[发明专利]基于协作节点选取和FCM算法的认知车联网频谱感知方法

权利要求书

1.一种基于协作节点选取和FCM算法的认知车联网频谱感知方法，其特征在于，所述的认知车联网频谱感知方法包括如下步骤：

S1、路侧单元根据感知精度和感知开销的需求确定参与协作的车流密度ρ，基于车流密度及认知车辆间距离d_ms(t)确定参与协作车辆节点数K＝ρ*d_ms(t)，其中，*表示前后两个元素相乘的运算符号，车辆位置信息由自带的GPS模块获取；

S2、路侧单元基于车辆与主用户之间的距离d_i(t)和车辆间相关性R_ai(t)，引入新的参数Node_i＝α×R_ai(t)+β×d_i(t)，动态选取相关性较小且距离主用户较近的认知车辆节点进行协作频谱感知，其中α和β分别为车辆间相关性和车辆与主用户之间距离的系数，取值范围为(0,1)，i＝1,2,…M，M为车辆节点的个数；

S3、参与协作的认知车辆采用能量检测技术进行频谱感知，将获得的检测统计量存储到车辆存储模块，利用FCM算法进行聚类，获取聚类中心和隶属度矩阵，当检测统计量隶属度差异值大于某一阈值时进行本地判决；

S4、路侧单元将接收到的本地判决结果通过认知车辆的位置和相关性进行加权融合，判定该频段主用户是否存在，如果该频段主用户不存在，则认知车辆被授权使用该频段进行通信，否则退出该频段的使用；

其中，所述的步骤S1包括：

S11、根据感知精度和能耗选择不同的车流密度，确定应选取参与协作的认知车辆数K＝ρ*d_ms(t)，ρ为车辆密度，d_ms(t)为M个车辆节点之间的最远距离；

S12、如果车辆节点M≤K，车辆密度很小，全部车辆参与协作感知，K＝M，否则进入下一步骤S2，进行协作节点选取；

其中，所述的步骤S2包括：

S21、计算每个认知车辆与其他车辆节点之间的相关性，每个认知车辆与其他M-1个认知车辆节点之间的相关性之和：

R_i,j(t)为t时刻认知车辆节点CR_i和CR_j之间的相关性，每个认知车辆节点与其他M-1个认知车辆节点之间的相关性之和归一化处理为R_ai(t)；

S22、分别计算M个认知车辆与主用户之间的距离d_i,p(t)，求得认知车辆与主用户之间的归一化距离为d_i(t)；

S23、从M个认知车辆节点中选取K个参与协作感知，基于车辆的位置和相关性进行动态节点的选取，引入新的参数：

Node_i＝α×R_ai(t)+β×d_i(t)

其中α和β分别为车辆间相关性和车辆与主用户之间距离的系数，取值范围为(0,1)，定义α和β的值，从M个车辆节点的Node_i值中选取最小的K个作为参与协作的车辆节点，即选取相关性较小且距离主用户较近的K个认知车辆参与协作；

其中，所述的步骤S3包括：

S31、参与协作的认知车辆将接收到的检测统计量存储到车辆存储模块，每个感知时隙都会接收到新的检测统计量，基于车辆移动过程中不同时隙的历史检测统计量，存储模块最多存放N个检测统计量，存储模块每个时隙都会更新；

S32、聚类模块将接收到的n个检测统计量通过FCM算法分为c个模糊组，c取值为2，类中心为c_i，每个检测统计量属于某一类i的隶属度为u_ij，若使检测统计量T_j自适应聚类，即要求含有约束条件的目标函数J的值最小，引入拉格朗日因子构造目标函数如下：

式中，m是模糊加权系数,d(T_j,c_i)表示欧式距离，λ_j，j＝1,2…,n表示n个约束式的拉格朗日乘子，通过求导得到隶属度和聚类中心的计算公式；

S33、初始化隶属度矩阵，计算并比较相邻两次目标函数J的差值，直到差值小于某一阈值ε时停止迭代，否则重新计算各个参量及目标函数；

S34、通过最终获得的隶属度矩阵获取待判决检测统计量T_n的隶属度差异值，若|u_1n-u_2n|＞δ，进行本地检测统计量判决，并将结果上传到路侧单元；否则，由于隶属度差异值较小，低信噪比情况下判决结果可靠性低，会因误差很大致使误判，直接舍弃该认知车辆；

其中，所述的步骤S4包括：

S41、基于认知车辆的位置和相关性参数Node_i，每个车辆节点对应的加权系数为：

ω_i∈(0,1),且

S42、路侧单元根据接收到的本地判决结果及其权重值计算出协作感知决策值，判定该频段主用户是否存在。