一种认知车联网系统误码性能的衡量方法

1.本发明属于无线网络安全传输技术领域，具体涉及一种认知车联网系统误码性能的衡量方法。


背景技术：

2.随着无线技术的普及，具有各种无线通信能力的无人驾驶汽车已经将小轿车、公共汽车等简单的交通方式转变为一种新型的车联网(v2x)系统。这一转变有利于更好的进行交通管理、有利于提高资源的利用率、更给移动中的用户提供了丰富的信息娱乐和出行体验，使得我们的智能交通系统(its)真正成为可能。但v2x网络需要的超高服务质量、海量接入等要求也给未来的无线通信网络带来了巨大挑战，特别是连接到互联网的设备数量不断增加、传输的数据量不断增大更加剧了这一挑战。其中最重要的两个问题是如何解决频谱稀缺和如何提升系统的可靠性。针对频谱稀缺性的研究现在主要集中在对非正交多址(noma)技术和对认知无线电网络的研究。noma技术通过在发射端使用sc技术对信号进行叠加、在接收端使用sic技术进行解码，允许了多个用户使用同一个资源块来传输信号，可以有效解决oma方案中用户接入数量受限的问题。此外，认知无线电网络是指次用户(su)可以使用合法用户(pu)的频谱进行通信，从而提高频谱效率。近年来应用最为广泛的cr模式为垂直共享(underlay)，即su可以连续的使用pu的频谱但必须保证对于主网络的干扰维持在其可接受的最大干扰范围内。
3.非正交多址接入技术和认知无线电技术的结合可以有效满足车连网大带宽、广连接和低时延的传输需求。现有的技术中，对车联网通信采用认知非正交多址接入技术的可靠传输性能进行了研究。然而在实际车联网通信中，车辆是快速移动的，这就使得信道快速变化从而可能发生信道估计错误。此外，根据cr协议，次网络可以在发射功率受限的情况下使用主网络的全部频谱，但同时也会受主网络发射信号的干扰。因此，研究节点移动和信道估计错误对车联网cr-noma网络的误码性能的影响是很有必要的。现有对cr-noma系统成对错误概率(pep)的研究，在相关技术中，研究了节点移动(nm)和不完美信道状态信息(ipcsi)对认知无线电车辆网络安全性能的影响。在相关技术中，研究了nm和ipcsi对underlay认知无线电车辆网络性能的影响,并推导了平均比特误码率(aber)和遍历容量(ec)的表达式。在相关技术中，研究了底层认知无线电网络中继选择对误码性能的影响。现存的技术中尚没有在将功率受限的cr-noma技术应用到v2x系统的同时考虑一般信道的非理想特性对系统误码性能的影响。


技术实现要素：

4.针对将中继协作的cr-noma技术应用到v2x系统问题，本发明建立了cr-c-noma-v2x的系统模型，并从误码率性能的角度出发，假设了α-μ衰落信道，推导了系统匹配错误概率的表达式并进行了仿真验证。
5.为了达到上述目的，本发明采用了下列技术方案：
6.一种认知车联网系统误码性能的衡量方法，包括以下步骤：
7.步骤1，构建认知非正交多址接入的车联网传输系统；所述认知非正交多址接入的车联网传输系统由一个主网络和一个次网络构成；主网络由一个发射基站pbs(primary base station)和主网络车辆pv(primary vehicle)组成；次网络由正在执行全双工协作noma的感应基站cbs(base station)，近端车辆v1和远端车辆v2组成；我们假设v2与cbs距离较远因而不存在直传链路；感应基站采用非正交多址接入(noma,non-orthogonal multiple access)技术向近端车辆用户和远端车辆用户发送数据，同时近端车辆用户以中继协作方式辅助远端车辆用户实现可靠通信，近端车辆用户在解码自身信号时执行实际的非理想串行干扰删除(ipsic，imperfect successive interference cancellation)，且同时考虑了车辆快速移动带来的不完美信道状态信息(ipcsi，imperfect channel state information)和节点移动性(nm,node mobile)对于信道的影响；
8.步骤2，在认知非正交多址接入的车联网传输系统中，感应基站以发射功率pc向近端车辆用户发送包含近端车辆用户信息x1与远端车辆用户信息x2的复合信号其中z1表示近端车辆用户信息x1的功率分配系数，z2表示远端车辆用户信息x2的功率分配系数，且z1+z2＝1(z2＞z1)；信号传输将分为两个时隙进行，第一时隙和第二时隙；近端车辆用户接收到来自感应基站cbs发送的信号后，采用串行干扰消除技术对包含远端车辆用户v2信息的信号x2进行解码，接着再对包含近端车辆用户v1信息的信号x1进行解码；只有当近端车辆用户成功解码出x1和x2的信息，则视为近端车辆用户解码成功；而近端车辆用户未成功解码出x1和x2的信息，则视为近端车辆用户解码失败；成功解码的近端车辆用户会利用sic技术对接收到的复合信号进行解码，然后将解码信号x
′2(t-τ)以功率pv进行发送转发给远端车辆用户，其中，τ为近端车辆用户进行解码的时延，x
′2是对x2解码后的消息；由于实际硬件能力的限制，v1解码时执行ipsic操作，即v1未能完全将x1和x2解码；远端车辆用户对来自主基站pbs和近端车辆用户的信号进行合并处理；
9.步骤3，由于车辆的移动性，车辆之间的通信链路状态快速动态变化，会导致信道状态信息呈现过时特性，使用一阶自回归过程(ar1)来进行建模，用下标c,p,v1,v2,pv分别表示cbs，pbs，v1，v2和pv，其中表示i与j之间的信道系数，e
i,j
～(0,ω
ei,j
)表示对应链路的变化分量，信道系数和e
i,j
服从联合高斯分布，对应的分布参数ρ
i,j
∈[0,1]，且被建模为jake模型，即ρ
i,j
＝j0(2πfcv
i,j
ts/c)，其中fc表示载频，v
i,j
表示i与j之间的相对速度，c表示光速，ts表示传输符号持续时间，j0(
·
)表示第一类零阶贝塞尔函数；
[0010]
则信道增益表示为：
[0011][0012]
步骤4，在信道估计过程中信道估计错误也可能存在；因此在评估系统性能时将考虑过时和不完美信道状态考虑进去；采用线性最小均方误差对实际信道状态信息进行建模，表示为：
[0013][0014]
结合公式(1)和公式(2)，推导出下列关系：
[0015][0016]
其中，服从均值为0，方差为的正态分布。
[0017]
步骤5，次网络使用主网络频谱的条件是不影响主网络车辆的通信；为了有效描述，假设了一个阈值表示主网络车辆pv能容忍的最大干扰水平，其中p
max,κ
表示节点κ最大的传输功率；
[0018]
因此cbs和车辆v1的发射功率分别被限制为：
[0019][0020]
步骤6，考虑实际车联网移动场景下信道的快衰落特性，采用α-μ衰落描述信道衰落特征，考虑信道增益h
c,v1
,h
p,v1
服从α-μ衰落信道，其可以描述复杂的非几何环境且根据参数α和μ的变化可以变化为其他常见信道；其中ω
i,v1
＝|h
i,v1
|，α＞0表示非线性功率指数，μ＞0表示多路径簇的量；快衰落信道下的概率密度函数pdf表示为：
[0021][0022]
此外，考虑全双工导致的自干扰信道hi服从瑞利分布，其中，ωi＝|hi|，δ2＝ε[|h|2]表示衰落功率，ε[
·
]表示
·
的期望；其pdf可以表示为：
[0023][0024]
进一步，假设不完美sic过程，则近端车辆和远端车辆的接收信号可以被写出。
[0025]
近端车辆v1收到的信号由感应基站cbs的发射信号，主网络发射基站pbs的干扰，以及全双工导致的自干扰三部分组成；
[0026]
则近端车辆v1收到的信号表示为：
[0027][0028][0029]
其中，l(d
i,j
)表示大尺度衰落，g
t
表示发射端的发射增益，gr表示接收端的接收增益，λ表示波长，d0表示对应的参考距离，d
i,j
表示节点i到节点j之间的距离，a表示路径损耗指数，hi表示全双工引起的自干扰链路，δ'表示由于sic技术不完美导致的误差，p
p
表示pbs的发射功率，s(t)表示pbs的发射信号，为cbs
→v1
的高斯白噪声；
[0030]
远端车辆v2接收到的信号由主网络发射基站pbs的干扰、近端车辆v1发射的信号两部分组成，因此远端车辆v2接收到的信号表示为：
[0031][0032]
其中，pv表示车辆v1的发射功率；为链路v1→v2
的高斯白噪声。
[0033]
进一步，近端车辆v1的条件pep表示为：
[0034][0035]
其中，pep表示信号x被错传为的概率；d
c,v1
表示感应基站cbs到近端车辆v1的距离；
[0036]
将公式(7)带入公式(10)得：
[0037][0038][0039]
其中，n
*
服从的标准正态分布；的标准正态分布；
[0040]
当随机变量λ服从均值为m，方差为σ2的高斯分布，即λ～ν(m,σ2)时，变量λ≤λ的概率为利用此性质，再结合高斯q函数的性质，q(-a)＝1-q(a)，将公式(11)化简为：
[0041][0042]
其中，
[0043]
为了进一步获得近端车辆v1的无条件pep表达式，需对信道h
c,v1
,h
p,v1
,hi所有可能的值进行平均；
[0044]
结合公式(5)、(6)和公式(13)得到近端车辆v1的无条件pep如公式(14)所示：
[0045]
[0046]
由于推导公式(14)的闭合表达式是非常困难的，用拉盖尔近似的方法来有效的获得其精确的渐进表达式：
[0047][0048]
其中ηs和分别表示第s阶拉盖尔多项式的权值和根，ηm和分别表示第m阶拉盖尔多项式的权值和根，ηn和分别表示第n阶拉盖尔多项式的权值和根。
[0049]
同理，远端车辆v2的条件pep表达式为：
[0050][0051]
其中，pep表示信号x被错传为的概率；d
1,2
表示近端车辆v1到远端车辆v2的距离；
[0052]
把公式(9)代入公式(16)并进一步化简，可以将远端车辆v2的条件pep表达式重新表示为：
[0053][0054]
其中，
[0055][0056]
为了进一步获得远端车辆v2的无条件pep表达式，需对信道h
p,v2
,h
v1,v2
所有可能的值进行平均；考虑信道增益h
p,v2
,h
v1,v2
服从α-μ衰落信道，其pdf表示为：
[0057][0058]
其中，ω
i,v2
＝|h
i,v2
|，
[0059]
将公式(18)带入公式(17)得到远端车辆v2的无条件pep如公式(19)所示：
[0060][0061]
同理，用拉盖尔近似的方法获得远端车辆v2的pep渐进表达式：
[0062][0063]
其中ηk和分别表示第k阶拉盖尔多项式的权值和根，η
t
和分别表示第t阶拉盖尔多项式的权值和根。
[0064]
与现有技术相比本发明具有以下优点：
[0065]
(1)与一般技术方案相比，本发明考虑了v2x通信中认知无线网络次网络功率受限的情况。
[0066]
(2)综合考虑v2x通信过程车辆的快速移动和由于信道快速变化而导致信道过时特性的影响。
[0067]
(3)可为实际非理想信道状态下，有效衡量v2x通信性能提供实际参考。
附图说明
[0068]
为了更清楚地说明本技术或相关技术中的技术方案，下面将对实施例或相关技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本技术的实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
[0069]
图1为本技术一个实施例的车联网系统的优化方法；
[0070]
图2为本技术一个实施例的通过预先构建的误码性能模型进行仿真方法示意图；
[0071]
图3为本技术一个实施例的车联网系统示意图；
[0072]
图4为本技术一个实施例的理想和非理想情况下两个车辆pep随p
max,c
的变化示意图；
[0073]
图5为本技术一个实施例的不同阈值下两辆车辆pep随p
max,c
的变化示意图；
[0074]
图6为本技术一个实施例的非理想情况下速度v对系统pep变化曲线的影响示意图。
[0075]
图7为本技术实施例的电子设备的示意图。
具体实施方式
[0076]
为使本技术的目的、技术方案和优点更加清楚明白，以下结合具体实施例，并参照附图，对本技术进一步详细说明。
[0077]
需要说明的是，除非另外定义，本技术实施例使用的技术术语或者科学术语应当为本技术所属领域内具有一般技能的人士所理解的通常意义。“包括”或者“包含”等类似的词语意指出现该词前面的元件或者物件涵盖出现在该词后面列举的元件或者物件及其等同，而不排除其他元件或者物件。“连接”或者“相连”等类似的词语并非限定于物理的或者机械的连接，而是可以包括电性的连接，不管是直接的还是间接的。
[0078]
为了便于理解，下面结合附图对该车辆接收信号的误码性能模型构建方法进行详
细说明。
[0079]
请参阅图1，为本技术提供的车联网系统的优化方法的流程图，该方法包括：
[0080]
s100，确定仿真参数；
[0081]
s200，基于所述仿真参数，通过预先构建的误码性能模型进行仿真，得到仿真结果；其中，所述误码性能模型是基于车联网系统的通信信道构建的；
[0082]
s300，根据所述仿真结果衡量所述车联网系统的性能。
[0083]
参阅图2，为本技术提供的预先构建的误码性能模型进行仿真的流程图，包括:
[0084]
s201，确定所述车联网系统的通信信道，并确定通信信道的干扰信号；
[0085]
s202，构建目标车辆在该通信信道下的干扰信号模型和概率密度模型；
[0086]
s203，基于所述干扰信号模型和概率密度模型，构建目标车辆的误码性能模型。
[0087]
步骤s201中，本技术考虑复杂的α-μ衰落信道和瑞利信道为通信信道，模拟车联网系统中通信信道的快速变化，更加接近车联网系统中车辆移动速度快而产生的通信信道的变化,从而更好匹配车联网系统常用cr-noma-v2x系统。
[0088]
基于α-μ衰落信道下，联合考虑非理想串行干扰删除(ipsic)、节点移动(nm)和不完全信道估计条件(ipcsi)产生的干扰信号对cr-noma-v2x系统误码性能的联合影响，在一种可选的实施方式中，获取同一发射节点发射至目标车辆的叠加信号；所需传输节点包括：一个信号发送节点和两个目的节点，即信号接收节点。
[0089]
实施例1
[0090]
发送节点发射近端车辆用户和远端车辆用户的叠加信号其中z1，z2分别为车辆v1和v2的功率分配因子，pc为基站的信号发送节点的发射功率；近端车辆用户接收到的信号除了自身需要的信号外，还包括由于ipsic、nm和ipcsi带来的影响、主网络pbs的干扰，全双工导致的自干扰和噪声的干扰，其具体表达式可被表示为公式(ⅰ)：
[0091][0092][0093]
其中，l(d
i,j
)表示大尺度衰落，g
t
和gr分别表示发射端和接收端的发射增益和接收增益，λ表示波长，d0表示对应的参考距离，d
i,j
表示节点i到节点j之间的距离，a表示路径损耗指数，hi表示全双工引起的自干扰链路这里可以被建模为瑞利衰落信道，δ'表示由于sic技术不完美导致的误差，p
p
表示pbs的发射功率，s(t)表示pbs的发射信号，为cbs
→v1
的高斯白噪声。
[0094]
在步骤s202中，构建目标车辆在该通信信道下的干扰信号模型和概率密度模型；成对错误概率(pep)被定义为信号x被错传为的概率，则车联网系统中近端车辆v1的条件pep可以表示为公式(iii)：
[0095][0096]
其中pr表示求概率，通过把公式(i)带入公式(iii)中，得到新的pep公式(iv)：
[0097][0098]
其中，服从的标准正态分布，当随机变量λ服从均值为m，方差为σ2的高斯分布，即λ～ν(m,σ2)时，可得，变量λ≤λ的概率为再结合高斯q函数的性质，q(-a)＝1-q(a),公式(iv)简化为公式(v)，得到初始误码性能模型：
[0099][0100]
其中，
[0101]
为了进一步获得近端车辆v1pep的闭合表达式，我们应该对信道h
c,v1
,h
p,v1
,hi所有可能的值进行平均。由于v2x环境的复杂性，我们考虑信道增益h
c,v1
,h
p,v1
服从α-μ衰落信道，其可以描述复杂的非几何环境且根据参数α和μ的变化可以变化为其他常见信道，其pdf可以表示为：
[0102][0103]
其中，ω
i,v1
＝|h
i,v1
|，α＞0表示非线性功率指数，μ＞0表示多路径簇的量。
[0104]
考虑信道增益hi服从瑞利分布，其pdf可以表示为：
[0105][0106]
其中，ωi＝|hi|，δ2＝ε[|h|2]，ε[
·
]表示
·
的期望。
[0107]
在步骤s203中，为了获取认知车联网系统中近端车辆无通信信道条件的pep表达式，需对通信信道h
c,v1
,h
p,v1
,hi所有可能的值进行平均，根据公式(vi)、(vii)和公式(v)，误码性能模型可计算为公式(viii)：
[0108][0109]
由于推导(viii)的闭合表达式是非常困难的，通过拉盖尔近似的方法来有效的获得其精确的渐进表达式：
[0110][0111]
其中ηs和分别表示第s阶拉盖尔多项式的权值和根，ηm和分别表示第m阶拉盖尔多项式的权值和根，ηn和分别表示第n阶拉盖尔多项式的权值和根。
[0112]
实施例2
[0113]
远端车辆用户接收到的信号由主网络发射基站pbs的干扰、近端车辆v1发射的信号两部分组成，远端车辆v2接收到的信号表示为：
[0114][0115]
其中，pv表示车辆v1的发射功率；为链路v1→v2
的高斯白噪声。
[0116]
同理，远端车辆v2的条件pep表达式为：
[0117][0118]
其中，pep表示信号x被错传为的概率；d
1,2
表示近端车辆v1到远端车辆v2的距离；
[0119]
把公式(i)代入公式(ii)并进一步化简，可以得到远端车辆v2的条件pep表达式可以重新写为：
[0120][0121]
其中，其中，
[0122]
在步骤s203中，为了获取认知车联网系统中远端车辆无通信信道条件的pep表达式，需对通信信道h
p,v2
,h
v1,v2
所有可能的值进行平均。考虑信道增益h
p,v2
,h
v1,v2
服从α-μ衰落信道，其pdf可以表示为：
[0123]
[0124]
其中，ω
i,v2
＝|h
i,v2
|，
[0125]
将公式(iv)带入公式(iii)可以得到车辆v2的无条件pep如公式(v)所示：
[0126][0127]
同理，推导车辆v2的pep闭合表达式是非常困难的，采用拉盖尔近似的方法来有效的获得其精确的渐进表达式：
[0128][0129]
其中ηk和分别表示第k阶拉盖尔多项式的权值和根，η
t
和分别表示第t阶拉盖尔多项式的权值和根。
[0130]
在一些实施例中，参考图3，信号发送节点可选为次网络中的感知基站(cbs),信号接收节点可选为认知车联网系统中次网络的近端车辆v1和远端车辆v2。基于传统的非正交多址接入(noma)系统模型，将中继协作的cr-noma技术应用到v2x系统同时考虑节点移动和不完美状态信息的联合影响，搭建matlab仿真平台对我们推导的闭合表达式进行验证，同时通过更直观的形式展示非理想因素对于系统性能的影响，为该技术的实际应用设计提供参考。作为可选方案，假设基站和每辆车都是单天线进行通信的。给每辆车发从的信号都是通过二进制相移键控(binary phase shift keying,bpsk)调制出来的，也就是说x和取1或者-1，|δ1|＝|δ2|＝2。同时，在不失一般性的情况下，各种系统参数分别被假设为：次基站cbs和近端车辆v1拥有相同的发射功率，即p
max,c
＝p
max,v1
；主基站pbs的发射功率p
max,c
＝p
max,v1
db；每辆车的功率分配因子z1＝0.3，z2＝0.7；次基站cbs到v1和v2到v2的距离d
c,v1
＝d
v1,v2
＝100m；主基站pbs到v1和v2的距离d
p,v1
＝d
p,v2
＝300m；次基站cbs和近端车辆v1到主网络车辆pv的距离d
c,pv
＝d
v1,pv
＝300m；自干扰距离di＝10m；距离d0＝100m，路径损耗指数a＝2.7，所有的收发端损耗g
t
＝gr＝20；载频fc＝1.9mhz；传输符号持续时间ts＝1ms；车速v＝10km/h；信道参数α＝2，μ＝1。仿真时我们考虑两种情况，即当车辆停止时将不存在节点移动损耗和ipcsi的影响称为理想情况，即当车辆正在行驶时存在节点移动损耗和ipcsi的影响称为非理想情况。
[0131]
作为可选方案，如图4所示，描绘了理想情况和非理想情况下近端车辆v1和远端车辆v2分别随发射功率p
max,v1
的变化曲线。假设主网络车辆pv的阈值。图中标志与实线的重合证明了我们推导表达式的正确性，除此之外，从图中我们不难看出理想情况下两辆的pep都会随着p
max,c
的增加而减小，非理想情况不仅使得两辆车的误码性能变差且在发射功率达到25db和40db以后不再随着p
max,c
的增大而变化，这说明了节点移动和ipcsi会导致每辆车的误码率性能变差，且使得其分级阶数趋于0。
[0132]
作为可选方案，如图5所示，描绘了近端车辆v1和远端车辆v2在不同阈值下分别随发射功率p
max,v1
的变化曲线。从图中我们可以观察到当阈值时，两辆车的pep性能不会一直随着p
max,c
的增加而减小，而是在p
max,c
＞30db以后就趋于定值，这是因为此时的发射功率不再等于p
max,c
而变为定值以保证不影响主网络车辆的正常通信。
[0133]
作为可选方案，如图6所示，描绘了两辆车在非理想情况下误码性能随着车辆速度v的变化曲线。假设了发射功率p
max,c
＝p
max,v1
＝40db，阈值。从图中我们不难发现随着车辆速度的增加，每辆车的误码性能也在变差。说明速度是影响系统误码性能的关键因素。
[0134]
图7示出了本实施例所提供的一种更为具体的电子设备硬件结构示意图，该设备可以包括：处理器1010、存储器1020、输入/输出接口1030、通信接口1040和总线1050。其中处理器1010、存储器1020、输入/输出接口1030和通信接口1040通过总线1050实现彼此之间在设备内部的通信连接。
[0135]
总结，本发明考虑了基于非正交多址的次网络功率受限的认知无线电系统，研究了α-μ和瑞利衰落信道环境下车辆移动所造成的信道非理想特性对系统误码性能的影响。
[0136]
本发明说明书中未作详细描述的内容属于本领域专业技术人员公知的现有技术。尽管上面对本发明说明性的具体实施方式进行了描述，以便于本技术领域的技术人员理解本发明，但应该清楚，本发明不限于具体实施方式的范围，对本技术领域的普通技术人员来讲，只要各种变化在所附的权利要求限定和确定的本发明的精神和范围内，这些变化是显而易见的，一切利用本发明构思的发明创造均在保护之列。

技术特征：
1.一种认知车联网系统误码性能的衡量方法，其特征在于：包括以下步骤：步骤1，构建认知非正交多址接入的车联网传输系统；所述认知非正交多址接入的车联网传输系统由一个主网络和一个次网络构成；主网络由一个发射基站pbs和主网络车辆pv组成；次网络由正在执行全双工协作noma的感应基站cbs，近端车辆v1和远端车辆v2组成；在次网络中，设定远端车辆v2与感应基站cbs不存在直传链路；感应基站采用非正交多址接入noma技术向近端车辆用户和远端车辆用户发送数据，同时近端车辆用户以中继协作方式辅助远端车辆用户实现可靠通信，近端车辆用户在解码自身信号时执行实际的非理想串行干扰删除ipsic，且同时考虑了车辆快速移动带来的不完美信道状态信息ipcsi和节点移动性nm对于信道的影响；步骤2，在认知非正交多址接入的车联网传输系统中，感应基站以发射功率p
c
向近端车辆用户发送包含近端车辆用户信息x1与远端车辆用户信息x2的复合信号其中z1表示近端车辆用户信息x1的功率分配系数，z2表示远端车辆用户信息x2的功率分配系数，且z1+z2＝1(z2＞z1)；信号传输将分为两个时隙进行，第一时隙和第二时隙；近端车辆用户接收到来自感应基站cbs发送的信号后，采用串行干扰消除技术先对x2进行解码，然后再对x1进行解码；只有当近端车辆用户成功解码出x1和x2的信息，则视为近端车辆用户解码成功；而近端车辆用户未成功解码出x1和x2的信息，则视为近端车辆用户解码失败；成功解码的近端车辆用户会利用sic技术对接收到的复合信号进行解码，然后将解码信号x
′2(t-τ)以功率p
v
进行发送转发给远端车辆用户，其中，τ为近端车辆用户进行解码的时延，x
′2是对x2解码后的消息；由于实际硬件能力的限制，v1解码时执行ipsic操作，即v1未能完全将x1和x2解码；远端车辆用户对来自主基站pbs和近端车辆用户的信号进行合并处理；步骤3，由于车辆的移动性，车辆之间的通信链路状态快速动态变化，会导致信道状态信息呈现过时特性，使用一阶自回归过程ar1来进行建模，用下标c,p,v1,v2,pv分别表示cbs，pbs，v1，v2和pv，其中表示i与j之间的信道系数，表示对应链路的变化分量，信道系数和e
i,j
服从联合高斯分布，对应的分布参数ρ
i,j
∈[0,1]，且被建模为jake模型，即ρ
i,j
＝j0(2πf
c
v
i,j
t
s
/c)，其中f
c
表示载频，v
i,j
表示i与j之间的相对速度，c表示光速，t
s
表示传输符号持续时间，j0(
·
)表示第一类零阶贝塞尔函数；则信道增益表示为：步骤4，在评估系统性能时考虑过时和不完美信道状态信息；采用线性最小均方误差对实际信道状态信息进行建模，表示为：结合公式(1)和公式(2)，推导出下列关系：其中，服从均值为0，方差为
的正态分布。步骤5，次网络使用主网络频谱的条件是不影响主网络车辆的通信；用阈值表示主网络车辆pv能容忍的最大干扰水平，其中p
max,κ
表示节点κ最大的传输功率；因此cbs和车辆v1的发射功率分别被限制为：步骤6，考虑实际车联网移动场景下信道的快衰落特性，采用α-μ衰落描述信道衰落特征，考虑信道增益h
c,v1
,h
p,v1
服从α-μ衰落信道，其能描述复杂的非几何环境且根据参数α和μ的变化进而调整为其他常见信道；其中ω
i,v1
＝|h
i,v1
|，α＞0表示非线性功率指数，μ＞0表示多路径簇的量；快衰落信道下的概率密度函数pdf表示为：此外，考虑全双工导致的自干扰信道h
i
服从瑞利分布，其中，ω
i
＝|h
i
|，δ2＝ε[|h|2]表示衰落功率，ε[
·
]表示
·
的期望；其pdf可以表示为：2.根据权利要求1所述的一种认知车联网系统误码性能的衡量方法，其特征在于：近端车辆v1收到的信号由感应基站cbs的发射信号，主网络发射基站pbs的干扰，以及全双工导致的自干扰三部分组成；则近端车辆v1收到的信号表示为：收到的信号表示为：其中，l(d
i,j
)表示大尺度衰落，g
t
表示发射端的发射增益，g
r
表示接收端的接收增益，λ表示波长，d0表示对应的参考距离，d
i,j
表示节点i到节点j之间的距离，a表示路径损耗指数，h
i
表示全双工引起的自干扰链路，δ'表示由于sic技术不完美导致的误差，p
p
表示pbs的发射功率，s(t)表示pbs的发射信号，为cbs
→v1
的高斯白噪声；远端车辆v2接收到的信号由主网络发射基站pbs的干扰、近端车辆v1发射的信号两部分组成，因此远端车辆v2接收到的信号表示为：
其中，p
v
表示车辆v1的发射功率；为链路v1→v2
的高斯白噪声。3.根据权利要求1所述的一种认知车联网系统性能衡量的方法，其特征在于：近端车辆v1的条件pep表示为：其中，pep表示信号x被错传为的概率；d
c,v1
表示感应基站cbs到近端车辆v1的距离；将公式(7)带入公式(10)得：将公式(7)带入公式(10)得：其中，n
*
服从的标准正态分布；标准正态分布；当随机变量λ服从均值为m，方差为σ2的高斯分布，即λ～ν(m,σ2)时，变量λ≤λ的概率为利用此性质，再结合高斯q函数的性质，q(-a)＝1-q(a)，将公式(11)化简为：其中，为了进一步获得近端车辆v1的无条件pep表达式，需对信道h
c,v1
,h
p,v1
,h
i
所有可能的值进行平均；结合公式(5)、(6)和公式(13)得到近端车辆v1的无条件pep如公式(14)所示：由于推导公式(14)的闭合表达式是非常困难的，用拉盖尔近似的方法来有效的获得其精确的渐进表达式：
其中η
s
和分别表示第s阶拉盖尔多项式的权值和根，η
m
和分别表示第m阶拉盖尔多项式的权值和根，η
n
和分别表示第n阶拉盖尔多项式的权值和根。4.根据权利要求1所述的一种认知车联网系统性能衡量的方法，其特征在于：远端车辆v2的条件pep表达式为：其中，pep表示信号x被错传为的概率；d
1,2
表示近端车辆v1到远端车辆v2的距离；把公式(9)代入公式(16)并进一步化简，远端车辆v2的条件pep表达式重新表示为：其中，其中，为了进一步获得远端车辆v2的无条件pep表达式，需对信道h
p,v2
,h
v1,v2
所有可能的值进行平均；考虑信道增益h
p,v2
,h
v1,v2
服从α-μ衰落信道，其pdf表示为：其中，ω
i,v2
＝|h
i,v2
|，将公式(18)带入公式(17)得到远端车辆v2的无条件pep如公式(19)所示：同理，用拉盖尔近似的方法获得远端车辆v2的pep渐进表达式：
其中η
k
和分别表示第k阶拉盖尔多项式的权值和根，η
t
和分别表示第t阶拉盖尔多项式的权值和根。

技术总结
本发明公开了一种认知车联网系统误码性能的衡量方法，属于无线网络安全传输技术领域。针对将中继协作的CR-NOMA技术应用到V2X系统问题，本发明建立了CR-C-NOMA-V2X的系统模型，并从误码率性能的角度出发，假设了α-μ衰落信道，推导了系统匹配错误概率的表达式并进行了仿真验证。本发明考虑了V2X通信中认知无线网络次网络功率受限的情况。综合考虑V2X通信过程车辆的快速移动和由于信道快速变化而导致信道过时特性的影响。可为实际非理想信道状态下，有效衡量V2X通信性能提供实际参考。有效衡量V2X通信性能提供实际参考。有效衡量V2X通信性能提供实际参考。


技术研发人员：李美玲 马瑞芬 黄帅博 曹国梅 贾宏云 路兆铭
受保护的技术使用者：太原科技大学
技术研发日：2023.07.06
技术公布日：2023/10/11