[论文解读] Deep Learning Network Based Spectrum Sensing Methods for OFDM Systems

Qingqing Cheng, Zhenguo Shi+2 more|arXiv (Cornell University)|Jul 25, 2018

Cognitive Radio Networks and Spectrum Sensing参考文献 46被引用 13

一句话总结

本文提出两种基于深度学习的频谱感知方法——SAE-SS 和 SAE-TF，利用堆叠自编码器在无需先验信号结构知识的情况下检测正交频 division multiplexing (OFDM) 系统中的主用户活动。通过直接从接收信号中学习隐藏特征，两种方法在噪声不确定性、定时延迟和载波频偏条件下均显著优于传统技术。

ABSTRACT

Spectrum sensing plays a critical role in dynamic spectrum sharing, a promising technology to address the radio spectrum shortage. In particular, sensing of Orthogonal frequency division multiplexing (OFDM) signals, a widely accepted multi-carrier transmission paradigm, has received paramount interest. Despite various efforts, most conventional OFDM sensing methods suffer from noise uncertainty, timing delay and carrier frequency offset (CFO) that significantly degrade the sensing accuracy. To address these challenges, this work develops two novel OFDM sensing frameworks drawing support from deep learning networks. Specifically, we first propose a stacked autoencoder based spectrum sensing method (SAE-SS), in which a stacked autoencoder network is designed to extract the inherent features of OFDM signals. Using these features to classify the OFDM user's activities, SAE-SS is much more robust to noise uncertainty, timing delay, and CFO than the conventional OFDM sensing methods. Moreover, SAE-SS doesn't require any prior information of signals (e.g., signal structure, pilot tones, cyclic prefix) which are essential for the conventional feature-based OFDM sensing methods. To further improve the sensing accuracy of SAE-SS, especially under low SNR conditions, we propose a stacked autoencoder based spectrum sensing method using time-frequency domain signals (SAE-TF). SAE-TF achieves higher sensing accuracy than SAW-SS at the cost of higher computational complexity. Extensive simulation results show that both SAE-SS and SAE-TF can achieve significantly higher sensing accuracy, compared with state of the art approaches that suffer from noise uncertainty, timing delay and CFO.

研究动机与目标

• 解决传统 OFDM 频谱感知方法在噪声不确定性、定时延迟和载波频偏条件下性能不佳的问题。
• 开发一种无需先验主用户信号知识（如导频音、循环前缀或信号结构）的频谱感知框架。
• 利用深度学习从 OFDM 信号中自动提取隐藏特征，以提高检测准确性。
• 通过使用时频域信号增强特征表示，提升低信噪比（SNR）条件下的感知性能。

提出的方法

• 提出 SAE-SS，一种基于堆叠自编码器的频谱感知方法，可直接从原始接收信号中学习 OFDM 信号的隐藏特征，无需依赖信号结构知识。
• 设计多层堆叠自编码器，从输入信号中提取分层特征，随后通过分类器检测主用户活动。
• 提出 SAE-TF，作为 SAE-SS 的增强版本，使用 OFDM 信号的时频域表示作为输入，以提升特征提取与检测准确性。
• 采用无监督预训练阶段训练堆叠自编码器网络，随后使用标注数据进行微调以实现分类。
• 利用学习到的特征对信号是否存在进行分类，从而在同步误差或噪声不确定性导致传统方法失效时，仍能实现鲁棒检测。
• 通过调整隐藏单元数量和网络层数，优化网络架构，以在感知准确率与计算复杂度之间取得平衡。

实验结果

研究问题

• RQ1 在噪声不确定性、定时延迟和载波频偏条件下，基于深度学习的方法是否能优于传统 OFDM 频谱感知方法？
• RQ2 堆叠自编码器在不依赖导频音或循环前缀等信号结构先验知识的情况下，能在多大程度上学习 OFDM 信号的隐藏特征？
• RQ3 在低信噪比环境下，SAE-TF 中使用时频域信号相较于 SAE-SS 如何提升感知准确性？
• RQ4 当增加 OFDM 符号块数 M 或自编码器隐藏单元数时，感知准确率与计算复杂度之间的权衡如何变化？
• RQ5 循环前缀长度对所提出的基于深度学习的感知方法性能有何影响？

主要发现

• 在噪声不确定性、定时延迟和载波频偏条件下，SAE-SS 的漏检概率（PM）显著低于传统方法，当 M 从 1 增加到 3 时，在 -10 dB 信噪比下 PM 最多降低 0.0402。
• 在低信噪比条件下，SAE-TF 优于 SAE-SS，当循环前缀长度从 0 增加到 16 时，PM 从 0.0498（SAE-SS）降低至 0.0211（SAE-TF），信噪比为 -12 dB。
• SAE-TF 的离线训练时间随 OFDM 符号块数 M 增加而增长更快，当 M=3 时达到 451.24 分钟，表明其计算成本更高。
• 为 SAE-SS 和 SAE-TF 添加额外特征（如循环前缀或时频内容）可进一步降低 PM，但会增加在线计算复杂度。
• 更长的循环前缀长度（Nc = 16）可提升两种方法的感知准确性，使 PM 降低至 0.0301（SAE-SS）和 0.0211（SAE-TF），证明了从循环前缀内容中有效提取特征的能力。
• 所提方法在性能上优于现有最先进方法，尤其在低信噪比和高干扰条件下，归因于其学习未知隐藏信号特征的能力。