一種門限自適應(yīng)的認知車聯(lián)網(wǎng)頻譜感知算法

林惠嬌 胡斌杰 齊嘉杰

【摘? 要】能量檢測中門限值的設(shè)定直接影響頻譜感知的檢測性能。認知車輛的移動性導(dǎo)致了車載通信環(huán)境的動態(tài)變化，提出了一種基于FCM的動態(tài)雙門限能量檢測算法，門限值隨環(huán)境自適應(yīng)變化，雙門限檢測算法消除了噪聲不確定的影響。仿真結(jié)果表明，所提算法在車載通信場景中具有很好的自適應(yīng)性，檢測性能更好。

【關(guān)鍵詞】認知車聯(lián)網(wǎng);頻譜感知;FCM;門限值

doi：10.3969/j.issn.1006-1010.2019.08.014? ? ? 中圖分類號：TN929.5

文獻標(biāo)志碼：A? ? ? 文章編號：1006-1010（2019）08-0077-06

引用格式：林惠嬌，胡斌杰，齊嘉杰. 一種門限自適應(yīng)的認知車聯(lián)網(wǎng)頻譜感知算法[J]. 移動通信， 2019，43（8）： 77-82.

[Abstract]?The setting of the threshold value in the energy detection algorithm directly affects the detection performance of the spectrum sensing. The mobility of cognitive vehicles causes dynamic changes in the vehicle communication environment. Hence a dynamic double-threshold energy detection algorithm based on FCM is proposed in this paper， where the threshold value changes adaptively with the environment and the double-threshold detection algorithm eliminates the influence of noise uncertainty. Simulation results show that the proposed algorithm has good adaptability and better detection performance in vehicle communication scenarios.

CR-VANETs; spectrum sensing; FCM; threshold

1? ?引言

隨著科技的發(fā)展，人們對出行的安全性、舒適性的要求也越來越高。智能交通系統(tǒng)應(yīng)運而生，它提高了道路安全性和交通運輸效率[1]。車載自組織網(wǎng)絡(luò)是智能交通系統(tǒng)的重要組成部分。隨著人們對道路安全業(yè)務(wù)和車載娛樂服務(wù)的要求越來越高，各類車載通信業(yè)務(wù)爆發(fā)式增長，導(dǎo)致用于車載自組網(wǎng)通信的無線電頻譜資源的匱乏[2]。為了解決這一問題，將認知無線電技術(shù)引入到車載自組織網(wǎng)絡(luò)中，認知車聯(lián)網(wǎng)（Cognitive Radio enabled Vehicular Ad-hoc Networks， CR-VANETs）應(yīng)運而生[3]。認知無線電技術(shù)是一種新型的頻譜共享技術(shù)，它可以機會性地接入授權(quán)頻段中未充分利用的部分，為車載通信提供額外的頻譜資源。在認知無線電網(wǎng)絡(luò)中，主用戶是對某特定頻段擁有較高優(yōu)先權(quán)的用戶，未被授權(quán)的用戶被定義為次用戶，認知車聯(lián)網(wǎng)中具有認知功能的車輛即為次用戶，也稱為認知車輛。頻譜感知技術(shù)是認知無線電系統(tǒng)中實現(xiàn)授權(quán)頻譜資源再利用的首要環(huán)節(jié)。因此，認知車聯(lián)網(wǎng)中頻譜感知技術(shù)的研究至關(guān)重要。

現(xiàn)有的CR-VANETs頻譜感知技術(shù)有能量檢測、循環(huán)平穩(wěn)特征檢測、匹配濾波器檢測等[4]。針對車聯(lián)網(wǎng)的復(fù)雜通信環(huán)境，文獻[5]提出使用路側(cè)單元連續(xù)感知預(yù)選的信道群，先通過快速的能量感知，粗略估計信道是否可用，然后在移動車載終端，結(jié)合路側(cè)單元的指示，針對篩選后的信道集進行精確感知的兩階段頻譜感知方案。文獻[6]提出了一種基于最佳閾值的能量檢測方案，基于漏檢概率和虛警概率之間的權(quán)衡來得出最佳閾值，定義自適應(yīng)閾值因子，提高低信噪比環(huán)境下的檢測概率。文獻[7]提出了基于循環(huán)平穩(wěn)改進的能量檢測，可以提高在低信噪比環(huán)境中主用戶的檢測概率，易于實現(xiàn)且降低了復(fù)雜度，文中采用信號的周期平穩(wěn)性降低噪聲對檢測性能的影響。文獻[8]提出一種基于離散小波變換的高精度、低復(fù)雜度的自適應(yīng)閾值能量檢測算法。

由于能量檢測實現(xiàn)簡單，計算復(fù)雜度低且檢測速度快，因此，本文應(yīng)用能量檢測算法進行頻譜感知，并在此基礎(chǔ)上進行改進，提出了一種基于FCM的動態(tài)雙門限能量檢測算法，利用FCM算法在動態(tài)變化的車載通信環(huán)境中獲取自適應(yīng)門限，引入雙門限克服噪聲不確定性對頻譜感知的不良影響。

2? ?系統(tǒng)模型

本文針對現(xiàn)有認知車聯(lián)網(wǎng)中頻譜感知技術(shù)存在的問題，提出了一種基于FCM獲取自適應(yīng)雙門限值的能量檢測算法。所提算法在認知車輛不斷移動的通信環(huán)境中，能夠隨著環(huán)境的變化自適應(yīng)獲取門限值，保證頻譜感知的性能不受影響，同時引入了雙門限檢測，克服了噪聲不確定性的影響。仿真結(jié)果表明，所提算法在車聯(lián)網(wǎng)場景下具有較好的檢測性能。

參考文獻：

[1] Daniel A， Paul A， Ahmad A， et al. Cooperative Intelligence of Vehicles for Intelligent Transportation Systems （ITS）[J]. Wireless Personal Communications， 2016，87（2）： 461-484.

[2] Joy E， Sijing Z， Enjie L， et al. Cognitive radio-enabled Internet of Vehicles： a cooperative spectrum sensing and allocation for vehicular communication[J]. IET Networks， 2018，7（4）： 190-199.

[3] Singh K， Rawat P， Bonnin J M. Cognitive radio for vehicular ad hoc networks （CR-VANETs）： approaches and challenges[J]. EURASIP Journal on Wireless Communications and Networking， 2014（1）： 49-61.

[4] Lim M Y， Chang Y C， Alias M Y， et al. Cognitive radio network in vehicular ad-hoc network （VANET）： A survey[J]. Cogent Engineering， 2016，3（1）： 1-19.

[5] Wang X Y， Ho P H. A Novel Sensing Coordination Framework for CR-VANETs[J]. IEEE Transactions on Vehicular Technology， 2010，59（4）： 1936-1948.

[6] Ahmed S B， Kozal， Merabti M， et al. An improved energy detection scheme for cognitive radio networks in low SNR region[C]//IEEE Symposium on Computers and Communications. Cappadocia， IEEE， 2012： 684-689.

[7] Han D， Liu H. An Energy Detection Based on Cyclostationary[C]//International Conference on Wireless Communications. Wuhan， IEEE， 2011： 1-4.

[8] Qin Z， Wang N， Gao Y， et al. Adaptive Threshold for Energy Detector Based on Discrete Wavelet Packet Transform[C]//Wireless Telecommunications Symposium. London， IEEE， 2012： 1-5.

[9] Zhang W， Mallik R， Letaief K. Optimization of cooperative spectrum sensing with energy detection in cognitive radio networks[J]. IEEE Transactions on Wireless Communications， 2009，8（12）： 5761-5766.

[10] Lopez-Benitez M， Casadevall F. Improved energy detection spectrum sensing for cognitive radio[J]. IET Communications， 2012，6（8）： 785-796.

[11] Krinidis S， Chatzis V. A Robust Fuzzy Local Information C-Means Clustering Algorithm[J]. IEEE Transactions on Image Processing， 2010，19（5）： 1328-1337.

[12] Zhu S， Guo C， Feng C， et al. User correlation and double threshold based cooperative spectrum sensing in dense cognitive vehicular networks[C]//International Symposium on Wireless Communication Systems. Poznan， IEEE， 2016： 281-285.