基于主成分分析与随机森林的认知车联网频谱感知方法
文献发布时间:2024-04-18 19:54:45
技术领域
本发明涉及认知车联网技术领域,特别是涉及一种跳频场景下基于最小费用最大流算法的侦察干扰资源调度方法。
背景技术
随着车联网的快速发展,越来越多的车辆需要在路上通信,同时车辆之间的协作和信息共享也变得越来越重要。然而,车联网所使用的无线电频谱资源有限,特别是授权频段资源,因此如何更好地利用和管理车联网中的频谱资源已经成为一个重要的问题。认知无线电技术为车联网提供了一种有效的频谱资源利用方法,它可以通过感知空闲频段,将这些频段分配给车辆进行通信,从而提高频谱资源的利用效率。而频谱感知技术作为认知无线电的第一步,可以让车辆感知周围的频谱环境,找到空闲的频段进行利用,从而实现更高效的车辆通信。
将认知无线电技术与车联网技术结合将有效解决车载无线自组网中频谱紧缺的问题。但与传统的频谱感知技术不同的是:在城市交通场景下,车辆密度较高,车辆之间的相关性也更加复杂。因此,车联网中的频谱感知技术需要考虑这些因素,以提高检测的准确性和鲁棒性。同时,车速的变化也会影响信号的传输特性,例如多普勒频移等,这也需要在频谱感知中加以考虑。此外,城市交通中的信道环境通常也比较复杂,例如信号衰落、多径效应、阴影效应等都会影响信号的传输和接收。因此,车联网中的频谱感知技术还需要考虑这些因素,以更好地适应城市交通环境下的频谱感知需求。
近年来,随着机器学习技术的发展和应用,研究者们开始将其应用于频谱感知技术中,通过使用机器学习算法来提高频谱感知的准确性和效率。机器学习技术可以从大量的频谱数据中提取有用的特征,进而实现自动化的频谱感知。同时,基于机器学习的频谱感知技术具有自适应性和智能化的特点,能够适应各种复杂的环境和场景。现有的基于机器学习的频谱感知方法都是建立在传统认知无线电系统环境条件下。因此,需要设计一种针对车联网通信环境下的高效机器学习频谱感知算法。
发明内容
本发明要解决的技术问题就在于:本发明提供一种基于主成分分析与随机森林的认知车联网频谱感知方法,能够提高感知的准确性和鲁棒性,为车联网的发展和应用提供可靠的支撑。
为解决上述技术问题,本发明提出的技术方案为:
为了实现上述目的,本发明的技术方案如下:
一种基于主成分分析与随机森林的认知车联网频谱感知方法,所述认知车联网频谱感知方法,先构建城市环境下的车联网信道模型,在对应信道下获取接收信号矩阵;对所述接收信号矩阵利用主成分分析法进行降维,获得信号的主成分矩阵,然后结合随机矩阵理论进行特征提取,得到特征向量;再将特征向量输入训练好的频谱感知随机森林,得到频谱感知结果。
作为上述技术方案的进一步改进为:
上述技术方案中,优选地,所述频谱感知随机森林的训练,包括:以待训练的特征向量作为输入参数,以主用户存在情况作为输出参数,对随机森林进行训练,得到训练好的频谱感知随机森林。
上述技术方案中,优选地,所述认知车联网频谱感知方法,包含以下步骤:
S1:构建城市环境下的信道模型;
S2:建立由主用户、认知车辆以及融合中心组成的认知车联网;
S3:认知车辆对经由城市坏境下的信道模型传播的主用户信号进行采样,得到信号矩阵;
S4:使用主成分分析法对接收到的信号矩阵进行数据降维,得到降维后的数据矩阵,根据降维后的数据矩阵计算协方差矩阵并求出特征值;在主用户存在和主用户不存在两种情况下,分别提取最大与最小特征值之比、最大与平均特征值之差、最大特征值与迹之比三个特征参数,用特征参数与车辆速度构造原始样本集;
S5:采集主用户存在时的特征向量作为训练的正样本,采集主用户不存在时的特征向量作为训练的负样本;
S6:将采集到的正样本和负样本构成训练集,用训练集中的样本构建随机森林;
S7:接收新的来自每个认知车辆的接收信号并执行所述S4,采用所述S6中构建的频谱感知随机森林进行分类,由分类结果判断主用户信号的存在性,达到主用户信号感知的目的。
上述技术方案中,优选地,所述步骤S1中,根据路径损耗、多径效应和阴影效应构建城市环境下的信道模型。
上述技术方案中,优选地,所述城市环境下的路径损耗表示为:
其中,d为发射机与接收机之间的距离;n为路径损耗指数,n的取值由周围的环境决定;PL
所述城市环境下的阴影效应模型看作服从对数正态分布的变量,对应的概率密度函数表示为:
其中,y为阴影衰落功率,μ为平均接收信号强度,σ为阴影衰落标准差;
所述城市环境下的多径效应由3GPP定义的对应城市环境下的CDL模型刻画。
上述技术方案中,优选地,所述步骤S6中,随机森林算法的构建过程包括以下步骤:
(1)从训练集中有放回地随机抽取a个样本,作为一棵决策树的训练样本;
(2)假设特征向量是b维,选取b
(3)当每个节点的分类纯度达到期望比例或者生长层数达到给定值时,则停止决策树的生长,使每个决策树都能最大限度的生长,且没有剪枝情况;
(4)重复步骤(1)~(3),生长出多棵决策树,组成具有强分类性能的随机森林。
本发明提供的基于主成分分析与随机森林的认知车联网频谱感知方法,与现有技术相比,有以下优点:
(1)本发明的基于主成分分析与随机森林的认知车联网频谱感知方法,结合跳频干扰的特点,考虑了无人机侦察收益价值、无人机侦察损坏成本、频点干信比和干扰损坏成本,设计包含最小干信比约束和完成侦察任务和干扰任务所需的无人机数量约束在内的多种约束,搭建跳频场景下无人机侦察干扰资源调度数学模型,构建目标-无人机网络流图,在最小费用最大流算法中考虑一体机的特性,将目标-无人机网络流图转换为任务-资源网络流图,从而达到最大化侦察干扰效益最小化侦察干扰成本的目的。
(2)本发明的基于主成分分析与随机森林的认知车联网频谱感知方法,给出了完整可靠的无人机侦察干扰资源调度方法,更适合目标使用跳频通信的场景。
附图说明
图1为本发明应用实施时认知车联网网络模型的示意图。
图2为本发明的流程示意图。
图3为本发明应用实施时所采用的随机森林结构图。
具体实施方式
以下对本发明的具体实施方式进行详细说明。应当理解的是,此处所描述的具体实施方式仅用于说明和解释本发明,并不用于限制本发明。
图1示出了本发明基于主成分分析与随机森林的认知车联网频谱感知方法的一种实施方式,主要用于城市高车流密度场景下的认知车联网频谱感知,包括以下步骤:
S1:根据路径损耗、多径效应和阴影效应构建城市环境下的信道模型;
S2:建立由主用户、M个认知车辆以及融合中心组成的认知车联网;
S3:认知车辆对经由城市坏境下的信道模型传播的主用户信号进行采样,得到信号样本值,所有接收采样向量的集合用矩阵形式表示,得到信号矩阵;
S4:使用主成分分析法(PCA)对接收到的信号矩阵进行数据降维,得到降维后的数据矩阵,根据降维后的数据矩阵计算协方差矩阵并求出特征值,在主用户存在和主用户不存在两种情况下,分别提取最大与最小特征值之比、最大与平均特征值之差、最大特征值与迹之比三个特征参数,用特征参数与车辆速度构造原始样本集;
S5:采集Q
S6:将采集到的Q
S7:接收新的来自每个认知车辆的接收信号并执行所述步骤S4,采用所述步骤S6中构建的频谱感知随机森林进行分类,由分类结果判断主用户信号的存在性,进而达到主用户信号感知的目的。
图2为本发明实施例中的基于主成分分析与随机森林的认知车联网频谱感知方法的流程图,主要由离线训练模块和在线识别模块构成。离线训练模块首先采集经过衰落信道的无线信号;对所述无线信号利用主成分分析法进行数据降维,得到降维后的数据矩阵,根据降维后的数据矩阵计算协方差矩阵并求出特征值,在主用户存在和主用户不存在两种情况下,分别提取最大与最小特征值之比、最大与平均特征值之差、最大特征值与迹之比三个特征参数,利用这些特征参数与车辆速度构造原始样本集;最后使用随机森林算法训练学习得到训练好的频谱感知分类器。在线识别模块接收到信号,经过一系列的数据处理后,可以使用训练好的频谱感知随机森林进行分类,由分类结果判断主用户信号的存在性,进而达到主用户信号感知的目的。
实施例
如图1所示,结合具体的参数对本发明的认知车联网频谱感知方法的应用实施进行具体说明。在本实施例的认知车联网中,设定有1个主用户、1个融合中心和M个认知车辆。主用户记为PU,频谱感知融合中心记为FC,认知车辆记为CVU
如图2所示,本实施例中基于主成分分析与随机森林的认知车联网频谱感知方法,具体包括以下步骤:
S1:根据路径损耗、多径效应和阴影效应构建城市环境下的信道模型。所述城市环境下的路径损耗表示为:
其中,d为发射机与接收机之间的距离;n为路径损耗指数,n的取值由周围的环境决定;PL
城市环境下的阴影效应可看作服从对数正态分布的变量,其对应的概率密度函数可表示为:
其中,y为阴影衰落功率,μ为平均接收信号强度,σ为阴影衰落标准差。
城市环境下的多径效应由3GPP定义的对应城市环境下的CDL(Clustered DelayLine)模型刻画。
S2:建立由主用户、M个认知车辆以及融合中心组成的认知车联网。
S3:认知车辆对经由城市坏境下的信道模型传播的主用户信号进行采样,得到信号样本值,所有接收采样向量的集合用矩阵形式表示,从而得到信号矩阵。
车联网频谱感知可以看作一个二分类的问题。用H
其中,n
认知车辆用户感知的信号样本点数为N,M个CVU进行协作感知,则同一时刻的数据可以表示为:
c(n)=[c
s(n)=[s
n(n)=[n
则接收的感知信号构建的矩阵为:
其中,c
S4:使用主成分分析法(PCA)对接收到的信号矩阵进行数据降维,得到降维后的数据矩阵,根据降维后的数据矩阵计算协方差矩阵并求出特征值,在主用户存在和主用户不存在两种情况下,分别提取最大与最小特征值之比、最大与平均特征值之差、最大特征值与迹之比三个特征参数,用上述特征参数与车辆速度构造原始样本集。
S4-1,对接收信号矩阵利用PCA算法进行数据降维,根据降维后的数据矩阵计算协方差矩阵并求出特征值,得到特征参数,具体包括:
S4-1-1,样本的估计协方差矩阵表示如下:
通过使用PU信号和噪声之间的独立性假设,协方差矩阵U可以用以下形式表示:
U=U
其中,U
S4-1-2,U的特征值是U
γ(U)=γ(U
协方差矩阵U的特征值γ
S4-1-3,特征向量通过下式求解得到:
(U-γ
其中,β
S4-1-4,根据特征向量,主成分为:
通过得到的主成分,通过P(P<M)个主成分对应的矩阵组合得到信号主成分矩阵。该矩阵是一个P×N维矩阵,矩阵形式表示如下:
S4-1-5,将特征值γ
P的取值可以通过贡献率来取,一般取贡献率为95%以上的前P个主成分来代表原来接收到的M维数据:
根据矩阵
S4-2,特征参数的数量为4个,即改进最大与最小特征值之比T
(1)第一个特征参数为最大与最小特征值之比T
其中,γ
(2)第二个特征参数为最大与平均特征值之差T
其中,γ
(3)第三个特征参数为最大特征值与迹之比T
其中,
(4)第四个特征参数为认知车辆速度v。
S5:采集Q
S6:将采集到的Q
图3展示了随机森林的结构图,随机森林算法的构建过程包括如下4个步骤:
S6-1,Bagging过程
假设训练集G中有Q
S6-2,分裂属性选择过程
假设特征向量是b维,选取b
S6-3,决策树的生长过程
当每个节点的分类纯度达到期望比例或者生长层数达到给定值时,则停止决策树的生长,保证每个决策树都能最大限度的生长,且没有剪枝情况。
S6-4,生成随机森林过程
重复步骤S6-1~S6-3,生长出多棵决策树,并且由这些决策树组成具有强分类性能的随机森林。
S7:接收新的来自每个认知车辆的接收信号并执行所述步骤S3,采用所述步骤S6中构建的频谱感知随机森林进行分类,由分类结果判断主用户信号的存在性,进而达到主用户信号感知的目的。
本发明的认知车联网频谱感知方法,能解决在车载环境低信噪比情况下,传统的信号检测算法可能无法有效地检测到主用户信号而影响车联网性能的问题,本发明将随机森林引入认知车联网中,利用随机森林的多个决策树来对主用户信号进行分类,可以有效地解决车联网中频谱感知问题,提高车联网的性能和可靠性。
上述实施案例只是本发明的较佳实施例,并非对本发明作任何形式上的限制。虽然本发明已以较佳实施例揭露如上,然而并非用以限定本发明。因此,凡是未脱离本发明技术方案的内容,依据本发明技术实质对以上实施例所做的任何简单修改、等同变化及修饰,均应落在本发明技术方案保护的范围内。
- 一种基于深度学习的认知车联网频谱感知方法
- 基于双门限能量检测的认知车联网协作频谱感知方法