張月霞，趙義飛

(北京信息科技大學(xué) a.信息與通信工程學(xué)院;b.現(xiàn)代測控技術(shù)教育部重點實驗室，北京 100101)

0 引 言

近年來，隨著5G通信和智能交通的不斷發(fā)展，車聯(lián)網(wǎng)(Internet of Vehicles，IoV)環(huán)境下新用戶數(shù)量激增以及車流密度增大，導(dǎo)致頻譜資源緊張而無法滿足用戶需求。頻譜感知技術(shù)可以有效提高無線頻譜的資源利用率，可以充分緩解無線頻譜資源短缺的問題。在頻譜感知技術(shù)中，授權(quán)使用頻段的用戶為主用戶(Primary User,PU)，次用戶(Second User,SU)可以通過頻譜感知技術(shù)來判斷主用戶是否占用頻段。若判斷主用戶未占用頻段，次用戶則可以接入網(wǎng)絡(luò)占用該頻段進(jìn)行數(shù)據(jù)傳輸，以提高頻譜利用率。傳統(tǒng)的頻譜感知方法多為單用戶頻譜感知，多用在移動速度較慢、通信環(huán)境變化較小的場景中，此類環(huán)境中噪聲干擾較小，檢測結(jié)果可大致滿足要求。但在IoV環(huán)境中，隨著車輛高速移動、通信環(huán)境快速變化，無線信號容易受到噪聲、陰影衰落、多徑效應(yīng)等因素影響，使得單用戶檢測結(jié)果不夠準(zhǔn)確，導(dǎo)致頻譜感知失敗。因此，在IoV中研究多用戶協(xié)同頻譜感知，以提高感知性能具有重要意義。

目前，關(guān)于IoV環(huán)境中頻譜感知技術(shù)的研究大致分為以下三類：第一類是在傳統(tǒng)協(xié)作頻譜感知方法上進(jìn)行判決權(quán)重或者門限的優(yōu)化研究[1-3]；第二類是在傳統(tǒng)協(xié)作頻譜感知方法上引入機器學(xué)習(xí)進(jìn)行算法優(yōu)化的研究[4-5]；第三類是在傳統(tǒng)協(xié)作頻譜感知方法上基于車輛位置和相關(guān)性的特點，對本地數(shù)據(jù)作進(jìn)一步挖掘、融合的研究[6-7]。當(dāng)前文獻(xiàn)在進(jìn)行協(xié)作頻譜感知方法優(yōu)化的過程中，并未真正考慮復(fù)雜環(huán)境中噪聲等干擾的影響，導(dǎo)致檢測結(jié)果的準(zhǔn)確率較低，影響頻譜感知整體性能。

反向傳播神經(jīng)網(wǎng)絡(luò)(Back Propagation Neural Network,BPNN)具有較強的自主學(xué)習(xí)能力，同時抗噪聲干擾能力較強，在復(fù)雜環(huán)境中的適應(yīng)能力更強，魯棒性較好，優(yōu)于其他機器學(xué)習(xí)算法，更符合車聯(lián)網(wǎng)的變化隨機性[8]。因此，本文提出了一種基于BP神經(jīng)網(wǎng)絡(luò)的協(xié)同頻譜感知算法，通過將本地各次用戶感知結(jié)果進(jìn)行協(xié)方差處理，結(jié)合BP神經(jīng)網(wǎng)絡(luò)對次用戶信噪比進(jìn)行權(quán)值優(yōu)化以得到最優(yōu)的頻譜感知網(wǎng)絡(luò)模型，最后使用訓(xùn)練好的模型進(jìn)行協(xié)同頻譜感知，進(jìn)一步降低噪聲等干擾的影響，提高檢測準(zhǔn)確性。

1 系統(tǒng)模型

如圖1所示，假設(shè)車聯(lián)網(wǎng)環(huán)境下存在1個授權(quán)頻段主用戶PU，M個次用戶SU，1個數(shù)據(jù)中心(Data Center，DC)。PU隨機出現(xiàn)，具有頻段使用的優(yōu)先權(quán)；SU只可通過頻譜感知方法以確定主用戶是否占用頻段，從而決定是否使用該頻段進(jìn)行數(shù)據(jù)傳輸；在頻譜感知過程中，每個SU可以接收到來自其他SU的數(shù)據(jù)信息；DC則負(fù)責(zé)接收、處理SU的本地檢測結(jié)果[8]。

圖1 IoV場景下協(xié)同頻譜感知模型

次用戶頻譜感知是對主用戶是否使用頻譜進(jìn)行判斷，判斷方法具體如下：

(1)

式中：k為時間節(jié)點，k=1,2,…,L；x(k)為主用戶在k時間點發(fā)射的信號；y(k)為次用戶在k時間點接收到的信號；n(k)為在k時間點的加性高斯白噪聲(Additive White Gaussian Noise，AWGN)；h(k)為主用戶與次用戶之間在k時間點的信道增益；H0表示主用戶未占用頻譜的狀態(tài)；H1表示主用戶占用頻譜的狀態(tài)[9]。

M個次用戶在第k個時間點接收到的采樣數(shù)據(jù)序列如公式(2)所示：

Y(k)=[y1(k),y2(k),…,yM(k)]T。

(2)

M個次用戶接收到的信號矩陣如公式(3)所示：

(3)

式中：N為采樣時間點數(shù)。

對信號矩陣Y進(jìn)行一定的數(shù)據(jù)處理，通過估計提取信號數(shù)據(jù)的特征值，從而得到相應(yīng)的采樣協(xié)方差矩陣為

(4)

當(dāng)次用戶數(shù)為M時，矩陣大小為N×N。

M個次用戶的本地檢測結(jié)果為

(5)

如公式 (6)所示，如果主用戶PU處于H0狀態(tài)時，次用戶本地檢測結(jié)果低于門限值λ；如果主用戶PU處于H1狀態(tài)時，該檢測結(jié)果高于門限值λ[10]。

(6)

在IoV中，頻譜感知研究廣泛采用AWGN信道，根據(jù)能量檢測理論可近似估計Y1服從卡方分布，如公式(7)所示：

(7)

由此可得，本地檢測概率Pd如公式(8)所示，即為當(dāng)主用戶占用頻段時系統(tǒng)可檢測到的概率。

(8)

式中：Qu是Marcum Q函數(shù)。

虛警概率Pf如公式(9)所示，即為當(dāng)主用戶并未占用頻段時系統(tǒng)卻錯誤判定其占用頻段的概率。

(9)

2 BP-CSS算法

本文研究IoV場景下基于BP神經(jīng)網(wǎng)絡(luò)的協(xié)同頻譜感知(BP-Cooperative Spectrum Sensing,BP-CSS)算法，算法流程主要由本地數(shù)據(jù)預(yù)處理和頻譜感知訓(xùn)練兩部分構(gòu)成，如圖2所示。本算法選擇協(xié)方差矩陣進(jìn)行數(shù)據(jù)預(yù)處理，是為了便于更好地提取數(shù)據(jù)的特征值。協(xié)方差矩陣中涉及矩陣運算，根據(jù)FPGA、DSP等硬件實現(xiàn)原理，復(fù)雜度為加法運算，具體為 (h2+n2)×N，其中h為主用戶與次用戶之間的信道增益，n為加性高斯白噪聲，N為采樣時間點數(shù)。本算法通過數(shù)據(jù)預(yù)處理階段的復(fù)雜度以換取頻譜感知訓(xùn)練階段的感知效率和準(zhǔn)確率提高，從而促使整個頻譜感知的性能提升。

圖2 BP-CSS算法感知流程

2.1 本地數(shù)據(jù)預(yù)處理

在IoV環(huán)境中，M個次用戶接收到的本地數(shù)據(jù)信號通過正交解調(diào)和采樣得到I、Q兩路信號，然后構(gòu)成算法中的原始數(shù)據(jù)，如公式(10)所示：

yi(n)=Ii(n)+ηQi(n) 。

(10)

式中：Ii(n)和Qi(n)分別表示第i個次用戶接收到的I路信號和Q路信號，n為時間節(jié)點集合，n={1,2,…,N}。將M個次用戶在N個時間點的采樣數(shù)據(jù)序列進(jìn)行處理，形成信號矩陣，再對其進(jìn)行實部和虛部的劃分，并分別組成兩個矩陣YI、YQ，如公式(11)、(12)所示：

(11)

(12)

根據(jù)公式(4)，由YI可以得到實部的采樣協(xié)方差矩陣RI為

由YQ可以得到虛部的采樣協(xié)方差矩陣RQ為

采樣協(xié)方差矩陣R(N)如公式(13)所示：

RI+RQ。

(13)

因此，RI、RQ即為本算法頻譜感知模型的輸入。

2.2 頻譜感知訓(xùn)練

在協(xié)同頻譜感知中，每個次用戶可以接收到來自其他次用戶的信噪比信息。在實際IoV環(huán)境中，此類信號易受噪聲、陰影衰落等影響導(dǎo)致次用戶接收到的信號能量值降低，如果主用戶存在而能量值低于門限值的時候，則可能發(fā)生誤判。因此，本文通過將網(wǎng)絡(luò)中的信噪比權(quán)重非靜態(tài)分配給不同次用戶，即是對不同次用戶動態(tài)分配相應(yīng)的判決門限，這樣可使得信噪比較小的用戶的判決門限較高，從而降低整體感知的誤判率。

本文采用信噪比網(wǎng)絡(luò)加權(quán)來構(gòu)建BP神經(jīng)網(wǎng)絡(luò)，將采樣協(xié)方差矩陣的實部RI和虛部RQ作為輸入，通過模型訓(xùn)練來提取數(shù)據(jù)特征，最終利用所提取的特征進(jìn)行頻譜感知。

第i個次用戶的信噪比網(wǎng)絡(luò)權(quán)重為

(14)

第i個次用戶的判決門限為

(15)

根據(jù)公式(8)、(9)，第i個次用戶的本地檢測概率Pd,i和虛警概率Pf,i分別如公式(16)、(17)所示：

(16)

(17)

BP神經(jīng)網(wǎng)絡(luò)的整體結(jié)構(gòu)包括帶有S個神經(jīng)元的輸入層、帶有Q個神經(jīng)元的隱含層以及帶有P個神經(jīng)元的輸出層，如圖3所示。

圖3 BP神經(jīng)網(wǎng)絡(luò)訓(xùn)練過程

隱含層的輸入為

(18)

式中：ωs,i為輸入層神經(jīng)元與隱含層神經(jīng)元之間的連接權(quán)值，xs為輸入層第s個節(jié)點的輸出。

隱含層的輸出為

fs=f(classs),s=1,2,…,S。

(19)

式中：f(·)為激勵函數(shù)。

輸出層的輸入為

(20)

式中：ωi,p為隱含層神經(jīng)元與輸出層神經(jīng)元之間的連接權(quán)值。

輸出層的輸出為

fp=f(classp),p=1,2,…,P。

(21)

3 實驗分析

本文基于Matlab平臺，模擬實際噪聲干擾較大的道路場景，對多用戶協(xié)同頻譜感知下的傳輸數(shù)據(jù)進(jìn)行一系列系統(tǒng)仿真。本文選用AWGN信道，給定虛警概率Pf=0.1，仿真自變量設(shè)置為0～25 dB信噪比以及不同的車輛結(jié)點[12]。具體仿真參數(shù)如表1所示。

表1 仿真參數(shù)表

在IoV環(huán)境下，給定范圍內(nèi)車輛數(shù)N=10，三種頻譜感知算法在不同信噪比條件下的檢測概率變化關(guān)系如圖4所示。從圖中可以看到三種算法的檢測概率都隨著信噪比的增大而增加，其中，在0～5 dB的范圍內(nèi)，基于門限值和基于信噪比加權(quán)算法的檢測概率較高，這是因為在較為理想的環(huán)境下，周圍干擾較小，傳統(tǒng)方法仍然具有一定的優(yōu)勢；但在5～25 dB的范圍內(nèi)，本算法的檢測概率較高，接近于1并且趨于穩(wěn)定，收斂性較好。本算法的平均檢測概率可達(dá)90%，比基于信噪比加權(quán)頻譜感知算法提升20%，比基于門限值頻譜感知算法提升30%，充分證明了算法的有效性。其原因是引入了BP神經(jīng)網(wǎng)絡(luò)，優(yōu)化了權(quán)值設(shè)置，在相同虛警概率的前提下，可以有效避免漏檢情況的發(fā)生，提高了整體檢測的準(zhǔn)確度，使其更接近真實值，從而提升了感知性能[13]。

圖4 三種算法的頻譜感知性能對比關(guān)系(N=10)

在低信噪比的IoV環(huán)境下，給定范圍內(nèi)車輛數(shù)N=10，設(shè)置較大的環(huán)境噪聲，將本文所提BP-CSS算法與其他兩種最新的頻譜感知算法進(jìn)行比較所得到的檢測概率變化關(guān)系如圖5所示。從圖中可以看到三種算法的檢測概率在低信噪比的環(huán)境中都隨著信噪比的增大而增加，而本文所提算法的檢測概率明顯高于其他兩種算法的檢測概率，感知性能更好，說明本文所提算法的魯棒性更強。基于車輛位置和相關(guān)性頻譜感知算法和基于雙門限能量檢測頻譜感知算法在低信噪比環(huán)境中受噪聲影響較大，所以在0～2 dB的范圍內(nèi)兩者的檢測概率近乎為零；本文所提算法因為引入BP神經(jīng)網(wǎng)絡(luò)，抗噪聲干擾能力較強，曲線增長更加快速明顯，檢測性能顯著提高。

圖5 三種算法在低信噪比環(huán)境中的頻譜感知性能對比關(guān)系(N=10)

在IoV環(huán)境下，本文所提BP-CSS算法與其他兩種最新算法在頻譜感知過程中檢測時間隨車輛數(shù)量的變化關(guān)系如圖6所示。從圖中可以看到三種算法的檢測時間在車聯(lián)網(wǎng)環(huán)境中都隨著車輛數(shù)的增大而增加，在0～5 dB的范圍內(nèi)三種算法的檢測時間近乎一致；但在高于5～25 dB的范圍內(nèi)，BP-CSS算法的檢測時間明顯低于其他兩種算法的檢測時間，檢測效率更高，感知性能優(yōu)于對比算法?；谲囕v位置和相關(guān)性頻譜感知算法和基于雙門限能量檢測頻譜感知算法的檢測時間曲線隨著車輛數(shù)的增加而迅速增加，這是因為在車聯(lián)網(wǎng)環(huán)境中車輛數(shù)的增加會導(dǎo)致車輛之間的數(shù)據(jù)傳輸更加復(fù)雜，車輛之間會存在一定的同頻干擾，再加上環(huán)境中存在較大的噪聲影響，使得檢測時間進(jìn)一步增加。本文所提算法由于采用協(xié)方差矩陣提取特征值，有效降低了本地車輛的數(shù)據(jù)傳輸干擾，再通過引入BP神經(jīng)網(wǎng)絡(luò)進(jìn)行優(yōu)化訓(xùn)練，降低了協(xié)同頻譜感知的能耗，檢測時間有效減少，檢測性能顯著提高。

圖6 三種算法在車聯(lián)網(wǎng)環(huán)境中受車輛數(shù)量影響的頻譜感知時間對比關(guān)系

在實際噪聲干擾較大的IoV環(huán)境下，基于本算法對道路范圍內(nèi)不同車輛數(shù)(N=10,30,50)在不同信噪比條件下的檢測概率變化關(guān)系如圖7所示。從圖中可以發(fā)現(xiàn)，在車輛數(shù)保持一定的情況下，本文算法檢測概率的峰值會隨著信噪比的增大而降低。這是因為信噪比的增大會使得車輛之間干擾增加，從而降低檢測概率。在低信噪比的情況下，檢測概率峰值的出現(xiàn)頻率隨著車輛數(shù)的增加而增加，具體表現(xiàn)為在0～15 dB的范圍內(nèi)，當(dāng)N=50時檢測概率峰值的出現(xiàn)頻率最高。這是因為在低信噪比的情況下車輛之間干擾較小，隨著車輛數(shù)的增加，可用于頻譜感知的協(xié)作用戶增加，則可以更高效地提升檢測概率。在高信噪比的在情況下，檢測概率的峰值隨著車輛數(shù)的增加而降低，具體表現(xiàn)為在15～25 dB的范圍內(nèi)，當(dāng)N=10時檢測概率的峰值最高。這是因為隨著信噪比增大，車輛數(shù)增多會導(dǎo)致協(xié)作用戶在進(jìn)行頻譜感知時的干擾增大，使得檢測概率降低[14]。

圖7 本算法的檢測概率(≥50%)受車輛數(shù)影響曲線

4 結(jié) 論

本文在研究頻譜感知技術(shù)的基礎(chǔ)上，引入機器學(xué)習(xí)理論，提出了一種深化的基于BP神經(jīng)網(wǎng)絡(luò)的協(xié)同頻譜感知(BP-CSS)算法。將次用戶接收信息通過協(xié)方差矩陣進(jìn)行數(shù)據(jù)處理，再通過BP神經(jīng)網(wǎng)絡(luò)的自主學(xué)習(xí)能力、權(quán)值動態(tài)優(yōu)化設(shè)置來進(jìn)行協(xié)同頻譜感知，使得具有不同信噪比的次用戶在數(shù)據(jù)中心判決時的權(quán)值達(dá)到最優(yōu)，進(jìn)而提升整體的感知性能。仿真結(jié)果表明，本文所提算法受噪聲影響較小，檢測準(zhǔn)確率更高，優(yōu)于傳統(tǒng)的信噪比加權(quán)的協(xié)作頻譜感知算法；同時發(fā)現(xiàn)頻譜感知的準(zhǔn)確率受車流密度影響，隨著車流密度的增大，干擾加強，感知準(zhǔn)確率會隨之降低。