Volume 2,Issue 7
基于深度学习的认知无线电通信频谱感知算法优化与实验验证
为解决认知无线电频谱感知中复杂电磁环境下低信噪比信号检测难、模型实时性与轻量化适配不足的问题，本文聚焦基于深度学习的频谱感知算法优化与实验验证展开研究。结合频谱信号时频耦合与时序动态特性，设计 “CNNLSTM-Attention”混合模型，通过CNN提取空间特征、LSTM捕捉时序依赖、注意力机制聚焦关键信息；同时优化数据预处理流程，采用时频转换、去噪及数据增强技术提升数据质量。其次，从损失函数、轻量化、泛化能力三方面提出优化策略，通过Focal Loss强化难样本学习，结合通道剪枝与量化感知训练实现模型压缩，利用正则化与迁移学习提升鲁棒性。仿真实验表明，低信噪比（-10dB）下模型检测概率达 90.3%，参数量减少47.8%，推理时间仅5.7ms；基于USRP B210的半实物实验验证了算法在静态、动态及干扰场景中的优异性能，平均推理时间6.8ms，满足认知无线电实时性与工程化需求，研究为认知无线电频谱感知的智能化升级提供了可行方案。
[1] 洪雪华. 认知通信中的频谱感知算法优化[D]. 天津:天津大学,2014. DOI:10.7666/d.D654482.
[2] 邓瑜. 基于智能优化方法的认知无线电频谱感知算法的研究[D]. 吉首大学,2016.DOI:10.7666/d.D01126065.
[3] 姜显扬,夏凯莉,唐向宏. 认知无线电频谱感知估计时延的随机规划优化算法[J]. 电子与信息学报,2017,39(11):2548-2555. DOI:10.11999/JEIT170122.
[4] 刘鑫,何晨光,谭学治. 认知无线电加权联合频谱感知优化算法[J]. 四川大学学报（工程科学版）,2013,45(1):152-157.
[5] 于涛. 认知无线电网络中的频谱感知算法研究[D]. 陕西:西安电子科技大学,2011.DOI:10.7666/d.Y1867221.
[6] 顾玲玲. 认知无线电频谱感知门限优化研究[D]. 江苏:中国矿业大学,2015.
[7] 钱荣鑫. 认知无线电频谱感知算法研究[D]. 黑龙江:哈尔滨工程大学,2015. DOI:10.7666/d.D751008.
[8] 刘鑫. 认知无线电集中式联合频谱感知算法研究[D]. 黑龙江:哈尔滨工业大学,2012.DOI:10.7666/d.D242047.
[9] 薄萍萍. 基于差分进化算法的认知无线电频谱感知研究[D]. 黑龙江:哈尔滨工程大学,2012.DOI:10.7666/d.Y2235676.
[10] 张雯. 认知无线电频谱感知技术性能分析及优化[D]. 陕西:西安电子科技大学,2011.DOI:10.7666/d.Y1958723.