基于深度學(xué)習(xí)的認(rèn)知物聯(lián)網(wǎng)頻譜感知算法研究

王安義，王文龍，梁 艷

(西安科技大學(xué) 通信與信息工程學(xué)院，陜西 西安 710054)

0 引言

隨著物聯(lián)網(wǎng)(Internet of Things, IoT)時(shí)代的到來,物聯(lián)網(wǎng)設(shè)備數(shù)量急劇增加[1],頻譜資源短缺等問題顯現(xiàn)出來,并且頻譜資源是有限且無可替代的[2],即頻譜資源的緊缺是制約物聯(lián)網(wǎng)發(fā)展的主要原因之一。物聯(lián)網(wǎng)中物-物之間的聯(lián)系需要無線頻譜的支撐,而固定的頻譜分配方式顯然滿足不了極速增長的頻譜需求。因此,認(rèn)知無線網(wǎng)絡(luò)(Cognitive Radio Network,CRN)的出現(xiàn)有效解決了物聯(lián)網(wǎng)中存在的頻譜短缺問題[3],在主用戶(Primary User,PU)占用頻段進(jìn)行通信的前提下[4],次用戶(Secondary User,SU)能夠感知到頻譜中哪些頻帶沒有被占用。認(rèn)知無線電系統(tǒng)的主要優(yōu)勢(shì)是能夠根據(jù)當(dāng)時(shí)的頻譜占用情況選擇最恰當(dāng)?shù)耐ㄐ欧绞健６l譜感知就是認(rèn)知無線電的分支之一,是根據(jù)SU接收的實(shí)時(shí)信息,來感知頻段有沒有被PU占用。

目前物聯(lián)網(wǎng)中傳統(tǒng)頻譜感知方法主要有匹配濾波檢測(cè)[5]、能量檢測(cè)[6]以及循環(huán)平穩(wěn)特征檢測(cè)[7]等,但傳統(tǒng)方法存在檢測(cè)門限難以確定的缺陷。Awe等[8]、Bao等[9]和陳思吉等[10]提出的基于支持向量機(jī)(Support Vector Machine,SVM)頻譜感知方法能夠?qū)π盘?hào)與噪聲進(jìn)行分類識(shí)別,但該方法也存在需要求解特征參數(shù)、感知的時(shí)間長等缺陷。Liu等[11]、Lee等[12]和張孟伯等[13]所提的方法是將傳統(tǒng)卷積神經(jīng)網(wǎng)絡(luò)(Convolutional Neural Network, CNN)用于處理頻譜感知問題,將接收信號(hào)轉(zhuǎn)換成二維矩陣并進(jìn)行歸一灰度化處理,作為傳統(tǒng)CNN的數(shù)據(jù)集,該方法通過訓(xùn)練CNN提取圖像的特征,將在線數(shù)據(jù)輸入訓(xùn)練完成的網(wǎng)絡(luò)中進(jìn)行頻譜感知。該方法的優(yōu)點(diǎn)在于不用考慮求解特征參數(shù)以及檢測(cè)門限,但是存在由于網(wǎng)絡(luò)結(jié)構(gòu)簡(jiǎn)單而導(dǎo)致對(duì)特征圖信息利用率低下且提取的特征信息有限等缺陷,從而導(dǎo)致感知性能差。Lee等[12]、蓋建新等[14]所提的方法是用神經(jīng)網(wǎng)絡(luò)來處理融合各個(gè)SU的接收信號(hào),協(xié)作頻譜感知系統(tǒng)應(yīng)用于深度協(xié)作感知系統(tǒng)中,顯著提升了惡劣感知條件下的頻譜感知性能,但是其在傳輸SU的接收信號(hào)時(shí)會(huì)耗費(fèi)大量的系統(tǒng)資源和網(wǎng)絡(luò)流量,造成不必要的資源浪費(fèi)。

針對(duì)上述文獻(xiàn)提出方法所存在的問題,本文提出了基于改進(jìn)殘差網(wǎng)絡(luò)(Residual Network, ResNeXt)[15]的頻譜感知方法。該方法將頻譜感知問題轉(zhuǎn)化成圖像二分類問題[16],利用殘差結(jié)構(gòu)提取灰度圖像的高層次特征值,完成頻譜感知。在單節(jié)點(diǎn)頻譜感知基礎(chǔ)上,本文提出的基于深度學(xué)習(xí)的協(xié)作頻譜感知算法將各個(gè)SU得到的評(píng)分向量輸入“軟組合網(wǎng)”[17]訓(xùn)練直接學(xué)習(xí)最佳的融合規(guī)則,與傳統(tǒng)的協(xié)作頻譜感知系統(tǒng)采用特定的融合規(guī)則(組合來自分布式節(jié)點(diǎn)的決策信息)不同,相比傳統(tǒng)的協(xié)作頻譜感知方法有很大的性能提高。

1 系統(tǒng)模型

在物聯(lián)網(wǎng)無線認(rèn)知網(wǎng)絡(luò)中,可以根據(jù)PU的空閑或繁忙狀態(tài),在SU處的信號(hào)檢測(cè)可表示為:

(1)

式中:H0表示PU沒有占用頻譜,H1表示PU占用頻譜,y(n)表示SU的接收樣本,n表示信號(hào)樣本的長度,s(n)表示PU的發(fā)射信號(hào),h表示假定在感測(cè)周期內(nèi)保持不變的信道增益,本文選擇瑞利信道來仿真城市物聯(lián)網(wǎng)環(huán)境的無線信道環(huán)境;w(n)表示均值為0且方差為σ2的高斯分布噪聲。

本文將頻譜感知看作是一個(gè)圖像二分類問題,H0和H1分別表示為圖像二分類的結(jié)果。檢測(cè)概率(Pd)以及虛警概率(Pf)均作為頻譜感知性能好壞的指標(biāo)。Pd表示當(dāng)出現(xiàn)PU信號(hào)占用頻譜時(shí),SU正確感知到PU信號(hào)存在的概率;Pf表示當(dāng)PU信號(hào)沒有占用頻譜時(shí),SU感知成PU信號(hào)占用頻譜的概率。Pd和Pf分別表示為:

(2)

一個(gè)好的檢測(cè)網(wǎng)絡(luò)需要同時(shí)實(shí)現(xiàn)高Pd和低Pf。

2 基于改進(jìn)殘差神經(jīng)網(wǎng)絡(luò)的單節(jié)點(diǎn)頻譜感知算法

針對(duì)認(rèn)知物聯(lián)網(wǎng)環(huán)境在低噪比(Signal to Noise Ratio, SNR)下感知性能差的問題,本文設(shè)計(jì)了基于ResNeXt的頻譜感知算法,模型如圖1所示。該算法由數(shù)據(jù)處理、模型訓(xùn)練和模型感知3個(gè)階段構(gòu)成。首先,PU信號(hào)發(fā)射機(jī)發(fā)射QPSK信號(hào),接收端接收到的信號(hào)為:

圖1 頻譜感知模型Fig.1 Spectrum sensing model

s(n)=I(n)+jQ(n),

(3)

式中:I(n)、Q(n)分別表示SU接收到的I、Q兩路信號(hào)。對(duì)接收端采樣得到信號(hào)樣本值為:

y(n)={y1,y2,y3,yi,…,yn},

(4)

式中:yi表示信號(hào)樣本y的第i個(gè)采樣值,i= 1,2, …,n,n為采樣信號(hào)樣本長度,把采樣信號(hào)分割成K行、n/K列的二維矩陣。隨之,對(duì)其歸一灰度化處理轉(zhuǎn)成灰度圖,作為神經(jīng)網(wǎng)絡(luò)訓(xùn)練的數(shù)據(jù)集。

2.1 數(shù)據(jù)預(yù)處理

本文選擇的瑞利信道仿真出在城市物聯(lián)網(wǎng)環(huán)境中的無線信道。信號(hào)進(jìn)行串并轉(zhuǎn)換,通過瑞利衰落信道和加性高斯白噪聲(Additive White Gaussian Noise, AWGN),最終得到有信號(hào)的接收信號(hào),白噪聲(White Gaussian Noise, WGN)作為無信號(hào)的接收信號(hào)。對(duì)接收信號(hào)進(jìn)行一系列處理,得到I、Q兩路信號(hào),共同組成原始數(shù)據(jù)集,即:s(n)=I(n)+jQ(n)。對(duì)I、Q兩路信號(hào)的n個(gè)采樣點(diǎn)轉(zhuǎn)化成二維數(shù)據(jù)可得到K行n/K列的矩陣XI與XQ,其表達(dá)式分別為:

(5)

(6)

隨后把XI和XQ通過式(7)進(jìn)行歸一化:

(7)

歸一化后的大小用灰度值來表示,并將歸一化灰度處理后的XI與XQ作為ResNeXt頻譜感知模型的輸入。

2.2 改進(jìn)殘差網(wǎng)絡(luò)模型結(jié)構(gòu)

本文提出的ResNeXt主要借鑒的是殘差網(wǎng)絡(luò)(ResNet)的堆疊操作和Inception的拆分-變換-合并操作。基本構(gòu)建塊如圖2所示。圖2(a)為ResNet的基本構(gòu)建塊,圖2(b)為ResNeXt的基本構(gòu)建塊,這2個(gè)構(gòu)建塊的復(fù)雜度相同,但采用ResNeXt基本構(gòu)建塊網(wǎng)絡(luò)結(jié)構(gòu)更加模塊化,只要設(shè)置少量超參數(shù),網(wǎng)絡(luò)準(zhǔn)確度更高[11]。其中,X表示基本塊中的一個(gè)關(guān)鍵超參數(shù),被稱為“cardinality”。本文選擇X=3意味著ResNeXt中每個(gè)基本塊中有32個(gè)分支。這個(gè)數(shù)值可以根據(jù)具體的模型配置和需求進(jìn)行調(diào)整,以控制模型的復(fù)雜度和性能。ResNet是由一系列殘差模塊(Residual Learning Module, RLM)組成的。一個(gè)RLM結(jié)構(gòu)包含3個(gè)卷積層,其輸入為x,經(jīng)過殘差塊運(yùn)算得到輸出F(x),H(x)是這兩部分之和,即:

(a)ResNet

(b)ResNeXt

H(x)=F(x)+x,

(8)

此過程可緩解訓(xùn)練過程中的收斂問題。

本文提出的改進(jìn)殘差神經(jīng)網(wǎng)絡(luò)設(shè)計(jì)由輸入層、卷積層(Conv)、RLM、全連接層、分類標(biāo)簽和捷徑連接組成。ResNeXt通過捷徑連接能夠映射到更深網(wǎng)絡(luò),有效避免了梯度消失。解決了傳統(tǒng)CNN頻譜感知方法對(duì)特征信息利用率低且提取的有用信息有限等問題[8-10]。

本文設(shè)計(jì)的ResNeXt結(jié)構(gòu)參數(shù)如表1所示。其中,在每個(gè)卷積層后面都加了個(gè)批處理規(guī)范化層(Batch Normalization, BN)層和ReLU,其BN層主要作用有:① 節(jié)省網(wǎng)絡(luò)的訓(xùn)練時(shí)間;② 既能防止梯度爆炸又能避免梯度消失;③ 避免出現(xiàn)過擬合情況。

表1 ResNeXt結(jié)構(gòu)參數(shù)

2.3 改進(jìn)殘差網(wǎng)絡(luò)頻譜感知算法

一般情況下,頻譜感知的檢測(cè)算法可以表示為:

DRs(y)=argmax(fL(fL-1(fL-2(…f1(y))))),

(9)

式中:輸入y為接收樣本的向量,通過由L層組成的ResNeXt神經(jīng)網(wǎng)絡(luò)進(jìn)行處理;fi,i=1,2,…,L-1為第i層的權(quán)重和激活函數(shù)的計(jì)算,fL為給出2個(gè)假設(shè)概率的Softmax函數(shù),argmax為返回列表中最大數(shù)的索引的運(yùn)算符。

假設(shè)卷積層的卷積核的非線性函數(shù)為H(·),則經(jīng)過卷積層輸出(殘差層輸入)為:

F0=H(Wyi),

(10)

式中:W、F0分別表示網(wǎng)絡(luò)權(quán)重參數(shù)和卷積層輸出,yi表示輸入的第i張灰度圖像。

ResNeXt神經(jīng)網(wǎng)絡(luò)通過捷徑連接緣故,可以從淺層l到深層L的學(xué)習(xí)特征,經(jīng)過殘差層里的卷積層、激活函數(shù)等操作,提取灰度圖像數(shù)據(jù)的特征,Fl表示為:

Fl=HRLM,l(Fl-1)=HRLM,l(HRLM,l-1(…HRLM,1(F0)…))l≥1,

(11)

式中:HRLM,l為第l個(gè)RLM的非線性操作函數(shù)。

輸入樣本經(jīng)過所有的RLM特征提取后的FL表示為:

FL=HRLM,L(Fl-1)。

(12)

最后,利用Fc中Softmax函數(shù)對(duì)接收樣本進(jìn)行分類,進(jìn)而檢測(cè)出頻譜感知的結(jié)果(H0或H1)。輸入輸出的映射圖滿足:

(13)

(14)

(15)

(16)

且滿足

(17)

3 基于深度學(xué)習(xí)的協(xié)作頻譜感知算法

由于單節(jié)點(diǎn)頻譜感知方法容易遇到低SNR和隱藏終端的情況,因此,采用單節(jié)點(diǎn)檢測(cè)的檢測(cè)結(jié)果作為最后的結(jié)果顯然是不可靠的。傳統(tǒng)協(xié)作頻譜感知算法的硬判決融合是把各個(gè)SU頻譜感知結(jié)果傳送至融合中心,雖可以節(jié)省傳輸信道帶寬,但存在判斷誤差大、檢測(cè)精度低等問題。傳統(tǒng)軟判決融合是將SU感知的數(shù)據(jù)傳輸?shù)饺诤现行?檢測(cè)性能相對(duì)硬判決融合提升了很多,但需要的傳輸帶寬大。

本文采用的協(xié)作頻譜網(wǎng)絡(luò)為文獻(xiàn)[12]提出的融合中心SoftCombinationNet (SCN)網(wǎng)絡(luò),由3個(gè)全連接層組成,如圖3所示。

圖3 協(xié)作頻譜感知簡(jiǎn)圖Fig.3 Schematic diagram of collaborative spectrum sensing

前2個(gè)全連接層分別是32個(gè)節(jié)點(diǎn)和8個(gè)點(diǎn),所用的激活函數(shù)為ReLU函數(shù),第3個(gè)全連接層有2個(gè)節(jié)點(diǎn),激活函數(shù)為Softmax函數(shù)。本文提出的基于深度學(xué)習(xí)的協(xié)作頻譜感知方法,先通過基于ResNeXt的單節(jié)點(diǎn)頻譜感知算法獲得SU的感知結(jié)果(2個(gè)假設(shè)H0和H1的評(píng)分向量pθ(xk))。把各個(gè)SU將得到的評(píng)分向量傳送至網(wǎng)絡(luò)模型中進(jìn)行訓(xùn)練,通過網(wǎng)絡(luò)的全連接層對(duì)各個(gè)SU頻譜感知結(jié)果進(jìn)行特征提取。在特征提取后,按照一定的權(quán)重對(duì)提取的特征進(jìn)行加權(quán)平均融合,這些權(quán)重可以通過訓(xùn)練學(xué)習(xí)得到,并且在SCN網(wǎng)絡(luò)輸出層上應(yīng)用Softmax函數(shù)對(duì)融合后的特征進(jìn)行進(jìn)一步處理得到協(xié)作頻譜感知的最終結(jié)果。整個(gè)網(wǎng)絡(luò)的參數(shù)通過監(jiān)督學(xué)習(xí)的方式進(jìn)行訓(xùn)練,使用帶有標(biāo)簽的訓(xùn)練數(shù)據(jù)進(jìn)行優(yōu)化。訓(xùn)練的目標(biāo)是最小化預(yù)測(cè)輸出與真實(shí)標(biāo)簽之間的誤差,以使網(wǎng)絡(luò)能夠?qū)W習(xí)到最佳的軟融合策略。與傳統(tǒng)的協(xié)作頻譜感知的SU的決策信息方式不同,本文將各個(gè)SU頻譜感知得到的評(píng)分向量矩陣作為深度學(xué)習(xí)模型SCN的輸入,經(jīng)過訓(xùn)練能夠直接獲得最好的融合規(guī)則,不用人工去設(shè)置融合規(guī)則,降低了系統(tǒng)消耗成本。協(xié)作頻譜感知的流程如圖4所示。

圖4 協(xié)作頻譜感知流程Fig.4 Flowchart of collaborative spectrum sensing

4 實(shí)驗(yàn)仿真與結(jié)果分析

4.1 數(shù)據(jù)集生成

在Matlab中生成PU信號(hào)為QPSK信號(hào)和純?cè)肼?均值為0、方差為1的WGN),共同組成本文所需的數(shù)據(jù),并將其劃分成訓(xùn)練和測(cè)試的數(shù)據(jù)集,在接收端的信號(hào)是采樣點(diǎn)數(shù)值為N的I、Q兩路信號(hào),將I、Q兩路信號(hào)轉(zhuǎn)化成K行n/K列的二維矩陣且歸一灰度化進(jìn)行處理。本節(jié)實(shí)驗(yàn)采用的瑞利信道為模擬城市物聯(lián)網(wǎng)的通信環(huán)境。訓(xùn)練時(shí)網(wǎng)絡(luò)中的參數(shù)設(shè)置按初始化隨機(jī)高斯分布,損失函數(shù)采用的是交叉熵誤差函數(shù),訓(xùn)練方法采用的是SGDM優(yōu)化器。其中,動(dòng)量因子設(shè)置為0.9,學(xué)習(xí)率設(shè)置為0.01。本文在SU接收信號(hào)的SNR在-20～0 dB變化,取間距為1 dB。每種SNR下選取500組信號(hào)數(shù)據(jù),共21 000個(gè)信號(hào)為PU占據(jù)頻譜的訓(xùn)練集,共選取21 000組WGN信號(hào)為PU沒有占據(jù)頻譜的訓(xùn)練集。每個(gè)SNR下選取100個(gè)樣本作為測(cè)試數(shù)據(jù)。

4.2 算法的性能分析

本文通過多個(gè)實(shí)驗(yàn)來分析基于ResNeXt網(wǎng)絡(luò)的頻譜感知方法的性能。

實(shí)驗(yàn)1:訓(xùn)練的次數(shù)對(duì)于頻譜感知性能的影響

Pd與神經(jīng)網(wǎng)絡(luò)訓(xùn)練次數(shù)的關(guān)系如圖5所示。

圖5 檢測(cè)概率收斂情況Fig.5 Convergence of detection probability

由圖5可以看出,當(dāng)神經(jīng)網(wǎng)絡(luò)的訓(xùn)練次數(shù)少于30次時(shí),本文的頻譜感知算法的Pd波動(dòng)比較大;當(dāng)神經(jīng)網(wǎng)絡(luò)的訓(xùn)練次數(shù)超過40次時(shí),Pd一直穩(wěn)定在0.97左右。因此,模型訓(xùn)練次數(shù)選擇40。

實(shí)驗(yàn)2:采樣點(diǎn)數(shù)對(duì)ResNeXt頻譜感知性能的影響

在進(jìn)行頻譜感知過程中,通過對(duì)PU的接收信號(hào)的采樣不同點(diǎn)數(shù)。為驗(yàn)證采樣點(diǎn)數(shù)的不同會(huì)對(duì)ResNeXt頻譜感知的性能產(chǎn)生影響。本實(shí)驗(yàn)分別以采樣點(diǎn)數(shù)64、200、400、900、1 600為例,驗(yàn)證分析采樣點(diǎn)數(shù)對(duì)頻譜感知的性能影響,如圖6所示。

圖6 感知準(zhǔn)確率隨采樣點(diǎn)數(shù)的變化Fig.6 The change of sensing accuracy with the number of sampling points

由圖6可以看出,隨著采樣點(diǎn)數(shù)的增加,頻譜感知準(zhǔn)確率總體先增加然后趨于平穩(wěn)。當(dāng)SNR= -14 dB,采樣點(diǎn)數(shù)為61、200、400、900、1 600時(shí),頻譜感知的準(zhǔn)確率分別為61%、93.5%、93.8%、93.2%、93.6%。因此,對(duì)接收信號(hào)采樣點(diǎn)不需要太多,采樣點(diǎn)過低,可能導(dǎo)致采取的信息量不夠準(zhǔn)確,造成準(zhǔn)確率降低。采樣點(diǎn)選擇過多,反而會(huì)增加模型的負(fù)擔(dān),增加訓(xùn)練時(shí)長。因此,本文選擇采樣點(diǎn)數(shù)200最為合適。

實(shí)驗(yàn)3:本文方法與傳統(tǒng)能量檢測(cè)算法、SVM、CNN、ResNet算法的頻譜感知精度對(duì)比本節(jié)實(shí)驗(yàn)的SNR在-20～0 dB以1 dB為間隔。測(cè)試時(shí),每種SNR下取SU測(cè)得的100個(gè)信號(hào)數(shù)據(jù)為測(cè)試樣本數(shù)據(jù)。低SNR下的信號(hào)比高SNR下的信號(hào)缺少特征信息,信號(hào)失真更為嚴(yán)重,圖7給出了5種頻譜感知算法在各個(gè)SNR下的檢測(cè)概率。可以看出,當(dāng)SNR<-10 dB時(shí),在檢測(cè)概率方面ResNeXt與其他頻譜感知算法相比更高。比如在SNR=-18 dB的情況下ResNeXt、ResNet、CNN、SVM和能量檢測(cè)單位檢測(cè)概率分別為92.1%、86%、72.3%、58%和0。傳統(tǒng)能量檢測(cè)算法在低SNR的情況下識(shí)別不出是否存在信號(hào),但本文算法在較低SNR的環(huán)境下仍然有很好的檢測(cè)準(zhǔn)確率,性能增益更加明顯。可以看出,本文算法的性能增益在低SNR的情況下明顯優(yōu)于ResNet、CNN、SVM和能量檢測(cè)算法。ResNeXt性能比ResNet好的緣故是ResNeXt殘差網(wǎng)絡(luò)只需要設(shè)置少量超參數(shù)且高度模塊化,模型參數(shù)相對(duì)較少,降低了模型復(fù)雜度。

圖7 各種頻譜感知方法在不同SNR的PdFig.7 Pd of various spectrum sensing methods under different SNR conditions

虛警概率同樣也是驗(yàn)證頻譜感知性能的指標(biāo)之一。本文通過統(tǒng)計(jì)和記錄多次實(shí)驗(yàn)中的虛警概率及其對(duì)應(yīng)的檢測(cè)概率來驗(yàn)證本文的頻譜感知方法的性能,得到了5種頻譜感知方法的受試者工作特征(Receiver Operating Characteristic, ROC)曲線。

SNR=12 dB時(shí)5種算法的ROC曲線如圖8所示。在Pf固定時(shí),本文提出的頻譜感知方法的Pd高于CNN、SVM方法。例如,在Pf為0.1時(shí),ResNeXt、ResNet、CNN、SVM、能量檢測(cè)算法的Pd分別為0.96、0.92、0.75、0.46、0。其原因是ResNeXt 頻譜感知方法只需設(shè)置少量參數(shù)就能使用殘差學(xué)習(xí)訓(xùn)練提取信號(hào)的淺層和深層的特征,更好地提升了頻譜感知模型的特征提取性能。

圖8 ROC曲線Fig.8 ROC curves

實(shí)驗(yàn)4:比較使用本文方法在不同認(rèn)知用戶個(gè)數(shù)與傳統(tǒng)協(xié)作頻譜感知方法檢測(cè)性能最高的邏輯或(LO)融合準(zhǔn)則

協(xié)作頻譜感知系統(tǒng)的收斂情況如圖9所示。

圖9 協(xié)作頻譜感知系統(tǒng)的收斂情況Fig.9 Convergence of cooperative spectrum sensing systems

在協(xié)作頻譜感知網(wǎng)絡(luò)中,損失值和準(zhǔn)確率是2個(gè)重要的指標(biāo),用于衡量模型的性能。通常情況下,希望模型的準(zhǔn)確率越高越好,損失值越小越好。從圖9可以看出,經(jīng)過2輪訓(xùn)練就可以達(dá)到高準(zhǔn)確率和低損失函數(shù),說明該神經(jīng)網(wǎng)絡(luò)經(jīng)過短時(shí)間訓(xùn)練就可以達(dá)到很好的性能,用該神經(jīng)網(wǎng)絡(luò)代替融合提高了頻譜感知的性能。

基于深度學(xué)習(xí)的協(xié)同檢測(cè)系統(tǒng)的性能增益如圖10所示。

圖10 基于深度學(xué)習(xí)的協(xié)同檢測(cè)系統(tǒng)的性能增益Fig.10 Performance gain of collaborative detection system based on deep learning

本節(jié)實(shí)驗(yàn)考慮了2、3、4個(gè)節(jié)點(diǎn)的3個(gè)協(xié)同系統(tǒng),并將其與傳統(tǒng)協(xié)作頻譜感知準(zhǔn)確率最好的LO規(guī)則融合準(zhǔn)則做比較,描述了協(xié)同傳感方案的檢測(cè)性能。對(duì)比本文(SCN)方法和LO的性能,由圖10可以看出,在實(shí)際SNR范圍內(nèi),即Pd大于90%時(shí),SCN實(shí)現(xiàn)了與LO幾乎相同的Pd,但Pf顯著降低,從而證明了本文方法的優(yōu)越性。

5 結(jié)束語

本文提出了基于ResNeXt的單節(jié)點(diǎn)頻譜感知方法,解決了傳統(tǒng)CNN依靠網(wǎng)絡(luò)深度、過深的網(wǎng)絡(luò)引起梯度消失導(dǎo)致頻譜感知低下等問題。結(jié)果表明,與傳統(tǒng)的頻譜感知方法相比,該神經(jīng)網(wǎng)絡(luò)在低SNR的檢測(cè)性能顯著提高,并且提出的基于深度學(xué)習(xí)的協(xié)作頻譜感知方案的SCN來利用分布式SU節(jié)點(diǎn)的軟信息。該方案能夠同時(shí)實(shí)現(xiàn)高Pd和低Pf,頻譜感知算法性能提升明顯,解決了傳統(tǒng)硬融合方法檢測(cè)性能低、軟融合數(shù)據(jù)量大、處理復(fù)雜等問題。