优化的多尺度图形神经网络与注意力机制,用于认知无线电网络中的合作频谱传感
1Department of Electronics and Communication Engineering, V.S.B. Engineering College (Autonomous), Karur, 639111, India. nandhini0501phd@gmail.com.
Scientific reports
|November 20, 2025
概括
这项研究介绍了一种具有注意力机制的优化多尺度图形神经网络 (OMSGNNA),用于在认知无线电网络中可靠的频谱传感. 这种新型模型即使在杂的环境中也能达到高精度,信号与噪音比率低.
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:
- 合作频谱传感 (CSS) 对于认知无线电网络 (CRN) 的高效频谱利用至关重要.
- 传统的CSS方法在低信号噪声比 (SNR) 条件下,难以达到低准确度和高错误报警率.
- 低SNR的不可靠传感影响了CRN中的频谱资源分配.
研究的目的:
- 开发一种新的优化深度学习模型,用于在杂环境中可靠的频谱检测.
- 在具有挑战性的低SNR条件下提高频谱传感的性能.
- 提高CRN中频谱检测的准确性和可靠性.
主要方法:
- 提出了一个优化的多尺度图形神经网络与注意力机制 (OMSGNNA).
- 利用基于图形的数据表示和多尺度的特征提取.
- 整合了适应式蝶优化与莱维飞行 (ABO-LF) 进行参数调整.
- 采用了RadioML2016.10b数据集,其中包含从-20dB到18dB的SNR级别的11个调制方案.
主要成果:
- 在高SNR时达到98%的准确性.
- 在精度,回忆和F1分数方面表现出卓越的性能.
- 超越了传统的深度学习模型,特别是在低SNR条件下.
- 在杂环境中验证可靠的频谱检测能力.
结论:
- 拟议的OMSGNNA模型显著提高了CRN中的频谱传感可靠性.
- 在低SNR的情况下,OMSGNNA提供了一个强大的解决方案来克服传统方法的局限性.
- 这种深度学习方法为未来的认知无线电网络研究提供了有希望的方向.
