[论文解读] Deep Sensing: Cooperative Spectrum Sensing Based on Convolutional Neural Networks

Woongsup Lee, Minhoe Kim+1 more|arXiv (Cornell University)|May 23, 2017

Cognitive Radio Networks and Spectrum Sensing参考文献 13被引用 27

一句话总结

本文提出了一种新型基于CNN的协作式频谱感知框架——深度协作感知（DCS），该框架从训练数据中学习最优融合策略，在低复杂度模型和有限训练样本下，性能优于传统方法（如K-out-of-N和SVM），且无需显式信道建模或位置信息，可自适应处理空间与频谱相关性。

ABSTRACT

In this paper, we investigate cooperative spectrum sensing (CSS) in a cognitive radio network (CRN) where multiple secondary users (SUs) cooperate in order to detect a primary user (PU) which possibly occupies multiple bands simultaneously. Deep cooperative sensing (DCS), which constitutes the first CSS framework based on a convolutional neural network (CNN), is proposed. In DCS, instead of the explicit mathematical modeling of CSS which is hard to compute and also hard to use in practice, the strategy for combining the individual sensing results of the SUs is learned with a CNN using training sensing samples. Accordingly, an environment-specific CSS which considers both spectral and spatial correlation of individual sensing outcomes, is found in an adaptive manner regardless of whether the individual sensing results are quantized or not. Through simulation, we show that the performance of CSS can be improved by the proposed DCS with low complexity even when the number of training samples is moderate.

研究动机与目标

• 为解决认知无线电网络（CRNs）中传统方法在处理空间与频谱相关性时面临的挑战，设计适应环境的协作式频谱感知（CSS）策略。
• 通过直接从训练样本中学习最优融合策略，消除对相关感知结果复杂数学建模的需求。
• 在不同信道条件下（包括硬判决与软判决输入）实现鲁棒的频谱感知，且无需预先知晓次用户（SU）位置或信号强度分布。
• 证明深度学习可在计算复杂度低、训练数据量少的情况下实现优异的感知精度，提升实际部署的可行性。

提出的方法

• 所提出的DCS框架使用卷积神经网络（CNN）学习从多个次用户（SUs）获取的个体感知结果的最优融合策略，将融合过程视为特征学习问题。
• CNN在捕捉空间与频谱相关性的合成感知样本上进行训练，使模型能够自适应环境条件，而无需显式建模信道统计特性。
• 该方法支持硬判决（二进制报告）与软判决（模拟RSS值）输入，提升感知报告格式的灵活性。
• 网络架构设计为小型高效，确保低推理复杂度，适用于实时运行。
• 训练过程通过反向传播最小化虚警概率与漏检概率之和，基于模拟感知结果的数据集进行优化。

实验结果

研究问题

• RQ1 在相关信道条件下，基于深度学习的方法是否能在感知精度上优于传统协作式频谱感知方案（如K-out-of-N和SVM）？
• RQ2 所提出的基于CNN的融合策略性能如何随次用户数量增加及噪声电平变化而变化？
• RQ3 DCS框架在少量训练样本下能保持多高精度？这是否可降低实际部署的开销？
• RQ4 DCS框架的计算复杂度与传统方案相比如何？是否适合实时实现？

主要发现

• 在所有测试噪声电平下，DCS的感知误差均低于K-out-of-N方案和SVM-based CSS，且在使用软判决输入时误差最低。
• 即使在高噪声水平下（例如，N₀ = -154 dBm/Hz），DCS使用软判决时的感知误差仍低于21%，表现出对恶劣信道条件的强鲁棒性。
• 仅使用100组训练样本，DCS即可实现足够低的感知误差，表明其数据开销小，具备实际部署的可行性。
• DCS推理的计算时间在所有测试的次用户数量下均保持在20 ms以内，证实其在高于传统方案复杂度的情况下仍具备实时运行能力。
• DCS显著优于传统方案，尤其在协作次用户数量较少时表现更优，凸显其在稀疏感知环境中的高效性。