CN105490761B - 车联认知无线电自适应频谱感知方法 - Google Patents

车联认知无线电自适应频谱感知方法 Download PDF

Info

Publication number
CN105490761B
CN105490761B CN201510828412.9A CN201510828412A CN105490761B CN 105490761 B CN105490761 B CN 105490761B CN 201510828412 A CN201510828412 A CN 201510828412A CN 105490761 B CN105490761 B CN 105490761B
Authority
CN
China
Prior art keywords
mrow
msub
cognitive
mfrac
vehicle
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN201510828412.9A
Other languages
English (en)
Other versions
CN105490761A (zh
Inventor
郑紫微
张晓波
秦闯
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Beijing Xuhui Xinrui Technology Co ltd
Original Assignee
Ningbo University
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Ningbo University filed Critical Ningbo University
Priority to CN201510828412.9A priority Critical patent/CN105490761B/zh
Publication of CN105490761A publication Critical patent/CN105490761A/zh
Application granted granted Critical
Publication of CN105490761B publication Critical patent/CN105490761B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L67/00—Network arrangements or protocols for supporting network services or applications
    • H04L67/01—Protocols
    • H04L67/12—Protocols specially adapted for proprietary or special-purpose networking environments, e.g. medical networks, sensor networks, networks in vehicles or remote metering networks

Abstract

本发明涉及车联认知无线电自适应频谱感知方法，包括建立频谱感知融合中心、认知车辆及授权用户组成的认知车联网，频谱感知融合中心根据各认知车辆发送的能量检测结果、信噪比和预设信噪比筛选值，选出参与协作的初选认知组成员，计算各初选认知组成员信噪比对应的归一化商值，获取信噪比预设阈值、信噪比最佳阈值及各初选认知车辆的联合筛选参数值，选定参与协作的复选认知车辆；最后由频谱感知融合中心根据复选认知车辆的频谱感知结果进行自适应感知融合，获取适应认知车辆运动状态下所接收信号能量变动的最佳能量判决门限值，选出最佳协作终选认知车辆做协作感知，在保证最小频谱检测误差下的最佳协作终选认知车辆数目，减小了协作检测复杂度。

Description

车联认知无线电自适应频谱感知方法
技术领域
本发明涉及车联网领域，尤其涉及一种车联认知无线电自适应频谱感知方法。
背景技术
车联物联网是以车内网、车际网和车载移动互联网为基础，在车与车或者车与人之间，按照预先约定的协议和交互标准进行数据通信和信息交换的系统网络，它是能够实现车辆智能监控和智能交通管理的一体化网络，是物联网技术在交通系统领域的典型应用，也是国家“一带一路”重大战略得以实现的重要因素。
在现有的车辆中，随着各式无线通信设备不断在车辆中的安装，使得安装有通信设备的多数车辆组成了一个复杂繁忙的车联无线通信网络。在由车辆构成的车联无线通信网络中，无线通信设备在工作时，需要占用大量的频段，以实现与外界设备的信息交互。但是，空间上形成的繁忙无线通信网络中，真正能够令通信设备随时占用的空闲通信频段少之又少，通信频谱资源紧缺问题正成为严重制约车联物联网顺畅通信的关键问题。由于现有可用通信的频谱资源是有限的，如何有效地利用现有紧缺的频谱资源，以实现车联物联网的正常通信需求，正成为当前车联网领域亟需解决的关键。基于认知无线电(CognitiveRadio,CR)技术的车联认知无线电系统在此背景下应运而生。车联网中具有认知功能的车辆也被称之为认知车辆。
车联认知无线电的基本途径是，首先认知车辆对周围环境中的已授权频谱资源持续感知；然后在保证授权用户优先占用该段频谱的条件下，认知车辆自适应地调整收发设备至空闲频谱上通信。当认知车辆感知到授权用户信号出现时，认知车辆则快速腾出该频段供授权用户使用，进而避免对授权用户的正常通信进行干扰，从而提供在车联网中的频谱资源利用率。
为了减少实际环境中多径衰落和阴影效应等诸多因素对感知性能的不利影响，基于多个认知车辆的协作频谱感知方法被不断提出。各认知车辆首先预先设定针对所接收信号能量的判决门限值，并基于设定的判决门限值作出能量检测，以对授权用户的频段作出本地检测，然后再将每个认知车辆的检测结果发送给频谱感知融合中心进行融合，以达到对频谱进行感知的目的。
但是，在车联认知无线网的协作频谱感知中，各认知车辆并非始终处于静止不动状态，各认知车辆接收的信号能量也是变动的，这就要求针对信号能量设置的判决门限值也应该是动态变动的，以适应认知车辆在运动状态中对频谱的准确感知要求。因此，现有车联认知无线网络中的协作频谱感知方法并不能满足认知车辆的实际感知需求，也不能准确的实现频谱感知。
发明内容
本发明所要解决的技术问题是针对上述现有技术提供一种在车联认知无线网络中，能够自适应的调整、获取最优的能量判决门限值，以有效提高认知车辆协作频谱感知效率的车联认知无线电自适应频谱感知方法。
本发明解决上述技术问题所采用的技术方案为：车联认知无线电自适应频谱感知方法，用于频谱感知融合中心和N个具有频谱感知功能的认知车辆进行频谱检测，其特征在于，依次包括如下步骤：
(1)建立由频谱感知融合中心、N个认知车辆以及授权用户组成的认知车联网；其中，频谱感知融合中心记为FC，认知车辆标记为CRi(i＝1,2,…,N)，授权用户记为PU；
(2)N个认知车辆CRi分别进行基于能量的频谱感知、独立地获取自身信噪比SNRi，并分别将获取的信噪比SNRi和频谱感知结果发送至频谱感知融合中心FC；其中，频谱感知结果包括认知车辆CRi的检测概率Pd,i以及虚警概率Pf,i，i＝1,2,…,N；
(3)频谱感知融合中心FC接收各认知车辆CRi发送的信噪比SNRi和频谱感知结果，并判断信噪比SNRi大于预设的信噪比筛选值SNRchose时，则选择此信噪比对应的认知车辆为参与协作感知的初选认知组成员，并执行步骤(4)；否则，选择具有最高信噪比的认知车辆所对应的频谱感知结果为频谱感知融合中心FC的最终检测结果；
(4)根据参与协作感知的初选认知组中各认知车辆的信噪比和检测概率，计算初选认知组中各初选认知车辆CR'i的可靠度ψi以及初选认知组的信噪比均方根值并令信噪比SNR'i＝γi，初选认知组中认知车辆的数量为N'，且N'≤N；其中，初选认知组中各初选认知车辆CR'i的可靠度ψi、初选认知组的信噪比均方根值的计算公式如下：
(5)频谱感知融合中心FC分别依次计算初选认知组中各初选认知车辆信噪比SNR'i与初选认知组信噪比均方根值之间的归一化商值其中，
(6)频谱感知融合中心FC计算、获取信噪比预设阈值λ和信噪比最佳阈值λoptimal，计算初选认知组中各初选认知车辆CR'i的联合筛选参数值ξi，并选定参与协作的复选认知车辆；其中，该步骤包括步骤(6-1)至步骤(6-3)：
(6-1)频谱感知融合中心FC根据接收的N'个初选认知车辆CR'i对应的信噪比集合{SNR'i}，获取初选认知车辆信噪比集合{SNR'i}中的信噪比最大值；其中，记该信噪比最大值为SNR'max；
(6-2)以获取的信噪比最大值SNR'max为参考，将信噪比最大值SNR'max分别与N'个初选认知车辆CR'i的信噪比SNR'i作商处理，计算得到各初选认知车辆信噪比SNR'i所对应的初始阈值λi；其中，
λi＝|SNR'max/SNR'i|，i＝1,2,…,N'；
(6-3)根据各初选认知车辆CR'i的可靠度ψi和归一化商值计算各初选认知车辆CR'i的联合筛选参数值ξi，并根据联合筛选参数值ξi，选取参与协作的复选认知车辆CR”j；其中，复选认知车辆CR”j的数量为n，i＝1,2,…,N'，j＝1,2,…,n，n≤N'：
若联合筛选参数值ξi位于预设数值区间范围[ξa,ξb]内，即ξa≤ξi≤ξb时，则选取该联合筛选参数值ξi对应的初选认知车辆为复选认知车辆，并参与协作感知；否则，该初选认知车辆不予选取；
(7)频谱感知融合中心FC根据选定的参与协作的复选认知车辆的频谱感知结果进行自适应感知融合；其中，自适应感知融合过程包括如下步骤(7-1)至步骤(7-3)：
(7-1)频谱感知融合中心FC根据n个复选认知车辆发送的频谱感知结果，统计n个复选认知车辆中感知到授权用户PU频谱为占用状态的复选认知车辆数目为m(1≤m≤n)，感知到授权用户PU频谱为空闲状态的复选认知车辆数目为n-m；其中，授权用户PU频谱为占用状态记为H1，授权用户PU1频谱为空闲状态记为H0；
(7-2)频谱感知融合中心FC根据m个复选认知车辆发送的信噪比，计算m个感知到授权用户PU频谱为占用状态H1的复选认知车辆诚信系数κ1,u，根据m个复选认知车辆发送的信噪比计算n-m个感知到授权用户PU频谱为空闲状态H0的复选认知车辆诚信系数κ2,v；其中，诚信系数κ1,u以及κ2,v的计算公式如下：
(7-3)频谱感知融合中心FC根据m个复选认知车辆的各自感知结果以及诚信系数κ1,u，分别计算授权用户PU频谱为占用状态H1的平均检测概率全局检测概率和此占用状态H1对应的全局漏检概率以及授权用户PU的频谱为空闲状态H0的平均检测概率全局检测概率此空闲状态H0对应的全局漏检概率和全局虚警概率其中，该过程包括如下步骤(a)至步骤(f)：
(a)建立m个复选认知车辆协作感知的全局错误检测概率Pe，获取关于决策门限的能量检测优化函数γ*以及能量检测的最优门限值γopt，并计算授权用户PU频谱为占用状态H1的平均检测概率其中，
m个复选认知车辆协作感知的全局错误检测概率Pe计算公式如下：
为授权用户PU频谱处于空闲状态H0的概率，为授权用户PU频谱处于占用状态H1的概率；Pf为全局虚警概率，Pd为全局检测概率，Pm为全局漏检概率；为对应处于授权用户PU频谱处于占用状态H1的m个复选认知车辆的平均信噪比，snri为复选认知车辆CR”j自身的信噪比；γ为能量检测的门限值，为高斯白噪声的方差；
关于决策门限的能量检测优化函数γ*定义为：
能量检测的最优门限值γopt为：
授权用户PU频谱为占用状态H1的平均检测概率计算公式如下：
(b)根据所得授权用户PU频谱为占用状态H1的平均检测概率以及m个复选认知车辆的诚信系数κ1,u，计算授权用户PU频谱为占用状态H1的全局检测概率和此占用状态H1对应的全局漏检概率其中，全局检测概率和全局漏检概率计算公式如下：
(c)根据所得授权用户PU频谱为空闲状态H0的平均检测概率以及n-m个复选认知车辆的诚信系数κ2,v，计算授权用户PU频谱为空闲状态H0的全局检测概率和此空闲状态H0对应的全局漏检概率全局虚警概率其中，平均检测概率全局检测概率全局漏检概率和全局虚警概率的计算公式分别如下：
(d)频谱感知融合中心FC根据授权用户PU频谱为占用状态H1对应的全局漏检概率以及授权用户PU频谱为空闲状态H0对应的全局虚警概率建立基于复选认知车辆数目m的频谱感知误差函数Fun(m)；其中，频谱感知误差函数Fun(m)计算公式如下：
其中，Ppu表示授权用户PU信号在其授权频谱出现的概率；
(e)计算频谱感知误差函数Fun(m)的频谱感知误差最小值Fun(m0)，并以该频谱感知误差函数最小值Fun(m0)对应的数值m0(m0≤m)作为参与协作感知的最佳协作终选认知车辆数目，并对m个复选认知车辆按照其对应的信噪比值snrj进行降序排列，得到m个复选认知车辆的降序排列组；
(f)选取复选认知车辆降序排列组中的前m0个复选认知车辆作为参与协作感知的最佳协作终选认知车辆；其中，分别标记选取的最佳协作终选认知车辆为CR”'r，其中，r＝1,2,…,m0；
(8)频谱感知融合中心FC根据步骤(7)中m0个最佳协作终选认知车辆CR”'r的频谱感知结果进行基于OR准则的协作感知，并以协作感知的检测结果作为认知车联网的最终检测结果。
进一步地，所述步骤(8)中采用的OR准则如下：
其中，Pd,r为终选认知车辆CR”'r的检测概率，Pfa,r为终选认知车辆CR”'r的虚警概率；Qd为协作感知后的全局检测概率，Qfa为协作感知后的全局虚警概率；ωr表示信噪比SNR”r的权重系数，SNR”r是终选认知车辆CR”'r的信噪比，SNR”max表示m0个最佳协作终选认知车辆的信噪比最大值，SNR”min表示m0个最佳协作终选认知车辆的信噪比最小值。
与现有技术相比，本发明的优点在于：频谱感知融合中心根据各认知车辆的能量检测结果、信噪比以及预设信噪比筛选值，选出参与协作的初选认知组成员，剔除“恶劣用户”，计算各初选认知组成员信噪比对应的归一化商值，获取信噪比预设阈值、信噪比最佳阈值以及各初选认知车辆的联合筛选参数值，从而选定具有较高信噪比的复选认知车辆；最后由选定的复选认知车辆的频谱感知结果进行自适应感知融合，获取适应认知车辆处于动态状态下的最佳能量判决门限值，进而完成最终的协作感知。该协作频谱感知方法既适应了认知车辆处于运动状态下所接收信号能量变动的实际情况，获得了适应接收信号能量变动状态下的最佳判决门限值、提高了各认知车辆的能量检测性能，又获得了在保证最小频谱检测误差条件下的最佳协作终选认知车辆数目，减小了协作检测复杂度，提高了整体的频谱检测性能。
附图说明
图1为本发明实施例中认知车联网的示意图；
图2为本发明实施例中车联认知无线电自适应频谱感知方法的流程示意图。
具体实施方式
以下结合附图实施例对本发明作进一步详细描述。
如图1所示，在本实施例的认知车联网中，设定有授权用户、N个具有频谱感知功能的认知车辆以及频谱感知融合中心。授权用户被赋予有合法的授权频谱，标记授权用户为PU，频谱感知融合中心记为FC，认知车辆标记为CRi(i＝1,2,…,N)，频谱感知融合中心FC负责对各认知车辆CRi发送来的数据进行处理。
如图2所示，该实施例中车联认知无线电自适应频谱感知方法，依次包括如下步骤：
(1)建立由频谱感知融合中心、N个认知车辆以及授权用户组成的认知车联网；其中，频谱感知融合中心记为FC，认知车辆标记为CRi(i＝1,2,…,N)，授权用户记为PU；CRi表示第i个认知车辆；
(2)N个认知车辆CRi分别进行基于能量的频谱感知、独立地获取自身信噪比SNRi，并分别将获取的信噪比SNRi和频谱感知结果发送至频谱感知融合中心FC；其中，频谱感知结果包括认知车辆CRi的检测概率Pd,i以及虚警概率Pf,i，i＝1,2,…,N；
(3)频谱感知融合中心FC接收各认知车辆CRi发送的信噪比SNRi和频谱感知结果，并判断信噪比SNRi大于预设的信噪比筛选值SNRchose时，则选择此信噪比对应的认知车辆为参与协作感知的初选认知组成员，并执行步骤(4)；否则，选择具有最高信噪比的认知车辆所对应的频谱感知结果为频谱感知融合中心FC的最终检测结果；
在协作频谱感知中，当参与协作的各认知车辆均处于低信噪比、恶劣噪声通信环境下，即SNRi<SNRchose时，各认知车辆协作后的检测概率要远远低于具有较高信噪比的单个认知车辆的独立检测概率；
其中，在本步骤(3)中，之所以要设定信噪比筛选值SNRchose是因为，在参与协作的认知车辆中，如果存在具有较低信噪比的认知车辆(又称为“恶劣用户”)时，该“恶劣用户”做出的检测准确率极低，一旦参与到协作感知中，会导致频谱感知融合中心FC做出的整体协作感知的检测概率被拉低，降低了感知效率。所以，在协作感知中，必须通过设定一个信噪比筛选值，以将这些“恶劣用户”剔除掉。
例如，设定五个认知车辆CR1、CR2、CR3、CR4和CR5各自对应的信噪比分别为SNR1＝-12dB、SNR2＝-10dB、SNR3＝3dB、SNR4＝4dB和SNR5＝12dB，预设的信噪比筛选值SNRchose＝6dB，则因认知车辆CR1、CR2、CR3和CR4的信噪比低于预设信噪比筛选值，则认知车辆CR1至CR4因是“恶劣用户”被剔除掉，而认知车辆CR5因其具有最高信噪比，且其信噪比高于预设信噪比筛选值，则认知车辆CR5被选择，并以其频谱检测结果作为频谱感知融合中心FC的最终检测结果；
如果预设信噪比筛选值SNRchose＝1dB，则认知车辆CR5、CR4和CR3因其信噪比均高于预设信噪比筛选值而被选择为参与协作感知的初选认知组成员；其中，此时初选认知组成员中的数量为三个；
(4)根据参与协作感知的初选认知组中各认知车辆的信噪比和检测概率，计算初选认知组中各初选认知车辆CR'i的可靠度ψi以及初选认知组的信噪比均方根值并令信噪比SNR'i＝γi，初选认知组中认知车辆的数量为N'，且N'≤N；其中，初选认知组中各初选认知车辆CR'i的可靠度ψi、初选认知组的信噪比均方根值的计算公式如下：
例如，当认知车辆CR3、CR4和CR5被选择为初选认知组成员时，并对应标记为初选认知车辆CR'1、CR'2和CR'3对应的检测概率分别为Pd,1、Pd,2和Pd,3，N'＝3，则初选认知车辆CR'1和CR'2的可靠度分别为
初选认知组的信噪比均方根值其中，SNR'1＝SNR3＝3dB、SNR'2＝SNR4＝4dB、SNR'3＝SNR5＝12dB；
(5)频谱感知融合中心FC分别依次计算初选认知组中各初选认知车辆信噪比SNR'i与初选认知组信噪比均方根值之间的归一化商值其中，
例如，γ1＝SNR'1＝3dB、γ2＝SNR'2＝4dB，γ3＝SNR'3＝12dB；
归一化商值：
(6)频谱感知融合中心FC计算、获取信噪比预设阈值λ和信噪比最佳阈值λoptimal，计算初选认知组中各初选认知车辆CR'i的联合筛选参数值ξi，并选定参与协作的复选认知车辆；其中，该步骤包括步骤(6-1)至步骤(6-3)：
(6-1)频谱感知融合中心FC根据接收的N'个初选认知车辆CR'i对应的信噪比集合{SNR'i}，获取初选认知车辆信噪比集合{SNR'i}中的信噪比最大值；其中，记该信噪比最大值为SNR'max；
例如，在三个初选认知车辆CR'1、CR'2和CR'3对应的信噪比集合{SNR'1，SNR'2，SNR'3}中，因为SNR'3＝12dB是该集合的最大值，则信噪比最大值SNR'max＝12dB；
(6-2)以获取的信噪比最大值SNR'max为参考，将信噪比最大值SNR'max分别与N'个初选认知车辆CR'i的信噪比SNR'i作商处理，计算得到各初选认知车辆信噪比SNR'i所对应的初始阈值λi；其中，
λi＝|SNR'max/SNR'i|，i＝1,2,…,N'；
例如，初始阈值λ1＝|SNR'max/SNR'1|，λ2＝|SNR'max/SNR'2|；λ3＝|SNR'max/SNR'3|；
(6-3)根据各初选认知车辆CR'i的可靠度ψi和归一化商值计算各初选认知车辆CR'i的联合筛选参数值ξi，并根据联合筛选参数值ξi，选取参与协作的复选认知车辆CR”j；其中，复选认知车辆CR”j的数量为n，i＝1,2,…,N'，j＝1,2,…,n，n≤N'：例如，初选认知车辆CR'1的联合筛选参数值初选认知车辆CR'2的联合筛选参数值初选认知车辆CR'3的联合筛选参数值
若联合筛选参数值ξi位于预设数值区间范围[ξa,ξb]内，即ξa≤ξi≤ξb时，表明该初选车辆具有更高的信噪比，具有更优秀的检测能量，则选取该联合筛选参数值ξi对应的初选认知车辆为复选认知车辆，并参与协作感知；否则，该初选认知车辆不予选取；
(7)频谱感知融合中心FC根据选定的参与协作的复选认知车辆的频谱感知结果进行自适应感知融合；其中，自适应感知融合过程包括如下步骤(7-1)至步骤(7-3)：
(7-1)频谱感知融合中心FC根据n个复选认知车辆发送的频谱感知结果，统计n个复选认知车辆中感知到授权用户PU频谱为占用状态的复选认知车辆数目为m(1≤m≤n)，感知到授权用户PU频谱为空闲状态的复选认知车辆数目为n-m；其中，授权用户PU频谱为占用状态记为H1，授权用户PU1频谱为空闲状态记为H0；
(7-2)频谱感知融合中心FC根据m个复选认知车辆发送的信噪比，计算m个感知到授权用户PU频谱为占用状态H1的复选认知车辆诚信系数κ1,u，根据m个复选认知车辆发送的信噪比计算n-m个感知到授权用户PU频谱为空闲状态H0的复选认知车辆诚信系数κ2,v；其中，诚信系数表示对应的复选认知车辆所作出检测的可信程度，也表征着复选认知车辆的检测能力；诚信系数越高，表明所对应复选认知车辆的检测概率越高；其中，诚信系数κ1,u以及κ2,v的计算公式如下：
(7-3)频谱感知融合中心FC根据m个复选认知车辆的各自感知结果以及诚信系数κ1,u，分别计算授权用户PU频谱为占用状态H1的平均检测概率全局检测概率和此占用状态H1对应的全局漏检概率以及授权用户PU的频谱为空闲状态H0的平均检测概率全局检测概率此空闲状态H0对应的全局漏检概率和全局虚警概率其中，该过程包括如下步骤(a)至步骤(f)：
(a)建立m个复选认知车辆协作感知的全局错误检测概率Pe，获取关于决策门限的能量检测优化函数γ*以及能量检测的最优门限值γopt，并计算授权用户PU频谱为占用状态H1的平均检测概率其中，
m个复选认知车辆协作感知的全局错误检测概率Pe计算公式如下：
为授权用户PU频谱处于空闲状态H0的概率，为授权用户PU频谱处于占用状态H1的概率；Pf为全局虚警概率，Pd为全局检测概率，Pm为全局漏检概率；为对应处于授权用户PU频谱处于占用状态H1的m个复选认知车辆的平均信噪比，snri为复选认知车辆CR”j自身的信噪比；γ为能量检测的门限值，为高斯白噪声的方差；
关于决策门限的能量检测优化函数γ*定义为：
通过对关于决策门限的能量检测优化函数γ*求极值，以获得能量检测的最优门限值γopt为：
即在各认知车辆利用能量检测过程中，当针对信号能量的判决门限值取γopt时，认知车辆能够准确的检测到所接收信号的存在，从而提高了后续认知车辆检测的准确性；
授权用户PU频谱为占用状态H1的平均检测概率计算公式如下：
(b)根据所得授权用户PU频谱为占用状态H1的平均检测概率以及m个复选认知车辆的诚信系数κ1,u，计算授权用户PU频谱为占用状态H1的全局检测概率和此占用状态H1对应的全局漏检概率其中，全局检测概率和全局漏检概率计算公式如下：
(c)根据所得授权用户PU频谱为空闲状态H0的平均检测概率以及n-m个复选认知车辆的诚信系数κ2,v，计算授权用户PU频谱为空闲状态H0的全局检测概率和此空闲状态H0对应的全局漏检概率全局虚警概率其中，平均检测概率全局检测概率全局漏检概率和全局虚警概率的计算公式分别如下：
(d)频谱感知融合中心FC根据授权用户PU频谱为占用状态H1对应的全局漏检概率以及授权用户PU频谱为空闲状态H0对应的全局虚警概率建立基于复选认知车辆数目m的频谱感知误差函数Fun(m)；其中，频谱感知误差函数Fun(m)表征着复选认知车辆数目为m个时所对应的协作频谱感知的误差情况；该频谱感知误差值越小，表明协作频谱感知的检测性能越好；频谱感知误差函数Fun(m)计算公式如下：
其中，Ppu表示授权用户PU信号在其授权频谱出现的概率；
(e)计算频谱感知误差函数Fun(m)的频谱感知误差最小值Fun(m0)，并以该频谱感知误差函数最小值Fun(m0)对应的数值m0(m0≤m)作为参与协作感知的最佳协作终选认知车辆数目，并对m个复选认知车辆按照其对应的信噪比值snrj进行降序排列，得到m个复选认知车辆的降序排列组；通过将频谱感知误差函数最小值Fun(m0)对应的数值m0(m0≤m<N)作为N个认知车辆的最佳协作终选认知车辆数据，实现了在保证最小频谱检测误差条件下具有最小的融合计算复杂度，进而提高了融合效率；
其中，当参与协作感知的复选认知车辆数目为m0时，整个车联认知网络具有最小的频谱感知误差，此时对应着车联认知网络具有更强的检测性能；由于每个复选认知车辆的信噪比仍然是影响其频谱检测概率的关键，因此，按照信噪比值大小顺序作降序排列，可以方便以信噪比作为区分检测性能的标识，以对排序后各复选认知车辆的性能作出比较，选择出具有高检测性能的复选认知车辆；
(f)选取复选认知车辆降序排列组中的前m0个复选认知车辆作为参与协作感知的最佳协作终选认知车辆；其中，分别标记选取的最佳协作终选认知车辆为CR”'r，其中，r＝1,2,…,m0；由于信噪比影响着复选认知车辆的频谱检测性能，因此，选取具有更高信噪比的复选认知车辆进出协作感知，可以进一步保证整体协作后的感知性能；
例如，当按照信噪比降序排列后得到的复选认知车辆降序排列组为{CR1，CR2、…、CRm0、CRm0+1，…，CRm}时，则选择前m0个复选认知车辆，即{CR1，CR2、…、CRm0}作为参与协作感知的最佳协作终选认知车辆，并分别对应标记CR1至CRm0为最佳协作终选认知车辆CR'1至CR'm0；
(8)频谱感知融合中心FC根据步骤(7)中m0个最佳协作终选认知车辆CR”'r的频谱感知结果进行基于OR准则的协作感知，并以协作感知的检测结果作为认知车联网的最终检测结果；其中，采用的OR准则如下：
其中，Pd,r为终选认知车辆CR”'r的检测概率，Pfa,r为终选认知车辆CR”'r的虚警概率；Qd为协作感知后的全局检测概率，Qfa为协作感知后的全局虚警概率；ωr表示信噪比SNR”r的权重系数，SNR”r是终选认知车辆CR”'r的信噪比，SNR”max表示m0个最佳协作终选认知车辆的信噪比最大值，SNR”min表示m0个最佳协作终选认知车辆的信噪比最小值。其中，ωr越大，表示该权重系数对应的最佳协同认知用户的检测性能越强。

Claims (1)

1.车联认知无线电自适应频谱感知方法，用于频谱感知融合中心和N个具有频谱感知功能的认知车辆进行频谱检测，其特征在于，依次包括如下步骤：
(1)建立由频谱感知融合中心、N个认知车辆以及授权用户组成的认知车联网；其中，频谱感知融合中心记为FC，认知车辆标记为CRi(i＝1,2,…,N)，授权用户记为PU；
(2)N个认知车辆CRi分别进行基于能量的频谱感知、独立地获取自身信噪比SNRi，并分别将获取的信噪比SNRi和频谱感知结果发送至频谱感知融合中心FC；其中，频谱感知结果包括认知车辆CRi的检测概率Pd,i以及虚警概率Pf,i，i＝1,2,…,N；
(3)频谱感知融合中心FC接收各认知车辆CRi发送的信噪比SNRi和频谱感知结果，并判断信噪比SNRi大于预设的信噪比筛选值SNRchose时，则选择此信噪比对应的认知车辆为参与协作感知的初选认知组成员，并执行步骤(4)；否则，选择具有最高信噪比的认知车辆所对应的频谱感知结果为频谱感知融合中心FC的最终检测结果；
(4)根据参与协作感知的初选认知组中各认知车辆的信噪比和检测概率，计算初选认知组中各初选认知车辆CR'i的可靠度ψi以及初选认知组的信噪比均方根值并令信噪比SNR'i＝γi，初选认知组中认知车辆的数量为N'，且N'≤N；其中，初选认知组中各初选认知车辆CR'i的可靠度ψi、初选认知组的信噪比均方根值的计算公式如下：
<mrow> <msub> <mi>&amp;psi;</mi> <mi>i</mi> </msub> <mo>=</mo> <mfrac> <msub> <mi>P</mi> <mrow> <mi>d</mi> <mo>,</mo> <mi>i</mi> </mrow> </msub> <mrow> <munderover> <mo>&amp;Sigma;</mo> <mrow> <mi>i</mi> <mo>=</mo> <mn>1</mn> </mrow> <msup> <mi>N</mi> <mo>&amp;prime;</mo> </msup> </munderover> <msub> <mi>P</mi> <mrow> <mi>d</mi> <mo>,</mo> <mi>i</mi> </mrow> </msub> </mrow> </mfrac> <mo>,</mo> <mover> <mi>&amp;gamma;</mi> <mo>&amp;OverBar;</mo> </mover> <mo>=</mo> <msqrt> <mrow> <mfrac> <mn>1</mn> <msup> <mi>N</mi> <mo>&amp;prime;</mo> </msup> </mfrac> <munderover> <mo>&amp;Sigma;</mo> <mrow> <mi>i</mi> <mo>=</mo> <mn>1</mn> </mrow> <msup> <mi>N</mi> <mo>&amp;prime;</mo> </msup> </munderover> <msub> <msup> <mi>SNR</mi> <mrow> <mo>&amp;prime;</mo> <mn>2</mn> </mrow> </msup> <mi>i</mi> </msub> </mrow> </msqrt> <mo>,</mo> <msup> <mi>N</mi> <mo>&amp;prime;</mo> </msup> <mo>&amp;le;</mo> <mi>N</mi> <mo>,</mo> <mi>i</mi> <mo>=</mo> <mn>1</mn> <mo>,</mo> <mn>2</mn> <mo>,</mo> <mo>...</mo> <mo>,</mo> <msup> <mi>N</mi> <mo>&amp;prime;</mo> </msup> <mo>;</mo> </mrow>
(5)频谱感知融合中心FC分别依次计算初选认知组中各初选认知车辆信噪比SNR'i与初选认知组信噪比均方根值之间的归一化商值其中，
<mrow> <mover> <msub> <mi>&amp;eta;</mi> <mi>i</mi> </msub> <mo>&amp;OverBar;</mo> </mover> <mo>=</mo> <mfrac> <msub> <mi>&amp;eta;</mi> <mi>i</mi> </msub> <mrow> <munderover> <mo>&amp;Sigma;</mo> <mrow> <mi>i</mi> <mo>=</mo> <mn>1</mn> </mrow> <msup> <mi>N</mi> <mo>&amp;prime;</mo> </msup> </munderover> <msub> <mi>&amp;eta;</mi> <mi>i</mi> </msub> </mrow> </mfrac> <mo>,</mo> <msub> <mi>&amp;eta;</mi> <mi>i</mi> </msub> <mo>=</mo> <mrow> <mo>|</mo> <mrow> <msub> <mi>&amp;gamma;</mi> <mi>i</mi> </msub> <mo>/</mo> <mover> <mi>&amp;gamma;</mi> <mo>&amp;OverBar;</mo> </mover> </mrow> <mo>|</mo> </mrow> <mo>,</mo> <mi>i</mi> <mo>=</mo> <mn>1</mn> <mo>,</mo> <mn>2</mn> <mo>,</mo> <mo>...</mo> <mo>,</mo> <msup> <mi>N</mi> <mo>&amp;prime;</mo> </msup> <mo>;</mo> </mrow>
(6)频谱感知融合中心FC计算、获取信噪比预设阈值λ和信噪比最佳阈值λoptimal，计算初选认知组中各初选认知车辆CR'i的联合筛选参数值ξi，并选定参与协作的复选认知车辆；其中，该步骤包括步骤(6-1)至步骤(6-3)：
(6-1)频谱感知融合中心FC根据接收的N'个初选认知车辆CR'i对应的信噪比集合{SNR'i}，获取初选认知车辆信噪比集合{SNR'i}中的信噪比最大值；其中，记该信噪比最大值为SNR'max；
(6-2)以获取的信噪比最大值SNR'max为参考，将信噪比最大值SNR'max分别与N'个初选认知车辆CR'i的信噪比SNR'i作商处理，计算得到各初选认知车辆信噪比SNR'i所对应的初始阈值λi；其中，
λi＝|SNR'max/SNR'i|，i＝1,2,…,N'；
(6-3)根据各初选认知车辆CR'i的可靠度ψi和归一化商值计算各初选认知车辆CR'i的联合筛选参数值ξi，并根据联合筛选参数值ξi，选取参与协作的复选认知车辆CR”j；其中，复选认知车辆CR”j的数量为n，i＝1,2,…,N'，j＝1,2,…,n，n≤N'：
若联合筛选参数值ξi位于预设数值区间范围[ξa,ξb]内，即ξa≤ξi≤ξb时，则选取该联合筛选参数值ξi对应的初选认知车辆为复选认知车辆，并参与协作感知；否则，该初选认知车辆不予选取；
(7)频谱感知融合中心FC根据选定的参与协作的复选认知车辆的频谱感知结果进行自适应感知融合；其中，自适应感知融合过程包括如下步骤(7-1)至步骤(7-3)：
(7-1)频谱感知融合中心FC根据n个复选认知车辆发送的频谱感知结果，统计n个复选认知车辆中感知到授权用户PU频谱为占用状态的复选认知车辆数目为m(1≤m≤n)，感知到授权用户PU频谱为空闲状态的复选认知车辆数目为n-m；其中，授权用户PU频谱为占用状态记为H1，授权用户PU1频谱为空闲状态记为H0；
(7-2)频谱感知融合中心FC根据m个复选认知车辆发送的信噪比，计算m个感知到授权用户PU频谱为占用状态H1的复选认知车辆诚信系数κ1,u，根据m个复选认知车辆发送的信噪比计算n-m个感知到授权用户PU频谱为空闲状态H0的复选认知车辆诚信系数κ2,v；其中，诚信系数κ1,u以及κ2,v的计算公式如下：
<mrow> <msub> <mi>&amp;kappa;</mi> <mrow> <mn>1</mn> <mo>,</mo> <mi>u</mi> </mrow> </msub> <mo>=</mo> <mfrac> <mrow> <msubsup> <mi>snr</mi> <mi>u</mi> <mn>2</mn> </msubsup> </mrow> <mrow> <mfrac> <mn>1</mn> <mi>m</mi> </mfrac> <munderover> <mo>&amp;Sigma;</mo> <mrow> <mi>u</mi> <mo>=</mo> <mn>1</mn> </mrow> <mi>m</mi> </munderover> <msubsup> <mi>snr</mi> <mi>u</mi> <mn>2</mn> </msubsup> </mrow> </mfrac> <mo>,</mo> <msub> <mi>&amp;kappa;</mi> <mrow> <mn>2</mn> <mo>,</mo> <mi>v</mi> </mrow> </msub> <mo>=</mo> <mfrac> <mrow> <msubsup> <mi>snr</mi> <mi>v</mi> <mn>2</mn> </msubsup> </mrow> <mrow> <mfrac> <mn>1</mn> <mrow> <mi>n</mi> <mo>-</mo> <mi>m</mi> </mrow> </mfrac> <munderover> <mo>&amp;Sigma;</mo> <mrow> <mi>v</mi> <mo>=</mo> <mn>1</mn> </mrow> <mrow> <mi>n</mi> <mo>-</mo> <mi>m</mi> </mrow> </munderover> <msubsup> <mi>snr</mi> <mi>v</mi> <mn>2</mn> </msubsup> </mrow> </mfrac> <mo>;</mo> </mrow>
(7-3)频谱感知融合中心FC根据m个复选认知车辆的各自感知结果以及诚信系数κ1,u，分别计算授权用户PU频谱为占用状态H1的平均检测概率全局检测概率和此占用状态H1对应的全局漏检概率以及授权用户PU的频谱为空闲状态H0的平均检测概率全局检测概率此空闲状态H0对应的全局漏检概率和全局虚警概率其中，该过程包括如下步骤(a)至步骤(f)：
(a)建立m个复选认知车辆协作感知的全局错误检测概率Pe，获取关于决策门限的能量检测优化函数γ*以及能量检测的最优门限值γopt，并计算授权用户PU频谱为占用状态H1的平均检测概率其中，
m个复选认知车辆协作感知的全局错误检测概率Pe计算公式如下：
<mrow> <msub> <mi>P</mi> <mi>e</mi> </msub> <mo>=</mo> <msub> <mi>P</mi> <msub> <mi>H</mi> <mn>0</mn> </msub> </msub> <msub> <mi>P</mi> <mi>f</mi> </msub> <mo>+</mo> <msub> <mi>P</mi> <msub> <mi>H</mi> <mn>1</mn> </msub> </msub> <msub> <mi>P</mi> <mi>m</mi> </msub> <mo>,</mo> <msub> <mi>P</mi> <msub> <mi>H</mi> <mn>1</mn> </msub> </msub> <mo>=</mo> <mn>1</mn> <mo>-</mo> <msub> <mi>P</mi> <msub> <mi>H</mi> <mn>0</mn> </msub> </msub> <mo>;</mo> </mrow>
<mrow> <msub> <mi>P</mi> <mi>f</mi> </msub> <mo>=</mo> <mi>Q</mi> <mrow> <mo>(</mo> <mfrac> <mrow> <mi>&amp;gamma;</mi> <mo>-</mo> <msubsup> <mi>&amp;sigma;</mi> <mi>n</mi> <mn>2</mn> </msubsup> </mrow> <mrow> <mfrac> <mn>2</mn> <mi>m</mi> </mfrac> <msubsup> <mi>&amp;sigma;</mi> <mi>n</mi> <mn>4</mn> </msubsup> </mrow> </mfrac> <mo>)</mo> </mrow> <mo>,</mo> <msub> <mi>P</mi> <mi>d</mi> </msub> <mo>=</mo> <mi>Q</mi> <mrow> <mo>(</mo> <mfrac> <mrow> <mi>&amp;gamma;</mi> <mo>-</mo> <mrow> <mo>(</mo> <mn>1</mn> <mo>+</mo> <mover> <mrow> <mi>s</mi> <mi>n</mi> <mi>r</mi> </mrow> <mo>&amp;OverBar;</mo> </mover> <mo>)</mo> </mrow> <msubsup> <mi>&amp;sigma;</mi> <mi>n</mi> <mn>2</mn> </msubsup> </mrow> <mrow> <mfrac> <mn>2</mn> <mi>m</mi> </mfrac> <mrow> <mo>(</mo> <mn>2</mn> <mover> <mrow> <mi>s</mi> <mi>n</mi> <mi>r</mi> </mrow> <mo>&amp;OverBar;</mo> </mover> <mo>+</mo> <mn>1</mn> <mo>)</mo> </mrow> <msubsup> <mi>&amp;sigma;</mi> <mi>n</mi> <mn>4</mn> </msubsup> </mrow> </mfrac> <mo>)</mo> </mrow> <mo>;</mo> <msub> <mi>P</mi> <mi>m</mi> </msub> <mo>=</mo> <mn>1</mn> <mo>-</mo> <msub> <mi>P</mi> <mi>d</mi> </msub> <mo>;</mo> </mrow>
为授权用户PU频谱处于空闲状态H0的概率，为授权用户PU频谱处于占用状态H1的概率；Pf为全局虚警概率，Pd为全局检测概率，Pm为全局漏检概率；为对应处于授权用户PU频谱处于占用状态H1的m个复选认知车辆的平均信噪比，snri为复选认知车辆CR”j自身的信噪比；γ为能量检测的门限值，为高斯白噪声的方差；
关于决策门限的能量检测优化函数γ*定义为：
<mrow> <msup> <mi>&amp;gamma;</mi> <mo>*</mo> </msup> <mo>=</mo> <munder> <mi>argmin</mi> <mi>&amp;gamma;</mi> </munder> <msub> <mi>P</mi> <mi>e</mi> </msub> <mo>=</mo> <msub> <mi>P</mi> <msub> <mi>H</mi> <mn>0</mn> </msub> </msub> <mo>&amp;CenterDot;</mo> <mi>Q</mi> <mrow> <mo>(</mo> <mfrac> <mrow> <mi>&amp;gamma;</mi> <mo>-</mo> <msubsup> <mi>&amp;sigma;</mi> <mi>n</mi> <mn>2</mn> </msubsup> </mrow> <mrow> <mfrac> <mn>2</mn> <mi>m</mi> </mfrac> <msubsup> <mi>&amp;sigma;</mi> <mi>n</mi> <mn>4</mn> </msubsup> </mrow> </mfrac> <mo>)</mo> </mrow> <mo>+</mo> <msub> <mi>P</mi> <msub> <mi>H</mi> <mn>0</mn> </msub> </msub> <mo>&amp;CenterDot;</mo> <mi>Q</mi> <mrow> <mo>(</mo> <mfrac> <mrow> <mi>&amp;gamma;</mi> <mo>-</mo> <mrow> <mo>(</mo> <mn>1</mn> <mo>+</mo> <mover> <mrow> <mi>s</mi> <mi>n</mi> <mi>r</mi> </mrow> <mo>&amp;OverBar;</mo> </mover> <mo>)</mo> </mrow> <msubsup> <mi>&amp;sigma;</mi> <mi>n</mi> <mn>2</mn> </msubsup> </mrow> <mrow> <mfrac> <mn>2</mn> <mi>m</mi> </mfrac> <mrow> <mo>(</mo> <mn>2</mn> <mover> <mrow> <mi>s</mi> <mi>n</mi> <mi>r</mi> </mrow> <mo>&amp;OverBar;</mo> </mover> <mo>+</mo> <mn>1</mn> <mo>)</mo> </mrow> <msubsup> <mi>&amp;sigma;</mi> <mi>n</mi> <mn>4</mn> </msubsup> </mrow> </mfrac> <mo>)</mo> </mrow> <mo>;</mo> </mrow> 2
能量检测的最优门限值γopt为：
<mrow> <mtable> <mtr> <mtd> <mrow> <msub> <mi>&amp;gamma;</mi> <mrow> <mi>o</mi> <mi>p</mi> <mi>t</mi> </mrow> </msub> <mo>=</mo> <mi>&amp;gamma;</mi> <msub> <mo>|</mo> <mrow> <mfrac> <mrow> <mo>&amp;part;</mo> <msub> <mi>P</mi> <mi>e</mi> </msub> </mrow> <mrow> <mo>&amp;part;</mo> <mi>&amp;gamma;</mi> </mrow> </mfrac> <mo>=</mo> <mn>0</mn> </mrow> </msub> </mrow> </mtd> </mtr> <mtr> <mtd> <mrow> <mo>=</mo> <mfrac> <msubsup> <mi>&amp;sigma;</mi> <mi>n</mi> <mn>2</mn> </msubsup> <mn>2</mn> </mfrac> <mo>+</mo> <msubsup> <mi>&amp;sigma;</mi> <mi>n</mi> <mn>2</mn> </msubsup> <msqrt> <mrow> <mfrac> <mn>1</mn> <mn>4</mn> </mfrac> <mo>+</mo> <mfrac> <mover> <mrow> <mi>s</mi> <mi>n</mi> <mi>r</mi> </mrow> <mo>&amp;OverBar;</mo> </mover> <mn>2</mn> </mfrac> <mo>+</mo> <mfrac> <mrow> <mn>4</mn> <mover> <mrow> <mi>s</mi> <mi>n</mi> <mi>r</mi> </mrow> <mo>&amp;OverBar;</mo> </mover> <mo>+</mo> <mn>2</mn> </mrow> <mrow> <mi>m</mi> <mo>&amp;CenterDot;</mo> <mover> <mrow> <mi>s</mi> <mi>n</mi> <mi>r</mi> </mrow> <mo>&amp;OverBar;</mo> </mover> </mrow> </mfrac> <mi>ln</mi> <mrow> <mo>(</mo> <mfrac> <msub> <mi>P</mi> <msub> <mi>H</mi> <mn>0</mn> </msub> </msub> <msub> <mi>P</mi> <msub> <mi>H</mi> <mn>1</mn> </msub> </msub> </mfrac> <msqrt> <mrow> <mn>2</mn> <mover> <mrow> <mi>s</mi> <mi>n</mi> <mi>r</mi> </mrow> <mo>&amp;OverBar;</mo> </mover> <mo>+</mo> <mn>1</mn> </mrow> </msqrt> <mo>)</mo> </mrow> </mrow> </msqrt> </mrow> </mtd> </mtr> </mtable> <mo>;</mo> </mrow>
授权用户PU频谱为占用状态H1的平均检测概率计算公式如下：
<mrow> <msub> <mi>P</mi> <mrow> <mi>det</mi> <mo>,</mo> <msub> <mi>H</mi> <mn>1</mn> </msub> </mrow> </msub> <mo>=</mo> <mi>Q</mi> <mrow> <mo>(</mo> <mfrac> <mrow> <msub> <mi>&amp;gamma;</mi> <mrow> <mi>o</mi> <mi>p</mi> <mi>t</mi> </mrow> </msub> <mo>-</mo> <mrow> <mo>(</mo> <mn>1</mn> <mo>+</mo> <mover> <mrow> <mi>s</mi> <mi>n</mi> <mi>r</mi> </mrow> <mo>&amp;OverBar;</mo> </mover> <mo>)</mo> </mrow> </mrow> <msqrt> <mrow> <mo>(</mo> <mn>2</mn> <mo>/</mo> <msup> <mi>N</mi> <mo>&amp;prime;</mo> </msup> <mo>)</mo> <msup> <mrow> <mo>(</mo> <mn>1</mn> <mo>+</mo> <mover> <mrow> <mi>s</mi> <mi>n</mi> <mi>r</mi> </mrow> <mo>&amp;OverBar;</mo> </mover> <mo>)</mo> </mrow> <mn>2</mn> </msup> </mrow> </msqrt> </mfrac> <mo>)</mo> </mrow> <mo>;</mo> </mrow>
(b)根据所得权用户PU频谱为占用状态H1的平均检测概率以及m个复选认知车辆的诚信系数κ1,u，计算授权用户PU频谱为占用状态H1的全局检测概率和此占用状态H1对应的全局漏检概率其中，全局检测概率和全局漏检概率计算公式如下：
<mrow> <msub> <mi>D</mi> <mrow> <mi>det</mi> <mo>,</mo> <msub> <mi>H</mi> <mn>1</mn> </msub> </mrow> </msub> <mo>=</mo> <mroot> <mrow> <munderover> <mo>&amp;Pi;</mo> <mrow> <mi>u</mi> <mo>=</mo> <mn>1</mn> </mrow> <mi>m</mi> </munderover> <msub> <mi>&amp;kappa;</mi> <mrow> <mn>1</mn> <mo>,</mo> <mi>u</mi> </mrow> </msub> </mrow> <mi>m</mi> </mroot> <mo>&amp;CenterDot;</mo> <munderover> <mo>&amp;Sigma;</mo> <mrow> <mi>l</mi> <mo>=</mo> <mi>m</mi> </mrow> <mi>n</mi> </munderover> <msup> <mrow> <mo>(</mo> <msub> <mi>P</mi> <mrow> <mi>det</mi> <mo>,</mo> <msub> <mi>H</mi> <mn>1</mn> </msub> </mrow> </msub> <mo>)</mo> </mrow> <mi>l</mi> </msup> <msup> <mrow> <mo>(</mo> <mn>1</mn> <mo>-</mo> <msub> <mi>P</mi> <mrow> <mi>det</mi> <mo>,</mo> <msub> <mi>H</mi> <mn>1</mn> </msub> </mrow> </msub> <mo>)</mo> </mrow> <mrow> <mi>n</mi> <mo>-</mo> <mi>l</mi> </mrow> </msup> <mo>,</mo> <msub> <mi>D</mi> <mrow> <mi>u</mi> <mi>n</mi> <mi>det</mi> <mo>,</mo> <msub> <mi>H</mi> <mn>1</mn> </msub> </mrow> </msub> <mo>=</mo> <mn>1</mn> <mo>-</mo> <msub> <mi>D</mi> <mrow> <mi>det</mi> <mo>,</mo> <msub> <mi>H</mi> <mn>1</mn> </msub> </mrow> </msub> <mo>;</mo> </mrow>
(c)根据所得授权用户PU频谱为空闲状态H0的平均检测概率以及n-m个复选认知车辆的诚信系数κ2,v，计算授权用户PU频谱为空闲状态H0的全局检测概率和此空闲状态H0对应的全局漏检概率全局虚警概率其中，平均检测概率全局检测概率全局漏检概率和全局虚警概率的计算公式分别如下：
<mrow> <msub> <mi>P</mi> <mrow> <mi>det</mi> <mo>,</mo> <msub> <mi>H</mi> <mn>0</mn> </msub> </mrow> </msub> <mo>=</mo> <mn>1</mn> <mo>-</mo> <mi>Q</mi> <mrow> <mo>(</mo> <mfrac> <mrow> <msub> <mi>&amp;gamma;</mi> <mrow> <mi>o</mi> <mi>p</mi> <mi>t</mi> </mrow> </msub> <mo>-</mo> <mn>1</mn> </mrow> <msqrt> <mrow> <mo>(</mo> <mn>2</mn> <mo>/</mo> <msup> <mi>N</mi> <mo>&amp;prime;</mo> </msup> <mo>)</mo> </mrow> </msqrt> </mfrac> <mo>)</mo> </mrow> <mo>;</mo> </mrow>
<mrow> <msub> <mi>D</mi> <mrow> <mi>det</mi> <mo>,</mo> <msub> <mi>H</mi> <mn>0</mn> </msub> </mrow> </msub> <mo>=</mo> <mroot> <mrow> <munderover> <mo>&amp;Pi;</mo> <mrow> <mi>v</mi> <mo>=</mo> <mn>1</mn> </mrow> <mrow> <mi>n</mi> <mo>-</mo> <mi>m</mi> </mrow> </munderover> <msub> <mi>&amp;kappa;</mi> <mrow> <mn>2</mn> <mo>,</mo> <mi>v</mi> </mrow> </msub> </mrow> <mrow> <mi>n</mi> <mo>-</mo> <mi>m</mi> </mrow> </mroot> <mo>&amp;CenterDot;</mo> <munderover> <mo>&amp;Sigma;</mo> <mrow> <mi>l</mi> <mo>=</mo> <mi>n</mi> <mo>-</mo> <mi>m</mi> <mo>+</mo> <mn>1</mn> </mrow> <mi>n</mi> </munderover> <msup> <mrow> <mo>(</mo> <msub> <mi>P</mi> <mrow> <mi>det</mi> <mo>,</mo> <msub> <mi>H</mi> <mn>0</mn> </msub> </mrow> </msub> <mo>)</mo> </mrow> <mi>l</mi> </msup> <msup> <mrow> <mo>(</mo> <mn>1</mn> <mo>-</mo> <msub> <mi>P</mi> <mrow> <mi>det</mi> <mo>,</mo> <msub> <mi>H</mi> <mn>0</mn> </msub> </mrow> </msub> <mo>)</mo> </mrow> <mrow> <mi>n</mi> <mo>-</mo> <mi>l</mi> </mrow> </msup> <mo>;</mo> </mrow>
<mrow> <msub> <mi>D</mi> <mrow> <mi>F</mi> <mi>a</mi> <mi>i</mi> <mi>l</mi> <mo>,</mo> <msub> <mi>H</mi> <mn>0</mn> </msub> </mrow> </msub> <mo>=</mo> <mn>1</mn> <mo>-</mo> <msub> <mi>D</mi> <mrow> <mi>det</mi> <mo>,</mo> <msub> <mi>H</mi> <mn>0</mn> </msub> </mrow> </msub> <mo>;</mo> </mrow>
(d)频谱感知融合中心FC根据授权用户PU频谱为占用状态H1对应的全局漏检概率以及授权用户PU频谱为空闲状态H0对应的全局虚警概率建立基于复选认知车辆数目m的频谱感知误差函数Fun(m)；其中，频谱感知误差函数Fun(m)计算公式如下：
<mrow> <mtable> <mtr> <mtd> <mrow> <mi>F</mi> <mi>u</mi> <mi>n</mi> <mrow> <mo>(</mo> <mi>m</mi> <mo>)</mo> </mrow> <mo>=</mo> <msub> <mi>P</mi> <mrow> <mi>p</mi> <mi>u</mi> </mrow> </msub> <mo>&amp;CenterDot;</mo> <msub> <mi>D</mi> <mrow> <mi>u</mi> <mi>n</mi> <mi>det</mi> <mo>,</mo> <msub> <mi>H</mi> <mn>1</mn> </msub> </mrow> </msub> <mo>+</mo> <mrow> <mo>(</mo> <mn>1</mn> <mo>-</mo> <msub> <mi>P</mi> <mrow> <mi>p</mi> <mi>u</mi> </mrow> </msub> <mo>)</mo> </mrow> <mo>&amp;CenterDot;</mo> <msub> <mi>D</mi> <mrow> <mi>F</mi> <mi>a</mi> <mi>i</mi> <mi>l</mi> <mo>,</mo> <msub> <mi>H</mi> <mn>0</mn> </msub> </mrow> </msub> </mrow> </mtd> </mtr> <mtr> <mtd> <mrow> <mo>=</mo> <msub> <mi>P</mi> <mrow> <mi>p</mi> <mi>u</mi> </mrow> </msub> <mo>&amp;CenterDot;</mo> <mrow> <mo>(</mo> <mn>1</mn> <mo>-</mo> <msub> <mi>D</mi> <mrow> <mi>det</mi> <mo>,</mo> <msub> <mi>H</mi> <mn>1</mn> </msub> </mrow> </msub> <mo>)</mo> </mrow> <mo>+</mo> <mrow> <mo>(</mo> <mn>1</mn> <mo>-</mo> <msub> <mi>P</mi> <mrow> <mi>p</mi> <mi>u</mi> </mrow> </msub> <mo>)</mo> </mrow> <mo>&amp;CenterDot;</mo> <mrow> <mo>(</mo> <mn>1</mn> <mo>-</mo> <msub> <mi>D</mi> <mrow> <mi>det</mi> <mo>,</mo> <msub> <mi>H</mi> <mn>0</mn> </msub> </mrow> </msub> <mo>)</mo> </mrow> </mrow> </mtd> </mtr> <mtr> <mtd> <mrow> <mo>=</mo> <msub> <mi>P</mi> <mrow> <mi>p</mi> <mi>u</mi> </mrow> </msub> <mo>&amp;CenterDot;</mo> <mrow> <mo>(</mo> <mn>1</mn> <mo>-</mo> <mroot> <mrow> <munderover> <mo>&amp;Pi;</mo> <mrow> <mi>u</mi> <mo>=</mo> <mn>1</mn> </mrow> <mi>m</mi> </munderover> <msub> <mi>&amp;kappa;</mi> <mrow> <mn>1</mn> <mo>,</mo> <mi>u</mi> </mrow> </msub> </mrow> <mi>m</mi> </mroot> <mo>&amp;CenterDot;</mo> <munderover> <mo>&amp;Sigma;</mo> <mrow> <mi>l</mi> <mo>=</mo> <mi>m</mi> </mrow> <mi>n</mi> </munderover> <msup> <mrow> <mo>(</mo> <msub> <mi>P</mi> <mrow> <mi>det</mi> <mo>,</mo> <msub> <mi>H</mi> <mn>1</mn> </msub> </mrow> </msub> <mo>)</mo> </mrow> <mi>l</mi> </msup> <msup> <mrow> <mo>(</mo> <mrow> <mn>1</mn> <mo>-</mo> <msub> <mi>P</mi> <mrow> <mi>det</mi> <mo>,</mo> <msub> <mi>H</mi> <mn>1</mn> </msub> </mrow> </msub> </mrow> <mo>)</mo> </mrow> <mrow> <mi>n</mi> <mo>-</mo> <mi>l</mi> </mrow> </msup> <mo>)</mo> </mrow> <mo>+</mo> </mrow> </mtd> </mtr> <mtr> <mtd> <mrow> <mo>(</mo> <mn>1</mn> <mo>-</mo> <msub> <mi>P</mi> <mrow> <mi>p</mi> <mi>u</mi> </mrow> </msub> <mo>)</mo> <mo>&amp;CenterDot;</mo> <mo>(</mo> <mn>1</mn> <mo>-</mo> <mroot> <mrow> <munderover> <mo>&amp;Pi;</mo> <mrow> <mi>v</mi> <mo>=</mo> <mn>1</mn> </mrow> <mrow> <mi>n</mi> <mo>-</mo> <mi>m</mi> </mrow> </munderover> <msub> <mi>&amp;kappa;</mi> <mrow> <mn>2</mn> <mo>,</mo> <mi>u</mi> </mrow> </msub> </mrow> <mrow> <mi>n</mi> <mo>-</mo> <mi>m</mi> </mrow> </mroot> <mo>&amp;CenterDot;</mo> <munderover> <mo>&amp;Sigma;</mo> <mrow> <mi>l</mi> <mo>=</mo> <mi>n</mi> <mo>-</mo> <mi>m</mi> <mo>+</mo> <mn>1</mn> </mrow> <mi>n</mi> </munderover> <msup> <mrow> <mo>(</mo> <msub> <mi>P</mi> <mrow> <mi>det</mi> <mo>,</mo> <msub> <mi>H</mi> <mn>0</mn> </msub> </mrow> </msub> <mo>)</mo> </mrow> <mi>l</mi> </msup> <msup> <mrow> <mo>(</mo> <mrow> <mn>1</mn> <mo>-</mo> <msub> <mi>P</mi> <mrow> <mi>det</mi> <mo>,</mo> <msub> <mi>H</mi> <mn>0</mn> </msub> </mrow> </msub> </mrow> <mo>)</mo> </mrow> <mrow> <mi>n</mi> <mo>-</mo> <mi>l</mi> </mrow> </msup> <mo>)</mo> </mrow> </mtd> </mtr> </mtable> <mo>;</mo> </mrow>
其中，Ppu表示授权用户PU信号在其授权频谱出现的概率；
(e)计算频谱感知误差函数Fun(m)的频谱感知误差最小值Fun(m0)，并以该频谱感知误差函数最小值Fun(m0)对应的数值m0(m0≤m)作为参与协作感知的最佳协作终选认知车辆数目，并对m个复选认知车辆按照其对应的信噪比值snrj进行降序排列，得到m个复选认知车辆的降序排列组；
(f)选取复选认知车辆降序排列组中的前m0个复选认知车辆作为参与协作感知的最佳协作终选认知车辆；其中，分别标记选取的最佳协作终选认知车辆为CR”'r，其中，r＝1,2,…,m0；
(8)频谱感知融合中心FC根据步骤(7)中m0个最佳协作终选认知车辆CR”'r的频谱感知结果进行基于OR准则的协作感知，并以协作感知的检测结果作为认知车联网的最终检测结果。；其中，所述步骤(8)中采用的OR准则如下：
<mrow> <msub> <mi>Q</mi> <mi>d</mi> </msub> <mo>=</mo> <mn>1</mn> <mo>-</mo> <munderover> <mo>&amp;Pi;</mo> <mrow> <mi>r</mi> <mo>=</mo> <mn>1</mn> </mrow> <mrow> <mi>m</mi> <mn>0</mn> </mrow> </munderover> <msub> <mi>&amp;omega;</mi> <mi>r</mi> </msub> <mrow> <mo>(</mo> <mn>1</mn> <mo>-</mo> <msub> <mi>P</mi> <mrow> <mi>d</mi> <mo>,</mo> <mi>r</mi> </mrow> </msub> <mo>)</mo> </mrow> <mo>,</mo> <msub> <mi>Q</mi> <mrow> <mi>f</mi> <mi>a</mi> </mrow> </msub> <mo>-</mo> <munderover> <mo>&amp;Pi;</mo> <mrow> <mi>r</mi> <mo>=</mo> <mn>1</mn> </mrow> <mrow> <mi>m</mi> <mn>0</mn> </mrow> </munderover> <mrow> <mo>(</mo> <mn>1</mn> <mo>-</mo> <msub> <mi>P</mi> <mrow> <mi>f</mi> <mo>,</mo> <mi>r</mi> </mrow> </msub> <mo>)</mo> </mrow> <mo>;</mo> </mrow>
<mrow> <msub> <mi>&amp;omega;</mi> <mi>r</mi> </msub> <mo>=</mo> <mfrac> <mrow> <msub> <msup> <mi>SNR</mi> <mrow> <mo>&amp;prime;</mo> <mo>&amp;prime;</mo> </mrow> </msup> <mi>r</mi> </msub> </mrow> <mrow> <mn>0.5</mn> <mo>&amp;CenterDot;</mo> <mrow> <mo>(</mo> <msub> <msup> <mi>SNR</mi> <mrow> <mo>&amp;prime;</mo> <mo>&amp;prime;</mo> </mrow> </msup> <mrow> <mi>m</mi> <mi>a</mi> <mi>x</mi> </mrow> </msub> <mo>+</mo> <msub> <msup> <mi>SNR</mi> <mrow> <mo>&amp;prime;</mo> <mo>&amp;prime;</mo> </mrow> </msup> <mrow> <mi>m</mi> <mi>i</mi> <mi>n</mi> </mrow> </msub> <mo>)</mo> </mrow> </mrow> </mfrac> <mo>,</mo> <mi>r</mi> <mo>=</mo> <mn>1</mn> <mo>,</mo> <mn>2</mn> <mo>,</mo> <mo>...</mo> <mo>,</mo> <msub> <mi>m</mi> <mn>0</mn> </msub> <mo>,</mo> <msub> <mi>m</mi> <mn>0</mn> </msub> <mo>&amp;le;</mo> <mi>m</mi> <mo>&amp;le;</mo> <mi>n</mi> <mo>;</mo> </mrow>
其中，Pd,r为终选认知车辆CR”'r的检测概率，Pfa,r为终选认知车辆CR”'r的虚警概率；Qd为协作感知后的全局检测概率，Qfa为协作感知后的全局虚警概率；ωr表示信噪比SNR”r的权重系数，SNR”r是终选认知车辆CR”'r的信噪比，SNR”max表示m0个最佳协作终选认知车辆的信噪比最大值，SNR”min表示m0个最佳协作终选认知车辆的信噪比最小值。
CN201510828412.9A 2015-11-25 2015-11-25 车联认知无线电自适应频谱感知方法 Active CN105490761B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201510828412.9A CN105490761B (zh) 2015-11-25 2015-11-25 车联认知无线电自适应频谱感知方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201510828412.9A CN105490761B (zh) 2015-11-25 2015-11-25 车联认知无线电自适应频谱感知方法

Publications (2)

Publication Number Publication Date
CN105490761A CN105490761A (zh) 2016-04-13
CN105490761B true CN105490761B (zh) 2017-11-07

Family

ID=55677518

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201510828412.9A Active CN105490761B (zh) 2015-11-25 2015-11-25 车联认知无线电自适应频谱感知方法

Country Status (1)

Country Link
CN (1) CN105490761B (zh)

Families Citing this family (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106412929A (zh) * 2016-09-23 2017-02-15 宁波大学 智能车联物联网混合协同频谱感知系统
CN107623554B (zh) * 2017-08-24 2021-02-02 西安电子科技大学 一种基于信任值的协作频谱感知方法、认知无线网络
CN108900266B (zh) * 2018-07-06 2020-06-19 华南理工大学 基于协作节点选取和fcm算法的认知车联网频谱感知方法
CN111065070B (zh) * 2019-12-27 2021-01-19 北京邮电大学 一种认知车联网中的合作毫米波频谱感知方法

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101789836A (zh) * 2010-02-02 2010-07-28 浙江大学 一种节省网络通信开销的合作频谱感知方法
CN103338458A (zh) * 2013-07-11 2013-10-02 东南大学 一种用于认知无线电系统的协作频谱感知方法
CN103338082A (zh) * 2013-06-01 2013-10-02 华南理工大学 一种基于“k秩”准则的双门限协作频谱感知方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9077446B2 (en) * 2010-06-09 2015-07-07 Industry-Academic Cooperation Foundation, Yonsei University Method for controlling random access for the efficient sensing of the cooperative spectrum in a cognitive radio-based frequency resource sharing system

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101789836A (zh) * 2010-02-02 2010-07-28 浙江大学 一种节省网络通信开销的合作频谱感知方法
CN103338082A (zh) * 2013-06-01 2013-10-02 华南理工大学 一种基于“k秩”准则的双门限协作频谱感知方法
CN103338458A (zh) * 2013-07-11 2013-10-02 东南大学 一种用于认知无线电系统的协作频谱感知方法

Also Published As

Publication number Publication date
CN105490761A (zh) 2016-04-13

Similar Documents

Publication Publication Date Title
CN105490761B (zh) 车联认知无线电自适应频谱感知方法
CN102571241B (zh) 一种改进的双门限协作频谱感知方法
CN105099850B (zh) 基于频谱感知的智能车联物联网监控系统及监控方法
CN106656374A (zh) 一种基于双门限能量检测的协作宽带频谱感知方法
CN102547910A (zh) 无线接入点选择方法及无线接入点
CN106412927A (zh) 协同传输能量收集认知无线电网络最佳资源分配方法
CN104469784A (zh) 一种异构网络中频谱感知数据的处理方法及装置
CN106059840A (zh) 一种认知无线系统功率分配方法及装置
CN105375997B (zh) 基于次用户数目优化的多用户协作频谱感知方法
CN103338082A (zh) 一种基于“k秩”准则的双门限协作频谱感知方法
CN106230530B (zh) 多频段协作认知频谱感知方法
CN101815305B (zh) 基于可信度的协同频谱感知方法
CN106412929A (zh) 智能车联物联网混合协同频谱感知系统
CN105471528B (zh) 一种自适应调整的协同频谱感知方法
CN105491572B (zh) 基于判决门限优化的联合频谱感知方法
CN103888201B (zh) 一种利用空间分集的协作频谱感知方法
CN101729164A (zh) 无线资源分配方法和认知无线电用户设备
CN105515698B (zh) 基于动态调整的多频段协作频谱感知方法
CN104079359B (zh) 一种认知无线网络中协作频谱感知门限优化方法
CN105375998B (zh) 基于分簇优化的多频段协作频谱感知方法
CN105141383B (zh) 认知无线网络主用户信号检测方法
CN105141384B (zh) 一种认知无线电协作频谱感知方法
CN108900266A (zh) 基于协作节点选取和fcm算法的认知车联网频谱感知方法
CN106255066B (zh) 协同认知无线网络多用户通信动态判决方法
CN103036626B (zh) 基于认知无线电协作用户与检测门限联合选择的无线通信方法

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
C10 Entry into substantive examination
SE01 Entry into force of request for substantive examination
CB03 Change of inventor or designer information
CB03 Change of inventor or designer information

Inventor after: Zheng Ziwei

Inventor after: Zhang Xiaobo

Inventor after: Qin Chuang

Inventor before: Zheng Ziwei

Inventor before: Qin Chuang

GR01 Patent grant
GR01 Patent grant
TR01 Transfer of patent right
TR01 Transfer of patent right

Effective date of registration: 20210127

Address after: Room 1101, building 2, 258 Xiqin street, Wuchang Street, Yuhang District, Hangzhou City, Zhejiang Province 310000

Patentee after: Hangzhou Lechi Xinchuang Artificial Intelligence Technology Service Co.,Ltd.

Address before: 315211, Fenghua Road, Jiangbei District, Zhejiang, Ningbo 818

Patentee before: Ningbo University

EE01 Entry into force of recordation of patent licensing contract
EE01 Entry into force of recordation of patent licensing contract

Application publication date: 20160413

Assignee: HANGZHOU HONGHAIER TECHNOLOGY Co.,Ltd.

Assignor: Hangzhou Lechi Xinchuang Artificial Intelligence Technology Service Co.,Ltd.

Contract record no.: X2021330000665

Denomination of invention: Car coupling cognitive radio adaptive spectrum sensing method

Granted publication date: 20171107

License type: Common License

Record date: 20211103

EE01 Entry into force of recordation of patent licensing contract
EE01 Entry into force of recordation of patent licensing contract

Application publication date: 20160413

Assignee: Hangzhou Baowen Network Media Technology Co.,Ltd.

Assignor: Hangzhou Lechi Xinchuang Artificial Intelligence Technology Service Co.,Ltd.

Contract record no.: X2021330000685

Denomination of invention: Car coupling cognitive radio adaptive spectrum sensing method

Granted publication date: 20171107

License type: Common License

Record date: 20211104

Application publication date: 20160413

Assignee: Hangzhou intellectual property operation management Co.,Ltd.

Assignor: Hangzhou Lechi Xinchuang Artificial Intelligence Technology Service Co.,Ltd.

Contract record no.: X2021330000686

Denomination of invention: Car coupling cognitive radio adaptive spectrum sensing method

Granted publication date: 20171107

License type: Common License

Record date: 20211104

EE01 Entry into force of recordation of patent licensing contract
EE01 Entry into force of recordation of patent licensing contract

Application publication date: 20160413

Assignee: Hangzhou yunzhichuang Technology Co.,Ltd.

Assignor: Hangzhou Lechi Xinchuang Artificial Intelligence Technology Service Co.,Ltd.

Contract record no.: X2021330000767

Denomination of invention: Car coupling cognitive radio adaptive spectrum sensing method

Granted publication date: 20171107

License type: Common License

Record date: 20211130

TR01 Transfer of patent right
TR01 Transfer of patent right

Effective date of registration: 20221031

Address after: 101500 room 501-228, Development Zone office building, No.8, Xingsheng South Road, economic development zone, Miyun District, Beijing

Patentee after: BEIJING XUHUI XINRUI TECHNOLOGY CO.,LTD.

Address before: Room 1101, building 2, 258 Xiqin street, Wuchang Street, Yuhang District, Hangzhou City, Zhejiang Province 310000

Patentee before: Hangzhou Lechi Xinchuang Artificial Intelligence Technology Service Co.,Ltd.

EC01 Cancellation of recordation of patent licensing contract
EC01 Cancellation of recordation of patent licensing contract

Assignee: Hangzhou Baowen Network Media Technology Co.,Ltd.

Assignor: Hangzhou Lechi Xinchuang Artificial Intelligence Technology Service Co.,Ltd.

Contract record no.: X2021330000685

Date of cancellation: 20230105

Assignee: Hangzhou intellectual property operation management Co.,Ltd.

Assignor: Hangzhou Lechi Xinchuang Artificial Intelligence Technology Service Co.,Ltd.

Contract record no.: X2021330000686

Date of cancellation: 20230105

Assignee: HANGZHOU HONGHAIER TECHNOLOGY Co.,Ltd.

Assignor: Hangzhou Lechi Xinchuang Artificial Intelligence Technology Service Co.,Ltd.

Contract record no.: X2021330000665

Date of cancellation: 20230105

Assignee: Hangzhou yunzhichuang Technology Co.,Ltd.

Assignor: Hangzhou Lechi Xinchuang Artificial Intelligence Technology Service Co.,Ltd.

Contract record no.: X2021330000767

Date of cancellation: 20230105