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。