[论文解读] 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 15

一句话总结

本文提出了一种基于深度学习的认知无线电频谱感知方法，将频谱感知问题视为一个分类问题。通过对接收信号功率进行归一化，并在包括噪声在内的多种信号类型上进行训练，结合迁移学习，该方法在有色噪声环境及面对未见过的信号类型时，相较于传统的特征值和熵基方法，表现出更优的检测性能。

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.

研究动机与目标

• 解决在动态和不确定无线电环境中认知无线电频谱感知的挑战。
• 克服传统频谱感知方法的局限性，如对噪声功率不确定性敏感以及对新型信号类型适应性差。
• 通过全面训练和迁移学习，构建一种在未见信号类型上具有良好泛化能力的深度学习框架。
• 在涉及有色噪声的实际场景中提升检测鲁棒性，传统方法在此类条件下性能显著下降。

提出的方法

• 将频谱感知建模为使用深度神经网络的监督分类任务。
• 对接收信号功率进行归一化，以减轻训练和推理过程中噪声功率不确定性的影响。
• 在包含多种信号类型和噪声的多样化数据集上训练深度学习模型，以增强对未训练信号的泛化能力。
• 应用迁移学习技术，对预训练模型在真实世界信号数据上进行微调，提升实际部署中的性能。
• 采用全连接神经网络架构，使用ReLU激活函数和Softmax输出，实现对信号存在或缺失的多分类识别。
• 利用数据增强和归一化技术，提升训练过程中的模型稳定性与收敛性。

实验结果

研究问题

• RQ1 基于深度学习的方法是否能优于传统的特征值比和熵基感知方法？
• RQ2 深度学习模型在未见信号类型（训练数据中未出现）上的泛化能力有多强？
• RQ3 当应用于真实世界信号数据集时，迁移学习在多大程度上提升了检测性能？
• RQ4 与传统方法相比，所提出方法在有色噪声条件下的表现如何？
• RQ5 信号功率归一化是否能有效降低噪声功率不确定性对频谱感知的影响？

主要发现

• 所提出的深度学习方法在仿真中检测准确率高于最大-最小特征值比和频域熵基方法。
• 该模型展现出强大的泛化能力，无需重新训练即可成功检测此前未见过的信号类型。
• 迁移学习显著提升了在真实世界信号数据上的检测性能，证实其在实际部署中的价值。
• 在有色噪声条件下，所提出方法保持了高水平的检测性能，而传统方法性能显著下降。
• 信号功率归一化有效缓解了噪声功率不确定性的影响，增强了模型鲁棒性。
• 该方法在多种实验场景下均表现出一致的优越性，包括合成信号环境和真实世界信号环境。