面向车辆高速移动的频谱感知算法研究

为了解决多普勒效应对于车联网中频谱检测速度与精度的影响,研究了在车辆高速移动情况下的频谱感知算法.首先通过引入认知无线电以及车联网技术,构建认知车联网络,针对频谱利用率低下的问题提出一种频谱感知算法.实验结果表明,该算法可以很好地消除多普勒频移效应,提高了频谱检测的性能,解决了车辆在高速移动状态下信号失真等问题.

认知无线车载自组织网络中的联合路由调度

通过将认知无线电(cognitive radio,CR)技术应用到车载自组织网络(vehicular ad hoc networks,VANETs)(也称车联网)中,认知无线车载自组织网络(CR-VANETs)可以缓解频谱资源稀缺问题,有效提高车对车通信的频谱资源利用率.由于车辆的高速移动性以及认知无线电频谱资源的动态特性,使得传统的认知无线电网络或车载自组织网络中的路由协议无法直接应用到CR-VANETs中.目前,针对CR-VANETs的路由研究相对较少,如何最大效率地利用有限的频谱资源,同时降低跳数过多带来的频谱资源浪费,仍然是一个有待解决的问题.为此,提出了一种CR-VANETs中联合路由调度方案,结合了有限频谱资源调度研究与最小化路由跳数的优化目标.首先,建立了CR-VANETs中的网络模型和基于车对车通信的频谱感知模型,预测车辆间有效接触时间和频谱可用概率.其次,通过这些参数定义出通信链路消耗,并由此得出权衡链路质量的权重因子.通过分析优化目标,将其转化为有限频谱资源约束下的最小化路由跳数问题,并证明该问题为NP难问题.然后,针对这个联合路由调度问题提出一种混合启发式算法,结合了粒子群优化算法的快速收敛性和遗传算法的种群多样性,对有限频谱资源进行调度,同时优化路由跳数.最后仿真实验结果表明,与现有的CR-VANETs路由研究比较,有着更优的路由跳数并使其保持在一个相对稳定的值.

基于改进乌鸦算法的车载网络频谱分配方案

车载网络(Vehicle Ad Hoc Networks)是一种新型的智能网络,它通过智能地接入网络,实现人与车、车与车、车与路边基础设施之间的互联通信,增强车辆行驶过程中的安全预测报警功能,满足用户对车辆多媒体接入的需求,提升车辆用户体验。针对认知车载网络(Cognitive Vehicular Ad Hoc Networks,CR-VANET)频谱分配效率低的问题,文中提出一种基于改进乌鸦算法的频谱分配方案。首先,对乌鸦算法的两个位置更新参数引用曲线自适应参数进行改进,以更好地平衡集约化与多元化;其次,采用收敛因子策略,解决乌鸦算法收敛速度慢和不稳定的问题;然后,对随机数混沌化,以提高搜索的遍历性和收敛速度;最后,以车载网络吞吐量和认知车载用户之间的接入公平性作为参考评价指标,将改进后的乌鸦算法应用于认知车载网络的频谱分配中。实验采用改进的方案、遗传算法(Genetic Algorithm,GA)、粒子群算法(Particle Swarm Optimization Algorithm,PSO)分配方案进行比较。仿真结果表明,改进的分配方案具有较好的性能。

认知车载网中基于路段划分的协作MAC协议研究

传统认知车载网(CR-VANET)中采用基于竞争的介质访问控制(MAC)协议,该协议在高车辆节点密度情况下会导致较高的数据包碰撞率,严重影响安全消息传输的时延和可靠性。针对该问题,提出一种基于路段划分的协作MAC协议,以优化CR-VANET系统性能。通过对每段道路的簇首进行时隙分配,减少数据包的碰撞概率,降低传输时延。同时为确保消息传输的有效性和可靠性,在空闲时隙选择辅助节点给接收数据失败的节点重传消息。性能分析和实验结果证明,该协议能够有效降低丢包率和传输时延,提高网络的吞吐量。

一种门限自适应的认知车联网频谱感知算法

能量检测中门限值的设定直接影响频谱感知的检测性能。认知车辆的移动性导致了车载通信环境的动态变化,提出了一种基于FCM的动态双门限能量检测算法,门限值随环境自适应变化,双门限检测算法消除了噪声不确定的影响。仿真结果表明,所提算法在车载通信场景中具有很好的自适应性,检测性能更好。

基于车辆位置和相关性的协作频谱感知算法

考虑路径损耗和阴影效应对认知车辆接收信号的影响,提出了一种基于车辆位置和相关性的协作感知算法。所提算法在保证感知性能的同时,尽可能选取较少的感知节点参与协作,接着提出一种介于硬判决融合和软判决融合之间的数据融合方法,参与协作的认知车辆上传2 bit的本地感知信息到路侧单元进行线性加权融合判决。仿真结果表明,所提算法与现有频谱感知算法相比有了很好的改进,取得了感知性能和感知开销的折中。