查看更多>>摘要:在认知无线电(Cognitive Radio,CR)中,频谱感知(Spectrum Sensing,SS)是支持动态频谱分配、提高频谱利用率的关键技术.传统的SS方法容易受到噪声不确定的影响,导致在低信噪比(Signal to Noise Ratio,SNR)环境下检测准确率较低且计算参数量较大.针对这些问题,提出了基于信号处理(Signal Processing,SP)特征的鲁棒多尺度神经网络(Robust-Multiscale Neural Network,R-MsNN)的SS方法,结合多尺度神经网络和门控循环单元(Gated Recurrent Unit,GRU)的优点,有效地解决了 SS中面临的挑战.多尺度神经网络从底层到高层逐渐提取抽象的特征,以增强信号识别的鲁棒性.GRU有选择性地保留和遗忘过去时间信息,从而更好地捕获长期依赖性和时间关系.为了验证R-MsNN的泛化能力,实验将从广义高斯分布(Generalized Gaussian Distribution,GGD)生成的噪声样本作为噪声模型1,以及从未占用的调频广播信道中收集到的实验数据作为噪声模型2的环境下,分别与不同的深度神经网络(Deep Neural Network,DNN)架构进行了 SS性能比较.实验结果表明,采用组合SP特征训练的R-MsNN的平均检测概率与最优模型相比,在4种不同参数下的噪声模型1中分别提高了 1.74%、2.55%、2.08%、1.59%,在噪声模型2中提高了 1.72%.此外,与GRU相比,R-MsNN的参数量减少了一半.由此说明,采用组合SP特征训练的R-MsNN在多种复杂噪声环境下均具有很强的鲁棒性,且能够满足SS任务中高检测概率和低参数量的双重需求.