CN105282073B - 一种基于认知无线电的车联网通信方法 - Google Patents

Abstract

本发明涉及一种基于认知无线电的车联网通信方法，包括步骤：1)建立狄利克雷模型，用于描述每一时刻来自不同车辆的感知数据之间的相关性；2)根据狄利克雷模型建立隐马尔科夫模型，用于描述观测值和隐蔽信道状态之间的关系；3)根据隐马尔科夫模型，根据下一信道状态更倾向于与前一信道相同的状态，确定信道状态转移概率；4)根据获得的信道转移概率，得到下一路段信道的可用性。与现有技术相比，本发明在CR‑VANET中采用机器学习算法，将充分利用历史频谱感知数据库，利用狄利克雷过程和非参数的隐马尔可夫模型，进而利用频谱数据和隐藏的信道状态之间的关系，提高通信效率。

Description

一种基于认知无线电的车联网通信方法

技术领域

本发明涉及一种车联网通信技术，尤其是涉及一种基于认知无线电的车联网通信方法。

背景技术

最近几年，汽车之间合作通信(例如：车联网)的观点被提出以用来支持行车安全，使行车更安全、更舒适。车联网是配备有无线通信设备车辆的特殊自组网络。车辆可以在彼此(即：车辆与车辆)，基础设施(即，车辆到基础设施)，和路侧单元之间进行信息传输，而且交通信息也可以在它们之间共享。根据美国国家公共运输安全管理局的报告，所有的车辆将被要求装备这样的无线通信设备，以便减少未来交通事故的发生。

在1999年，美国联邦通信委员会分配专用的75MHz的无线频谱(5.850-5.925GHz频带)给专用短程通信，它也被称为WAVE 802.11p标准。根据美国联邦通信委员会的规定，这些频段被分为七个信道，每个信道占用10MHz的带宽，其中包括一个控制信道和六个服务信道。然而，只有控制信道被分配给信号台传输信息或基本的安全消息。在控制信道中，每个车辆广播交通信息，以便实时查找所有相邻车辆。这样交通信息就周期性的传播出去，其中交通信息中包括速度，坐标，和车辆的下一个坐标信息。

然而，当交通密度增加，增加的信号台导致控制信道拥塞，并因此使碰撞的概率增大和信号台接受的成功率下降。控制信道所分配的带宽小于一些紧急情况下车联网安全应用所需要的带宽。因此，更多的无线频谱资源需要被用于紧急安全应用。认知无线电和动态频谱接入中在美国联邦通信委员会报告中提出，其中空闲许可频谱(也称为“频谱空洞”)可适当的给予次要用户(SUS)使用，以便提高频谱利用率。

车联网和认知无线电结合在一起(称为“CR-VANET”)。配备认知无线电通信设备的车辆可以促进接入专用短程信道并检测到其它的空闲信道。如果专用短程信道传输负荷较重，认知无线电设备将检测并使用其他空闲信道进行广播。配备了认知无线电设备的无牌用户车辆也可以检测到空闲信道(除了5.850-5.925G带宽外)。因此，CR-VANET应先运行频谱感知，然后有机会接入空闲信道。然而，由于CR-VANET的高速移动性，当车辆移动到下一个道路段，各车辆的当前信道状态会有一定的概率过期。因此，对信道可用性的预测方法应该为CR-VANET而设计。

发明内容

本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种基于认知无线电的车联网通信方法。

本发明的目的可以通过以下技术方案来实现：

一种基于认知无线电的车联网通信方法，包括步骤：

1)建立狄利克雷模型，用于描述每一时刻来自不同车辆的感知数据之间的相关性；

2)根据狄利克雷模型建立隐马尔科夫模型，用于描述观测值和隐蔽信道状态之间的关系；

3)根据隐马尔科夫模型，根据下一信道状态更倾向于与前一信道相同的状态，确定信道状态转移概率；

4)根据获得的信道转移概率，得到下一路段信道的可用性。

所述狄利克雷模型中狄利克雷过程的共享特性为：

其中：λ_i为车辆i的伪参数，λ^-i为汽车i从其他汽车收集到的伪参数，N为路上的车辆数目，α为狄利克雷过程的基参数，G₀为狄利克雷过程的基变量，δ_λk为以概率1/(α+N-1)代表汇聚于λ_k的质点，为伪参数为λ_k的车辆数目。

所述当车辆i每获取一次其他车辆的伪参数，其狄利克雷过程就被更新一次。

所述隐马尔科夫模型的状态转移概率为：

p(λ_·j＝λ_k|λ_·j-1＝λ_m)＝π_m,k

其中：λ_·j为路段#j上某一车辆的信道状态参数，λ_·j-1为路段#j-1上某一车辆的信道状态参数，λ_m和λ_k为信道状态参数的一种取值，

其中λ_·j的概率分布为：

其中：Z_j为信道状态，R为划分的路段数，K为不同信道状态的数目，ζ为当前信道状态更倾向于与前一信道状态相同的程度系数，γ为状态转移矩阵中不同行之间的信息共享系数，为信道状态从Z_j-1转移到k的次数，β＝{β₁,...,β_K,β_K}为从狄利克雷分布中抽取得到，δ(·)为单点分布。

所述步骤3)具体包括步骤：

31)初始化：给定历史频谱感知数据集{X_ij|在所有路段的经过车辆}和初始信道状态分配结果

32)设定迭代次数t，设定和分配的信道状态数目，以及每个分配信道状态的频谱感知数据的总数目，离散分布β＝{β₁,...,β_K,β_K}为β～Dir{m_·1,...,m_·K,τ}：

33)根据每一个观察数据X_ij,i＝1,...,I,j＝1,...,R，依次更新缓存信道分组结果；

34)修正具体为：

如果在有一个真实存在一个序号为k的信道状态，使n_·k＝0，那么取出该信道状态和减量该信道状态，并β_K＝β_K+β_k，其中n_·k为从任意信道状态改变为k，在信道状态序列中所需的次数；

35)标记的辅助变量m_qk如下：对于所有车辆的每个信道的状态q＝1,2,...,K，设置m_qk＝0和n＝0，对于定义x如下：

递增n，并且若x＝1，则增量为m_qk，其中Ber(·)为贝努力分布；

36)迭代结束，得到信道状态转移概率：

其中：为信道状态从Z_j-1到k在信道状态序列{λ_·1,...,λ_·j-1,λ_·j+1,...,λ_·R}中所需的次数。

所述步骤33)具体包括步骤

331)减量和将X_ij从先前分配结果的缓存信道分组结果中移除；

332)对于每一个K当前实例的状态和一个新的状态，确定后验概率：

f_k(X_ij)＝p{Z_ij＝k|{Z_i1,...,Z_ij-1,Z_ij+1,...,Z_iR}}×p(X_ij；a'_k,b'_k),k＝1,2,...,K,K+1

其中：p(Z_ij)为达到稳定状态Z_ij的概率，a'_k和b'_k为Gamma函数更新后的两个参数；

333)标记Z_ij新的状态分布：

334)增量和将X_ij添加到新的分配的缓存信道分组结果中。

所述步骤4)具体包括步骤：

41)设定迭代次数，给定从历史频谱感测数据中得到的信道状态转移矩阵[π₁；...；π_K+1]，对应的每一个状态和超参数的稳态概率为(a'_k,b'_k),k＝1,...,K+1，先前的信道状态分配结果为Zⁱ＝{Z_i1,...,Z_ij-1}，其它车辆当前信道状态分配结果为：

其中：t为迭代次数，K为分配的信道状态数目；

42)定义X_ij新的信道状态：

43)对于每个K当前实例的状态，给定f_k(X_ij)＝p(Z_ij|Zⁱ,Z^-i)·p(X_ij；a'_k,b'_k)，k＝1,2,...,K；

44)分配一个新的状态Z_ij：

45)设置然后通过CCC向其它车辆广播分配的结果Z_ij；

46)迭代结束，得到下一路段的车辆i(i＝1,...,N)信道状态预测分布：下一路段信道可用性的概率：

其中：为状态转移矩阵，表示从状态Z_ij转移信道k状态的概率，Threshold为用于表明理想的a_k,b_k为信号观测模型建立时的Gamma函数的两个参数，更新后为a'_k和b'_k，k为信道状态的序号。

与现有技术相比，本发明在CR-VANET中采用机器学习算法，将充分利用历史频谱感知数据库，利用狄利克雷过程和非参数的隐马尔可夫模型，进而利用频谱数据和隐藏的信道状态之间的关系，提高通信效率。

附图说明

图1为本发明的主要步骤流程图；

图2为频谱感知数据的时空相关性示意图；

图3为隐蔽信道状态参数和观察值之间的关系示意图；

图4为在公路段#j上行驶车辆i的频谱感知数据示意图。

具体实施方式

下面结合附图和具体实施例对本发明进行详细说明。本实施例以本发明技术方案为前提进行实施，给出了详细的实施方式和具体的操作过程，但本发明的保护范围不限于下述的实施例。

一种基于认知无线电的车联网通信方法，如图1所示，包括步骤：

1)建立狄利克雷模型，用于描述每一时刻来自不同车辆的感知数据之间的相关性；

如图2所示，在每一时刻，来自不同车辆的频谱感知数据之间具有一定的相关性，几个相邻的车辆可以共享一个共同的频谱状态，不同车辆频谱感知数据的相关性被称为空间相关性，采用狄利克雷过程来描述这种属性。

狄利克雷过程是一个基于分布的分布，这样一个模型能够自动的将不同的采样数据进行分组，狄利克雷过程具有两个参数α和G₀，分别为基参数和基变量。

在车联网中，对不同的车辆分配不同的伪参数λ_i＝{λ_i0,λ_i1,...,λ_i(M-1)}，其中i＝1,2,...,N表示路上的车辆的序号，M表示许可信道的数量。其中{λ_i,i＝1,2,...,N}是从狄利克雷过程中抽样得到的分布。

λ_i|G～G,i＝1,2,...,N (1)

G～DP(α,G₀) (2)

E(G)＝G₀ (3)

公式(1)表示了G的似然函数，伪参数λ_i代表了信道状态。

公式(2)是G的先验知识。

根据公式(1)，(2)，我们对G进行积分，λ_i服从及分布G₀。G₀是伽马分布的倍乘，即：

当一辆车采集到伪参数信息λ^-i＝{λ₁,λ₂,...,λ_i-1,λ_i+1,...,λ_N}时，其狄利克雷过程就被更新一次。

因此我们可以得到：

其中：以概率1/(α+N-1)代表汇聚于λ_k的质点，代表了一系列不同伪参数的集合。假设有辆车的伪参数为λ_k，

公式(4)可以进一步改写为：

其中：λ_i为车辆i的伪参数，λ^-i为汽车i从其他汽车收集到的伪参数，N为路上的车辆数目，α为狄利克雷过程的基参数，G₀为狄利克雷过程的基变量，为以概率1/(α+N-1)代表汇聚于λ_k的质点，为伪参数为λ_k的车辆数目。

公式(5)展现了狄利克雷过程重要的共享特性，即的数目越多，新采样得到的λ_i越可能选择一个λ_k组。

2)根据狄利克雷模型建立隐马尔科夫模型，用于描述观测值和隐蔽信道状态之间的关系；

如图3所示，每一车辆都从道路的起点行驶到道路的终点，故所有车辆共享统计隐蔽信道转移模型。一辆车的连续频谱感知数据的相关性被称为时间相关性。由于每辆车的认知无线电设备只能直接检测观测值，而不能检测信道状态的隐藏信息。一辆车连续时间上检测到的频谱感知数据之间具有相关性。因此本申请采用隐马尔科夫模型(HMM)描述观测值和隐蔽信道状态之间的关系，以及由连续频谱感知结果得到信道状态转移模型。即：使用隐马尔科夫模型来描述隐藏信道状态λ_i和观察值X_i之间的关系。

由于信道状态是与时间相关的，所以当前信道状态更倾向于维持之前时刻状态不变。因此，我们采用一阶马尔科夫模型来描述这种时间上的相关性。

我们提出的是非参数的隐马尔科夫模型，其隐藏信道状态λ_i的数目是未知的。转移概率定义为：

p(λ_.j＝λ_k|λ_.j-1＝λ_m)＝π_m,k (7)

其中：λ_.j为路段#j上某一车辆的信道状态参数，λ_·j-1为路段#j-1上某一车辆的信道状态参数，λ_m和λ_k为信道状态参数的一种取值。

其中λ_.j的概率分布为：

其中：Z_j为信道状态，R为划分的路段数，K为不同信道状态的数目，ζ为当前信道状态更倾向于与前一信道状态相同的程度系数，确保了当前信道状态更倾向于与之前的信道状态保持一致，γ为状态转移矩阵中不同行之间的信息共享系数，在状态转移矩阵的不同行中提供信息共享，为信道状态从Z_j-1转移到k的次数，β＝{β₁,...,β_K,β_K}为从狄利克雷分布β＝Dir{m_·1,...,m_·K,τ}中抽取得到，δ(·)为单点分布。

迭代次数达到上限后，非参数的隐马尔科夫模型状态转移概率定义为：

π_k＝{π_k,1,...,π_k,K+1}～Dir(γβ₁+n_k1,...,γβ_k+ζ+n_kk,...,γβ_K+n_kK,γβ_K)

在我们提出的历史感知数据采集算法中，我们将会得出隐马尔科夫模型的状态转移概率，然后将这一概率通知这一路段上的所有车辆。

3)根据隐马尔科夫模型，根据下一信道状态更倾向于与前一信道相同的状态，确定信道状态转移概率，具体包括步骤：

31)初始化：如图4所示，给定历史频谱感知数据集{X_ij|在所有路段的经过车辆}和初始信道状态分配结果

32)设定迭代次数t，设定和分配的信道状态数目，记为K，以及每个分配信道状态的频谱感知数据的总数目{m_·1,...,m_·K}，这样离散分布β＝{β₁,...,β_K,β_K}可为β～Dir{m₁,...,m_·K,τ}：

33)根据每一个观察数据X_ij,i＝1,...,I,j＝1,...,R，依次更新缓存信道分组结果，具体包括步骤：

331)减量和将X_ij从先前分配结果的缓存信道分组结果中移除，即

332)对于每一个K当前实例的状态和一个新的状态，确定后验概率：

f_k(X_ij)＝p{Z_ij＝k|{Z_i1,...,Z_ij-1,Z_ij+1,...,Z_iR}}×p(X_ij；a'_k,b'_k),k＝1,2,...,K,K+1

其中：p(Z_ij)为达到稳定状态Z_ij的概率，a'_k和b'_k为Gamma函数更新后的两个参数，先验概率p{Z_ij＝k|{Z_i1,...,Z_ij-1,Z_ij+1,...,Z_iR}}由下式衍生：

似然函数p(X_ij；a'_k,b'_k)由下式衍生：

333)标记Z_ij新的状态分布：

如果Z_ij＝K+1，增量K和转移系数β则定义为并有和Z_ij为新的状态分布，f_k(X_ij)为后验概率，具体为：

f_k(X_ij)＝p{Z_ij＝k|{Z_i1,...,Z_ij-1,Z_ij+1,...,Z_iR}}×p(X_ij；a'_k,b'_k),k＝1,2,...,K,K+1

其中：车辆序号为i，道路段序号为j，后面的式子为二维δ函数。

334)增量和将X_ij添加到新的分配的缓存信道分组结果中，即

34)修正具体为：

如果在有一个真实存在一个序号为k的信道状态，使n_·k＝0，那么取出该信道状态和减量该信道状态，并β_K＝β_K+β_k，其中n_·k为从任意信道状态改变为k，在信道状态序列中所需的次数。

35)标记的辅助变量m_qk如下：对于所有车辆的每个信道的状态q＝1,2,...,K，设置m_qk＝0和n＝0，对于定义x如下：

递增n，并且若x＝1，则增量为m_qk，其中Ber(·)为贝努力分布，括号中为概率取1的表达式；

36)迭代结束，得到信道状态转移概率：

其中：为信道状态从Z_j-1到k在信道状态序列{λ_·1,...,λ_·j-1,λ_·j+1,...,λ_·R}中所需的次数。

4)根据获得的信道转移概率，得到下一路段信道的可用性，具体包括步骤：

41)设定迭代次数，给定从历史频谱感测数据中得到的信道状态转移矩阵[π₁；...；π_K+1]，对应的每一个状态和超参数的稳态概率为(a'_k,b'_k),k＝1,...,K+1，先前的信道状态分配结果为Zⁱ＝{Z_i1,...,Z_ij-1}，其它车辆当前信道状态分配结果为：

其中：t为迭代次数；

42)定义X_ij新的信道状态：

由下式衍生而来：

其中：p(Z_ij|Zⁱ)由信道状态转移矩阵决定，由p(Z_ij|Z^-i)如下狄利克雷条件决定：

其中：p(Z_ij)是Z_ij状态的稳定状态概率。

43)对于每个K当前实例的状态，给定f_k(X_ij)＝p(Z_ij|Zⁱ,Z^-i)·p(X_ij；a'_k,b'_k)，k＝1,2,...,K。

其中，先验分布p(Z_ij|Zⁱ,Z^-i)由下式衍生而来：

似然函数p(X_ij；a'_k,b'_k)由下式衍生而来：

44)分配一个新的状态Z_ij：

45)设置然后通过CCC向其它车辆广播分配的结果Z_ij；

46)迭代结束，得到下一路段的车辆i(i＝1,...,N)信道状态预测分布：下一路段信道可用性的概率：

其中：为状态转移矩阵，表示从状态Z_ij转移信道k状态的概率，Threshold为用于表明理想的a_k,b_k为信号观测模型建立时的Gamma函数的两个参数，用来确定信道是否空闲。更新后为a'_k和b'_k，k为信道状态的序号。

知道了每个信道的可用性，便可以选择可用性概率最高的信道去传输通信数据。

Claims (3)

1.一种基于认知无线电的车联网通信方法，其特征在于，包括步骤：

1)建立狄利克雷模型，用于描述每一时刻来自不同车辆的感知数据之间的相关性，

2)根据狄利克雷模型建立隐马尔科夫模型，用于描述观测值和隐蔽信道状态之间的关系，

3)根据隐马尔科夫模型，根据下一信道状态更倾向于与前一信道相同的状态，确定信道状态转移概率，

4)根据获得的信道转移概率，得到下一路段信道的可用性；

所述狄利克雷模型中狄利克雷过程的共享特性为：

其中：λ_i为车辆i的伪参数，λ^-i为汽车i从其他汽车收集到的伪参数，N为路上的车辆数目，α为狄利克雷过程的基参数，G₀为狄利克雷过程的基变量，为以概率1/(α+N-1)代表汇聚于λ_k的质点，为伪参数为的车辆数目；

所述隐马尔科夫模型的状态转移概率为：

其中：λ_·j为路段#j上某一车辆的信道状态参数，λ_·j-1为路段#j-1上某一车辆的信道状态参数，和为信道状态参数的一种取值，π_m,k为信道状态参数λ_·j在上一路段取值而当前路段取值的概率，

其中λ_·j的概率分布为：

p{Z_j＝k|{Z₁,...,Z_j-1,Z_j+1,...,Z_R}}

其中：Z_j为信道状态，R为划分的路段数，K为不同信道状态的数目，ζ为当前信道状态更倾向于与前一信道状态相同的程度系数，γ为状态转移矩阵中不同行之间的信息共享系数，为信道状态从Z_j-1转移到k的次数，为从狄利克雷分布中抽取得到，δ(·)为单点分布；

所述步骤3)具体包括步骤：

31)初始化：给定历史频谱感知数据集{X_ij|在所有路段的经过车辆}和初始信道状态分配结果

32)设定迭代次数t，设定和分配的信道状态数目，以及每个分配信道状态的频谱感知数据的总数目，离散分布为β～Dir{m_·1,...,m_·K,τ}，其中，Dir{·}为狄利克雷分布，

33)根据每一个观察数据X_ij,i＝1,...,I,j＝1,...,R，依次更新缓存信道分组结果，

34)修正具体为：

如果在有一个真实存在一个序号为k的信道状态，使n_·k＝0，那么取出该信道状态和减量该信道状态，并其中n_·k为从任意信道状态改变为k，在信道状态序列中所需的次数，

35)标记的辅助变量m_qk如下：对于所有车辆的每个信道的状态q＝1,2,...,K，设置m_qk＝0和n＝0，对于定义x如下：

递增n，并且若x＝1，则增量为m_qk，其中Ber(·)为贝努力分布，

36)迭代结束，得到信道状态转移概率：

其中：为信道状态从Z_j-1到k在信道状态序列{λ_·1,...,λ_·j-1,λ_·j+1,...,λ_·R}中所需的次数；

所述步骤4)具体包括步骤：

41)设定迭代次数，给定从历史频谱感测数据中得到的信道状态转移矩阵[π₁；...；π_K+1]，对应的每一个状态和超参数的稳态概率为(a'_k,b'_k),k＝1,...,K+1，先前的信道状态分配结果为Zⁱ＝{Z_i1,...,Z_ij-1}，其它车辆当前信道状态分配结果为，

其中：t为迭代次数，K为分配的信道状态数目，

42)定义X_ij新的信道状态：

43)对于每个K当前实例的状态，给定f_k(X_ij)＝p(Z_ij|Zⁱ,Z^-i)·p(X_ij；a'_k,b'_k)，k＝1,2,...,K，

44)分配一个新的状态Z_ij：

45)设置然后通过CCC向其它车辆广播分配的结果Z_ij，其中，CCC为公共控制信道，

46)迭代结束，得到下一路段的车辆i(i＝1,...,N)信道状态预测分布：下一路段信道可用性的概率：

其中：为状态转移矩阵，表示从状态Z_ij转移信道k状态的概率，Threshold为用于表明理想的a_k,b_k为信号观测模型建立时的Gamma函数的两个参数，更新后为a'_k和b'_k，k为信道状态的序号。

2.根据权利要求1所述的一种基于认知无线电的车联网通信方法，其特征在于，当车辆i每获取一次其他车辆的伪参数，其狄利克雷过程就被更新一次。

3.根据权利要求1所述的一种基于认知无线电的车联网通信方法，其特征在于，所述步骤33)具体包括步骤

331)减量和将X_ij从先前分配结果的缓存信道分组结果中移除；

332)对于每一个K当前实例的状态和一个新的状态，确定后验概率：

f_k(X_ij)＝p{Z_ij＝k|{Z_i1,...,Z_ij-1,Z_ij+1,...,Z_iR}}

×p(X_ij；a'_k,b'_k),k＝1,2,...,K,K+1

其中：p(Z_ij)为达到稳定状态Z_ij的概率，a'_k和b'_k为Gamma函数更新后的两个参数；

333)标记Z_ij新的状态分布：

334)增量和将X_ij添加到新的分配的缓存信道分组结果中。