一种基于特征融合Transformer的频谱感知方法研究

随着无线通信技术的迅速发展,电磁频谱资源日益紧张,高效的频谱感知和信号分类技术变得至关重要,如何实现智能频谱感知与分类识别是当前研究的热点方向。文中针对复杂电磁环境下如何提高信号分类性能,提出了一种基于特征融合Transformer的频谱智能感知方法。该方法设计了特征融合层和改进的位置编码方案,通过优化Transformer架构,增强了模型对不同类型信号的识别能力。实验结果表明,改进模型的准确率表现出显著优势,分类准确率达到99.3%,较现有模型高出4.1个百分点。此外,在不同信噪比条件下,模型展现了卓越的抗噪性能,进一步证明了其在复杂电磁环境中的应用潜力和研究价值。

一种基于聚类算法的载波分配方法

5G超密集组网技术(ultra-dense networks,UDN)是解决5G网络流量快速增长的关键技术,但是在UDN网络中基站的致密性会导致站间同频干扰、邻道干扰增加、频谱资源管理难度大等问题。针对UDN网络中干扰和频谱资源管理难度大的问题进行研究,提出基于k-means聚类算法对微基站进行聚类处理的思路,即将多个微基站分为不同的基站簇进行统一管理和调配,基于基站簇之间的位置将不同的频谱资源分配给基站簇,再将频谱资源中的正交载波分配给簇内的基站,实现对位置相近的基站进行频率上的分离,有效降低了基站之间的干扰,降低了频谱资源分配给用户的计算难度。仿真结果表明:基于k-means聚类算法对微基站进行聚类处理能够有效降低站间同频干扰和邻道干扰的影响,同时也能够降低频谱资源分配给用户时的计算难度。