基于GRNN的协作车联网的中断性能预测

针对车联网通信系统，为了提升系统的传输性能，建立多中继多天线协作车联网模型，并设计了一种基于广义回归神经网络(GRNN)的中断概率预测算法。通信链路服从级联Nakagmi-m分布，中继使用混合译码放大转发(HDAF)协议，目的端运用等增益合并。针对多天线，设计天线选择方案，并推导出中断概率表达式；进而构建预测中断概率的数据集，建立GRNN模型。实验结果表明，信道级联、HDAF协议和等增益合并能够提升中断性能，GRNN能有效实现中断概率的预测。

车联网(Internet of Vehicle, IoV)是5G 技术主要的应用场景之一，已经成为智能交通系统的重要组成部分[1]。由于IoV 通信信道动态的随机性和多变性，通信链路传输的可靠性面临挑战[2]。为了缓解这些因素带来的影响并提高可靠性，有研究提出在IoV 中引入中继，来实现协作传输[3]。中断概率(Outage Probability, OP)能够判断无线链路的传输质量，因此如果能够有效分析和预测OP 将能够有效提升系统性能。

中继的协作方式和所选取的信道模型是提升协作车联网(Cooperative Vehicular Network, CVN)系统传输性能的两个重要方面[4] [5] [6] [7]。文献[4]研究了Nakgami-m 信道下，采用译码转发(Decode Forward, DF) 中继协作的IoV 通信系统，并推导出OP 的闭合表达式。文献[5]针对城市场景，采用双Nakagami衰落信道模型，结合放大转发(Amplify Forward, AF)协议，研究了CVN 系统的OP 性能。文献[6]利用接收信噪比的累积分布函数(Cumulative Distribution Function, CDF)，研究了N-Nakagami 信道下直连链路通信系统性能。

在此基础上， 文献[7]在目的端采用选择合并(Selection Combing, SC)的方法， 进一步得到CVN通信系统下N-Nakagami 的OP 表达式，结果表明能够通过改变级联阶数N 使信道模型更贴合现实场景。

考虑到在信道条件较差时，为降低噪声对传输性能的影响，本文结合AF 与DF 的优缺点，在不同接收信噪比下使用混合译码放大转发(Hybrid Decode-Amplify Forward, HDAF)协议。此外，以上文献在接收端对信号的处理均采用选择合并(Selection Combing, SC)，为进一步提升传输性能，本文在采用等增益合并(Equal Gain Combining, EGC)技术进行信号的接收。

将多输入多输出(Multiple Input Multiple Output, MIMO)技术应用于协作中继系统中也能提高系统的传输可靠性[3]。但MIMO 技术也增加了系统的硬件复杂度和OP 公式推导的困难度。针对此问题，文献[8]研究了2-Nakagami 衰落信道中MIMO 车联网系统的中断性能，并提出了两种场景下的天线选择(Antenna Selection, AS)方案。

实验结果表明与单输入单输出(Simple Input Simple Output, SISO)车联网系统相比，MIMO 的引入能有效提高系统的中断性能、误码率和遍历容量。文献[9]研究了瑞利衰落信道下， DF 协作车联网系统中不同场景下的AS 方案。

但是以上研究并没有对HDAF 协作方式进行分析， 且未对OP 进行预测。

目前深度学习(Deep Learning, DL)因自学习的能力已经成功运用在IoV 场景中。DL 能够从复杂的原