[論文レビュー] Spectrum Sensing Based on Deep Learning Classification for Cognitive Radios

Shilian Zheng, Shichuan Chen+3 more|arXiv (Cornell University)|Sep 13, 2019

Cognitive Radio Networks and Spectrum Sensing参考文献 29被引用数 15

ひとこと要約

本稿では、認知無線におけるスペクトラムセンシングを分類問題として扱う、深層学習に基づくスペクトラムセンシング手法を提案する。受信信号の電力を正規化し、ノイズを含む多様な信号タイプで学習を実施するとともに、トランスファーラーニングを適用することで、従来の固有値およびエントロピーに基づく手法に比べ、色雑音下や未学習の信号タイプにおいて優れた検出性能を達成する。

ABSTRACT

Spectrum sensing is a key technology for cognitive radios. We present spectrum sensing as a classification problem and propose a sensing method based on deep learning classification. We normalize the received signal power to overcome the effects of noise power uncertainty. We train the model with as many types of signals as possible as well as noise data to enable the trained network model to adapt to untrained new signals. We also use transfer learning strategies to improve the performance for real-world signals. Extensive experiments are conducted to evaluate the performance of this method. The simulation results show that the proposed method performs better than two traditional spectrum sensing methods, i.e., maximum-minimum eigenvalue ratio-based method and frequency domain entropy-based method. In addition, the experimental results of the new untrained signal types show that our method can adapt to the detection of these new signals. Furthermore, the real-world signal detection experiment results show that the detection performance can be further improved by transfer learning. Finally, experiments under colored noise show that our proposed method has superior detection performance under colored noise, while the traditional methods have a significant performance degradation, which further validate the superiority of our method.

研究の動機と目的

• 動的で不確実な無線環境下における認知無線のスペクトラムセンシングの課題に取り組む。
• ノイズ電力の不確実性に敏感で、新しい信号タイプへの適応性が低いといった従来手法の限界を克服する。
• 包括的なトレーニングとトランスファーラーニングを通じて、未学習の信号タイプに対しても一般化性能が優れた深層学習フレームワークを構築する。
• 従来手法が著しく劣化する色雑音を伴う実用的状況でも、検出のロバスト性を向上させる。

提案手法

• 深層ニューラルネットワークを用いて、スペクトラムセンシングを教師あり分類タスクとして定式化する。
• トレーニングおよび推論の過程でノイズ電力の不確実性の影響を軽減するため、受信信号電力を正規化する。
• 一般化性能を向上させるために、さまざまな信号タイプおよびノイズを含む多様なデータセットで深層学習モデルをトレーニングする。
• 実世界の信号データに対して事前学習済みモデルを微調整するためのトランスファーラーニング技術を適用し、実用的展開における性能を向上させる。
• 信号の有無を多クラス分類する目的で、ReLU活性化関数とソフトマックス出力を備えた全結合ニューラルネットワークアーキテクチャを採用する。
• データオーグメンテーションおよび正規化を活用して、トレーニング中のモデルの安定性と収束性を向上させる。

実験結果

リサーチクエスチョン

• RQ1 深層学習ベースの手法は、固有値比および周波数ドメインエントロピーに基づく従来手法を上回る性能を発揮できるか？
• RQ2 深層学習モデルは、トレーニングデータに存在しない未学習の信号タイプに対し、どの程度一般化できるか？
• RQ3 実世界の信号データセットに適用した場合、トランスファーラーニングは検出性能をどの程度向上させるか？
• RQ4 色雑音下において、本手法は従来手法と比較してどの程度の性能を示すか？
• RQ5 信号電力の正規化は、スペクトラムセンシングにおけるノイズ電力の不確実性の影響を効果的に低減できるか？

主な発見

• シミュレーションにおいて、提案手法は最大最小固有値比法および周波数ドメインエントロピーに基づく手法の両方を上回る高い検出精度を達成した。
• モデルは強力な一般化能力を示し、再トレーニングなしで未学習の信号タイプを効果的に検出できた。
• 実世界の信号データに対してトランスファーラーニングを適用することで、検出性能が顕著に向上し、実用的展開における価値が確認された。
• 色雑音下では、提案手法は高い検出性能を維持した一方で、従来手法は著しい性能劣化を示した。
• 信号電力の正規化により、ノイズ電力の不確実性の影響が効果的に低減され、モデルのロバスト性が向上した。
• 合成信号環境および実世界信号環境を含む複数の実験的状況において、本手法は一貫した優位性を示した。