基于机器学习的车联网可靠通信技术研究

发布时间：2022-02-13 05:44

　　车联网支持车辆与其它网络设备进行通信,能够为车辆提供相关驾驶信息,交通路况、以及多媒体业务。这些信息能够降低交通事故发生概率,提升驾驶体验。本文主要关注车辆之间安全告警信息的可靠传输问题。具体的研究成果和贡献概况如下:与普通用户相比,车辆通信环境复杂多变,车辆间通信可靠性难以保障。然而,车到车间通常传输安全告警信息,这些信息为安全驾驶提供重要参考,因此车辆间的通信时延要求严格,可靠性要求高。实验表明,城市交通环境下,车辆之间数据传输的丢失大概率由于遮挡等非视距因素导致。在车辆间的链路为非视距的情况下,车与车之间的通信需要其他车辆或者基础设施的辅助转发,以保证通信的可靠性。因此,准确识别非视距链路尤为重要。本文借助卷积神经网络算法,提出了利用信道状态信息,车辆位置信息,和信号接收强度指示作为输入向量,对链路的视距和非视距进行判定。在十字路口环境中,收集真实视距和非视距链路的信号特性作为依据,验证了提出的链路非视距识别算法的准确性。同时,将链路识别机制作为车辆间信号散播的参考依据,基于NS3搭建了车联网系统仿真平台,验证了非视距链路识别对车辆间通信可靠性的提升。其次,本文研究了车联网异常节... 

【文章来源】：西安电子科技大学陕西省211工程院校教育部直属院校

【文章页数】：95 页

【学位级别】：硕士

【部分图文】：

仿真场景示意图

图 3.14 卷积神经网络模型训练误差性能曲图我们可以看出，在使用 CSI+RSSI+链路距离作为特差收敛的下界要低于以 CSI+RSSI 作为特征的收敛下I+RSSI+链路距离作为特征进行非视距识别能够更加程度上能够证明了我们所提出机制的优越性。下面给的 RNN 模型性能对比，如下图 3.15 示：0 200 400 600 800 1000 1200 1400Epoch0.050.060.070.080.090.10.110.120.13osLCSI+RSSI

图 4.7 异常节点检测准确率率方面，VAE 具有较高的准确率，能够实虑系统中可能出现的特殊情况，即训练数据不变，这里选取正常数据作为原始训练样行采样，获取了新生成的数据并利用这部分目为 1000 时，该数据集由 500 个原始数据样本数目为 1500 时，该数据集由 500 个原面以此类推。我们使用上述数据集以及参数如下图所示：正常数据：异常数据：


本文编号：3622746