CN108900266B - 基于协作节点选取和fcm算法的认知车联网频谱感知方法 - Google Patents

Abstract

本发明公开了一种基于协作节点选取和FCM算法的认知车联网频谱感知方法，步骤如下：认知车辆向路侧单元发送通信请求；根据所需车流密度及车辆间距离确定参与协作车辆数，路侧单元利用车辆位置和车辆间相关性选取认知车辆进行协作频谱感知；选取的认知车辆运用能量检测方法进行频谱感知，利用FCM算法对认知车辆检测统计量进行聚类，获取聚类中心和隶属度矩阵，当检测统计量隶属度差异值大于某一阈值时进行本地判决；路侧单元基于协作节点位置和相关性进行加权融合判决，判断主用户是否存在。本发明基于车辆位置和车辆间相关性动态选取协作车辆，保证频谱感知准确性并节省开销；考虑车辆位置的移动，无需信噪比等先验信息，提高检测性能。

Description

基于协作节点选取和FCM算法的认知车联网频谱感知方法

技术领域

本发明涉及认知无线电和车载自组网领域技术领域，具体涉及一种基于协作节点选取和FCM算法的认知车联网频谱感知方法。

背景技术

随着社会的进步，汽车行业飞速发展，汽车数量的持续上涨，保障交通安全、提高通行效率需要为车辆提供高速率、低延时、高可靠的通信，车载自组织网络(Vehicular Ad-hoc Networks，VANET)应运而生，主要包括V2V(Vehicle to Vehicle)和V2I(Vehicle toInfrastructure)两种通信方式。车联网作为新型智慧城市的一个标志越来越受到人们的关注，是智能交通系统领域中的研究热点。

然而，随着车辆的增多，车载娱乐的多样化，通信需求大幅度增加，分配给VANET的5.9GHz频段的专用短程通信信道已经不能满足车载通信的需求，车辆高峰时期，将面临信道拥塞，频谱资源短缺的问题。为解决这一问题，提出了通过认知无线电(CR)技术的动态频谱接入(DSA)。 CR的核心功能之一是通过频谱感知识别授权频段的频谱空洞，允许非授权用户在不影响授权用户的通信系统性能的前提下，动态地接入授权用户的空闲频段进行通信。要实现认知无线电通信，频谱感知是首要环节，只有有效地检测到特定频段内是否有可用频谱机会，才能进行下一步工作。

将认知无线电技术应用到车载自组网领域，认知车联网(CR-VANET) 应运而生。车联网中具有认知功能的车辆被称之为认知车辆，认知车辆配备认知无线电通信设备，可以接入DSRC信道，也可以接入其他空闲授权频段。认知车辆通过对周围环境中已授权频谱资源进行感知，快速准确地判断出授权频段的占用情况，自适应调整收发设备至空闲授权频段上通信，提高频谱利用率。针对实际环境中路径损耗和阴影效应等诸多因素对感知性能的不利影响，以及车辆位置的不断变换使接收到的信号能量随之变化的情况，如何研究出满足要求的频谱感知方法，有效使用空闲频谱进行通信，提高频谱利用率已经成为专家学者关注的热点。

发明内容

本发明的目的在于解决现有车载频段无法满足车载通信需求的问题，考虑路径损耗和阴影效应以及车辆移动等因素，提出一种基于协作节点选取和FCM算法的认知车联网频谱感知方法，动态选取参与协作感知的车辆节点，保证频谱感知准确性的同时节省了开销，利用基于FCM算法的能量检测技术进行频谱感知，自适应本地判决，无需信噪比等先验信息，提高了检测性能。

本发明的目的可以通过采取如下技术方案达到：

一种基于协作节点选取和FCM算法的认知车联网频谱感知方法，包括如下步骤：

S1、路侧单元根据感知精度和感知开销的需求确定参与协作的车流密度，基于车流密度及认知车辆间距离确定参与协作车辆节点数，其中车辆位置信息由自带的GPS模块获取；

S2、路侧单元基于车辆位置和车辆间相关性，引入新的参数，动态地选取相关性较小且距离主用户较近的认知车辆节点进行协作频谱感知；

S3、参与协作的认知车辆采用能量检测技术进行频谱感知，将获得的检测统计量存储到车辆存储模块，利用FCM算法进行聚类，获取聚类中心和隶属度矩阵，当检测统计量隶属度差异值大于某一阈值时进行本地判决；

S4、路侧单元将接收到的本地判决结果通过认知车辆的位置和相关性进行加权融合，判定该频段主用户是否存在，如果该频段主用户不存在，则认知车辆可以使用该频段进行通信，否则退出该频段的使用。

进一步地，所述的步骤S1中，路侧单元根据所需参与协作的车流密度及车辆间距离确定参与协作车辆节点数，保证感知准确性的同时节省开销，有效解决因协作节点数固定，而造成某一路段参与协作节点选取较多带来的资源浪费，或因节点选取较少带来的感知准确性下降的问题。选取参与协作节点具体步骤是：

S11、根据感知精度和能耗选择不同的车流密度，确定应选取参与协作的认知车辆数K＝ρ*d_ms(t)，ρ为车辆密度，d_ms(t)为M个车辆节点之间的最远距离；

S12、如果车辆节点M≤K，车辆密度很小，全部车辆参与协作感知， K＝M，否则进行下一步，协作节点选取。

进一步地，所述的步骤S2中，相对于传统的仅考虑节点与主用户距离或仅考虑节点相关性的节点选取方案，选择离主用户较近的节点可以提高接收主用户信号的信噪比，提高决策用户的准确度，但没有考虑协作用户相关性，导致协作增益下降；选取相关性较小的节点，能够增加协作用户的空间分集增益，改善感知性能，但协作用户距离主用户较远，接收主用户信号强度弱，感知准确度差，本发明中路侧单元基于车辆位置和车辆间相关性，引入新的参数，动态地选取相关性较小且距离主用户较近的认知车辆节点进行协作频谱感知，具体步骤是：

S21、计算每个认知车辆与其他车辆节点之间的相关性，每个认知车辆与其他M-1个认知车辆节点之间的相关性之和：

R_i,j(t)为t时刻认知车辆节点CR_i和CR_j之间的相关性，每个认知车辆节点与其他M-1个认知车辆节点之间的相关性之和归一化处理为R_ai(t)；

S22、分别计算M个认知车辆与主用户之间的距离d_i,p(t)，求得认知车辆与主用户之间的归一化距离为d_i(t)；

S23、从M个认知车辆节点中选取K个参与协作感知，基于车辆的位置和相关性进行动态节点的选取，引入新的参数：

Node_i＝α×R_ai(t)+β×d_i(t)(i＝1,2,…M)

其中α和β分别为车辆间相关性和车辆与主用户之间距离的系数，取值范围为(0,1)，定义α和β的值，从M个车辆节点的Node_i值中选取最小的K个作为参与协作的车辆节点，即选取相关性较小且距离主用户较近的 K个认知车辆参与协作。

进一步地，所述的步骤S3中，参与协作的认知车辆采用能量检测技术进行频谱感知，将获得的检测统计量存储到车辆存储模块，基于车辆移动过程中不同时隙的历史检测统计量，利用FCM算法进行聚类，当目标函数收敛时获取最终聚类中心和隶属度矩阵，当检测统计量隶属度差异值大于某一阈值时进行本地判决，具体步骤是：

S31、参与协作的认知车辆将接收到的检测统计量存储到车辆存储模块，每个感知时隙都会接收到新的检测统计量，基于车辆移动过程中不同时隙的历史检测统计量，存储模块最多存放N个检测统计量，存储模块每个时隙都会更新；

S32、聚类模块将接收到的n个检测统计量通过FCM算法分为c个模糊组，c取值为2，类中心为c_i，每个检测统计量属于某一类i的隶属度为 u_ij，若使检测统计量T_j自适应聚类，即要求含有约束条件的目标函数J的值最小，引入拉格朗日因子构造目标函数如下：

式中，m是模糊加权系数,d(T_j,c_i)表示欧式距离，λ_j(j＝1,2…,n)表示n 个约束式的拉格朗日乘子，通过求导得到隶属度和聚类中心的计算公式；

S33、初始化隶属度矩阵，计算并比较相邻两次目标函数J的差值，直到差值小于某一阈值ε时停止迭代，否则重新计算各个参量及目标函数；

S34、通过最终获得的隶属度矩阵获取待判决检测统计量T_n的隶属度差异值，若|u_1n-u_2n|＞δ，进行本地检测统计量判决，并将结果上传到路侧单元；否则，由于隶属度差异值较小，低信噪比情况下判决结果可靠性低，会因误差很大致使误判，直接舍弃该认知车辆。

进一步地，所述的步骤S4中，路侧单元将接收到的本地判决结果通过认知车辆的位置和相关性进行加权融合，判定该频段主用户是否存在，具体步骤是：

S41、基于认知车辆的位置和相关性参数Node_i，每个车辆节点对应的加权系数为：

ω_i∈(0,1),且

S42、路侧单元根据接收到的本地判决结果及其权重值计算出协作感知决策值，判定该频段主用户是否存在。

上述公开的基于协作节点选取和FCM算法的认知车联网频谱感知方法，基于车流密度ρ及认知车辆间最远距离d_ms(t)确定参与协作车辆节点数 K＝ρ*d_ms(t)，保证感知准确性的同时节省开销；基于车辆与主用户之间的距离d_i(t)和车辆间相关性R_ai(t)，引入新的参数Node_i＝α×R_ai(t)+β×d_i(t)，动态地选取相关性较小且距离主用户较近的认知车辆节点进行协作频谱感知；运用能量检测方法进行频谱感知，利用FCM算法对认知车辆检测统计量进行聚类，获取聚类中心和隶属度矩阵，当检测统计量隶属度差异值大于某一阈值时进行本地判决，路侧单元基于车辆位置和相关性参数进行加权融合判决。

本发明相对于现有技术具有如下的优点及效果：

1、本发明根据需要选取参与协作的车辆密度，由车辆间最远距离动态确定参与协作感知的车辆节点数，保证频谱感知准确性的同时节省了开销；

2、本发明协作节点选取综合考虑了车辆位置和车辆节点之间相关性，引入了新的判决标准，动态选取参与协作的车辆节点，既考虑了认知车辆接收到主用户信号的信号强度，又考虑了认知车辆接收信号的空间相关性，提高了检测性能；

3、本发明提出一种基于FCM算法的能量检测方法。FCM算法是一种无监督的在线学习聚类算法，能够根据样本之间的相似性和差异性自主地划分类别。本发明通过FCM算法对存储模块的检测统计量进行聚类，不需要信噪比等先验信息，通过车辆移动，随时间不断更新存储模块，自适应获取本地判决结果，且根据最终隶属度差异值舍弃判决可靠性低的认知车辆，降低误判率，提高频谱感知准确性。

4、本发明基于车辆位置和车辆节点相关性进行加权融合。加权系数由基于车辆位置和车辆节点相关性引入的参数动态获取，路侧单元根据接收到的本地判决结果和该认知车辆的加权系数进行加权融合判决，该方法把硬融合和软融合结合起来，既减少了传输数据量，又提高了感知性能。

附图说明

图1是本发明实施例中基于协作节点选取和FCM算法的认知车联网频谱感知方法的流程图；

图2是本发明实施例中认知车联网场景示意图；

图3是本发明实施例中基于FCM算法的能量检测的流程图。

具体实施方式

为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

实施例

基于协作节点选取和FCM算法的认知车联网频谱感知方法，如图1 所示，包括以下步骤：

S1、认知车辆进入路侧单元覆盖范围内，向路侧单元发送通信请求，如图2所示，该实施例中认知车联网场景示意图，设定主用户PU、路侧单元RSU(即为数据处理、频谱感知融合中心)、RSU覆盖范围内M个请求通信的认知车辆节点。

S2、路侧单元根据所需车流密度及车辆间距离确定参与协作车辆节点数，其中车辆位置信息由自带的GPS模块获取，具体步骤是：

根据感知精度和能耗选择不同的车辆密度，确定应选取参与协作的认知车辆数K＝ρ*d_ms(t)，ρ为车辆密度，d_ms(t)为M个车辆节点之间的最远距离；

如果车辆节点M≤K，车辆密度很小，全部车辆参与协作感知，K＝M，否则进行下一步，协作节点选取。

S3、路侧单元基于车辆位置和车辆间相关性，引入新的参数，动态地选取认知车辆节点进行协作频谱感知，具体步骤是：

认知车辆节点CR_i和CR_j之间的距离和相关性：

通过车载单元的GPS模块可以获取车载单元的位置信息，其中，d_i,j(t) 为认知车辆节点在t时刻CR_i和CR_j之间的距离，d_corr为去相关距离，一般设置为20m，R_i,j(t)为t时刻认知车辆节点CR_i和CR_j之间的相关性，当i＝j时， R_i,j＝0，M为路侧单元覆盖范围内的发送通信请求的认知车辆数，计算M 个认知车辆与其他车辆节点之间的相关性，则有：

每个认知车辆与其他M-1个认知车辆节点之间的相关性之和：

与其他M-1个认知车辆节点之间的相关性归一化处理为

R_ai(t)的取值范围为(0,1)；

分别计算M个认知车辆与主用户之间的距离：

认知车辆与主用户之间的归一化距离为

从M个认知车辆节点中选取K个参与协作感知，基于车辆的位置和相关性进行动态节点的选取：

Node_i＝α×R_ai(t)+β×d_i(t)(i＝1,2,…M)

其中α和β分别为车辆间相关性和车辆与主用户之间距离的系数，取值范围为(0,1)，定义α和β的值，从M个车辆节点的Node_i值中选取最小的K个作为参与协作的车辆节点。

S4、参与协作的认知车辆采用能量检测技术进行频谱感知，将获得的检测统计量存储到车辆存储模块，利用FCM(模糊C均值)算法进行聚类，获取聚类中心和隶属度矩阵，当检测统计量隶属度差异值大于某一阈值时进行本地判决，如图3所示，为基于FCM算法的能量检测的流程图，具体步骤是：

检测感兴趣授权频段上是否有主用户信号存在可以归结为二元假设检验模型：

其中，s(t)表示主用户信号，n(t)为信道噪声，假设为加性高斯白噪声， H₀和H₁分别表示主用户不存在和存在两种假设。该模型下对接收到的信号进行能量检测的检测统计量为

参与协作的认知车辆沿道路移动，位置实时变动，接收到的主用户信号实时改变，从主用户覆盖范围以外进入到主用户覆盖范围内，将接收到的检测统计量存储到车辆存储模块中，每个感知时隙都会接收到新的检测统计量，车辆移动过程中获得不同时隙的历史检测统计量，存储模块最多存放N个检测统计量，存储模块每个时隙都会更新，N的值可以综合考虑感知开销和准确度获得；

聚类模块将认知车辆接收到的n个检测统计量通过FCM算法分为c个模糊组，c取值为2，类中心为c_i，每个检测统计量属于某一类i的隶属度函数u_ij，初始化隶属度矩阵U，定义FCM目标函数及其约束条件如下：

其中m是模糊加权系数,值大于1，d(T_j,c_i)表示欧式距离，若使检测统计量T_j自适应聚类，即要求含有约束条件的目标函数J的最小值，引入拉格朗日因子构造新的目标函数如下：

式中，λ_j(j＝1,2…,n)表示n个约束式的拉格朗日乘子，通过求导得到隶属度和聚类中心的计算公式：

隶属度

聚类中心

计算可得聚类中心c_i和欧式距离d(T_j,c_i)；

计算并比较相邻两次目标函数J的差值，直到差值小于某一阈值ε时停止迭代，否则重新计算各个参量及目标函数；

通过最终获得的隶属度矩阵获取待判决检测统计量T_n的隶属度差异值，若|u_1n-u_2n|＞δ，进行本地检测统计量判决，如下：

当聚类中心和检测统计量隶属度函数(u_1n-u_2n)*(c₁-c₂)＞0，即 (u_1n＞u_2n)∩(c₁＞c₂)或者(u_1n＜u_2n)∩(c₁＜c₂)，主用户存在，本地判决结果D_i＝1，否则，主用户不存在，D_i＝0。

若|u_1n-u_2n|＜δ，由于隶属度差异值较小，低信噪比情况下判决结果可靠性低，会因误差很大致使误判，直接舍弃该认知车辆。

参与协作的认知车辆得到本地判决结果上传到路侧单元进行数据融合。

S5、路侧单元将接收到的本地判决结果通过认知车辆的位置和相关性进行加权融合，判定该频段主用户是否存在，具体步骤是：

基于认知车辆的位置和相关性参数Node_i，每个车辆节点对应的加权系数为：

ω_i∈(0,1),且

路侧单元根据接收到的本地判决结果及其权重值计算出协作感知决策值：

λ为协作感知判决门限，D＝0表示判决结果为主用户不存在，认知车辆可以使用该频段进行通信，D＝1表示主用户存在，退出使用该频段通信。

综上所述，本发明基于车辆位置和车辆间相关性动态选取协作车辆，保证频谱感知准确性的同时节省开销；考虑车辆位置的移动，基于FCM算法进行频谱感知，自适应本地判决，无需信噪比等先验信息，提高检测性能。

上述实施例为本发明较佳的实施方式，但本发明的实施方式并不受上述实施例的限制，其他的任何未背离本发明的精神实质与原理下所作的改变、修饰、替代、组合、简化，均应为等效的置换方式，都包含在本发明的保护范围之内。

Claims (1)

1.一种基于协作节点选取和FCM算法的认知车联网频谱感知方法，其特征在于，所述的认知车联网频谱感知方法包括如下步骤：

S1、路侧单元根据感知精度和感知开销的需求确定参与协作的车流密度ρ，基于车流密度及认知车辆间距离d_ms(t)确定参与协作车辆节点数K＝ρ*d_ms(t)，其中，*表示前后两个元素相乘的运算符号，车辆位置信息由自带的GPS模块获取；

S2、路侧单元基于车辆与主用户之间的距离d_i(t)和车辆间相关性R_ai(t)，引入新的参数Node_i＝α×R_ai(t)+β×d_i(t)，动态选取相关性较小且距离主用户较近的认知车辆节点进行协作频谱感知，其中α和β分别为车辆间相关性和车辆与主用户之间距离的系数，取值范围为(0,1)，i＝1,2,…M，M为车辆节点的个数；

S3、参与协作的认知车辆采用能量检测技术进行频谱感知，将获得的检测统计量存储到车辆存储模块，利用FCM算法进行聚类，获取聚类中心和隶属度矩阵，当检测统计量隶属度差异值大于某一阈值时进行本地判决；

S4、路侧单元将接收到的本地判决结果通过认知车辆的位置和相关性进行加权融合，判定该频段主用户是否存在，如果该频段主用户不存在，则认知车辆被授权使用该频段进行通信，否则退出该频段的使用；

其中，所述的步骤S1包括：

S11、根据感知精度和能耗选择不同的车流密度，确定应选取参与协作的认知车辆数K＝ρ*d_ms(t)，ρ为车辆密度，d_ms(t)为M个车辆节点之间的最远距离；

S12、如果车辆节点M≤K，车辆密度很小，全部车辆参与协作感知，K＝M，否则进入下一步骤S2，进行协作节点选取；

其中，所述的步骤S2包括：

S21、计算每个认知车辆与其他车辆节点之间的相关性，每个认知车辆与其他M-1个认知车辆节点之间的相关性之和：

R_i,j(t)为t时刻认知车辆节点CR_i和CR_j之间的相关性，每个认知车辆节点与其他M-1个认知车辆节点之间的相关性之和归一化处理为R_ai(t)；

S22、分别计算M个认知车辆与主用户之间的距离d_i,p(t)，求得认知车辆与主用户之间的归一化距离为d_i(t)；

S23、从M个认知车辆节点中选取K个参与协作感知，基于车辆的位置和相关性进行动态节点的选取，引入新的参数：

Node_i＝α×R_ai(t)+β×d_i(t)

其中α和β分别为车辆间相关性和车辆与主用户之间距离的系数，取值范围为(0,1)，定义α和β的值，从M个车辆节点的Node_i值中选取最小的K个作为参与协作的车辆节点，即选取相关性较小且距离主用户较近的K个认知车辆参与协作；

其中，所述的步骤S3包括：

S31、参与协作的认知车辆将接收到的检测统计量存储到车辆存储模块，每个感知时隙都会接收到新的检测统计量，基于车辆移动过程中不同时隙的历史检测统计量，存储模块最多存放N个检测统计量，存储模块每个时隙都会更新；

S32、聚类模块将接收到的n个检测统计量通过FCM算法分为c个模糊组，c取值为2，类中心为c_i，每个检测统计量属于某一类i的隶属度为u_ij，若使检测统计量T_j自适应聚类，即要求含有约束条件的目标函数J的值最小，引入拉格朗日因子构造目标函数如下：

式中，m是模糊加权系数,d(T_j,c_i)表示欧式距离，λ_j，j＝1,2…,n表示n个约束式的拉格朗日乘子，通过求导得到隶属度和聚类中心的计算公式；

S33、初始化隶属度矩阵，计算并比较相邻两次目标函数J的差值，直到差值小于某一阈值ε时停止迭代，否则重新计算各个参量及目标函数；

S34、通过最终获得的隶属度矩阵获取待判决检测统计量T_n的隶属度差异值，若|u_1n-u_2n|＞δ，进行本地检测统计量判决，并将结果上传到路侧单元；否则，由于隶属度差异值较小，低信噪比情况下判决结果可靠性低，会因误差很大致使误判，直接舍弃该认知车辆；

其中，所述的步骤S4包括：

S41、基于认知车辆的位置和相关性参数Node_i，每个车辆节点对应的加权系数为：

ω_i∈(0,1),且

S42、路侧单元根据接收到的本地判决结果及其权重值计算出协作感知决策值，判定该频段主用户是否存在。

Images