分級(jí)分布式無人機(jī)協(xié)作頻譜感知方法*

余琪琦,王中豪,張福來,祝長(zhǎng)鴻,覃團(tuán)發(fā)

(廣西大學(xué)a.計(jì)算機(jī)與電子信息學(xué)院;b.廣西多媒體通信與網(wǎng)絡(luò)技術(shù)重點(diǎn)實(shí)驗(yàn)室,南寧 530004)

0 引 言

近年來,無人機(jī)(Unmanned Aerial Vehicle,UAV)吸引了各種商業(yè)和工業(yè)應(yīng)用的廣泛興趣,其與無線移動(dòng)網(wǎng)絡(luò)的集成有望提高頻譜使用效率,可以為未來通信網(wǎng)絡(luò)中的許多挑戰(zhàn)提供創(chuàng)新的解決方案[1]。UAV可以快速靈活地部署在空中,執(zhí)行可靠的傳輸且能顯著降低路徑損耗的影響,為不在地面網(wǎng)絡(luò)覆蓋范圍內(nèi)的用戶提供無線服務(wù),其未來的趨勢(shì)則是由多UAV組成UAV網(wǎng)絡(luò)協(xié)同地完成更復(fù)雜的任務(wù)。然而,在UAV網(wǎng)絡(luò)中大量無線設(shè)備共存導(dǎo)致頻譜資源短缺,這已成為UAV通信中較為嚴(yán)重的問題,傳統(tǒng)的靜態(tài)頻譜分配策略已無法有效應(yīng)對(duì)。因此,需要通過動(dòng)態(tài)共享頻譜資源來尋求新的高效的解決辦法。

認(rèn)知無線電(Cognitive Radio,CR)是未來無線網(wǎng)絡(luò)中機(jī)會(huì)利用無線電頻譜資源的關(guān)鍵技術(shù),它可以解決頻譜稀缺和頻譜效率低下問題。在認(rèn)知無線電網(wǎng)絡(luò)(Cognitive Radio Network,CRN)中,次級(jí)用戶(Secondary User,SU)可以在主用戶(Primary User,PU)未使用其頻段時(shí)訪問空閑頻段,利用這些頻段傳輸數(shù)據(jù)[2]。UAV網(wǎng)絡(luò)中頻譜稀缺問題同樣可以通過訪問可用空閑頻段來解決,即無人機(jī)認(rèn)知網(wǎng)絡(luò)(Cognitive UAV Network,CUAVN)。CUAVN的核心任務(wù)是尋找頻譜空白區(qū)域,通過頻譜感知獲取可用頻譜信息。近年來頻譜感知的研究主要分為單節(jié)點(diǎn)頻譜感知(Single Node Spectrum Sensing,SNSS)和協(xié)作頻譜感知(Cooperative Spectrum Sensing,CSS)。在SNSS中,每個(gè)SU感知PU頻段并進(jìn)行局域決策。最常見的SNSS方法包括能量檢測(cè)、匹配濾波器檢測(cè)和循環(huán)平穩(wěn)特征檢測(cè)。但是,SNSS的檢測(cè)性能通常會(huì)受到陰影、衰落和時(shí)變等因素的影響,而在CSS中可以克服這些因素的影響。多個(gè)SU共享各自的局部感知信息,以獲得更可靠的感知結(jié)果。CSS方案分為集中式和分布式兩種:在前者中,所有由SU觀察到的結(jié)果都傳輸至融合中心(Fusion Center,FC),考慮到UAV網(wǎng)絡(luò)具有節(jié)點(diǎn)移動(dòng)、網(wǎng)絡(luò)拓?fù)鋭?dòng)態(tài)變化、鏈路不穩(wěn)定等特點(diǎn),且在實(shí)際約束下很難收集到全部數(shù)據(jù),因此集中式不適用于UAV網(wǎng)絡(luò);在后者中,相鄰的SU是在沒有FC的情況下交換感知信息進(jìn)行協(xié)作決策。本文主要研究基于CUAVN的分布式協(xié)同頻譜感知(Distributed Cooperative Spectrum Sensing,DCSS)。

文獻(xiàn)[3]研究了CUAVN的平均吞吐量,UAV作為SU提高網(wǎng)絡(luò)覆蓋率和頻譜效率(Spectrum Efficiency,SE),并利用UAV軌跡和資源分配的聯(lián)合優(yōu)化設(shè)計(jì),在信道干擾和時(shí)間約束下實(shí)現(xiàn)平均吞吐量最大化。文獻(xiàn)[4]通過優(yōu)化感知時(shí)間、UAV數(shù)量和判決門限來提高UAV次級(jí)認(rèn)知網(wǎng)絡(luò)的SE。文獻(xiàn)[5]提出了一種包含一個(gè)領(lǐng)航UAV和一組跟隨UAV的CUAVN模型,跟隨UAV采集數(shù)據(jù)后將數(shù)據(jù)傳送給領(lǐng)航UAV,通過調(diào)整感知時(shí)間和飛行軌跡實(shí)現(xiàn)CUAVN的吞吐量最大化。為提高協(xié)作感知網(wǎng)絡(luò)的吞吐量,文獻(xiàn)[6]提出了聯(lián)合優(yōu)化感知時(shí)間和數(shù)據(jù)融合準(zhǔn)則,文獻(xiàn)[7]則提出了聯(lián)合優(yōu)化感知時(shí)間和功率控制。文獻(xiàn)[8]也是通過優(yōu)化感知時(shí)間和傳輸功率來提高基于UAV的CRN系統(tǒng)的能源效率(Energy Efficiency,EE)。文獻(xiàn)[9]同時(shí)考慮了UAV網(wǎng)絡(luò)的SE和EE優(yōu)化問題,由于空閑頻段隨時(shí)間和空間變化,因此提出了基于主發(fā)射器和UAV位置信息聯(lián)合優(yōu)化UAV發(fā)射功率、感知時(shí)間和感知閾值,進(jìn)一步提高SE和EE的性能。文獻(xiàn)[10]研究了CRN中的分布式頻譜感知(Distributed Spectrum Sensing,DSS),提出了一種新的共識(shí)算法,提供一種分布式最優(yōu)權(quán)重設(shè)計(jì),該設(shè)計(jì)的傳感性能有了明顯的提高,且其性能可與集中式加權(quán)組合方案相媲美,但此方案未考慮到信息交換時(shí)延問題。文獻(xiàn)[11]提出了一種基于最小生成樹的分簇CSS改進(jìn)算法,以減少分簇過程中的時(shí)延。

在CUAVN中,融合時(shí)長(zhǎng)與感知信息交換次數(shù)密切相關(guān),對(duì)檢測(cè)性能影響較大。因此,對(duì)于傳統(tǒng)的分布式系統(tǒng),當(dāng)節(jié)點(diǎn)數(shù)量較大時(shí)通常需要進(jìn)行大量的信息交換才能得到一致的結(jié)果,這大大降低了CUAVN的頻譜感知性能。本文研究基于聚類的分級(jí)分布式UAV的CSS,以提高CUAVN的感知性能。

1 系統(tǒng)模型

傳統(tǒng)的DSS需要進(jìn)行大量交換才能得到一致結(jié)果。為解決數(shù)據(jù)融合帶來的時(shí)延問題,需要一種新的分布式架構(gòu),且該方案滿足完全式分布要求。

圖1 基于聚類的UAV感知系統(tǒng)模型

由圖2可見,感知時(shí)長(zhǎng)t由單個(gè)UAV感知持續(xù)時(shí)間、簇內(nèi)融合持續(xù)時(shí)間和簇間融合持續(xù)時(shí)間組成。在感知過程中,每個(gè)UAV先進(jìn)行能量檢測(cè),然后采用分級(jí)融合方案。在實(shí)際認(rèn)知環(huán)境下,認(rèn)知用戶可能會(huì)處于移動(dòng)狀態(tài),認(rèn)知用戶的移動(dòng)性會(huì)對(duì)用戶間的協(xié)作檢測(cè)產(chǎn)生影響。CR用戶速度越大,檢測(cè)性能越差。若移動(dòng)CR用戶與靜止CR用戶進(jìn)行協(xié)作感知,移動(dòng)CR用戶速度增大,與靜止CR用戶的協(xié)作檢測(cè)性能逐漸降低。若全部CR用戶都在移動(dòng),協(xié)作檢測(cè)性能相比移動(dòng)CR用戶與靜止CR用戶協(xié)作感知方案更差。因此,為了保證頻譜感知的檢測(cè)性能和穩(wěn)定性,UAV在感知過程中采用懸停方式。UAV在每次懸停過程中包含三個(gè)階段:第一階段是每個(gè)UAV采用能量檢測(cè)算法感知PU的信號(hào)強(qiáng)度;第二階段中每個(gè)CL內(nèi)進(jìn)行簇內(nèi)分布式融合;第三階段是從每個(gè)簇中選取一個(gè)UAV作為簇頭進(jìn)行簇間的分布式融合,表示為CU={cu1,cu2,…,cuk},CU?U。在時(shí)間t內(nèi)UAV為懸停狀態(tài),且位置坐標(biāo)表示為(xi,yi,zi),第i個(gè)UAV到PU的距離為di。

圖2 頻譜感知時(shí)間模型

1.1 能量檢測(cè)模型

由于能量檢測(cè)較容易實(shí)現(xiàn),且不需要PU的先驗(yàn)信息,本文采用能量檢測(cè)來測(cè)量PU信號(hào)。第i個(gè)UAV接收到的信號(hào)表示為

(1)

第i個(gè)SU在N個(gè)樣本的檢測(cè)間隔內(nèi)總統(tǒng)計(jì)量為

(2)

在H0假設(shè)下,檢測(cè)統(tǒng)計(jì)量服從中心X2分布;在H1假設(shè)下,檢測(cè)統(tǒng)計(jì)量服從非中心X2分布。當(dāng)取樣點(diǎn)N足夠大時(shí),根據(jù)中心極限定理可以得到Y(jié)i近似服從正態(tài)分布:

(3)

(4)

將檢測(cè)統(tǒng)計(jì)量Yi與檢測(cè)門限λ相比,若Yi≥λ,則表示PU存在,否則PU不存在。單節(jié)點(diǎn)虛警概率和檢測(cè)概率表示為

(5)

(6)

由恒虛警檢測(cè)原理得

(7)

(8)

式中:Q函數(shù)表示標(biāo)準(zhǔn)正態(tài)分布的互補(bǔ)累計(jì)分布函數(shù),

(9)

1.2 信息融合算法

CSS分為集中式和分布式:前者是對(duì)PU信號(hào)進(jìn)行感知后,將感知信息發(fā)送至FC,FC進(jìn)行集中式信息融合;后者不存在FC,而是通過成員節(jié)點(diǎn)之間進(jìn)行信息交換,從而達(dá)到信息一致。

集中式信息融合表達(dá)式如下:

(10)

(11)

(12)

虛警概率和檢測(cè)概率表示為

(13)

(14)

基于一致性收斂的分布式信息融合是各個(gè)認(rèn)知用戶進(jìn)行各自的頻譜感知,獲得各自測(cè)量值Yi,之后將各自的感知信息與其相連的鄰居節(jié)點(diǎn)進(jìn)行數(shù)據(jù)交換。分布式信息融合表達(dá)式如下:

(15)

每個(gè)節(jié)點(diǎn)根據(jù)接收到的信號(hào)強(qiáng)度進(jìn)行感知測(cè)量,然后利用自己的感知信息與相連鄰居的感知信息進(jìn)行交換融合,迭代更新自己的感知數(shù)據(jù)。若網(wǎng)絡(luò)是連通的,隨著迭代次數(shù)增加,感知信息在網(wǎng)絡(luò)中擴(kuò)散,最終網(wǎng)絡(luò)中每個(gè)節(jié)點(diǎn)將得到一個(gè)一致性收斂結(jié)果,即最終的融合結(jié)果。

2 算法設(shè)計(jì)

圖3 分級(jí)分布式融合方案流程

2.1 K-means聚類算法

K-means算法是最常用的聚類算法,本文選用該算法來對(duì)UAV進(jìn)行分簇,并在考慮本方案的情況上對(duì)其進(jìn)行一定的改進(jìn)。一方面,使用K-means聚類算法按照位置來進(jìn)行劃分,距離靠近的劃分至一個(gè)簇中,距離越近小組內(nèi)成員通信質(zhì)量越好。另一方面,根據(jù)已知UAV數(shù)量設(shè)定K個(gè)簇,可以保證簇內(nèi)成員數(shù)量稍微可控,每個(gè)簇中信息融合時(shí)間差異不會(huì)很大,且每個(gè)簇內(nèi)的數(shù)目不大于M/K。算法簡(jiǎn)要概括如下:在給定K值,隨機(jī)選出K個(gè)初始聚類中心點(diǎn)的情況下,把每個(gè)點(diǎn)分到離其最近中心點(diǎn)所代表的簇中,若簇內(nèi)的數(shù)量大于最大值,將最遠(yuǎn)節(jié)點(diǎn)移除,重新加入至其他最近中心點(diǎn)所在簇;所有節(jié)點(diǎn)分配完畢之后,根據(jù)簇內(nèi)的所有節(jié)點(diǎn)重新計(jì)算該簇的中心點(diǎn)(取平均值),然后再迭代進(jìn)行分配節(jié)點(diǎn)和更新聚類中心點(diǎn)的步驟,直至聚類中心點(diǎn)的變化很小或者達(dá)到指定的迭代次數(shù)。算法步驟如下:

輸入:認(rèn)知UAV三維空間位置坐標(biāo)xi,yi,zi,期望分簇?cái)?shù)K

輸出:各簇中成員節(jié)點(diǎn),簇頭,聚類中心

1從數(shù)據(jù)中隨機(jī)挑選K個(gè)對(duì)象作為初始聚類中心。

2計(jì)算其余UAV到聚類中心的距離,分別將其加入距離最近的簇中。

3若某簇?cái)?shù)量大于最大值,將距離最遠(yuǎn)的UAV移除,并加入其他距離最近的不飽和簇中,至該簇?cái)?shù)量符合要求。

4重新計(jì)算每個(gè)聚類中心。

此時(shí)的老砍頭，應(yīng)該不在家里，有可能跟什么人見面，告訴對(duì)方，秀容川死了，也可能與哪個(gè)相好約會(huì)，正摟著對(duì)方說笑呢。

5計(jì)算標(biāo)準(zhǔn)測(cè)度函數(shù),達(dá)到標(biāo)準(zhǔn)或達(dá)到最大迭代次數(shù),則停止,否則重復(fù)2～4步。

7選取每個(gè)簇中平穩(wěn)參數(shù)最大的UAV作為簇頭。

2.2 兩級(jí)分布式融合方法

在信息融合階段,提出了兩級(jí)分布式融合方案,第一階段為簇內(nèi)融合階段,第二階段為簇間融合階段,兩個(gè)階段都是在節(jié)點(diǎn)之間進(jìn)行一致性信息融合。第一階段為

(16)

第一融合階段每個(gè)簇的收斂值為

(17)

(18)

第二階段與第一階段相似:

(19)

式中:k=1,2,…,K。

第二融合階段每個(gè)簇的收斂值為

(20)

(21)

式中:ωl=ψkφk,i。

得到的最終融合結(jié)果的公式(21)與集中式融合公式(10)相同?？梢钥闯鲈跊]有FC的情況下,同樣可以得到一個(gè)具有全局信息的分布式結(jié)果。最后,將最終的收斂結(jié)果與檢測(cè)閾值進(jìn)行比較,得到最終決策:

(22)

3 仿真與分析

本節(jié)使用Matlab平臺(tái)進(jìn)行仿真,驗(yàn)證兩級(jí)分布式頻譜感知算法性能。由于DCSS在認(rèn)知UAV網(wǎng)絡(luò)中性能研究還不夠深入,因此,將本方案與典型的未分級(jí)DSS進(jìn)行比較。

假設(shè)所有UAV在感知階段都是靜態(tài)的,且具有獨(dú)立的衰落效應(yīng)。設(shè)置單個(gè)UAV感知信息時(shí)間為20 μs,UAV最大移動(dòng)速度為36 km/h,μ1=0.6,μ2=0.4。為研究在信號(hào)特別微弱的情況下無人機(jī)網(wǎng)絡(luò)通過協(xié)作感知提升感知性能,讓感知結(jié)果更準(zhǔn)確,使用3組不同的數(shù)據(jù)進(jìn)行對(duì)照,選用-18 dB,-15 dB,-12 dB作為接收 PU信號(hào)平均信噪比。在仿真中主要考慮高斯衰落信道,每個(gè)UAV分別產(chǎn)生PU信號(hào)能量的測(cè)量值Yi。在融合階段,每個(gè)UAV設(shè)置初始值xi(0)=Yi,使用融合算法進(jìn)行迭代融合,直到收斂后達(dá)到最終共識(shí)。在DCSS中,一致性算法的收斂性至關(guān)重要,其收斂時(shí)間決定了CRN感知能力的敏捷性。接收PU信號(hào)平均信噪比為-15 dB,UAV之間通過一致性算法進(jìn)行信息融合。分級(jí)融合是將20個(gè)UAV節(jié)點(diǎn)分為3簇,在簇內(nèi)先進(jìn)行融合得到3個(gè)簇內(nèi)的融合結(jié)果,然后將3個(gè)結(jié)果再進(jìn)行第二次融合,得到收斂結(jié)果如圖4所示,表明兩種方法最終都收斂至一個(gè)值。未分組算法在100次迭代數(shù)內(nèi),所有UAV之間xi的差異小于0.1 dB,說明對(duì)于全局統(tǒng)計(jì)量已經(jīng)達(dá)成共識(shí)。而圖4(b)表示分組后第二次融合在10次迭代數(shù)內(nèi),全局統(tǒng)計(jì)量已達(dá)成共識(shí),UAV節(jié)點(diǎn)更少,收斂速度更快。

圖4 融合結(jié)果對(duì)比

單個(gè)無人機(jī)感知信息時(shí)間設(shè)置為20 μs,簇間和簇內(nèi)信息融合時(shí)間由信息交換次數(shù)決定。在一致性融合算法中,信息交換次數(shù)與參與分布式融合的認(rèn)知用戶有關(guān)。一般來說,認(rèn)知用戶越多,信息交換次數(shù)越多。本文對(duì)UAV進(jìn)行分簇,依據(jù)分簇后認(rèn)知用戶數(shù)量小于總體數(shù)量,從而達(dá)到減少時(shí)延的作用。假設(shè)融合時(shí)間與迭代次數(shù)成正比關(guān)系,迭代次數(shù)越少,融合時(shí)間越短。由圖5可見,未分簇融合時(shí)間明顯大于分簇后融合時(shí)間。為進(jìn)行比較,本文主要考慮檢測(cè)概率和虛警概率作為性能指標(biāo)。其中,檢測(cè)概率是當(dāng)PU實(shí)際存在時(shí)判定PU存在的概率,虛警概率是當(dāng)PU實(shí)際不存在判斷PU存在的概率。檢測(cè)概率越大會(huì)導(dǎo)致虛警概率越大,從而增加對(duì)PU的干擾。虛警概率低下會(huì)導(dǎo)致檢測(cè)概率較低,頻譜利用率也會(huì)降低。在高斯信道條件下,本文比較了分級(jí)與未分級(jí)的情況,并且比較了分布式最優(yōu)權(quán)重融合等增益融合以及傳統(tǒng)權(quán)重融合。

圖5 迭代次數(shù)對(duì)比

圖6(a)中參數(shù)設(shè)置為20個(gè)UAV,平均接收SNR為-18 dB,分簇情況下分為3個(gè)簇。分級(jí)模式在傳統(tǒng)權(quán)重融合和等增益融合時(shí)優(yōu)于不分級(jí)模式。在最優(yōu)權(quán)重融合模式時(shí),性能幾乎相同。當(dāng)虛警概率為0.1時(shí),最優(yōu)權(quán)重融合模式檢測(cè)概率為0.95,而等增益檢測(cè)概率為0.25。在三種模式中,等增益融合性能較差。圖6(b)中參數(shù)設(shè)置為20個(gè)UAV,接收平均信噪比為-12 dB,分級(jí)情況下同分為3個(gè)簇。與圖6相同,分級(jí)模式在傳統(tǒng)權(quán)重融合和等增益融合時(shí)優(yōu)于不分級(jí)模式。在最優(yōu)權(quán)重融合模式時(shí),性能幾乎相同。所提出的分級(jí)分布式融合方法與未分級(jí)分布式融合方法相比較優(yōu)。

接下來評(píng)估所提分級(jí)分布式加權(quán)組合方案在不同網(wǎng)絡(luò)規(guī)模下的性能。在圖7給出了不同網(wǎng)絡(luò)規(guī)模不同融合方式的檢測(cè)性能曲線。在相同的高斯信道條件下,分別采用30個(gè)和50個(gè)UAV節(jié)點(diǎn)的UAV網(wǎng)絡(luò)進(jìn)行性能評(píng)估,設(shè)置相同的平均接收信噪比-15 dB。在虛警概率較低的情況下,特別是在UAV節(jié)點(diǎn)較多時(shí),體現(xiàn)了加權(quán)的優(yōu)勢(shì)。觀察到不同網(wǎng)絡(luò)規(guī)模下最優(yōu)權(quán)值融合模式取得最好性能,當(dāng)虛警概率設(shè)置在0.01～0.1之間時(shí)就可達(dá)到0.9以上的檢測(cè)概率。隨著網(wǎng)絡(luò)規(guī)模的增大,檢測(cè)概率也隨之增大,且分級(jí)分布式融合優(yōu)于未分級(jí)分布式融合。

(a)UAV數(shù)量為30

4 結(jié)束語

本文提出了一種用于CUAVN的分級(jí)分布式頻譜感知方案,該方案基于K-means聚類算法和一致性融合算法。當(dāng)權(quán)重因子為SNR或者等增益進(jìn)行共識(shí)時(shí),分級(jí)分布式融合方案優(yōu)于未分級(jí)分布式融合方案;當(dāng)權(quán)重因子為最優(yōu)權(quán)重情況下,分級(jí)分布式融合方案與未分級(jí)融合方案相當(dāng)。提出的分級(jí)分布式融合方案中,每個(gè)簇先同時(shí)進(jìn)行分布式信息融合,然后在簇間進(jìn)行第二次分布式信息融合,從而減少信息融合時(shí)延,提高認(rèn)知UAV網(wǎng)絡(luò)的頻譜感知性能。仿真結(jié)果表明,該方案提高了CUAVN的感知性能。

在未來工作中,可以通過機(jī)器學(xué)習(xí)對(duì)迭代狀態(tài)進(jìn)行預(yù)測(cè),減少迭代時(shí)間從而減少感知時(shí)間,進(jìn)一步提高CUAVN的感知性能。此外,本文研究的是單一UAV種類場(chǎng)景,暫未研究多種聯(lián)合場(chǎng)景的跨層設(shè)計(jì),今后可深入研究多種類混合使用場(chǎng)景。