基于CNN-Transformer融合的频谱感知方法研究

作     者：刘思佚 徐东辉 刘丁胤 胡国杰 陈梓钰 

作者机构：火箭军工程大学作战保障学院 信息支援66389部队 

出 版 物：《无线电通信技术》 (Radio Communications Technology)

年 卷 期：2024年

学科分类：080904[工学-电磁场与微波技术] 12[管理学] 0809[工学-电子科学与技术（可授工学、理学学位）] 08[工学] 0810[工学-信息与通信工程] 1201[管理学-管理科学与工程(可授管理学、工学学位)] 081104[工学-模式识别与智能系统] 080402[工学-测试计量技术及仪器] 0804[工学-仪器科学与技术] 081001[工学-通信与信息系统] 0835[工学-软件工程] 0811[工学-控制科学与工程] 0812[工学-计算机科学与技术（可授工学、理学学位）] 

主　　题：认知无线电 频谱感知 CNN-Transformer 频谱图 

摘      要：随着军事领域频率使用设备的激增，用频环境愈发复杂多变，导致频谱资源日益短缺。在这种背景下，频谱感知技术的引入显得尤为重要。频谱感知技术可以通过实时监测频谱空洞和动态分配频谱资源，从而提高频谱资源利用率，有效缓解频谱资源短缺的问题，并确保通信设备在高效的频谱环境中运行。针对现有频谱感知方法在识别精度低、训练代价高等问题，提出一种基于卷积神经网络（Convolutional Neural Networks，CNN）和Transformer融合的频谱感知方法，充分利用了CNN和Transformer的互补特征提取能力。CNN能够通过多层卷积自动学习空间层级特征，有效提取图像局部特征，Transformer可以很好的学习调制信号的带内频谱特征，同时通过编码器与解码器更好地解决了梯度消失的问题。实验结果表明：基于CNN-Transformer融合的频谱感知模型，在数据量相同的条件下，与传统的CNN以及改进的ResNet-CBAM算法相比，提高了模型的性能和感知精确度；而且在低信噪比下，该模型具有更低的虚警概率。