术。

Claims (1)

1.认知车联网中一种基于能效最大化的协作频谱感知功率分配方法，其特征在于，包括步骤如下：

(1)，假设***有1个主用户和K个次用户，所有次用户进行协作频谱感知，得出全局决策的虚警概率和检测概率，在***模型中考虑频谱感知错误概率，得到平均速率与平均总能耗的表达式；

(2)，在次用户发送端平均传输功率、主用户干扰、***速率以及功率约束条件下，确定最大化能效的***模型，得到目标函数：

其中，P_ave为次用户发送端平均传输功率阈值，R_ave和R_min分别表示次用户的平均传输速率和最小传输速率，I^th表示主用户能容忍的最大干扰阈值；

(3)，采用分式规划将拟凹问题转换为凸函数，得到新的目标函数，将采用混合频谱接入方式所需的两种发射功率作为目标函数的变量：

(4)，构造拉格朗日函数，根据KKT条件，得到最优解：

其中，τ、υ、ε分别为约束条件C1、C2、C3的拉格朗日乘子；

(5)，采用子梯度算法，获得最优拉格朗日乘子，代入最优解中，完成最优功率分配；

所述步骤(1)包括如下具体步骤：

(1a)，次用户进行本地频谱感知，得出本地频谱感知的虚警概率

和检测概率

(1b)，次用户将各自的感知结果汇报给融合中心，考虑报告信道不理想的情况，用

表示第k个次用户报告时的错误概率，融合中心采用“OR”准则进行决策，假设所有次用户在相同但是独立的报告信道中传输，可以得出全局决策的虚警概率和检测概率：

(1c)，采用混合频谱接入方式，当检测到信道空闲时，次用户以功率P₀传输数据，当检测到信道忙时，次用户以功率P₁传输数据；

(1d)，计算出检测到信道空闲的概率

和信道忙的概率

以及在检测到信道空闲的情况下实际信道为忙的条件概率

和忙的情况下实际信道为忙的条件概率

(1e)，计算出次用户一个时隙内可获得的平均速率，其中T为帧长，T_S为感知时间，T_r为报告时间，T_d为数据传输时间，G_ss为次用户发射机到次用户接收机的信道功率增益，G_sp为次用户发射机到主用户接收机的信道功率增益，n为噪声信号且满足均值为0，方差为

s为主用户接收到的衰落信号且满足均值为0，方差为

(1f)，计算出次用户一帧内的平均能耗：

P_s和P_r分别为次用户感知时隙和报告时隙所消耗的功率，P_c为电路功率，即发射机电路消耗的功率；

其中，所述步骤(5)包括如下具体步骤：

(5a)，初始化分式规划系数α＝α₀，拉格朗日乘子τ⁽⁰⁾＝τ₀，υ⁽⁰⁾＝υ₀，ε⁽⁰⁾＝ε₀，迭代步长δ＞0，误差阈值θ₁和θ₂分别满足θ₁＞0且θ₂＞0，F(α₀)＝∞，并给定最大迭代次数L_max；

(5b)，将初始值代入最优解公式，得到初始最优发射功率；

(5c)，更新拉格朗日乘子，直到拉格朗日乘子迭代误差小于预设的误差阈值，此时算法收敛，得到拉格朗日乘子；

(5d)，更新分式规划系数，直到

或迭代次数到达迭代上限，得到分式规划系数，即能效；

(5e)，将拉格朗日乘子和分式规划系数代入最优解公式，得到次用户最佳发射功率。

Images