基于深度卷积神经网络的协作频谱感知方法

针对传统卷积神经网络(CNN)频谱感知方法提取特征能力受限于网络结构简单,增加网络结构又容易出现梯度消失等问题,该文通过在传统卷积神经网络中添加捷径连接,实现输入层恒等映射更深的网络,提出一种基于深度卷积神经网络(DCNN)的协作频谱感知方法。该方法将频谱感知问题转化为图像二分类问题,对正交相移键控(QPSK)信号的协方差矩阵进行归一化灰度处理,并作为深度卷积神经网络的输入,通过残差学习训练深度卷积神经网络模型,提取2维灰度图像的深层特征,将测试数据输入到训练好的模型中,完成基于图像分类的频谱感知。实验结果表明:与传统的频谱感知方法相比,在低信噪比(SNR)下、多用户协作感知时,所提方法具有更高的检测概率和更低的虚警概率。

基于残差密集网络的频谱感知方法

针对传统卷积神经网络(CNN)频谱感知方法没有充分利用特征图信息并且提取特征图的能力受限于浅层的网络结构等问题,通过在传统CNN频谱感知方法中添加密集连接,实现特征图信息重利用,同时在密集单元的两端加入捷径连接,实现更深层的网络训练,进而提出一种基于残差密集网络(ResDenNet)的频谱感知方法。该方法将频谱感知问题映射为图像二分类问题,首先对接收信号分割成矩阵并归一化灰度处理,得到的灰度图像作为网络的输入,然后通过密集学习和残差学习训练网络,最后将在线数据输入ResDenNet中,完成基于图像分类的频谱感知。数值实验表明,所提方法优于传统频谱感知方法,在信噪比低至-19 dB时,所提方法检测概率仍高达0.96,虚警概率低至0.1,同时具有更好的泛化能力。