基于拟牛顿内点法的认知车联网能效优先资源分配算法

为了提高认知车联网中多用户资源分配的能效及实时性,提出了一种在信道状态信息不理想情况下最大化系统能效的资源分配算法.联合考虑额定系统传输功率、主用户干扰阈值、最低通信速率以及用户间比例公平性等约束条件,将主用户的干扰约束条件转换成概率型约束条件.然后,采用Bernstein近似的方法处理该概率型约束,通过设置公平门限来解决用户间的比例公平性问题.最后,分别采用高、低复杂度的子载波分配算法,配合拟牛顿内点法进行功率分配.仿真结果表明,所提算法的能效约为最优解上界的93%,既能满足系统能效要求,又降低了计算复杂度,适用于对实时性要求较高的车联网系统.

一种基于能效优先的LT码协作频谱感知结果传输方案（英文）

针对认知无线电系统中,因次级用户(SUs)数量较大而造成传输能量急剧增加的问题,提出一种基于能效优先的协作频谱感知结果传输方案.首先,将分簇结构引入感知结果传输系统以降低发射功率,然后,在中心化的感知信息传输模型中采用无固定码率的LT码,因为它能动态地适应信道条件,避免传输过程中不必要的冗余度.此外,LT码采用改进的最优度分布(ODD)设计.仿真结果表明,在度分布中选取合适的参数有助于LT码获得理想的性能.与其他典型的LT码度分布相比,ODD在选取了优化参数后,当比特误码率为10-3时,可以获得超过2 d B的性能增益.所提出方案的能耗不仅比非编码系统节约至少71. 4%,而且低于不同码率的卷积码编码系统.同时,当选择合适的分簇方法时,可以进一步降低能耗.

基于位置预测的认知车联网协作频谱感知算法

针对认知车联网中由地形起伏或密集城市结构而引起的频谱感知性能低、延时大等问题,提出了一种基于位置预测的协作频谱感知算法。首先,采用能量检测法进行本地频谱感知,通过将次用户接收到的信号能量大小和预先设定的阈值进行比较,初步判定频谱是否被主用户占用。然后,利用认知车联网中车辆位置预测技术,计算车辆位置和信道状态信息,并据此设置置信值,删除置信值低的次用户。最后,在融合中心采用加入置信值的似然比融合规则得到最终判决结果。仿真结果表明,与传统算法相比,所提算法能有效提高频谱感知性能并缩短感知时间,尤其适用于对实时性要求较高的车联网系统。