認知無線電頻譜感知技術研究綜述

關鍵詞：頻譜感知；能量檢測；深度學習；智能反射面

中圖分類號：ＴＮ９８ 文獻標志碼：Ａ 開放科學（資源服務）標識碼（ＯＳＩＤ）：

文章編號：１００３－３１０６（２０２４）１１－２５２７－１０

０引言

隨著無線通信的迅猛發展和無線設備的普及，無線頻譜資源正在成為一種珍貴而又有限的資源。全球范圍內，越來越多的人在移動設備上進行語音通話、數據傳輸和互聯網瀏覽，從智能手機到物聯網設備，無線通信正深刻地改變著人們的生活和工作方式。尤其是隨著５Ｇ、６Ｇ 技術的嶄露頭角，無線通信進入了一個全新的時代。２０１７ 年ＩＭＴ-２０２０ 峰會明確指出，為滿足５Ｇ 的頻譜需求，高頻段至少需要１４ ＧＨｚ 頻譜資源。５Ｇ 技術不僅是移動通信產業進一步發展的手段，更是連接信息世界的關鍵橋梁，將實現超高速數據傳輸、低延遲通信以及大規模設備連接，極大地拓展了無線通信的應用領域［１］。然而，這一技術的廣泛應用和爆炸性增長，也對頻譜資源提出了更高的要求。數據顯示，２０１０—２０２０年，全球移動數據流量增長超過２００ 倍，而２０１０—２０３０年，這一增長將接近驚人的２ 萬倍。這樣的數據趨勢清楚地顯示，現有的頻譜資源難以滿足無線網絡的未來發展需求。特別是在５Ｇ 與物聯網、工業互聯網和車聯網等領域的融合發展中，海量設備的接入和極速數據傳輸需求將引發網絡流量的爆炸性增長［２］。然而，頻譜資源的稀缺性和有限性給頻譜管理帶來了極大的挑戰。傳統的頻譜分配方式通常是固定且靜態的，缺乏對頻譜資源的動態感知與調整。頻譜的固定分配使得部分頻段被閑置，而其他頻段則可能因為擁塞而難以應對日益增長的通信需求。頻譜感知作為一種創新的解決方案，被廣泛認為是解決頻譜管理難題的有效途徑。頻譜感知允許設備實時地監測和分析無線信號，準確了解可用的頻譜資源，從而實現更高效的頻譜利用。通過感知無線信號的實際情況，可以幫助無線電頻譜管理機構制定更加合理和高效的頻譜管理政策。在物聯網和５Ｇ 通信中，頻譜感知可以幫助實現海量設備的接入和高速數據傳輸，支持智能城市、智能交通等新興應用［３］。盡管頻譜感知在頻譜管理和無線通信方面有著巨大的潛力，但面臨著一些挑戰。頻譜感知的準確性和可靠性需要高精度的感知算法和優化技術。因此有必要對頻譜感知方法進行深入研究。本文對認知無線電頻譜感知方法進行了系統性探討，并全面分析和比較了不同的方法，此外，對當前頻譜感知技術所面臨的相關問題進行了分析，展望了未來的研究方向。

１ 傳統頻譜感知方法

１． １基于單用戶頻譜感知技術

單用戶頻譜感知技術是指一種針對單個用戶或設備進行頻譜感知的技術，其核心是通過對接收信號進行分析和處理，以獲得頻譜信息。在無線通信系統中，單用戶頻譜感知旨在使一個用戶設備能夠感知和監測周圍的頻譜環境，以獲取可用頻譜資源的信息，從而實現更高效、可靠的數據傳輸和通信。常見的單用戶頻譜感知方法有能量檢測［４］、匹配濾波檢測［５］和循環平穩檢測［６］等。

１． １． １能量檢測方法

能量檢測方法是基于信號能量的統計特性來判斷頻譜的利用情況。在頻譜感知中，接收到的信號被認為是一段時間內的功率值，可以表示為信號的功率譜密度。對于一個特定頻帶，如果能量超過一定閾值，則判定該頻帶被占用，否則認為該頻帶是空閑的，能量檢測方法基本流程如圖１ 所示。當前很多學者研究了基于能量檢測的頻譜感知，如Ｏｈ等［７］提出了一種基于短窗口的能量檢測方案，用于有效檢測短時間內的突發信號的存在。該方案的核心思想是將感測持續時間分成短窗口，通過計算得出閾值，與能量進行比較判斷，從而實現對短時突發信號的可靠檢測。

Ｐａｎｄｙａ 等［８］提出了一種基于機會主義接入的信號檢測方法，旨在信號的頻帶內進行處理，該方法采用了ＭＩＭＯ-ＳＴＢＣ 編碼，同時提供了空間分集技術，從而提升了系統的效率和可靠性。Ａｒｊｏｕｎｅ 等［９］提出了一種基于增強能量檢測的動態閾值選擇方法，通過測量接收信號中存在的噪聲水平來動態選擇門限。該方法將接收信號的樣本協方差作為特征值，然后利用最小描述長度準則將信號和噪聲對應的特征值分開，從而更加準確地判定信號的存在。Ｙｅ 等［１０］使用了一種新的分析模型評估能量檢測的統計性能，僅利用估計的噪聲方差來設置閾值，消除了對準確噪聲統計特性的依賴，使得能量檢測方法能夠更加適應不同的環境和條件。

１． １． ２匹配濾波檢測

能量檢測方法只能判斷頻譜是否被占用，無法提供具體的信號信息，又由于需要連續采樣和計算能量，可能導致實時性較差，特別是在低信噪比的條件下，能量檢測的性能可能會受到影響；相反，匹配濾波器能使信噪比最大化，從而改善信號檢測的性能。所以部分學者研究了基于匹配濾波檢測的頻譜感知技術，如Ｍａ 等［１１］提出了一種匹配濾波檢測與能量檢測相結合的方法來進行頻譜感知，利用次用戶（Ｓｅｃｏｎｄａｒｙ Ｕｓｅｒ，ＳＵ）接收機中已經存在的匹配濾波器來識別靜默期時的錯誤傳輸，通過將匹配濾波結果與能量檢測結果相結合來緩解ＳＵ 干擾的影響。Ｊｉａｎｇ 等［１２］提出了一種基于匹配濾波器輸出最大與均值絕對值比值的新方法，用以克服噪聲的不確定性，主要利用先驗序列和數據序列的濾波結果差異，通過最大均值運算，得到了對噪聲不確定性具有魯棒性的檢驗統計量。Ｚｈａｎｇ 等［１３］考慮匹配功率適配的實際標準和理論要求，在面對多主功率傳輸功率場景時，提出了一個獨特的功率掩膜效應，該效應能隱藏一個特定的功率級別，能夠在多個主用戶（Ｐｒｉｍａｒｙ Ｕｓｅｒ，ＰＵ）功率級別的情況下進行頻譜感知。

１．１．３循環平穩檢測

循環平穩檢測是一種用于無線通信系統中的信號檢測方法，用于檢測在多個時間周期內保持平穩的信號。從待檢測信號中獲取采樣數據，將數據分割成多個連續的檢測窗口，對每個窗口進行平穩性檢測，若連續多個窗口中都有相似的統計特征，可以判定信號是循環平穩的，其基本流程如圖２所示。頻譜感知需要分析頻譜數據的特征，以確定頻譜使用情況，而循環平穩經檢測可以通過檢測周期性信號、干擾和頻譜特征，為頻譜感知提供更全面的信息。

部分學者對此做了大量研究，如Ｅｌ-Ａｌｆｉ 等［１４］提出了一種基于亞奈奎斯特采樣的多載波傳輸框架下寬帶頻譜感知優化方法，將循環平穩感知技術與壓縮采樣相結合，利用信號的平穩性和稀疏性來減少采樣時間。在低信噪比下具有較高的檢測概率并且在無線網絡中具有較強的速率降低能力。Ｊａｎｇ［１５－１６］利用ＰＵ 信號的循環平穩性進行盲頻譜感知，通過傅里葉變換計算循環譜相關函數，將譜密度幅值用于檢測和決策，該方法允許在不知道ＰＵ 信號周期頻率或其他信號屬性的情況下檢測ＰＵ 信號，是一種比傳統的周期平穩光譜相關檢測更簡單的替代方法；經過幾年的研究，提出了一種基于循環自相關函數的信號檢測算法，通過利用信號的循環特性，確定信號周期性，進行頻譜感知。該算法在感知信號的同時收集能量，提高了系統的能量效率和頻譜利用率。

單用戶頻譜感知技術雖然設計簡單，易于實現，但是無線通信過程中不可避免地會存在多徑衰落和陰影效應，使得接收信號的強度有時會很低。另一方面，單個ＳＵ可獲得頻譜信息有限，單用戶頻譜感知本身也存在一定的限制，無法完整獲取整個頻譜環境的信息，特別是現階段大范圍和復雜的無線網絡中，可能導致設備選擇的頻譜資源不是最優的，影響通信質量和性能。

１． ２基于多用戶的協作頻譜感知技術

協作頻譜感知技術是一種通過多個用戶或設備之間相互協作來實現更高效、準確的頻譜感知的技術。它利用多個節點共同感知和分析周圍的頻譜環境，從而獲得更全面、可靠的頻譜信息，以優化頻譜資源的管理和利用。認知無線電中協作頻譜感知模型如圖３ 所示，在每個ＳＵ 處進行采樣統計數據將其發射到融合中心，融合中心做出決策。Ｓｈａｒｍａ等［１７］提出了一種基于簇的協作頻譜感知與４ 種融合規則相結合的方法，首先使用低能量自適應聚類層次結構等多屬性決策方法來選擇簇頭（ＣｌｕｓｔｅｒＨｅａｄ，ＣＨ），然后將ＣＨ 聚合數據發送到基站，通過在每一輪中輪換ＣＨ 的角色，實現在節點之間均勻分配能耗。通過利用ＣＨ 和節點的分布，實現了能量消耗的均衡分配，從而延長了網絡的壽命。Ｓｈａｒｍａ 等［１８］提出了一種在Ｎａｋａｇａｍｉ 衰落信道下基于簇的分布式協作頻譜感知的融合規則。首先ＳＵ通過本地感測來檢測空頻譜，然后該感測信息通過融合規則在ＣＨ 處融合，最后在融合過程中將感測信息與其他ＣＨ 融合，提高了檢測性能。Ｃｈｅｎ 等［１９］提出了一種基于空中計算的協作寬帶頻譜感知方案。通過利用無線信道的疊加特性來實現傅里葉變換的求和，避免分布式數據融合，進一步提出了同步相位偏移估計和均衡方法，提高了系統的檢測性能。

２基于深度學習的頻譜感知技術

深度學習在處理海量數據分類的問題上有非常顯著的效果，而頻譜感知可以看作是在大量復雜的無線信號和頻譜數據中作主信號在與不在的二分類問題。與傳統方法相比，基于深度學習的頻譜感知在復雜的無線環境和高干擾條件下有更高的準確性和魯棒性，還能更全面和綜合地實現頻譜感知等優點。

２． １基于卷積神經網絡的頻譜感知技術

Ｍｅｈｒａｂｉａｎ 等［２０］提出了一種無模型和數據驅動的基于卷積神經網絡（Ｃｏｎｖｏｌｕｔｉｏｎａｌ Ｎｅｕｒａｌ Ｎｅｔｗｏｒｋ，ＣＮＮ）的頻譜感知檢測器，該算法考慮了３ 種重要的等距復噪聲分布，能適應不同的噪聲場景。Ｈａｎ等［２１］針對頻譜感知過程中低信噪比環境下ＰＵ 信號檢測率低的問題，以ＣＮＮ 模型為框架，通過提取存在的ＰＵ 信號和僅存在噪聲信號的特征，對特征進行預處理作為ＣＮＮ 模型的訓練輸入，檢測ＰＵ 是否存在，實現了頻譜感知的高效性。Ｌｉｕ 等［２２］提出了一種基于協方差矩陣感知的ＣＮＮ 的頻譜感知算法。該算法利用樣本協方差矩陣生成測試統計量，不需要任何先驗信息進行檢測，能達到與最優的能量檢測器幾乎相同的性能。

Ｐａｎ 等［２３］將頻譜感知問題轉化為圖像處理問題。該算法分析正交頻分復用信號的循環自相關特性，利用累積算法得到循環頻譜，將循環譜轉換成灰度圖像，然后通過ＬｅＮｅｔ５ 生成頻譜感知模型。在低信噪比下，該方法優于其他機器學習方法，但是這種方法特征輸入單一。Ｘｉｅ 等［２４］提出了一種用于頻譜感知的深度學習算法，使用當前幀感測數據生成協方差矩陣，并將其用于狀態分類；構建了一個由過去幀生成的協方差組成矩陣，這種輸入框架有助于提取頻譜感知任務所需的關鍵信息。Ｚｈｅｎｇ 等［２５］為克服噪聲功率不確定性的影響，提出了一種基于深度學習分類的頻譜感知算法。該算法用盡可能多的信號和噪聲數據來訓練模型，通過遷移學習策略提高網絡對真實世界信號的性能。該算法在有色噪聲下具有較好的檢測性能，且優于基于最大最小特征值比的頻譜感知方法以及基于頻域熵的頻譜感知方法。還有很多學者采用ＣＮＮ 與長短時記憶（ＬｏｎｇＳｈｏｒｔ Ｔｅｒｍ Ｍｅｍｏｒｙ，ＬＳＴＭ）網絡結合的模型進行頻譜感知。頻譜感知技術的ＣＮＮＬＳＴＭ 模型對比如表１所示，通過２ 種網絡互補，實現了更好的檢測效果。

２． ２基于深度神經網絡的頻譜感知

Ｘｉｎｇ 等［３１］提出了一種基于數據驅動的深度學習模型，主要由一維ＣＮＮ、雙向ＬＳＴＭ 網絡和自注意組成。該模型適用于多種信號類型，在漏檢率和虛警率方面優于現有的一些深度神經網絡（ＤｅｅｐＮｅｕｒａｌ Ｎｅｔｗｏｒｋ，ＤＮＮ）模型。Ｗａｎｇ 等［３２］利用噪聲擾動信號和高斯噪聲之間的信息相位差的分布差異，提出了一種基于ＤＮＮ 的魯棒頻譜感知方案，主要通過ＤＮＮ 來識別接收信號的信息相位差分布。該算法對噪聲不確定性和載波頻率失配具有較好的魯棒性。Ｚｈａｎｇ 等［３３］利用ＤＮＮ 中特征提取的分層性質，設計了一種基于多任務ＤＮＮ 的寬帶頻譜感知框架，將原始的大型ＤＮＮ 解耦為較小的異構子網絡，這些子網絡在檢測重疊頻帶的分布式ＳＵ 處進行協作訓練，具有更高的學習精度和計算效率，對噪聲有更好的魯棒性。Ｌｅｅ［３４］提出了一種基于ＤＮＮ的多信道認知無線電網絡的資源分配策略，通過ＤＮＮ 分別確定各個ＳＵ 的總發射功率和分配給每個信道的發射功率的比例，從而在多信道環境下實現更優化的資源利用。

Ｄｕ 等［３５］提出了一種結合信息幾何和深度學習的頻譜感知方法，首先將傳感信號的協方差矩陣投影到統計流行上，然后將信號間的測地距離作為其統計特征，最后使用ＤＮＮ 對由測地距離構成的數據集進行分類，在一定程度上提高了頻譜感知性能。為增強協作頻譜檢測的準確性和可擴展性，Ｂｏｕｋｈａｉｒａｔ 等［３６］提出了一種通過無監督學習訓練的ＤＮＮ 結構，可用于聯合優化ＳＵ 的融合權值和檢測閾值。該算法保證了計算時間的顯著減少和對未知網絡配置的泛化能力，但是未考慮部署環境長時間的動態交互。Ｍｅｎｎｅｓ 等［３７］提出了一種多代理的頻譜預測方法，通過在多智能體環境中使用在線監督學習來預測未知相鄰網絡在未來的頻譜占用，ＤＮＮ以在線方式訓練，該算法能減少３０％ 的網絡間沖突數量。Ｌｅｅｓ 等［３８］使用經過精心設計的ＤＮＮ 感知雷達信號，盡管該算法在性能上表現出比傳統方案更好的特點，但只適用于特定的雷達信號，不能勝任一般的頻譜感知。

２． ３基于其他深度學習的頻譜感知

Ｇｈａｓｅｍｉ 等［３９］提出了一種基于深度時域卷積網絡的頻譜感知方法，該結構使用了３ 個堆棧，每個堆棧包含４ 個剩余塊。該方法在多徑衰落和噪聲下，直接從原始復雜基帶樣本中檢測信號，無需其他預處理或特征工程。Ｃｈｅｎ 等［４０］提出了一種基于聯邦學習的頻譜感知算法，該算法采用高效的ＳｈｕｆｆｌｅｎｅｔＶ２ 網絡模型，通過每個ＳＵ 使用的本地數據來訓練網絡模型，并將梯度發送到融合中心整合，在保證本地數據隱私的同時大大降低流量負載，但是該算法沒有考慮到ＳＵ 的數量和參數集成算法對聯邦學習頻譜感知算法性能的影響。Ｓｏｌａｎｋｉ 等［４１］提出了一種基于深度學習的頻譜感知模型，該模型在Ｉｎｃｅｐｔｉｏｎ 模塊的卷積層中添加了ＬＳＴＭ 和全連接層。在相同的條件下，與其他頻譜感知模型等相比表現出更好的頻譜感測性能。

Ｓｏｎｉ 等［４２］提出了一種基于ＬＳＴＭ 的頻譜感知方法，利用了頻譜數據中的時間依賴性。即使在低信噪比條件下，該算法也具有更好的檢測性能和分類精度。Ｍｏｈａｎａｋｕｒｕｐ 等［４３］提出了一種基于ＬＳＴＭ和極限學習機組合的頻譜感知算法，從頻譜數據中學習時間特征，并利用其他環境活動統計數據如能量、距離和占空比持續時間來提高傳感性能。Ｍｕｔｈｕｋｕｍａｒ 等［４４］考慮了ＤＮＮ、ＣＮＮ、ＬＳＴＭ、ＣＮＮＬＳＴＭ和門控遞歸單元（Ｇａｔｅｄ Ｒｅｃｕｒｒｅｎｔ Ｕｎｉｔ，ＧＲＵ）架構進行頻譜感知，觀察到ＧＲＵ 可提供更好的分類準確性，還討論了ＧＲＵ 分類精度隨參數變化規律。Ｓｕ等［４５］提出了一種非合作頻譜感知網絡，該網絡架構將對比損失和分類損失結合，有效地提取信道不變特征，從而準確預測頻譜狀態，實現了更好的頻譜感知性能。

２． ４優缺點分析

基于深度學習的頻譜感知算法與傳統方法相比具有以下優勢：① 自動特征學習。傳統方法需要手動提取特征和設計算法，基于深度學習的頻譜感知方法可以自動從大規模的數據中學習特征，減少對先驗新信息的依賴，使感知更加智能和自適應性更佳。② 準確性和魯棒性更高。深度學習模型具有強大的非線性擬合能力，可以更好地捕捉復雜的信號特征和頻譜模式。相比于傳統方法更能適應復雜的無線環境和高干擾條件。③ 適應性和泛化能力。基于深度學習的頻譜感知模型可以通過學習感知環境中的數據模式和變化，實現自動調整感知策略，適應不同的無線環境和頻譜分布，使得頻譜感知可以更好地應對動態和復雜的無線網絡條件。盡管基于深度學習的頻譜感知具有許多優勢，但也面臨一些挑戰，如對大量訓練數據的需求、計算資源消耗較高以及模型可解釋性不強等。

３基于智能反射面的頻譜感知

智能反射面（Ｉｎｔｅｌｌｉｇｅｎｔ Ｒｅｆｌｅｃｔｉｎｇ Ｓｕｒｆａｃｅ，ＩＲＳ）與頻譜感知相結合是一種創新的通信技術，旨在提高通信系統的性能和效率。ＩＲＳ 是一種由大量被動式反射單元組成的表面，通過調整這些反射單元的相位和振幅，可以實現對電磁波的精確調控。ＩＲＳ增強頻譜感知結構如圖４ 所示，該方法可擴展頻譜感知的范圍，提高信號的可靠性。很多學者對此做了研究，Ｇｕａｎ 等［４６］通過表征一對ＰＵ 和一對ＳＵ 組成的頻譜共享系統中的干擾，利用泊松點過程將其擴展到大規模網絡，然后提出了一種基于級聯ＩＲＳ信道解耦的高效信道估計框架，分析了頻譜效率和能量效率之間權衡。Ｗｕ 等［４７］提出了一種ＩＲＳ 增強能量檢測的頻譜感知，利用Ｇａｍｍａ 近似和中心極限定理推導出了平均檢測概率表達式，還提出了用于協作頻譜感知和分集接收的ＩＲＳ 增強能量檢測，通過仿真結果驗證了提出方法性能方面優于基準方案。

Ｇｅ 等［４８］提出了一種可重構智能表面增強頻譜感知系統，主發射機配備了信號天線，副發射機采用多天線進行頻譜感知，利用統計的信道狀態信息來設計可重構智能表面，提高了平均感知信噪比來提升頻譜感知系統的檢測性能。受到了前者的啟發，Ｎａｓｓｅｒ 等［４９］在２ 種不同的場景中部署ＩＲＳ：第一種場景中，ＩＲＳ 配置為增強ＳＵ處的ＰＵ 信號；第二種場景中，ＩＲＳ 被配置為輔助主接收機。通過分析２種場景的平均檢測概率，數值結果表明，ＩＲＳ 輔助主接收機時，感知效果有顯著的提高。Ｋｕｍａｒ 等［５０］針對混合瑞利和波動雙徑衰落接入鏈路下的ＩＲＳ 輔助認知無線電系統進行分析，對ＰＵＩＲＳＳＵ 鏈路的統計特性進行了建模，進行了蒙特卡羅模擬，證明了結合ＩＲＳ 技術可以顯著提高基于認知無線電原理的通信系統的可靠性。由于頻譜感知技術中需要同時考慮ＳＵ 的最大功率限制和ＰＵ 的服務質量的問題是非凸的，所以部分學者通過非凸優化技術來聯合優化發射功率和ＩＲＳ 的反射波束形成，表２ 對這些方法的優缺點進行了比較。

４基于高頻通信的頻譜感知

毫米波頻段的特點是高帶寬，但信號穿透能力較差，易受到環境變化和阻擋的影響。頻譜感知可以幫助毫米波通信系統實時了解當前頻譜環境，有效地選擇合適的頻段和通信參數，以應對信號傳播中的各種挑戰。針對毫米波頻段的特點，Ｌａｔｈａ等［５６］提出了一種用于認知毫米波網絡的波束形成能量檢測頻譜感知算法，利用模擬波束形成來最大化對ＰＵ 信號的波束形成增益，并最大限度地減少干擾源的干擾，與傳統的多天線系統能量檢測方法相比，該算法具有更好的檢測性能。Ｚａｎｇ 等［５７］通過研究半雙工和全雙工自適應概率加權能量檢測技術，考慮了毫米波和太赫茲系統中有限的可用感測持續時間特性，提出了一種基于概率自適應加權感知方法，在檢測性能和感測時間資源方面比傳統能量檢測技術更適合毫米波，特別是太赫茲系統。

毫米波頻段帶寬較大，可進行頻譜共享提高頻譜利用率，使不同系統協同工作。針對超密集網絡中確保向多個用戶同時提供通用服務的客戶安全問題，Ｄｉｎｇ 等［５８］提出了一種用于毫米波頻段的分布式Ｑ 學習支持的多維頻譜共享安全方案。通過使用基于空間復用的細粒度安全框架平衡了超密集網絡的性能和安全性。Ｌｉｕ 等［５９］開發了一種毫米波超可靠低延遲通信系統，通過采用多連接技術，使用戶同時接入多個基站，允許用戶共享頻譜資源，然后制定資源管理，最大化用戶吞吐量，保證了用戶的延遲和可靠性要求。Ｚｈｏｎｇ 等［６０］提出了一種新穎的光子毫米波集成感知和通信系統，利用稀疏子帶線性調頻雷達信號的相干融合處理，實現了全頻段等效雷達測距分辨率，并為通信分配了更多的頻譜資源，實現了通感一體化（Ｉｎｔｅｇｒａｔｅｄ Ｓｅｎｓｉｎｇ ａｎｄ Ｃｏｍｍｕｎｉｃａｔｉｏｎｓ，ＩＳＡＣ）系統的超高頻譜效率。

５問題分析與展望

基于深度學習的頻譜感知技術將趨向于實現更加智能的感知策略。如何在保持高精度的同時提高模型的運行效率，將會成為未來研究的重點。針對復雜的無線電網絡，需要自動適應不同的頻譜環境，根據實時變化的信號情況動態調整感知參數。可以考慮在更多的通信環境和設備上進行測試和優化模型，以提高模型的泛化能力，可以通過從不同的無線通信設備和各種地理位置收集數據來構建模型。增加檢測準確率，可以通過多模態數據融合，融合不同模態的數據，獲得更全面、多角度的頻譜信息，從而使檢測更加精確。需要研發更高效的數據融合和集成算法，融合不同傳感器的數據，處理不同模態信息。

由于對感知效率的要求，需要實時性和低功耗優化，可以設計輕量級的深度學習模型，在資源受限的設備上進行實時感知。基于注意力機制的Ｔｒａｎｓ-ｆｏｒｍｅｒ 模型近年來得到了很大發展，在各種復雜任務中表現良好，也可以在預測通信頻譜和優化干擾中應用，對其進行輕量化設計，或許能在兼顧準確性的同時達到快速感知的目的。

針對無線信道情況復雜、頻譜狀況會隨著時間變化的問題，可以采用ＩＲＳ 與頻譜感知相結合的技術，開發具有自適應性的ＩＲＳ 算法，實時感知頻譜變化調整反射策略，還可以繼續研究如何減少ＩＲＳ 的計算復雜度，建立更加輕便智能的無線通信系統。

文獻［６０］提到的ＩＳＡＣ 是６Ｇ 的新興技術，這項技術的特點是需要高質量的無線通信能力和穩健且高精度的感知能力。針對這些特點，可以設計新的感知和通信協議，使系統能夠在感知環境變化時，高效地進行通信；開發智能的決策算法，通過對感知數據的深度學習和分析實現對環境的智能認知和決策；研究相應的安全和隱私保護機制，確保系統在數據傳輸和處理過程中的安全性。

總體而言，隨著無線通信的發展，頻譜感知領域仍面臨著實時性、高精度性、頻譜稀缺性等挑戰，通過不斷研究和創新，基于深度學習、ＩＲＳ的頻譜感知技術有望在ＩＳＡＣ和其他領域實現更高水平的性能和應用。

６結束語

深度學習技術的迅速發展已經在頻譜感知領域引起了廣泛關注，本文系統介紹了基于傳統方法的頻譜感知和基于深度學習的頻譜感知技術，分析了傳統方法與深度學習方法的優缺點。梳理了ＩＲＳ 增強感知的技術以及頻譜感知在高頻通信中的發展，盡管認知無線電頻譜感知領域已經取得了一些顯著進展，但仍然面臨著許多問題和挑戰。希望通過持續的研究和創新可以使頻譜感知方法越來越智能化，能夠擁有更高的準確性、魯棒性和智能性，推動無線通信系統的發展。

作者簡介

張航領 男，（１９９９—），碩士研究生。主要研究方向：認知無線電、頻譜感知。（*通信作者）周順勇 男，（１９７３—），碩士，副教授。主要研究方向：圖像處理、信號與信息處理。

胡琴 女，（２０００—），碩士研究生。主要研究方向：信號與信息處理。

陸歡 女，（１９９９—），碩士研究生。主要研究方向：信號與信息處理。

彭梓洋 男，（２０００—），碩士研究生。主要研究方向：圖像處理、目標檢測。

朱豪 男，（１９９８—），碩士研究生。主要研究方向：計算機視覺、圖像處理、目標檢測。