深度学习解决频谱感知问题

c954855512

无线电频谱资源是国家重要的战略资源、无线通信技术发展的核心资源，高效利用频谱资源是未来无
线通信的必要条件，而认知无线电可以动态利用频谱，使系统具有感知和评估可用资源的能力，降低了频
谱损耗。其中，频谱感知作为实现认知无线电的关键技术，成为研究热点[1]。
传统频谱感知算法主要包括能量检测算法、匹配滤波器检测算法、循环平稳特征检测算法等[2][3]。凭
借复杂度低和无需先验信息等优点，能量检测算法成为目前通用的感知算法。然而，由于检测受噪声影响
较大，该算法的感知性能在低信噪比下不够理想[4][5]。为此，研究者提出一些新的频谱感知算法，其中文
献[6][7]引入群智感知的激励机制，将其与协作频谱感知有效结合，提出了两种基于多任务学习的频谱感知
算法。文献[8]结合压缩采样和特征学习，将学习到的特征通过一般似然比检验进行检测。文献[9]在已知接
收信号与噪声统计协方差条件下分别提出了基于二项分布的检测算法和基于 Wilcoxon 符号秩的检测算法。
通过 LDLT 对接收信号进行矩阵分解，文献[10]分别提出了基于 OR 准则和 AND 准则的最大最小特征值检
测算法，并利用硬判决提升了判决阈值的准确率。尽管文献[6]-[10]中的算法在一定程度上提升了检测性能，
--------------------------------------------------------
但需要对判决阈值进行准确估计，而阈值的精度严重影响着频谱感知的效果。因此，不少学者提出了基于
机器学习、深度学习的频谱感知算法[11]-[14]。
文献[11]将自动编码器和支持向量机相结合，利用自动编码器提取信号特征并通过支持向量机对所获
取的特征进行分类从而得到检测结果。文献[12]对接收的信号矩阵进行了重组与分解，并利用构造的特征
向量训练 K 均值聚类分类器。文献[13]利用完整的接收信号序列训练 LSTM，最大程度保留原接收信号的
结构信息，并利用该网络对新的信号序列进行检测。文献[14]采用纯数据驱动卷积神经网络来做感知，存
在网络复杂、训练困难等问题。文献[11]-[14]表明，与传统感知算法相比，基于机器学习、深度学习的频
谱感知算法不仅可以避免预设阈值问题而且能够极大提升检测性能。尽管如此，基于机器学习、深度学习
的感知算法同样也面临着诸多挑战，例如：网络模型复杂、训练复杂度高等问题。
受上述启发，本文对接收信号进行多点均值计算处理，构造新的特征向量，搭建基于均值辅助的 LSTM
网络。该网络尽可能在保留原接收信号结构信息的基础上降低网络的训练复杂度，在训练复杂度和保留原
接收信号结构信息之间达到一个平衡。通过仿真验证，所提算法检测性能优于对比算法，在与文献[13]相
同的检测性能下，网络复杂度降低