通过基于注意力和CNN特征的融合来进行合作频谱传感的多分支网络

科学领域:

• 电气工程 电气工程
• 计算机科学 计算机科学
• 信号处理 信号处理

背景情况:

• 在认知无线电 (CR) 系统中,高效的频谱利用依赖于精确的频谱孔检测.
• 具有多个主要用户 (PU) 的越来越复杂的CR环境对精确的频谱传感构成重大挑战.
• 现有的方法很难捕捉动态环境中传感信号的复杂的空间和时间特征.

研究的目的:

• 介绍ATC模型,一种用于增强频谱传感的新型深度学习架构.
• 在复杂的CR环境中提高频谱洞检测的准确性和稳定性.
• 从传感信号中有效捕获空间和时间特征,以更好地检测频谱状态.

主要方法:

• 开发了一种混合深度学习架构 (ATC模型),结合了注意力机制和卷积神经网络 (CNN).
• 使用图表注意网络 (GAT) 来从接收的信号强度数据中提取拓特征.
• 利用CNN来处理样本共变矩阵以查找局部统计相关性和层次特征.
• 整合了一个具有自我注意力的变压器编码器来模拟时间动态和PU活动模式.

主要成果:

• 在模拟的多PU场景中,ATC模型表现出比基准频谱传感方法更好的性能.
• 对模拟和现实数据集的评估显示出更高的准确性和稳定性.
• 该模型有效地捕捉空间,时间和拓特征,以增强频谱状态检测.

结论:

• 拟议的ATC模型为认知无线电系统的频谱传感提供了重大进展.
• 混合深度学习方法有效地解决了复杂的CR环境和多个PU所带来的挑战.
• 空中交通管制模型为高效的频谱利用提供了强大而准确的解决方案.