基于神经网络的车联网频谱感知组合算法

doi:10.7523/j.issn.2095-6134.2021.04.015

中国科学院大学学报 ›› 2021, Vol. 38 ›› Issue (4): 549-556.DOI: 10.7523/j.issn.2095-6134.2021.04.015

基于神经网络的车联网频谱感知组合算法

纪玉峰^1,2, 郑敏¹, 谭冲¹, 刘洪¹

1. 中国科学院上海微系统与信息技术研究所中国科学院无线传感网与通信重点实验室, 上海;
2. 中国科学院大学, 北京 100049

收稿日期:2019-11-12 修回日期:2020-01-06 发布日期:2021-07-10
通讯作者: 纪玉峰
基金资助:
中国科学院青年创新促进会（2018269）资助

Combination algorithm of spectrum sensing in vehicle network based on neural network

JI Yufeng^1,2, ZHENG Min¹, TAN Chong¹, LIU Hong¹

1. Key Laboratory of Wireless Sensor Networks and Communications of CAS, Shanghai Institute of Microsystem and Information Technology, Chinese Academy of Sciences, Shanghai;
2. University of Chinese Academy of Sciences, Beijing 100049, China

Received:2019-11-12 Revised:2020-01-06 Published:2021-07-10

摘要/Abstract

摘要： 针对车联网环境下无线频谱资源短缺的问题，提出一种基于神经网络的多条件频谱感知组合算法。该算法利用神经网络较强的多分类能力，将信号能量、协方差矩阵的最大特征值、最小特征值、迹和平均特征值融合作为神经网络特征参数实现合作频谱感知，并从理论上分析参数选择方案，算法还充分考虑信道多径衰落和阴影效应导致的信噪比很低的情况以及车辆移动产生的多普勒效应，达到提高频谱感知成功率的目的，从而提高频谱的利用率。仿真结果表明，该算法在低信噪比情况下比已有的频谱感知算法具有更好的检测性能。

关键词: 认知无线电, 车联网, 频谱感知, 神经网络, 低信噪比

Abstract: In this paper, a multi-conditional spectrum sensing combination algorithm based on neural network is proposed to address the current shortage of spectrum resources in vehicular network. The algorithm combines signal energy, the maximum-minimum of eigenvalues, traces, and the average eigenvalue of the covariance matrix as neural network characteristic parameters, which are achieved through the strong multi-classification ability of neural network. To improve the successful rate of spectrum sensing and the utilization rate of the spectrum, we focus on analyzing the selection of parameter in theory as well as the low signal-to-noise ratio caused by channel fading and shadow effect. Meanwhile, the Doppler effective caused by car moving is also our consideration. Under low signal-to-noise ratio, the simulation results show that the proposed algorithm has better detection performance than existing spectrum sensing algorithms.

Key words: cognitive radio, vehicular network, spectrum sensing, neural network, low signal-to-noise ratio

中图分类号:

TN929

纪玉峰, 郑敏, 谭冲, 刘洪. 基于神经网络的车联网频谱感知组合算法[J]. 中国科学院大学学报, 2021, 38(4): 549-556.

JI Yufeng, ZHENG Min, TAN Chong, LIU Hong. Combination algorithm of spectrum sensing in vehicle network based on neural network[J]. Journal of University of Chinese Academy of Sciences, 2021, 38(4): 549-556.

参考文献

[1] Xu T H, Zhang M Y, Hu H L, et al. Sliced spectrum sensing:a channel condition aware sensing technique for cognitive radio networks[J]. IEEE Transactions on Vehicular Technology, 2018, 67(11):10815-10829.
[2] Shbat M, Ordaz-Salazar F C, González-Salas J S. Spectrum sensing challenges of IoT nodes designed under 5G network standards[C]//201815th International Conference on Electrical Engineering, Computing Science and Automatic Control(CCE). Mexico City, Mexico:IEEE Press, 2018:1-6.
[3] Ejaz W, Ibnkahla M. Multiband spectrum sensing and resource allocation for IoT in cognitive 5G networks[J]. IEEE Internet of Things Journal, 2018, 5(1):150-163.
[4] Katz M, Matinmikko-Blue M, Latva-Aho M. 6Genesis flagship program:building the bridges towards 6G-enabled wireless smart society and ecosystem[C]//2018 IEEE 10th Latin-American Conference on Communications (LATINCOM) Guadatajara, Mexico:IEEE Press, 2018:1-9.
[5] Rawat D B, Alsabet R, Bajracharya C, et al. On the performance of cognitive internet-of-vehicles with unlicensed user-mobility and licensed user-activity[J]. Computer Networks, 2018, 137:98-106.
[6] Wu Y B. Localization algorithm of energy efficient radio spectrum sensing in cognitive internet of things radio networks[J]. Cognitive Systems Research, 2018, 52:21-26.
[7] Aygun B, Wyglinski A M. A voting-based distributed cooperative spectrum sensing strategy for connected vehicles[J]. IEEE Transactions on Vehicular Technology, 2017, 66(6):5109-5121.
[8] Eze J, Zhang S J, Liu E J, et al. Cognitive radio-enabled Internet of Vehicles (IoVs):a cooperative spectrum sensing and allocation for vehicular communication[J]. IET Networks, 2018, 7(4):190-199.
[9] 尚佳庆,郑国强,马华红,等.基于双门限能量检测的认知车联网协作频谱感知[J]. 计算机应用研究,2020,37(10):3131-3134,3138.
[10] Tang Y J, Zhang Q Y, Lin W. Artificial neural network-based spectrum sensing method for cognitive radio[C]//20106th International Conference on Wireless Communications Networking and Mobile Computing (WiCOM). Chengdu, China:IEEE Press, 2010:1-4.
[11] Bouallegue K, Dayoub I, Gharbi M, et al. Blind spectrum sensing using extreme eigenvalues for cognitive radio networks[J]. IEEE Communications Letters, 2018, 22(7):1386-1389.
[12] 赵文静,李贺,金明录,等.基于特征值的频谱感知融合算法[J].通信学报,2019,40(11):57-64.
[13] 蓝润荣,程希骏.基于改进RBF神经网络的银行个人信用评级[J].中国科学院研究生院学报,2013,30(3):298-303.

[1]	王慧玲, 谢卓辰, 梁旭文. 单粒子翻转对神经网络的影响分析与优化[J]. 中国科学院大学学报, 2021, 38(6): 832-840.
[2]	于文欣, 李凯, 周明拓, 李剑, 杨旸. 面向三维信道幅值预测的自适应神经网络[J]. 中国科学院大学学报, 2021, 38(5): 678-686.
[3]	钱欢, 谢卓辰, 梁旭文. 基于dropout算法的卷积神经网络单粒子翻转容错方法[J]. 中国科学院大学学报, 2021, 38(5): 712-719.
[4]	肖亚楠, 周伟, 崔杰, 刘亭亭, 肖灵. 一种LSTM神经网络和卡尔曼滤波相结合的复合材料承载预测方法[J]. 中国科学院大学学报, 2021, 38(3): 374-381.
[5]	胡莉娜, 高盛华. 基于层次化标签的人体解析[J]. 中国科学院大学学报, 2020, 37(6): 820-827.
[6]	冯齐心, 杨辽, 王伟胜, 陈桃, 黄双燕. 基于时序光谱重构的卷积神经网络遥感农作物分类[J]. 中国科学院大学学报, 2020, 37(5): 619-628.
[7]	王虹, 徐佑宇, 谭冲, 刘洪, 郑敏. 基于改进粒子群的BP神经网络WSN数据融合算法[J]. 中国科学院大学学报, 2020, 37(5): 673-680.
[8]	唐思琦, 韩丛英, 郭田德. 基于机器学习的点集匹配算法[J]. 中国科学院大学学报, 2020, 37(4): 450-457.
[9]	胡亮, 肖俊, 王颖. 基于多维度特征和MLP的岩体点云植被滤波方法[J]. 中国科学院大学学报, 2020, 37(3): 345-351.
[10]	薛建伟, 唐亮, 卜智勇. 基于神经网络的认知无线电合作频谱感知[J]. 中国科学院大学学报, 2020, 37(3): 379-386.
[11]	宋晗, 杨炜暾, 耿修瑞, 赵永超. 基于卷积神经网络与主动学习的高光谱图像分类[J]. 中国科学院大学学报, 2020, 37(2): 169-176.
[12]	王惠君, 赵桂萍, 李良, 张威, 齐荣, 刘珺. 基于卷积神经网络(CNN)的泥质烃源岩TOC预测模型——以鄂尔多斯盆地杭锦旗地区为例[J]. 中国科学院大学学报, 2020, 37(1): 103-112.
[13]	宋旭鸣, 沈逸飞, 石远明. 基于深度学习的智能移动边缘网络缓存[J]. 中国科学院大学学报, 2020, 37(1): 128-135.
[14]	王健飞, 张卫强, 刘加. 基于多状态跳转模型的场景独立音频事件检测方法[J]. 中国科学院大学学报, 2019, 36(2): 218-225.
[15]	朱思捷, 雷斌, 吴一戎. 基于稠密卷积神经网络的遥感图像自动色彩校正[J]. 中国科学院大学学报, 2019, 36(1): 93-100.

基于神经网络的车联网频谱感知组合算法

Combination algorithm of spectrum sensing in vehicle network based on neural network

PDF (PC)

可视化

摘要/Abstract

引用本文

使用本文

参考文献

相关文章 15

编辑推荐

Metrics

本文评价

访问统计

联系我们