潘成勝,蔡 韌,石懷峰,2,施建鋒,3,王鈺玥

(1.南京信息工程大學(xué) 電子與信息工程學(xué)院,南京 210044;2.南京理工大學(xué) 自動(dòng)化學(xué)院,南京 210094;3.東南大學(xué) 移動(dòng)通信國家重點(diǎn)實(shí)驗(yàn)室,南京 211189)

0 引 言

隨著通信網(wǎng)絡(luò)技術(shù)的不斷發(fā)展,無線通信呈現(xiàn)出多種異構(gòu)網(wǎng)絡(luò)共存、多樣化業(yè)務(wù)需求繁多的場景,如在5G超密集網(wǎng)絡(luò)、物聯(lián)網(wǎng)、戰(zhàn)術(shù)通信網(wǎng)絡(luò)中,各種用頻終端在有限地域內(nèi)密集開設(shè)、自由進(jìn)出,導(dǎo)致頻譜環(huán)境時(shí)空分布復(fù)雜,頻譜資源異常緊張。同時(shí),傳統(tǒng)授權(quán)分配策略導(dǎo)致頻譜利用率不高以及系統(tǒng)內(nèi)部互相干擾嚴(yán)重。認(rèn)知無線電技術(shù)通過頻譜感知和智能學(xué)習(xí)實(shí)現(xiàn)頻譜的動(dòng)態(tài)分配,在不干擾授權(quán)用戶通信的前提下,非授權(quán)用戶可以在時(shí)間、空間和頻率上進(jìn)行多維頻譜復(fù)用,提高頻譜資源的整體利用率[1]。頻譜感知作為認(rèn)知無線電的重要環(huán)節(jié),只有可靠準(zhǔn)確的感知才能有正確的分析和決策。

現(xiàn)有的頻譜感知方法按照感知節(jié)點(diǎn)的個(gè)數(shù)可以分為單用戶感知和多用戶協(xié)同感知,其中單用戶感知又可以分為模型驅(qū)動(dòng)和數(shù)據(jù)驅(qū)動(dòng)算法。模型驅(qū)動(dòng)算法主要包括能量檢測[2-4]、循環(huán)平穩(wěn)特征檢測[5-6]、匹配濾波檢測[7]以及協(xié)方差檢測[8-9]等。這些算法難以在檢測成本和檢測性能之間取得較好的平衡。近年來,隨著機(jī)器學(xué)習(xí)技術(shù)的發(fā)展,學(xué)者們通過機(jī)器學(xué)習(xí)、深度學(xué)習(xí)等數(shù)據(jù)驅(qū)動(dòng)算法實(shí)現(xiàn)了高效頻譜感知的方法。例如,Gao等人[10]提出了一種利用調(diào)制信號(hào)固有結(jié)構(gòu)信息的深度學(xué)習(xí)檢測模型,對(duì)調(diào)制方案具有良好的泛化能力。Yang等人[11]提出了一種盲頻譜感知方法,將序列輸入到卷積神經(jīng)網(wǎng)絡(luò)和長短時(shí)記憶網(wǎng)絡(luò)提取特征后由全連接層實(shí)現(xiàn)分類,與傳統(tǒng)能量檢測算法相比,在低信噪比下具有更好的性能。

然而在復(fù)雜電磁環(huán)境中,由于多徑衰落、隱藏終端和低信噪比等問題,單用戶的檢測性能降低。為了解決這一問題,學(xué)者們通過采用多用戶協(xié)同感知,利用不同空間的感知結(jié)果來提高檢測性能。多用戶協(xié)同感知可以分為集中式協(xié)同感知和分布式協(xié)同感知。集中式協(xié)同感知結(jié)構(gòu)簡單,效率高,應(yīng)用較為廣泛:文獻(xiàn)[12]對(duì)協(xié)方差矩陣進(jìn)行歸一化灰度處理并作為神經(jīng)網(wǎng)絡(luò)的輸入,通過圖像分類的方式解決頻譜感知問題;文獻(xiàn)[13]通過連續(xù)小波變換得到采樣信號(hào)的時(shí)頻矩陣,同樣將頻譜感知問題轉(zhuǎn)換為圖像分類問題進(jìn)行處理;文獻(xiàn)[14]提出了基于多特征組合網(wǎng)絡(luò)的協(xié)同頻譜感知算法,利用CNN-GRU獲取單用戶感知的局部信息,然后將每個(gè)用戶的局部信息組合后通過分類網(wǎng)絡(luò)實(shí)現(xiàn)協(xié)同感知。

現(xiàn)有協(xié)同感知的研究雖然能夠在一定程度上提高感知性能,但多是通過收集采樣信號(hào),計(jì)算協(xié)方差矩陣并從中獲取特征值。在這種方式下,本地用戶只負(fù)責(zé)數(shù)據(jù)采樣和上傳,計(jì)算任務(wù)全部集中于融合中心,導(dǎo)致本地用戶不能及時(shí)應(yīng)對(duì)頻譜環(huán)境變化。針對(duì)這些問題,本文在由用戶感知層和邊緣融合層構(gòu)成的系統(tǒng)架構(gòu)下,提出一種分層協(xié)同頻譜智能感知算法。該算法主要分兩個(gè)階段實(shí)現(xiàn):第一階段由各個(gè)感知用戶獨(dú)立采樣數(shù)據(jù),通過多分支卷積門控循環(huán)神經(jīng)網(wǎng)絡(luò)(Multi-branch Convolutional Gated Cycle Network,MBCGN)完成本地感知并將感知結(jié)果報(bào)告給邊緣融合層;第二階段邊緣融合層基于自注意力機(jī)制進(jìn)行消息傳播,每個(gè)感知結(jié)果以不同權(quán)重融合其他感知結(jié)果,然后通過非線性層對(duì)表示學(xué)習(xí)后的特征分類得出最終決策下發(fā)給感知用戶。分層設(shè)計(jì)將終端設(shè)備部署在電磁環(huán)境中,能夠快速響應(yīng)頻譜環(huán)境變化,將計(jì)算任務(wù)適當(dāng)卸載給終端設(shè)備,可以提高總體運(yùn)行效率。

1 問題定義與系統(tǒng)模型

1.1 問題定義

用戶感知是針對(duì)某個(gè)窄帶在特定的時(shí)間內(nèi)是否有授權(quán)用戶占用情況的判斷,因此可建模為二元假設(shè)檢驗(yàn)問題[1]。

(1)

式中:y(n)是本地感知機(jī)的接收信號(hào);x(n)是授權(quán)用戶發(fā)送信號(hào);h(n)表示信道增益;ω(n)代表信道噪聲;假設(shè)H0表示信道中只有噪聲信號(hào),H1表示信道中有主用戶占用。

協(xié)同頻譜智能感知是對(duì)用戶感知結(jié)果的融合,感知用戶對(duì)接收信號(hào)y(n)進(jìn)行檢驗(yàn)得到感知概率向量p,然后融合法則完成感知融合,如式(2)所示:

s=f(p1;p2;…;pM)。

(2)

式中:pi(i=1,2,…;M)是第i個(gè)用戶的感知概率向量;f是融合法則;s是最終融合結(jié)果。

1.2 系統(tǒng)模型

如圖1所示,基于協(xié)同學(xué)習(xí)的頻譜智能感知系統(tǒng)模型分為用戶感知層和邊緣融合層。在用戶感知層中,有一組授權(quán)通信終端和M個(gè)非授權(quán)通信終端。通信終端具有監(jiān)測頻譜、收集數(shù)據(jù)和用戶計(jì)算的能力。每個(gè)終端從頻譜環(huán)境中獨(dú)立采集數(shù)據(jù)并通過神經(jīng)網(wǎng)絡(luò)模型訓(xùn)練后做出推斷,將本地感知結(jié)果上報(bào)給邊緣融合層。在邊緣融合層中,基站具有數(shù)據(jù)通信、數(shù)據(jù)存儲(chǔ)和更為強(qiáng)大的邊緣計(jì)算的能力。基站通過接收通信終端的本地感知結(jié)果,利用神經(jīng)網(wǎng)絡(luò)融合算法做出最終決策,并下發(fā)給各個(gè)參與感知的終端用戶。

圖1 分層協(xié)同頻譜智能感知模型

2 分層協(xié)同頻譜感知模型

2.1 用戶感知模型

2.1.1 網(wǎng)絡(luò)結(jié)構(gòu)

如圖2所示,本文提出一種多分支卷積門控循環(huán)神經(jīng)網(wǎng)絡(luò)實(shí)現(xiàn)本地感知。將原始?xì)w一化能量信號(hào)作為輸入,分別通過卷積網(wǎng)絡(luò)分支和循環(huán)門控單元(Gated Cycle Unit,GRU)分支提取頻譜數(shù)據(jù)的局部特征和全局特征,然后將多分支提取到的特征合并后輸入到全連接網(wǎng)絡(luò)得到本地感知概率向量。

圖2 MBCGN網(wǎng)絡(luò)模型結(jié)構(gòu)

MBCGN網(wǎng)絡(luò)有3個(gè)分支,第一個(gè)分支是卷積核大小為10的一維卷積網(wǎng)絡(luò),第二個(gè)分支是卷積核大小為5的一維卷積網(wǎng)絡(luò),第三個(gè)分支是雙向門控循環(huán)神經(jīng)網(wǎng)絡(luò)(Bi-directional Gated Cycle Unit,Bi-GRU)。具體來說,一方面,使用一個(gè)大卷積核和一個(gè)小卷積核來捕獲局部特征。每個(gè)分支兩層卷積之后使用全局平均池化對(duì)卷積提取特征進(jìn)行降維。使用全局平均池化操作的優(yōu)點(diǎn)有兩個(gè)方面:一是維持和第三個(gè)分支提取的全局特征維度相近,便于特征合并;二是對(duì)所有卷積學(xué)習(xí)到的特征進(jìn)行全局平均池化操作可以提高學(xué)習(xí)的穩(wěn)定性。另一方面,使用Bi-GRU提取輸入信號(hào)的全局特征,并利用注意力網(wǎng)絡(luò)降低噪聲數(shù)據(jù)的影響。此后,3個(gè)分支的輸出通過一個(gè)級(jí)聯(lián)層輸入到兩個(gè)全連接層,得到本地感知概率向量。為了防止過擬合,在每層卷積后都使用了Dropout。

2.1.2 卷積模塊

卷積神經(jīng)網(wǎng)絡(luò)局部連接、權(quán)值共享、平移不變性等特性使其具有強(qiáng)大的表征學(xué)習(xí)能力和高效的深度計(jì)算能力,已廣泛應(yīng)用于語音、傳感器數(shù)據(jù)等時(shí)間序列的分析與處理。同樣地,頻譜數(shù)據(jù)也是一種典型的時(shí)間序列,每條序列可以表示為x∈Lin×Cin,其中,Lin表示采樣長度,Cin表示每條序列采樣I路和Q路兩個(gè)通道數(shù)據(jù)。因此,本文引入卷積神經(jīng)網(wǎng)絡(luò)實(shí)現(xiàn)對(duì)原始?xì)w一化能量信號(hào)的特征提取,計(jì)算方式如式(3)所示[15]:

(3)

式中:z=Cout×Lout表示輸入序列經(jīng)過卷積層后的輸出矩陣;*表示卷積運(yùn)算;w和b是可學(xué)習(xí)參數(shù),分別表示權(quán)重矩陣和偏置矩陣;σ表示非線性激活函數(shù)。

2.1.3 GRU模塊

雖然卷積神經(jīng)網(wǎng)絡(luò)能夠很好地提取局部特征,但其無法充分捕獲長距離信息。循環(huán)神經(jīng)網(wǎng)絡(luò)則可以通過重復(fù)執(zhí)行單元網(wǎng)絡(luò)結(jié)構(gòu)來捕獲當(dāng)前時(shí)刻狀態(tài)與之前狀態(tài)的關(guān)系,具有處理任意長度時(shí)間序列的能力。GRU是長短期記憶網(wǎng)絡(luò)(Long Short-Term Memory,LSTM)結(jié)構(gòu)簡化的變體,通過減少一個(gè)隱藏狀態(tài)降低計(jì)算開銷,同時(shí)也達(dá)到了LSTM相近的性能[16]。為了提高感知的實(shí)時(shí)性,本文使用雙向GRU網(wǎng)絡(luò)提取頻譜數(shù)據(jù)的全局特征。

圖3 GRU模型結(jié)構(gòu)

(4)

雙向GRU中包含了前向隱藏狀態(tài)和后向隱藏狀態(tài),每個(gè)方向的計(jì)算方式和上述一致,雙向網(wǎng)絡(luò)能夠較好地捕獲頻譜數(shù)據(jù)的前后聯(lián)系。對(duì)于雙向GRU捕獲的全局特征通過乘性注意力降低噪聲影響,計(jì)算方式如式(5)所示[17]:

(5)

式中:S是注意力隱藏狀態(tài);α是注意力系數(shù)。

2.2 邊緣融合模型

協(xié)同感知的融合準(zhǔn)則可以分為硬判決和軟判決兩類,硬判決主要有AND準(zhǔn)則、OR準(zhǔn)則和K秩準(zhǔn)則,軟判決有對(duì)數(shù)似然比算法和線性加權(quán)算法[18]。硬判決由于只是對(duì)感知結(jié)果進(jìn)行邏輯運(yùn)算,存在一定的缺陷,例如AND準(zhǔn)確檢測概率低,OR準(zhǔn)確虛警概率高,而K秩融合準(zhǔn)則需要選擇合適判斷閾值;軟判決算法是將采集信息直接發(fā)送至融合中心,這個(gè)過程開銷較大,系統(tǒng)實(shí)現(xiàn)復(fù)雜,實(shí)時(shí)性較差。本文提出的基于自注意力機(jī)制的消息融合網(wǎng)絡(luò)(Messages Fusion Based on Self-attention,SA-MF)是對(duì)感知結(jié)果的融合,以自注意力的方式引入感知信息交流,在保持感知實(shí)時(shí)性的同時(shí)提高感知的可靠性。

2.2.1 網(wǎng)絡(luò)結(jié)構(gòu)

融合網(wǎng)絡(luò)具體結(jié)構(gòu)如圖4所示,網(wǎng)絡(luò)的輸入是M個(gè)終端用戶通過MBCGN網(wǎng)絡(luò)進(jìn)行本地感知的概率矩陣P∈M×2,然后使用金字塔型一維卷積學(xué)習(xí)概率矩陣的高維表示,即輸入矩陣通過3個(gè)一維卷積組成的嵌入層得到d維特征表示,嵌入特征通過基于自注意力機(jī)制的自注意力編碼器模塊完成感知信息交互,最后經(jīng)全局平均池化得到最終融合特征,再由一個(gè)全連接層得到融合決策。

圖4 SA-MF網(wǎng)絡(luò)模型結(jié)構(gòu)

2.2.2 自注意力編碼器模塊

Transformer是谷歌提出的一種編解碼網(wǎng)絡(luò)結(jié)構(gòu),最初應(yīng)用在機(jī)器翻譯任務(wù)上,通過自注意力機(jī)制實(shí)現(xiàn)快速并行計(jì)算,解決循環(huán)神經(jīng)網(wǎng)絡(luò)訓(xùn)練慢的缺點(diǎn)。隨后,Transformer各種變體廣泛應(yīng)用在自然語言、計(jì)算機(jī)視覺、語音等領(lǐng)域。編碼器網(wǎng)絡(luò)能夠有效地學(xué)習(xí)特征表示,并且自注意力機(jī)制模型是一種弱歸納偏置的學(xué)習(xí)方式,每個(gè)感知用戶可以利用這種學(xué)習(xí)方式進(jìn)行感知結(jié)果交流。本文使用一維卷積完成概率矩陣的嵌入表示,然后由編碼器學(xué)習(xí)感知信息交互的過程。對(duì)于編碼器表示學(xué)習(xí)后的特征采用全局平局池化的方式進(jìn)行降維,能夠有效融合各個(gè)感知用戶的特征表示,實(shí)現(xiàn)共同決策。

如圖5所示,編碼器結(jié)構(gòu)主要由多頭自注意力模塊和位置全連接前饋網(wǎng)絡(luò)模塊組成,多頭自注意力模塊幫助節(jié)點(diǎn)關(guān)注其他的節(jié)點(diǎn)的內(nèi)容,位置全連接前饋網(wǎng)絡(luò)提供非線性變化,同時(shí)保證輸出特征維度和輸入特征維度相同。在網(wǎng)絡(luò)層連接上使用了殘差連接解決梯度消失和權(quán)重矩陣的退化問題,使用了層歸一化對(duì)同一層神經(jīng)元做歸一化,避免變長輸入和批處理大小的影響[19]。

圖5 自注意力編碼器網(wǎng)絡(luò)結(jié)構(gòu)

編碼器的計(jì)算過程如式(6)所示:

(6)

式中:MultiHead為多頭注意力層;LayerNorm為層歸一化運(yùn)算;FFN是位置前饋神經(jīng)網(wǎng)絡(luò)。多頭注意力層的計(jì)算方式如下:

(7)

式中:Q,V,K分別為查詢矩陣、鍵矩陣和值矩陣,在自注意力模型中Q=V=K;Con運(yùn)算表示將多頭學(xué)習(xí)到的特征合并;Wo為權(quán)重矩陣,引入線性變化;Wi為對(duì)應(yīng)多頭中的投影矩陣;Attention是縮放點(diǎn)積注意力;dk是縮放系數(shù)。

3 實(shí)驗(yàn)與結(jié)果分析

3.1 數(shù)據(jù)集構(gòu)造

為了模擬真實(shí)的環(huán)境,本文采用文獻(xiàn)[20]中提供的基準(zhǔn)數(shù)據(jù)集,模擬了正交相移鍵控(Quadrature Phase Shift Keying,QPSK)調(diào)制信號(hào)。信道模擬考慮了中心頻率偏移、采樣率偏移、加性高斯白噪聲、多徑和衰落的隨機(jī)過程。數(shù)據(jù)采集是從仿真輸出中隨機(jī)采樣時(shí)間片段,同時(shí)保持了I路和Q路兩個(gè)通道數(shù)據(jù)。為了考慮低信噪比的通信環(huán)境,設(shè)定數(shù)據(jù)信噪比范圍為-20～5 dB,間隔為1 dB,每個(gè)信噪比下分別設(shè)置64,128,256,512個(gè)采樣點(diǎn)情況,各采集1 000個(gè)樣本。對(duì)于協(xié)同感知任務(wù),本文設(shè)定了有1,3,5和8個(gè)終端用戶的情況,每種情況下數(shù)據(jù)結(jié)構(gòu)和上述一致。對(duì)于授權(quán)用戶不存在的負(fù)樣本,本文采用循環(huán)對(duì)稱復(fù)高斯噪聲表示,按照1∶1的比例和正樣本組成最終頻譜感知數(shù)據(jù)集,數(shù)據(jù)集按照6∶2∶2劃分為訓(xùn)練集、驗(yàn)證集和測試集。

3.2 模型訓(xùn)練

檢測算法有兩個(gè)重要的衡量指標(biāo),分別是檢測概率Pd和虛警概率Pf,它們?cè)趥鹘y(tǒng)能量檢測算法中可以表示為

Pd=P(Tr>γ|H1),

(8)

Pf=P(Tr>γ|H0)。

(9)

式中:Tr和γ分別為能量統(tǒng)計(jì)值和能量檢測門限。能量檢測算法可以通過設(shè)定檢測門限實(shí)現(xiàn)恒虛警檢測,但是基于深度學(xué)習(xí)方法以分類概率作為判定結(jié)果并不存在預(yù)設(shè)的門限值,所以無法實(shí)現(xiàn)精準(zhǔn)性能控制。本文參照文獻(xiàn)[11]將驗(yàn)證集虛警概率作為額外的訓(xùn)練指標(biāo)指導(dǎo)模型訓(xùn)練,訓(xùn)練損失函數(shù)采用交叉熵?fù)p失函數(shù)。如果驗(yàn)證集虛警概率處于預(yù)設(shè)虛警概率范圍內(nèi),則結(jié)束模型訓(xùn)練。通過此方法可以解決模型上限后檢測概率與虛警概率此消彼長的問題,實(shí)現(xiàn)了近似恒虛警檢測,提高了模型的穩(wěn)定性。

在分層協(xié)同頻譜感知模型中,首先在本地感知數(shù)據(jù)集上訓(xùn)練MBCGN網(wǎng)絡(luò),具體的網(wǎng)絡(luò)超參數(shù)設(shè)置如表1所示;然后使用訓(xùn)練好的MBCGN網(wǎng)絡(luò)在多用戶協(xié)作數(shù)據(jù)集上推斷兩種假設(shè)的概率矩陣并作為SA-MF網(wǎng)絡(luò)的數(shù)據(jù)集;最后對(duì)SA-MF網(wǎng)絡(luò)進(jìn)行訓(xùn)練,訓(xùn)練損失函數(shù)也采用交叉熵?fù)p失函數(shù),網(wǎng)絡(luò)的超參數(shù)設(shè)置如表2所示。

表1 MBCGN網(wǎng)絡(luò)參數(shù)

表2 SA-MF網(wǎng)絡(luò)超參數(shù)

3.3 MBCGN網(wǎng)絡(luò)性能

圖6所示是本文模型與其他幾種同樣以時(shí)間序列處理方式模型在采樣長度為128的QPSK信號(hào)的檢測性能的對(duì)比。為了實(shí)驗(yàn)的公平性,對(duì)比模型的參數(shù)依照相應(yīng)給出的超參數(shù)進(jìn)行設(shè)定。文獻(xiàn)[10]提出的DetectNet先通過兩層一維卷積提取局部,然后通過兩個(gè)神經(jīng)元的全連接層組合特征后與輸入進(jìn)行殘差連接,殘差連接后的特征再通過LSTM提取時(shí)間特征,最后通過全連接層實(shí)現(xiàn)分類。文獻(xiàn)[11]提出的CNN-LSTM網(wǎng)絡(luò)將序列輸入到卷積神經(jīng)網(wǎng)絡(luò)和長短時(shí)記憶網(wǎng)絡(luò)提取特征后由全連接層實(shí)現(xiàn)分類。

圖6 本地感知模型對(duì)比實(shí)驗(yàn)結(jié)果

從不同信噪比下的檢測概率結(jié)果可以看出,在這3種模型中,本文提出的MBCGN模型具有更好的檢測性能,尤其是在信噪比為-15～-5 dB時(shí),檢測概率明顯高于另外兩種模型,如信噪比為-10 dB時(shí),MBCGN的檢測概率為74.3%,DetectNet的檢測概率為66.2%,CNN-LSTM的檢測概率為60%,本文模型在檢測概率上相對(duì)提升了8.1%和14.3%,同時(shí)MBCGN的虛警概率在這3個(gè)模型中只比最低的并行CNN-LSTM模型高0.08%,但檢測概率卻有著明顯的提升。在表3中,參數(shù)量是模型可訓(xùn)練參數(shù)的個(gè)數(shù),訓(xùn)練時(shí)間為模型單個(gè)epoch所用時(shí)間,感知時(shí)間為單個(gè)樣本的在線感知時(shí)間。由于使用大卷積核的原因,MBCGN網(wǎng)絡(luò)在參數(shù)量上大于DetectNet,但多分支并行計(jì)算以及使用GRU代替LSTM使得其在訓(xùn)練時(shí)間和在線感知時(shí)間上有較為明顯的提升,說明MBCGN網(wǎng)絡(luò)取得了感知性能與感知成本的較好平衡。

表3 用戶感知模型的參數(shù)量和訓(xùn)練時(shí)間

采樣長度是影響檢測性能的重要因素。從圖7所示的結(jié)果中可以直觀看出,隨著采樣長度的增加檢測的性能就越好。當(dāng)采樣長度為512,在信噪比為-7.5 dB時(shí)就已經(jīng)達(dá)到了100%的檢測概率;而采樣長度為64,在信噪比為2.5 dB時(shí)才達(dá)到100%檢測概率。然而在信噪比為-20 ～-16 dB時(shí),長采樣序列的檢測概率并沒有比短采樣序列高很多。這是因?yàn)殚L序列需要更大的卷積核和更深層次的卷積神經(jīng)網(wǎng)絡(luò)來捕獲局部特征,本文主要針對(duì)采樣長度為128時(shí)優(yōu)化參數(shù)設(shè)置,這自然使得在低信噪比時(shí)長采樣序列的優(yōu)勢沒有發(fā)揮出來。但采樣長度越長,意味采樣所需時(shí)間就越長,計(jì)算和存儲(chǔ)消耗就越大,對(duì)實(shí)時(shí)性檢測有一定的影響。本文通過適中的采樣長度和多用戶協(xié)作感知的方式提高檢測性能。

圖7 不同采樣長度結(jié)果

3.4 SA-MF網(wǎng)絡(luò)性能

為了驗(yàn)證SA-MF網(wǎng)絡(luò)的檢測性能,本文選擇采樣長度為128的QPSK調(diào)制模式數(shù)據(jù)進(jìn)行實(shí)驗(yàn)。首先是與文獻(xiàn)[10]的柔性組合網(wǎng)絡(luò)(Soft Combination Network,SCN) 模型、文獻(xiàn)[14]的多特征組合網(wǎng)絡(luò)(Multifeatures Combination Network,MCN)模型以及傳統(tǒng)的硬判決法則的對(duì)比,結(jié)果如圖8所示,非智能的OR硬判決融合準(zhǔn)則實(shí)現(xiàn)了最高的檢測概率,但也有著最高的虛警概率,而AND準(zhǔn)則有著最低的虛警概率和最低的檢測概率。過高的虛警概率和過低的檢測概率會(huì)系統(tǒng)資源的浪費(fèi),傳輸效率低下。K秩融合準(zhǔn)則、SCN和MCN模型的檢測概率較為接近,其中組合多特征的MCN具有較低的虛警概率,而本文模型實(shí)現(xiàn)了更高檢測概率和更低的虛警概率,整體檢測概率相對(duì)于這三種模型分別提高1.93%,1.62%和1.92%,虛警概率分別降低了1.24%,0.31%和0.03%。這得益于自注意力機(jī)制消息融合能夠充分利用終端用戶感知結(jié)果。

圖8 融合模型對(duì)比結(jié)果

最后,本文對(duì)終端用戶的個(gè)數(shù)對(duì)檢測性能的影響進(jìn)行了實(shí)驗(yàn),如圖9所示,分別是1,3,5,8個(gè)用戶的檢測結(jié)果,可以直觀看出隨著感知用戶的增加,檢測性能也得到顯著的提升。當(dāng)信噪比為-15 dB時(shí),4種情況下的檢測概率分別為29.4%,43.9%,77.6%和98.9%,虛警概率分別為6.02%,2.96%,1.91%和1.24%。因此,多用戶協(xié)作感知可以很好地解決單用戶由于多徑衰落、隱藏終端和低信噪比等造成檢測性能降低的問題。

圖9 不同感知用戶個(gè)數(shù)結(jié)果

4 結(jié)束語

面對(duì)無線通信網(wǎng)絡(luò)中復(fù)雜多變的頻譜環(huán)境,而現(xiàn)有多用戶協(xié)同感知方法存在數(shù)據(jù)預(yù)處理繁瑣、感知效率低下的問題,本文在由用戶感知層和邊緣融合層構(gòu)成的系統(tǒng)架構(gòu)下,提出了一種基于協(xié)同學(xué)習(xí)的頻譜智能感知算法。用戶感知層采用多分支卷積循環(huán)門控神經(jīng)網(wǎng)絡(luò)利用原始?xì)w一化能量信號(hào)的底層結(jié)構(gòu)信息,實(shí)現(xiàn)本地感知;邊緣融合層基于自注意力機(jī)制進(jìn)行消息傳播,融合用戶感知層中各個(gè)非授權(quán)用戶的感知結(jié)果得出最終決策。實(shí)驗(yàn)結(jié)果表明,所提本地感知模型不僅提高了檢測概率,降低了虛警概率,而且減少了模型參數(shù)量和訓(xùn)練時(shí)間,取得了檢測性能與檢測成本的較好平衡;感知融合模型有效融合多個(gè)用戶感知結(jié)果,在低信噪比時(shí)檢測性能有顯著提升。

后續(xù)將主要針對(duì)本地感知模型進(jìn)行優(yōu)化,進(jìn)一步提高感知融合的性能。