一个新的多用户协作认知无线电频谱传感模型:基于CNN-LSTM模型
Kai Wang1, Yangyang Chen1, Dan Bo1
1School of Electronic Information Engineering, Inner Mongolia University, Hohhot, Inner Mongolia, China.
PloS one
|January 15, 2025
概括
本研究介绍了一种混合深度学习模型,将卷积神经网络 (CNN) 和长短期记忆 (LSTM) 结合起来,用于在认知无线电 (CR) 系统中增强频谱传感. 这种新的方法在多用户环境中显著提高了传感精度和效率.
科学领域:
- 无线通信无线通信
- 人工智能的人工智能
- 信号处理 信号处理
背景情况:
- 认知无线电 (CR) 技术通过使设备能够感知其环境来提高频谱利用率.
- 有效的频谱传感对于避免对授权用户的干扰至关重要.
- 现有的方法需要提高多用户系统的准确性和效率.
研究的目的:
- 开发一种新的混合深度学习模型,用于CR系统中的多用户合作频谱传感.
- 通过结合CNN和LSTM功能来提高频谱传感的准确性和效率.
- 提高模型在动态无线环境中的适应性和稳定性.
主要方法:
- 一个混合模型,集成卷积神经网络 (CNN) 进行特征提取和长短期内存 (LSTM) 进行序列数据处理.
- 整合了多头自我注意机制以优化信息流.
- 通过模拟实验进行量化性能评估.
主要成果:
- 拟议的CNN-LSTM模型在各种用户配置 (16-48用户) 中实现了较低的传感错误率.
- 在32用户配置下记录了9.9658%的传感错误.
- 该模型在低功耗条件下 (100mW) 与其他深度学习模型相比,显示传感误差低12%.
结论:
- 开发的CNN-LSTM模型显著提高了多用户CR系统的频谱传感精度和效率.
- 整合CNN和LSTM有效地处理时间序列数据中的长期依赖性.
- 多头自我注意力机制提高了对复杂环境的适应能力,显示了实际应用的潜力.
