ハイブリッドアンサンブルとオートエンコーダー方式による認知無線ネットワークにおけるセンシング信頼性の向上

科学分野:

• 無線通信
• 信号処理
• 機械学習

背景:

• 認知無線ネットワーク（CRN）における協調的スペクトルセンシング（CSS）は、信頼性と堅牢性の課題に直面しています。
• 偽センシングユーザー（FSU）および変化するチャネル条件は、従来のCSSスキームのパフォーマンスを低下させます。

研究 の 目的:

• 強化されたCSSパフォーマンスのための新しいハイブリッドアンサンブル分類子（ECDAE）フレームワークを提案すること。
• 偽センシング攻撃およびチャネルの不確実性に対するスペクトルセンシングの精度と堅牢性を向上させること。

主な方法:

• アンサンブル分類子（EC）は、検出確率、誤警報率、およびチャネル条件に基づいてセンシング時間を動的に最適化します。
• デノイジングオートエンコーダー（DAE）は、ソフトフュージョンの前にFSUの影響を軽減するために、ソフト結合エネルギーを前処理します。
• ECDAEフレームワークは、さまざまな信号対雑音比（SNR）および偽センシングシナリオの下で、さまざまな従来および高度な手法と比較して評価されます。

主要な成果:

• ECコンポーネントは、RFC、NN、DT、KNN、GNB、RUSBoost、XGBoostなどの他の分類子よりも優れた性能を発揮し、高いF1スコア（99.23％）、精度（99.78％）、MCC（99.6％）を達成しました。
• ECDAEフレームワークは、エラー確率を大幅に削減します。IGS/HGSに対して99.4％、IGS/HGSに対して98.1％、PSO/DE-ML/CNNに対して92.7％-97.2％です。
• このフレームワークは、4つの異なる偽センシングシナリオ（NFS、YFS、OFS、YNFS）全体で堅牢性を維持し、グローバルな意思決定エラー確率を最小限に抑えます。

結論:

• 提案されたECDAEフレームワークは、CRNにおけるCSSに対して優れた信頼性と堅牢性を提供します。
• 最適化されたセンシング時間とDAEベースのノイズ削減は、フュージョンセンターでのセンシングパフォーマンスを効果的に向上させます。
• ECDAEは、特に困難なSNRおよび偽センシング条件下で、既存の方法よりも大幅に進歩します。