《Network》：Leveraging Neural Networks Trained with Scaled Conjugate Gradient for Enhanced VANET Performance in High-Mobility Environments
编辑推荐：
车辆自组织网络（VANET）在高移动性环境中面临显著挑战，其中动态信道条件，特别是多普勒频移（Doppler Shift, DS），会降低通信可靠性并增加延迟，从而影响安全关键应用。针对这些限制，本文提出了一种基于神经网络（NN）的链路自适应策略，采用缩放共轭
车辆自组织网络（VANET）在高移动性环境中面临显著挑战，其中动态信道条件，特别是多普勒频移（Doppler Shift, DS），会降低通信可靠性并增加延迟，从而影响安全关键应用。针对这些限制，本文提出了一种基于神经网络（NN）的链路自适应策略，采用缩放共轭梯度（Scaled Conjugate Gradient, SCG）算法进行训练。SCG作为一种二阶近似优化器，利用曲率信息产生条件良好的权重更新，特别适用于小规模、受物理约束的训练数据集。经SCG优化的模型通过将多普勒频移作为关键输入特征，动态调整传输参数以减轻DS效应，提升实时自适应能力。仿真结果表明，所提方法优于传统自动速率回退（Auto Rate Fallback, ARF）方法和SampleRate基线。具体而言，基于SCG的策略在所有测试条件下相对于ARF实现了+34.6%的整体吞吐量提升（1.77 Mbps vs. 1.32 Mbps），其中在5 Hz多普勒（0.9 km/h）下增益为+16.1%，在750 Hz（137.3 km/h）下增益为+21.7%，在1500 Hz（274.6 km/h）下增益为+35.2%，同时持续降低传输时长。正式的消融研究证实，在高移动性（DS > 900 Hz）下，仅多普勒频移特征就比仅信噪比（SNR）模型贡献了+67%至+78%的吞吐量增益。本研究的主要贡献有三方面：（i）将多普勒频移作为链路自适应的第一类输入特征显式集成；（ii）应用SCG优化在紧凑、受物理约束的数据集上快速稳定地训练轻量级前馈神经网络；（iii）通过正式消融研究隔离并量化多普勒特征的贡献，证明性能增益归因于特征工程而非神经网络架构本身。该方法为多普勒弹性VANET链路自适应提供了一种可扩展的实时解决方案。
论文解读
**研究背景与问题**
车载自组织网络（VANET）是实现智能交通系统（ITS）的关键技术，支持车辆与车辆（V2V）及车辆与基础设施（V2I）之间的直接通信。然而，在高移动性环境中，VANET面临严峻挑战，尤其是多普勒频移（Doppler Shift, DS）会破坏正交频分复用（OFDM）系统（如IEEE 802.11p）中子载波的正交性，引发载波间干扰（ICI），导致分组错误率升高、通信可靠性下降和延迟增加。传统速率自适应算法如自动速率回退（ARF）、SampleRate和Minstrel等均为反应式算法，仅在观测到分组成功或失败后才调整调制编码方案（MCS），这在高移动性场景下存在固有滞后，因为信道相干时间（T
c）短于这些算法的反应周期。因此，亟需一种能够根据实时信道状态（特别是多普勒信息）主动预测并调整传输参数的智能链路自适应策略。
**研究内容与结论**
研究人员提出了一种基于缩放共轭梯度（SCG）算法优化的前馈神经网络（FFNN）链路自适应策略。该模型将信噪比（SNR）和多普勒频移（DS）作为联合输入特征，输出最优MCS索引。通过仿真评估，该策略在IEEE 802.11p标准下所有测试条件下均优于ARF和SampleRate：总体吞吐量达1.77 Mbps，相比ARF提升34.6%，相比SampleRate提升23.8%；在高移动性（1500 Hz多普勒，约274.6 km/h）下吞吐量增益高达35.2%；传输时长降低达38.32%。消融研究证实，仅多普勒特征就在高移动性（DS > 900 Hz）下贡献了67%-78%的吞吐量增益，证明性能提升主要源于特征工程。该模型预测精度达95.81%，推理延迟仅0.028 ms，在最苛刻条件（1500 Hz多普勒）下仅占用信道相干时间的9.93%，满足实时部署需求。论文发表在《Network》。
**关键技术方法**
1. **前馈神经网络（FFNN）架构**：单隐藏层（10个神经元），输入层接收归一化的SNR和DS两个特征，隐藏层使用Sigmoid激活函数，输出层使用ReLU激活函数，输出连续MCS值后经取整和裁剪得到有效MCS索引（0-7）。网络参数仅41个，占用164字节内存。
2. **缩放共轭梯度（SCG）优化算法**：采用二阶优化方法，利用曲率信息产生条件良好的权重更新，无需线性搜索，在紧凑的物理约束数据集（120个样本）上稳定快速收敛，13个epoch达到最优均方误差（MSE）0.0087288。
3. **消融研究**：通过对比仅SNR输入与SNR+DS联合输入的模型性能，量化多普勒特征的贡献。数据集来源于V2V信道物理层仿真，包含120个样本点，每个样本包含SNR、DS和最优MCS（基于PER < 5%标准）。仿真在MATLAB中实现，采用瑞利衰落信道模型，符合城市非视距（NLOS）条件，多普勒谱采用Jakes各向同性散射模型，延迟扩展覆盖高速公路、郊区和密集城市环境。
**研究结果**
**6.1 仿真设置**：仿真采用三层嵌套循环结构：外层循环遍历三个多普勒值（5 Hz、750 Hz、1500 Hz），中层循环遍历15个SNR值（2 dB至30 dB，步长2 dB），内层循环在每个（DS, SNR）组合下执行6次独立运行，每次运行传输16个分组。所有方法（ARF、NN、SampleRate）在同一信道条件下评估。总仿真实例数810个，每种方法产生4320个分组评估。
**6.2 实时部署可行性**：测量推理延迟为0.028 ms/决策，在1500 Hz多普勒（T
c = 0.282 ms）下仅占用9.9%的相干窗口，最坏情况下端到端决策时间约0.044–0.052 ms，仍远小于T
c。网络41个参数仅需164字节存储。
**6.3 数据集描述与预处理**：数据集包含120个样本，每个样本包含SNR、DS和最优MCS（基于PER < 5%标准）。数据按70%训练、15%验证、15%测试划分，并进行特征归一化。数据分析显示SNR与MCS正相关，DS限制高MCS可达性，最优MCS由SNR和DS联合决定。
**6.4 训练与验证性能**：SCG优化器在13个epoch达到MSE最小值0.0087288，验证误差随后开始上升，确认13个epoch为最优停止点。梯度单调下降，验证检查在19个epoch触发早停。模型在测试和验证集上预测精度达95.81%。
**6.5 性能指标与比较分析**：SCG策略在低移动性（5 Hz）下ARF略有优势；在中等移动性（750 Hz）和高移动性（1500 Hz）下SCG在所有SNR范围内实现最高吞吐量和最低传输时长。SCG总体吞吐量1.77 Mbps，优于ARF（+34.6%）和SampleRate（+23.8%）。SCG的吞吐量优势随多普勒严重程度单调增加：+16.1% at 5 Hz, +21.7% at 750 Hz, +35.2% at 1500 Hz。SCG总体吞吐量0.64 Mbps，远超ETSI ITS-G5安全消息数据率要求（1.6–6.4 kbps）。
**6.6 性能与比较分析**：SCG在总体分组成功数（1547 vs. 1365）和总体吞吐量上均优于SampleRate。在750 Hz和1500 Hz下SCG的吞吐量增益显著，尽管分组成功数略低于ARF，但通过选择更高MCS实现了更高信息传递率。
**6.7 消融研究：多普勒特征的贡献**：在DS = 5 Hz时，SNR-only模型与SNR+DS模型性能等效；在750 Hz和1500 Hz下，SNR-only模型因缺乏多普勒感知而过高估计信道可靠性，导致较高PER和较低吞吐量。SNR+DS模型在750 Hz和1500 Hz下分别实现+67%和+78%的吞吐量增益，证明多普勒特征是性能提升的关键。
**6.8 结果讨论**：仿真结果验证了架构选择的合理性。10神经元架构足以捕获SNR和DS联合关系，更深架构不会实质改善性能且会引入延迟和过拟合风险。SCG-FFNN选定较高MCS以在瞬时有利信道窗口最大化比特传递，接受适度PER提升，这是针对移动性约束信道的刻意设计。
**总结与讨论部分翻译**
**7. 结论**：本研究提出了针对VANET高移动性环境下多普勒频移挑战的鲁棒高效解决方案。通过将浅层前馈神经网络与SCG优化算法集成，开发了一种基于实时信道状态动态选择最优MCS的链路自适应策略。关键实证发现（经IEEE 802.11p理论界限验证）如下：
- **吞吐量**：基于SCG的模型总体吞吐量1.77 Mbps，相比ARF（1.32 Mbps）提升34.6%，相比SampleRate（1.43 Mbps）提升23.8%；条件特定增益在5 Hz下为+16.1%，750 Hz（137 km/h）下为+21.7%，1500 Hz（274 km/h）下为+35.2%。
- **传输时长**：在所有移动性场景下持续降低，最大降幅达38.3%，确保安全关键消息更快传递。
- **消融研究**：在DS > 900 Hz下，仅多普勒特征相比仅SNR模型提供+67%至+78%的吞吐量增益，正式确认性能提升源于特征工程选择。
- **预测精度**：SCG优化器在13个epoch达到95.81%预测精度，验证了其在紧凑领域特定数据集上进行物理约束训练的适用性。
- **实时可行性**：0.028 ms推理延迟在1500 Hz多普勒下最多占用信道相干时间的9.93%，确认了在车载单元（OBU）上部署的可行性。41参数网络仅需164字节RAM。
未来工作将拓展VANET-LA数据集以支持更多数据密集型机器学习方法（梯度提升机、支持向量机、强化学习）；通过Veins/SUMO集成显式MAC层仿真；纳入5G NR V2X的3GPP信道模型；研究多普勒估计误差对自适应性能的影响。
