CN103237363B - 基于模糊移动尺度的认知无线电Ad Hoc网络分簇方法 - Google Patents

Abstract

本发明公开了一种基于模糊移动尺度的认知无线电Ad Hoc网络分簇方法，主要解决认知无线电Ad Hoc网络中现有技术无法综合考虑认知节点移动性以及感知信道的动态调整而导致分簇不稳定的问题。其实现步骤为：1）建立认知无线电Ad Hoc网络场景，选取主用户节点及认知节点的活动模型；2）根据选取的认知节点模型得出认知节点间以及认知节点和主用户节点间的距离期望值；3）根据距离期望定义信道感知函数和运动关系函数，构造模糊统计移动尺度；4）基于模糊移动尺度进行簇头选举以及簇的划分，最终形成稳定的簇结构。实验仿真结果证明，本发明在多项性能指标上均优于现有的分簇方法，可用于认知无线电Ad Hoc网络的分级结构建立、拓扑维护以及网络扩展。

Description

基于模糊移动尺度的认知无线电Ad Hoc网络分簇方法

技术领域：

本发明属于无线通信领域，涉及到认知无线电Ad Hoc网络中网络节点的分簇组网，可应用在大型认知无线电Ad Hoc网络中建立分级网络结构，优化网络的路由查找、拥塞控制、拓扑维护以及便于网络扩展。

背景技术：

认知无线电Ad Hoc网络是一种多跳，无中心且没有有线基础设施支持，同时具有动态频谱接入特征的移动网络。它是Ad Hoc网络和认知无线电网络的结合。认知无线电Ad hoc网络节点分为获得频谱授权的主用户节点和未授权的认知节点，认知节点利用所有的认知能力来感知周围局部的其它认知节点的活动来决策自身的通信行为。由于认知无线电Ad Hoc网络兼具认知无线电网络及Ad Hoc网络的诸多特性，它在军事战场、传感器网络以及紧急临时场合如灾难救援等有广泛的应用前景。

由于认知无线电Ad Hoc网络中的认知节点无法仅仅通过自身的局部观察来判断自身决策对整个网络的影响，因此不同认知节点间的合作就显得尤为重要。不同认知节点可以将自身的观察信息与周围其它节点进行共享，通过信息的交换，来共同决策自身的通信行为。分簇已经被证明可以使得网络工作得更稳定。首先，通过分簇，可以使得基于簇的频谱感知可靠性增加。它主要可以防止认知用户对主用户造成的干扰，同时也可以防止认知用户使用主用户正在占用的信道。其次，频谱感知需要一系列的认知节点协调合作，以确保准确无误的感知结果。通过分簇能够确保在簇内的所有认知节点同时暂时停止数据的传输，并同步初始化频谱感知过程。再次，通过分簇不同簇轮换地进行频谱感知，簇与簇之间由于主用户的突发性活动导致的冲突大大减少。最后，通过分簇可以使得认知无线电Ad Hoc网络的路由发现和查找更加简单。因此如何在认知节点不断移动，并且兼顾节点的适应动态频谱环境要求的情况下，建立一个稳定的分簇结构是认知无线电Ad Hoc网络分簇算法的一个关键难题。

目前无线电Ad Hoc网络中的移动感知分簇算法主要考虑认知网络环境下，分得的簇结构的连通性问题。例如，一种称作SOC分簇算法（Spectrum-Opportunity Clustering），它将分簇问题转化为求二部图的最大边子集问题。SOC算法首先对每个 认知节点及其对应的一跳邻居节点建立一个二部图，二部图的顶点集分别为认知节点集合和空闲信道集合，随后SOC算法利用贪婪算法求解得出每个节点二部图所对应的最大边子集。SOC算法选取那些最大边子集中信道顶点集元素最多的认知节点作为簇头节点，同时将其对应的子集中的其它认知节点分配到该簇中作为簇成员，得到最后的分簇结果。另外一种称作ROSS-DGA（Robust Spectrum Sharing-Distributed Greedy Algorithm）分簇算法。ROSS-DGA算法定义了两种评价尺度来衡量簇头的选举和簇成员的分配，分别为频谱连通度和局部连通度。ROSS-DGA算法首先选择局部连通度高的节点作为簇头，而将频谱连通度高的节点作为网关节点，这样可以保证簇内共通频率较大的情况下，最大化簇间共通频率数，以保证整个网络的连通性。在簇头选举结束后，ROSS-DGA算法将簇头节点的一跳邻居节点分配到自身所在的作为簇成员，而对于两个簇之间的交叠区域，ROSS-DGA算法采用单例拥塞博弈模型，并利用分布式贪婪算法求解，以使得整个网络的簇内共通信道数最大化，从而增强网络的连通鲁棒性，得到最后的分簇结果。

上述分簇算法均是假定认知节点是固定的或准静止的，这种特例情况与认知无线电Ad Hoc网络中的认知节点具有移动性这一实际情况有较大差别。因此在对认知无线电Ad Hoc网络中认知节点进行分簇处理时，上述分簇算法由于没有考虑认知节点的移动性，从而导致分簇结果并不理想。

因此，在认知无线电Ad Hoc网络中提出一种既考虑节点的通信频率的动态调整又能适应节点的移动特性的分簇算法是值得继续进行研究探索的。

发明内容：

本发明的目的在于针对现有认知无线电Ad Hoc网络移动感知分簇算法的不足，提出一种基于模糊移动尺度的移动感知分簇方法，以使最终所形成的簇结构既考虑节点的通信频率的动态调整又能适应节点的移动特性，提高分簇结果性能。

为实现上述目的，本发明包括如下步骤：

1.一种基于模糊移动尺度的认知无线电Ad Hoc网络分簇方法，包括如下步骤：

（A）根据认知无线电Ad Hoc网络的特性，建立一个认知无线电Ad Hoc网络场景，在本场景下，假定主用户节点是固定的，且主用户节点在信道上的活动服从半马尔可夫开闭过程，即信道在占用和空闲两种状态下切换服从独立的概率分布，假定认知节点的活动服从平滑随机游走模型，即认知节点速率和方向的改变次数分别服从 两个独立的泊松过程：{N₁(t),t≥0}参数为λ₁，和参数为λ₂，其中N₁(t)及N₂(t)分别为认知节点速率及方向改变次数；

（B）根据上述认知无线电Ad Hoc网络场景中认知节点的活动模型，得出认知节点的运动速率v_i(t)和方向的分布函数

$v_i\left(t\right)=\left\{\begin{array}{cc}{v}_{i0}& N_1\left(t\right)=0\\ v_{\mathrm{it}}& N_1\left(t\right)\≠0\end{array}\right.$

其中，v_i0和分别为认知节点i在时间t＝0时刻的初始速率和初始方向；v_it为当认知节点的运动速率改变时所选取的新的速率变量，服从v_min到v_max均匀分布，即 N₁(t)为认知节点速率改变次数；为当移动节点的运动方向改变时所选取的新的方向变量，服从0到2π的均匀分布，即N₂(t)为认知节点方向改变次数；

（C）根据所得到的分布函数，结合随机过程和概率论相关知识得出认知节点i的水平坐标期望和垂直坐标期望

其中，v_i0与为认知节点i的初始运动速率和方向，[v_min,v_max]为认知节点i的运动速率范围，x_i0和y_i0为认知节点i的初始位置的水平及垂直坐标，λ₁和λ₂分别为认知节点速率和方向的改变所服从的两个泊松过程的参数；

（D）根据认知节点i的水平坐标期望和垂直坐标期望构造出认知节点i与认知节点k之间的相对距离期望值Η_i,k，以及认知节点i与主用户PR_j的相对 距离期望值

$H_{i,k}=\sqrt{{[m_{x_i}\left(t\right)-m_{x_k}\left(t\right)]}^2+{[m_{y_i}\left(t\right)-m_{y_k}\left(t\right)]}^2}$

$H_{{i,\mathrm{PR}}_j}=\sqrt{{[m_{x_i}\left(t\right)-x_{{\mathrm{PR}}_{j}0}\left(t\right)]}^2+{[m_{y_i}\left(t\right)-y_{{\mathrm{PR}}_{j}0}]}^2}$

其中，和分别为认知节点i的水平坐标期望和垂直坐标期望，和 分别为认知节点i的水平坐标期望和垂直坐标期望，和为主用户节点初始位置的水平及垂直坐标；

（E）根据认知节点i与主用户PR_j的相对距离期望值定义评估认知节点对主用户所占用的某个信道的感知状态的信道感知函数f_i,j如下：

$f_{i,j}\stackrel{\mathrm{\&Delta;}}{=}{f}_{{i,\mathrm{PR}}_j}(H_{{i,\mathrm{PR}}_j}/R_{{\mathrm{PR}}_j})=\left\{\begin{array}{cc}{e}^{-1/x^2}& x<0.25\\ e^{-1/x}& 0.25\&le;x<0.5\\ e^{-\sqrt{1/x}}& 0.25\&le;x<1.5\\ e^{-1/x}& 1.5\&le;x<1.75\\ e^{-1/x^3}& x\&GreaterEqual;1.75\end{array}\right.$

其中，为主用户PR_j的传输半径，f_i,j∈[0,1]表明感知信道的结果由传统的[0,1]二值信道变为[0～1]区间信道；

考虑认知节点移动性，根据所构造出的认知节点间的相对距离期望值Η_i,k，定义衡量认知节点间的运动关系的函数g_i,k如下：

$g_{i,k}\stackrel{\mathrm{\&Delta;}}{=}g(R_{\mathrm{CR}}/H_{i,k})=\left\{\begin{array}{cc}{e}^{-1/y^2}& \frac{1}{3}\&le;y<\frac{1}{2}\mathrm{or}2\&le;y<4\\ e^{-1/y}& \frac{1}{2}\&le;y<\frac{2}{3}\mathrm{or}\frac{4}{3}\&le;y<2\\ e^{-\sqrt{1/y}}& \frac{2}{3}\&le;y<\frac{4}{3}\\ e^{-1/y^3}& y<\frac{1}{3}\mathrm{ory}>4\end{array}\right.$

其中，R_CR为认知节点的传输半径，

（F）根据信道感知函数f_i,j以及运动关系函数g_i,k，综合考虑认知节点对主用户信道的感知情况以及认知节点间的运动关系，构造模糊移动尺度Ψ_i如下：

其中，N_i为认知节点i的一跳邻居节点集合，为主用户所有信道集合；

（G）根据模糊移动尺度Ψ_i，通过比较认知节点及其一跳邻居节点的模糊移动尺度，实现对认知节点簇头的选举和簇的划分。

2.按照权利要求1所述的方法，其中步骤（G）中所述的通过比较认知节点的模糊移动尺度，实现对认知节点簇头的选举和簇的划分，按如下步骤进行：

（G1）根据认知节点的模糊移动尺度，所有认知节点在分簇初始阶段将自身状态设为未分配状态，然后每隔1秒时间，向一跳邻居节点广播一个包含认知节点的节点标识ID和模糊移动尺度值的Hello数据包；

（G2）根据接收到的来自一跳邻居节点的Hello包信息，认知节点i将自己的模糊移动尺度值Ψ_i与其所有一跳邻居节点的模糊移动尺度值作比较，若认知节点i的模糊移动尺度值最大，则将节点i选作簇头，反之，则认知节点i保持未分配状态不变；如果认知节点i没有邻居节点，则将自己选作簇头节点；

（G3）所有选为簇头的认知节点向所有其一跳邻居节点广播一个包含簇头节点标识ID和模糊移动尺度值的Join数据包，认知节点根据收到的来自不同簇头节点的Join数据包，比较簇头节点的模糊移动尺度，选取模糊移动尺度最大的簇头节点所在的簇作为自己要加入的簇；

（G4）认知节点向自己所要加入的簇的簇头节点发送Accept消息，同时将自己的状态改为已分配，并将簇头节点标识ID作为自己所属簇标志，完成簇头节点的选举和簇的划分。

本发明与现有技术相比较具有如下优点：

a)本发明针对认知无线电Ad Hoc网络场景所提出的分簇方法既能适应节点的移动特性又能适应节点通信频率的动态调整，从而对实际的认知无线电Ad Hoc网络有较强的适用性。

b)本发明所使用的模糊移动尺度是通过节点之间距离期望值构造出来的，而节点间的距离期望值是通过计算推导所得，可以准确地描述认知节点的移动性。

c)本发明定义的信道感知函数在描述认知节点感知信道状态时考虑了认知节点的移动性，使得信道感知结果由传统的[0,1]二值信道变为[0～1]区间信道，感知信道的结果更准确。

附图说明

图1是本发明基于模糊移动尺度的移动感知分簇方法框图；

图2是本发明建立的认知无线电Ad Hoc网络场景示意图；

图3是本发明与现有SOC和ROSS-DGA分簇方法在不同认知节数下进行分簇处理后，分簇结果评价指标平均信道数目的对比图；

图4是本发明与现有SOC和ROSS-DGA分簇方法在不同认知节数下进行分簇处理后，分簇结果评价指标平均驻留时间的对比图；

图5是本发明与现有SOC和ROSS-DGA分簇方法在不同认知节数下进行分簇处理后，分簇结果评价指簇离开率的对比图；

图6是本发明与现有SOC和ROSS-DGA分簇方法在不同认知节数下进行分簇处理后，分簇结果评价指平均簇头生存时间的对比图。

具体实施方式：

本发明的核心思想是针对认知无线电Ad Hoc网络场景从构造一个模糊移动尺度来评估认知节点间的相对运动关系，以及描述认知节点对主用户所占用的信道的感知状态，并基于该模糊移动尺度来完成簇头选举和簇的划分，最终形成一个更稳定的簇结构。

参照图1，本发明的具体实现步骤如下：

步骤一.建立认知无线电Ad Hoc网络场景

根据认知无线电Ad Hoc网络的特征，建立一个认知无线电Ad Hoc网络场景，如图2所示。

在本场景下，假定主用户节点是固定的，选取一种在认知网络分析中应用最广泛的主用户节点活动模型，即半马尔可夫模型，在半马尔可夫模型中，主用户节点在信道上的活动服从半马尔可夫开闭过程，为主用户所有信道集合，信道i在占用和空闲两种状态下切换，且信道i的状态与其它信道的状态是相互独立的；

假定认知节点的活动服从平滑随机游走模型，则认知节点速率和方向的改变次数分别服从两个独立的泊松过程：{N₁(t),t≥0}参数为λ₁，和{N₂(t),t≥0}参数为λ₂，其 中，t为时间，N₁(t)及N₂(t)分别为认知节点速率及方向改变次数。

步骤二.计算认知节点间以及认知节点与主用户节点间的距离期望值

根据认知节点所选取的平滑随机游走模型，首先得出认知节点i的运动速率v_i(t)和方向的分布函数；然后根据所得到的分布函数，得出认知节点i的水平坐标期望和垂直坐标期望最后根据认知节点的水平和垂直坐标期望，得出任意两认知节点间距离期望值Η_(i,j)(t)的表达式以及认知节点与主用户节点间的距离期望值得表达式，具体步骤如下：

（2.1）得出认知节点速率及方向分布函数

根据平滑随机游走模型，得出认知节点i速率及方向分布函数为：

$v_i\left(t\right)=\left\{\begin{array}{cc}{v}_{i0}& N_1\left(t\right)=0\\ v_{\mathrm{it}}& N_1\left(t\right)\&NotEqual;0\end{array}\right.$ 和

其中，t为时间，v_i0和分别为认知节点i初始速率和方向；v_it为当认知节点的运动速率改变时所选取的新的速率变量，服从v_min到v_max均匀分布，即 为当认知节点的运动方向改变时所选取的新的方向变量，服从0到2π的均匀分布，即

（2.2）得出认知节点的水平和垂直坐标期望

根据1）式可知，认知节点以p(N₁(t)＝0)及p(N₂(t)＝0)的概率保持初始速率和方向，当认知节点在任意时刻速率和方向变化时，新的速率和方向服从均匀分布。将认知节点速率和方向看成两个离散随机过程，则认知节点i的速率期望E[v_i(t)]可表示为：

$E\left[v_i\left(t\right)\right]=v_{i0}\&CenterDot;p(N_i\left(t\right)=0)+\frac{v_{\max }+v_{\min }}{2}\&CenterDot;p(N_1\left(t\right)\&NotEqual;0)---2)$

$=v_{i0}\&CenterDot;e^{-{\mathrm{\&lambda;}}_{1}t}+\frac{v_{\max }+v_{\min }}{2}\&CenterDot;(1-e^{-{\mathrm{\&lambda;}}_{1}t})$

其中，p(N₁(t)＝0)向为认知节点i的速率在t时刻前没有发生改变的概率，p(N₁(t)≠0)向为认知节点i的速率在t时刻前发生改变的概率，λ₁为认知节点速率的改变次数所服从的泊松过程的参数；

认知节点的方向的余弦期望可表示为： 

其中，p(N₂(t)＝0)向为认知节点i的方向在t时刻前没有发生改变的概率，p(N₂(t)≠0)向为认知节点i的方向在t时刻前发生改变的概率，λ₂为认知节点方向的改变次数所服从的泊松过程的参数；

认知节点的方向的正弦期望可表示为： 

根据运动距离与运动速度和时间的关系，得出节点i的水平坐标期望和垂直坐标期望

类似式5）的推导过程，可以得出：

其中，t为时间，v_i(τ)为认知节点i在τ时刻的速率，v_i0与分别为认知节点i的初始运动速率和方向，[v_min,v_max]为认知节点i的运动速率范围，x_i0和y_i0为认知节点i的初始位置的水平及垂直坐标，λ₁为认知节点速率的改变次数所服从的泊松过程的参数，λ₂为认知节点方向的改变次数所服从的泊松过程的参数；

（2.3）构造出任意两认知节点间距离的期望

考虑一个非常短的时间Δt，设为10^-3秒，在Δt内节点速度和方向可以看作是不变的，因此有：

${\stackrel{\&RightArrow;}{v}}_{\mathrm{rel}}\&CenterDot;\mathrm{\&Delta;t}+{\stackrel{\&RightArrow;}{S}}_0={\stackrel{\&RightArrow;}{S}}_{(i,k)}\left(\mathrm{\&Delta;t}\right)---7)$

${\stackrel{\&RightArrow;}{v}}_{\mathrm{rel}}\&CenterDot;\mathrm{\&Delta;t}+{\stackrel{\&RightArrow;}{S}}_{(i,k)}\left(t\right)={\stackrel{\&RightArrow;}{S}}_{(i,k)}(t+\mathrm{\&Delta;t})---8)$

其中，表示任意两个节点i与节点k之间的相对速度向量；表示任意两个节点i，k之间的相对距离向量；表示任意两个节点i与节点k之间的初始距离向量；

根据式7）和8），任意两认知节点间距离的向量随时间期望可以表示为：

其中，和分别为认知节点i的速率和方向的分布函数，和 分别为的正弦和余弦函数，为速度向量的标量值；和 分别为认知节点k的速率和方向的分布函数，和分别为的正弦和余弦函数，为速度向量的标量值；表示任意两个节点i，k之间的相对速度向量的期望值，表示任意两个节点i与节点k之间的相对距离向量的期望值；

根据认知节点的水平及垂直坐标期望，得出任意两个节点i，k之间的相对距离向量的期望值

$E\left[{\stackrel{\&RightArrow;}{S}}_{(i,k)}\left(t\right)\right]=(m_{x_i}\left(t\right),m_{y_i}\left(t\right))-(m_{x_k}\left(t\right),m_{y_k}\left(t\right))---10)$

其中，和为认知节点i的水平坐标期望和垂直坐标期望，和 为认知节点k的水平坐标期望和垂直坐标期望，可以通过式5）和6）求出来；

对式10）两边的距离向量取标量，得出任意两认知节点间距离的期望值Η_i,j的表达式：

$H_{i,k}=|(m_{x_i}\left(t\right),m_{y_i}\left(t\right))-(m_{x_k}\left(t\right),m_{y_k}\left(t\right))|$

$=\sqrt{{[m_{x_i}\left(t\right),m_{x_k}\left(t\right)]}^2-{[m_{y_i}\left(t\right),m_{y_k}\left(t\right)]}^2}---11)$

（2.4）构造出任意认知节点与主用户节点间距离的期望

根据上述结论，由于主用户节点位置固定，可以将主用户作为速率和方向都恒定为零的认知节点，则可通过式11）求得认知节点i与主用户节点间距离期望值的表达式为：

$H_{{i,\mathrm{PR}}_j}=\sqrt{{[m_{x_i}\left(t\right)-x_{{\mathrm{PR}}_{j}0}\left(t\right)]}^2+{[m_{y_i}\left(t\right)-y_{{\mathrm{PR}}_{j}0}]}^2}---12)$

其中，和为主用户节点初始横纵坐标。

步骤三.构造认知节点模糊移动尺度

根据得到的认知节点间以及认知节点与主用户间的距离期望值，按如下步骤计算每个节点的模糊移动尺度：

（3.1）认知节点i计算自身横纵坐标期望值及根据其一跳主用户节点j的水平坐标和垂直坐标，按照式12）计算自身与其一跳主用户节点j的相对距离期望值

（3.2）定义评估认知节点对主用户所占用的某个信道的感知状态的信道感知函数f_i,j如下：

$f_{i,j}\stackrel{\mathrm{\&Delta;}}{=}{f}_{{i,\mathrm{PR}}_j}(H_{{i,\mathrm{PR}}_j}/R_{{\mathrm{PR}}_j})=\left\{\begin{array}{cc}{e}^{-1/x^2}& x<0.25\\ e^{-1/x}& 0.25\&le;x<0.5\\ e^{-\sqrt{1/x}}& 0.25\&le;x<1.5\\ e^{-1/x}& 1.5\&le;x<1.75\\ e^{-1/x^3}& x\&GreaterEqual;1.75\end{array}\right.---13)$

其中，为认知节点i与主用户节点PR_j的相对距离，为主用户PR_j的传输半径， $x\stackrel{\mathrm{\&Delta;}}{=}{H}_{{i,\mathrm{PR}}_j}/R_{{\mathrm{PR}}_j};$

由上述信道感知函数可知，f_i,j∈[0,1]表明感知信道的结果由传统的[0,1]二值信道 变为[0～1]区间信道，这种信道感知结果更符合认知无线电Ad Hoc网络中由于认知节点的移动性而导致感知信道的变化情况，同时认知节点与主用户节点的距离期望越大，认知节点越远离主用户节点信道处于占用状态的通信范围，因此更容易感知到主用户信道的空闲状态；

（3.3）考虑认知节点移动性，根据公式11）计算认知节点间i与其一跳邻接认知节点k间的相对距离期望值Η_i,k，定义衡量认知节点间的运动关系的函数g_i,k如下：

$g_{i,k}\stackrel{\mathrm{\&Delta;}}{=}g(R_{\mathrm{CR}}/H_{i,k})=\left\{\begin{array}{cc}{e}^{-1/y^2}& \frac{1}{3}\&le;y<\frac{1}{2}\mathrm{or}2\&le;y<4\\ e^{-1/y}& \frac{1}{2}\&le;y<\frac{2}{3}\mathrm{or}\frac{4}{3}\&le;y<2\\ e^{-\sqrt{1/y}}& \frac{2}{3}\&le;y<\frac{4}{3}\\ e^{-1/y^3}& y<\frac{1}{3}\mathrm{ory}>4\end{array}\right.---14)$

其中，Η_i,k为认知节点i，k之间的相对距离，R_CR为认知节点的传输半径，  $y\stackrel{\mathrm{\&Delta;}}{=}{R}_{\mathrm{CR}}/H_{i,k};$

由上述运动关系函数可知，运动关系函数值越大，认知节点间的距离期望越小，认知节点间的运动关系越紧密；

（3.4）定义认知节点i的模糊移动尺度Ψ_i如下式：

其中，R_CR为认知节点的传输半径，N_i为认知节点i的一跳邻居节点集合，Η_i,k为认知节点i，k之间的相对距离；

（3.5）由上述定义可知，认知节点i的模糊移动尺度值越大，表明认知节点i及其一跳邻居节点越容易感知主用户信道的空闲状态，同时认知节点i与它的一跳邻居节点运动联系越紧密，因此，拥有最大统计移动尺度值的节点可以被选作簇头。

步骤四.选举簇头并实现簇的划分

基于模糊移动尺度，采用分布式方式来进行簇头选举和簇的划分，它的目的在于选取高稳定的节点作为簇头从而形成一个稳定的簇结构。具体步骤如下：

（4.1）根据认知节点的模糊移动尺度，所有认知节点在分簇初始阶段将自身状态设为未分配状态，然后每隔1秒时间，向一跳邻居节点广播一个包含认知节点的节点 标识ID和模糊移动尺度值的Hello数据包；

（4.2）根据接收到的来自一跳邻居节点的Hello包信息，认知节点i将自己的模糊移动尺度值Ψ_i与其所有一跳邻居节点的模糊移动尺度值作比较，若认知节点i的模糊移动尺度值最大，则将节点i选作簇头，反之，则认知节点i保持未分配状态不变；如果认知节点i没有邻居节点，则将自己选作簇头节点；

（4.3）所有选为簇头的认知节点向所有其一跳邻居节点广播一个包含了簇头节点标识ID和模糊移动尺度值的Join数据包，认知节点根据收到的来自不同簇头节点的Join数据包，比较簇头节点的模糊移动尺度，选取模糊移动尺度最大的簇头节点所在的簇作为自己要加入的簇；

（4.4）认知节点向自己所要加入的簇的簇头节点发送Accept消息，同时将自己的状态改为已分配，并将簇头节点标识ID作为自己所属簇标志，最终完成簇头节点的选举和簇的划分。

本发明的效果通过以下仿真进一步说明：

1.仿真实验条件：

本实验模拟了一个包含10个主用户节点和若干认知用户节点的认知无线电Ad Hoc网络。可用信道设为10个，并随机分配给主用户节点。主用户处于静止状态，其对相应信道接入服从半马尔可夫模型。整个仿真平面设为2500m乘2500m。

在仿真初始化阶段，仿真平面中心的2000m×2000m部分被划分为9个栅格，随机选取9个主用户节点，并将它们随机均匀分配在对应的9个小栅格内，最后一个主用户则随机均匀分配到2000m×2000m的平面内，以保证主用户节点不会出现大范围的重叠，更符合实际情况。认知用户节点的初始位置被均匀分布在2000m×2000m的平面内，节点运动范围为2500m乘2500m的平面，节点运动基于平滑的随机模型。当仿真开始时，所有认知移动节点都服从均匀分布地从预定的速率范围[v_min,v_max]和方向范围[0,2π]选择初始速率和初始方向。随后它们的速率和方向的改变分别遵从两个独立的泊松过程，{N₁(t),t≥0}参数为λ₁，和{N₂(t),t≥0}参数为λ₂。λ₁，λ₂被分别设定为0.05和0.02。将主用户节点和认知节点的通信半径分别设为300m和100m。

2.仿真内容： 

将节点移动速率范围固定为[0,10m/s]，然后在认知节点数为100，200和400下， 用本发明与现有的SOC和ROSS-DGA算法对实验环境中的认知节点进行分簇处理，统计多次分簇结果，得到不同簇结构稳定性评价指标下的分簇结果性能对比图，如图3、图4、图5和图6所示。

图3为本发明与上述两种分簇方法在平均信道数目的对比图，其中，图3（a）为认知节点数为100时的平均信道数目对比图，图3（b）为认知节点数为200时的平均信道数目对比图，图3（c）为认知节点数为400时的平均信道数目对比图。

图4为本发明与上述两种分簇方法在平均驻留时间的对比图，其中，图4（a）为认知节点数为100时的平均驻留时间的对比图，图4（b）为认知节点数为200时的平均驻留时间的对比图，图4（c）为认知节点数为400时的平均驻留时间的对比图。

图5为本发明与上述两种分簇方法在簇离开率的对比图，其中，图5（a）为认知节点数为100时簇离开率的对比图，图5（b）为认知节点数为200时簇离开率的对比图，图5（c）为认知节点数为400时簇离开率的对比图。

图6为在认知节点数分别为100，200和400下，本发明与上述两种分簇方法在平均簇头生存时间的对比图。

3.仿真结果分析：

3a）评估分簇所生成的簇结构的稳定性所使用的四种评价指标定义如下：

平均信道数目：不同时刻整个网络中所有簇内的平均信道，平均信道数越多表示网络的连通鲁棒性越强；

平均驻留时间：到某个时刻为止，目前在所有簇中的所有节点所停留的平均时间，平均驻留时间越长表示簇结构越稳定；

簇离开率：到某个时刻为止，随着节点的运动，离开原来所在簇的总节点数，簇离开率越小表示簇结构越稳定；

平均簇头生存时间：记录当某个簇从簇开始生成到该簇头所拥有的原始簇成员数降到一定比例时所经历的时间，平均簇头生存时间越长表示簇结构越稳定；

3b）各项指标对比结果分析

从图3可以看出，与现有两种分簇方法SOC和ROSS-DGA相比，本发明提出的基于模糊移动尺度的分簇方法得到的分簇结构获得更多的平均信道数目。此外，本发明的初始平均信道数较其它两种方法要小，这是因为的模糊移动尺度对移动性和感知信道时变性折中考虑的结果。但是由于其它两种方法没有考虑节点的移动性，所以随 着节点的运动，本发明开始显现出优势，更能适应节点运动导致的感知信道的变化。

从图4可以看出，与现有两种分簇方法SOC和ROSS-DGA相比，本发明提出的基于模糊移动尺度的分簇方法得到的分簇结构拥有更长的平均驻留时间，同时，还可看出本发明的曲线都呈现先递增然后再区域稳定的趋势，这是由于随着认知节点的运动，到达一定时间后更多的认知节点会离开原先所在的簇直至全部离开，这时平均驻留时间便不会随着时间进一步增加，而是保持恒定，这与实际是相符合的。

从图5可以看出，与现有两种分簇方法SOC和ROSS-DGA相比，本发明提出的基于模糊移动尺度的分簇方法得到的分簇结构拥有更低的簇离开率，说明在同样时间内，本发明中由于认知节点的运动而离开原本所属簇的认知节点数量最少，同时，还可看出随着仿真认知节点数目的增多，单位时间内的簇离开数也是增多的，这与实际是相符合的。

从图6可以看出，与现有两种分簇方法SOC和ROSS-DGA相比，本发明提出的基于模糊移动尺度的分簇方法得到的分簇结果拥有更长的平均簇头生存时间，表明我们的分簇方案更能适应认知无线电Ad Hoc网络场景。

Claims (2)

1.一种基于模糊移动尺度的认知无线电Ad Hoc网络分簇方法，包括如下步骤：

(A)根据认知无线电Ad Hoc网络的特性，建立一个认知无线电Ad Hoc网络场景，在本场景下，假定主用户节点是固定的，且主用户节点在信道上的活动服从半马尔可夫开闭过程，即信道在占用和空闲两种状态下切换服从独立的概率分布，假定认知节点的活动服从平滑随机游走模型，即认知节点速率和方向的改变次数分别服从两个独立的泊松过程：{N₁(t),t≥0}参数为λ₁，和{N₂(t),t≥0}参数为λ₂，其中N₁(t)及N₂(t)分别为认知节点速率及方向改变次数；

(B)根据上述认知无线电Ad Hoc网络场景中认知节点的活动模型，得出认知节点的运动速率v_i(t)和方向的分布函数：

$v_i\left(t\right)\left\{\begin{array}{cc}{v}_{i0}& N_1\left(t\right)=0\\ v_{\mathrm{it}}& N_1\left(t\right)\&NotEqual;0\end{array}\right.$

其中，v_i0和分别为认知节点i在时间t＝0时刻的初始速率和初始方向；v_it为当认知节点的运动速率改变时所选取的新的速率变量，服从v_min到v_max均匀分布，即N₁(t)为认知节点速率改变次数；为当认知节点的运动方向改变时所选取的新的方向变量，服从0到2π的均匀分布，即N₂(t)为认知节点方向改变次数；

(C)根据所得到的分布函数，结合随机过程和概率论相关知识得出认知节点i的水平坐标期望和垂直坐标期望

其中，v_i0与为认知节点i的初始运动速率和方向，[v_min,v_max]为认知节点i的运动速率范围，x_i0和y_i0为认知节点i的初始位置的水平及垂直坐标，λ₁和λ₂分别为认知节点速率和方向的改变所服从的两个泊松过程的参数；

(D)根据认知节点i的水平坐标期望和垂直坐标期望构造出认知节点i与认知节点k之间的相对距离期望值Η_i,k，以及认知节点i与主用户PR_j的相对距离期望值

$H_{i,k}=\sqrt{{[m_{x_i}\left(t\right)-m_{x_k}\left(t\right)]}^2+{[m_{y_i}\left(t\right)-m_{y_k}\left(t\right)]}^2}$

$H_{{i,\mathrm{PR}}_j}=\sqrt{{[m_{x_i}\left(t\right)-x_{{\mathrm{PR}}_{j}0}]}^2+{[m_{y_i}\left(t\right)-y_{{\mathrm{PR}}_{j}0}]}^2}$

其中，和分别为认知节点i的水平坐标期望和垂直坐标期望，和分别为认知节点k的水平坐标期望和垂直坐标期望，和为主用户节点初始位置的水平及垂直坐标；

(E)根据认知节点i与主用户PR_j的相对距离期望值定义评估认知节点对主用户所占用的某个信道的感知状态的信道感知函数f_i,j如下：

$f_{i,j}\stackrel{\mathrm{\&Delta;}}{=}{f}_{{i,\mathrm{PR}}_j}(H_{{i,\mathrm{PR}}_j}/R_{{\mathrm{PR}}_j})=\left\{\begin{array}{cc}{e}^{-1/x^2}& x<0.25\\ e^{-1/x}& 0.25\&le;x<0.5\\ e^{-\sqrt{1/x}}& 0.5\&le;x<1.5\\ e^{-1/x}& 1.5\&le;x<1.75\\ e^{-1/x^3}& x\&GreaterEqual;1.75\end{array}\right.$

其中，为主用户PR_j的传输半径，f_i,j∈[0,1]表明感知信道的结果由传统的[0,1]二值信道变为[0～1]区间信道；

考虑认知节点移动性，根据所构造出的认知节点间的相对距离期望值Η_i,k，定义衡量认知节点间的运动关系的函数g_i,k如下：

$g_{i,k}\stackrel{\mathrm{\&Delta;}}{=}g(R_{\mathrm{CR}}/H_{i,k})=\left\{\begin{array}{cc}{e}^{-1/y^2}& \frac{1}{3}\&le;y\frac{1}{2}\mathrm{or}2\&le;y<4\\ e^{-1/y}& \frac{1}{2}\&le;y\frac{2}{3}\mathrm{or}\frac{4}{3}\&le;y<2\\ e^{-\sqrt{1/y}}& \frac{2}{3}\&le;y<\frac{4}{3}\\ e^{-1/y^3}& y<\frac{1}{3}\mathrm{ory}>4\end{array}\right.$

其中，R_CR为认知节点的传输半径，

(F)根据信道感知函数f_i,j以及运动关系函数g_i,k，综合考虑认知节点对主用户信道的感知情况以及认知节点间的运动关系，构造模糊移动尺度Ψ_i如下：

其中，N_i为认知节点i的一跳邻居节点集合，为主用户所有信道集合；

(G)根据模糊移动尺度Ψ_i，通过比较认知节点及其一跳邻居节点的模糊移动尺度，实现对认知节点簇头的选举和簇的划分。

2.按照权利要求1所述的方法，其中步骤(G)中所述的通过比较认知节点的模糊移动尺度，实现对认知节点簇头的选举和簇的划分，按如下步骤进行：

(G1)根据认知节点的模糊移动尺度，所有认知节点在分簇初始阶段将自身状态设为未分配状态，然后每隔1秒时间，向一跳邻居节点广播一个包含认知节点的节点标识ID和模糊移动尺度值的Hello数据包；

(G2)根据接收到的来自一跳邻居节点的Hello包信息，认知节点i将自己的模糊移动尺度值Ψ_i与其所有一跳邻居节点的模糊移动尺度值作比较，若认知节点i的模糊移动尺度值最大，则将节点i选作簇头，反之，则认知节点i保持未分配状态不变；如果认知节点i没有邻居节点，则将自己选作簇头节点；

(G3)所有选为簇头的认知节点向所有其一跳邻居节点广播一个包含簇头节点标识ID和模糊移动尺度值的Join数据包，认知节点根据收到的来自不同簇头节点的Join数据包，比较簇头节点的模糊移动尺度，选取模糊移动尺度最大的簇头节点所在的簇作为自己要加入的簇；

(G4)认知节点向自己所要加入的簇的簇头节点发送Accept消息，同时将自己的状态改为已分配，并将簇头节点标识ID作为自己所属簇标志，完成簇头节点的选举和簇的划分。