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(guó)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(chǎng)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(cè)[2-4]、循環(huán)平穩(wěn)特征檢測(cè)[5-6]、匹配濾波檢測(cè)[7]以及協(xié)方差檢測(cè)[8-9]等。這些算法難以在檢測(cè)成本和檢測(cè)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(cè)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(zhǎng)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(cè)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(cè)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(cè)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(jiǎn)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(cè)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?；就ㄟ^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(zhǎng)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(zhǎng)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(zhǎng)度時(shí)間序列的能力。GRU是長(zhǎng)短期記憶網(wǎng)絡(luò)(Long Short-Term Memory,LSTM)結(jié)構(gòu)簡(jiǎn)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(cè)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(zhǎng)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(cè)試集。

3.2 模型訓(xùn)練

檢測(cè)算法有兩個(gè)重要的衡量指標(biāo),分別是檢測(cè)概率Pd和虛警概率Pf,它們?cè)趥鹘y(tǒng)能量檢測(cè)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(cè)門限。能量檢測(cè)算法可以通過設(shè)定檢測(cè)門限實(shí)現(xiàn)恒虛警檢測(cè),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(cè)概率與虛警概率此消彼長(zhǎng)的問題,實(shí)現(xiàn)了近似恒虛警檢測(cè),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(zhǎng)度為128的QPSK信號(hào)的檢測(cè)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(zhǎng)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(cè)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(cè)性能,尤其是在信噪比為-15～-5 dB時(shí),檢測(cè)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(cè)概率為74.3%,DetectNet的檢測(cè)概率為66.2%,CNN-LSTM的檢測(cè)概率為60%,本文模型在檢測(cè)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(cè)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(zhǎng)度是影響檢測(cè)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(zhǎng)度的增加檢測(cè)的性能就越好。當(dāng)采樣長(zhǎng)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(cè)概率;而采樣長(zhǎng)度為64,在信噪比為2.5 dB時(shí)才達(dá)到100%檢測(cè)概率。然而在信噪比為-20 ～-16 dB時(shí),長(zhǎng)采樣序列的檢測(cè)概率并沒有比短采樣序列高很多。這是因?yàn)殚L(zhǎng)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(zhǎng)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(zhǎng)采樣序列的優(yōu)勢(shì)沒有發(fā)揮出來。但采樣長(zhǎng)度越長(zhǎng),意味采樣所需時(shí)間就越長(zhǎng),計(jì)算和存儲(chǔ)消耗就越大,對(duì)實(shí)時(shí)性檢測(cè)有一定的影響。本文通過適中的采樣長(zhǎng)度和多用戶協(xié)作感知的方式提高檢測(cè)性能。

圖7 不同采樣長(zhǎng)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(cè)性能,本文選擇采樣長(zhǎng)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(cè)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(cè)概率。過高的虛警概率和過低的檢測(cè)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(cè)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(cè)概率和更低的虛警概率,整體檢測(cè)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(cè)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(cè)結(jié)果,可以直觀看出隨著感知用戶的增加,檢測(cè)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(cè)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(cè)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(cè)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(cè)性能與檢測(cè)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(cè)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。