[论文解读] Robust Deep Sensing Through Transfer Learning in Cognitive Radio

Qihang Peng, Andrew Gilman+3 more|arXiv (Cornell University)|Aug 1, 2019

Cognitive Radio Networks and Spectrum Sensing参考文献 14被引用 8

一句话总结

本文提出了一种基于深度学习的频谱感知框架，通过卷积神经网络（CNN）直接处理原始信号样本，利用迁移学习提升鲁棒性。在应用于新型无线环境时，仅需少量标注的目标数据进行微调，即可显著提升性能，优于从零开始训练或传统能量检测方法，尤其在信号类型和传播条件变化的情况下表现更优。

ABSTRACT

We propose a robust spectrum sensing framework based on deep learning. The received signals at the secondary user's receiver are filtered, sampled and then directly fed into a convolutional neural network. Although this deep sensing is effective when operating in the same scenario as the collected training data, the sensing performance is degraded when it is applied in a different scenario with different wireless signals and propagation. We incorporate transfer learning into the framework to improve the robustness. Results validate the effectiveness as well as the robustness of the proposed deep spectrum sensing framework.

研究动机与目标

• 解决基于深度学习的频谱感知在应用于与训练场景不同的无线环境时鲁棒性不足的问题。
• 克服在测试条件分布下需要大量标注数据的局限性。
• 探索迁移学习作为解决方案，以最小量的标注数据将预训练深度模型适应到新的信号类型和传播环境。
• 在无监督（无目标数据标注）和有监督（少量目标数据标注）设置下，验证迁移学习的有效性。
• 建立一种基于原始信号输入、无需手工特征工程的鲁棒端到端深度频谱感知框架。

提出的方法

• 使用带有两个卷积层（卷积核大小1×9，滤波器数量分别为256和80）的2D-CNN，激活函数为ReLU，引入Dropout（0.5）和批量归一化，处理采样信号的同相和 quadrature 分量。
• 将离散时间复值信号序列（2×N）直接作为输入送入网络，跳过特征工程步骤。
• 使用二元交叉熵损失函数进行训练，通过Sigmoid输出层预测主用户存在（y=1）或不存在（y=0）。
• 通过微调实现迁移学习：使用在源域（如QPSK或高斯信号）上预训练的权重初始化网络，随后在少量目标域标注样本上进行微调。
• 使用检测概率（pd）和虚警概率（pfa）评估性能，结果通过10次随机初始化的平均值以考虑随机性影响。
• 将迁移学习性能与能量检测（ED）及仅使用目标域数据从零开始训练的性能进行对比。

实验结果

研究问题

• RQ1 在原始信号样本上训练的深度学习模型是否能在不同无线信号类型和传播环境中实现鲁棒的频谱感知？
• RQ2 当目标环境中无任何标注数据时，迁移学习在提升深度频谱感知性能方面的有效性如何？
• RQ3 与从零开始训练相比，使用少量目标域标注样本进行微调能在多大程度上提升检测性能？
• RQ4 源域与目标域的选择（如QPSK与高斯信号）是否会影响迁移学习在频谱感知中的鲁棒性？
• RQ5 在多样且非相同分布的信号与信道条件下，基于迁移学习的深度感知是否能优于传统能量检测？

主要发现

• 当无任何目标数据标注时，迁移学习不可靠，性能高度依赖于源域与目标域的配对，且无法稳定超越基线方法。
• 仅需300个标注的高斯信号样本，微调后的深度感知方法在pfa=0.1时的检测概率（pd）即优于能量检测。
• 无论在何种信号类型和信道模型下，使用少量标注样本（如100个）进行微调，其性能始终优于从零开始训练。
• 在QPSK + PL → BPSK + PL,R 的情况下，微调方法的受试者工作特征曲线下面积（AUC）达到938.72，而从零开始训练的AUC为849.61。
• 预训练模型（如在QPSK上预训练）提供了强大的归纳偏置，即使在无任何高斯数据标注时，检测概率（pd）仍可保持在0.55以上，而随机初始化的模型pd < 0.1。
• 在所有测试的信号与信道组合中（如QPSK到16QAM，BPSK到QPSK），微调方法始终优于从零开始训练，且在数据充足时超越能量检测。