在认知无线电中，基于轻量级深度学习的光谱感知技术能够适应动态用户设备（PU）的活动情况

《IEEE Communications Magazine》：Lightweight Deep Learning-Based Spectrum Sensing under Dynamic PU Activity in Cognitive Radio

　　

摘要：

在实际场景中，动态主要用户（PU）的活动会导致在感知时隙内信号出现间歇性，从而使得次要用户（SU）只能部分捕获到信号。在这种动态活动条件下，传统的频谱感知方法存在严重局限性，它们往往无法可靠地检测到PU的存在与否。尽管基于深度学习的感知方法能够分析时间序列信号，但由于计算需求较高，对于资源受限的认知无线电来说仍然不切实际。为了解决计算和检测可靠性的问题，我们提出了一种轻量级的基于深度学习的频谱感知（LDS）模型，该模型利用知识蒸馏框架和长短期记忆（LSTM）来在保持高性能的同时显著降低计算复杂度。通过从基于注意力的LSTM中提取知识，LDS模型在频谱感知方面的性能优于基于注意力的LSTM，并且始终优于标准LSTM、卷积神经网络与循环神经网络（CNN-RNN）以及生成对抗网络增强频谱感知（GAN-Aug）框架。同时，LDS模型将基于注意力的LSTM的复杂度降低了约99.39%，GAN-Aug降低了约98.04%，CNN-RNN降低了约96.72%。此外，LDS模型的性能也优于传统的频谱感知技术。由于其低复杂度和强大的性能，LDS模型特别适合用于动态且时间敏感的认知无线电环境中的频谱感知。