基于深度學習的動態主用戶頻譜感知算法*

李新玉，趙知勁，2

（1.杭州電子科技大學 通信工程學院，浙江 杭州 310018；2.中國電子科技集團第36 研究所 通信系統信息控制技術國家級重點實驗室，浙江 嘉興 314001）

0 引言

隨著5G 通信技術的發展和無線通信業務的飛速增長，頻譜資源處于供不應求的狀態。認知無線電（Cognitive Radio,CR）[1]的提出緩解了頻譜資源緊張的局面，頻譜感知（Spectrum Sensing,SS）[2]是認知無線電的關鍵技術，它允許次用戶(Secondary User,SU）使用空閑的授權頻譜。靜態主用戶(Primary User,PU)的頻譜感知算法已經得到深入研究，靜態主用戶是指感知階段主用戶狀態保持不變，即始終活躍或者始終沉默，而實際場景中，感知過程中主用戶可能隨機到達或者隨機離開。當主用戶狀態發生變化時，頻譜感知算法性能會受到影響。因此，研究在感知期間主用戶的狀態發生變化的頻譜感知算法具有很強的實際意義。

文獻[3?12]研究了基于模型驅動的動態主用戶的頻譜感知。文獻[3?4]考慮主用戶動態到達的情況，文獻[5?7]研究了主用戶隨機到達和隨機離開的時間服從泊松分布的頻譜感知，文獻[8?10]采用馬爾可夫鏈建模PU 的隨機出現和離開，研究了動態頻譜主用戶頻譜感知，文獻[11?12]研究了感知期間PU 狀態發生2 次變化的動態頻譜感知。以上動態主用戶的頻感知算法，其檢測統計量的設計都依賴人工特征，檢測性能遠低于靜態主用戶檢測，尤其在低信噪比下的檢測性能有待提升。

深度學習(Deep Learning,DL)[13]的突破性發展，使基于深度學習的頻譜感知成為研究熱點。將靜態主用戶的頻譜感知建模成二分類問題[14?21]，利用大量信號和噪聲樣本訓練得到頻譜感知分類器，這種數據驅動的算法對靜態主用戶檢測性能優于傳統模型驅動的頻譜感知算法。文獻[14?17]訓練卷積神經網絡(Convolutional Neural Network,CNN)得到頻譜感知器。文獻[14]采用接收樣本的協方差矩陣作為特輸入訓練網絡，實驗結果顯示此類算法性能優于能量檢測算法，該算法無需任何先驗信息，是盲閾值設置算法。為了提高信道衰落環境下的頻譜感知性能，文獻[15]將信號循環平穩周期圖作為特征，通過對抗性訓練，獲得魯棒性較強的CNN 檢測器。文獻[16]采用CNN 提取通過時序信號編碼得到的圖像特征，提高了低信噪比下算法對主用戶信號的檢測概率。文獻[17]使用樣本的協方差矩陣作為輸入，以后驗概率作為損失函數。但淺層CNN 特征提取能力有限，為了避免網絡層數增加導致的梯度彌散和梯度爆炸問題，文獻[18?20]選擇殘差網絡作為特征提取器進行頻譜感知。文獻[18]將歸一化的信號功率譜作為殘差網絡的輸入，使用8 種調制信號和噪聲訓練殘差網絡，得到的模型泛化能力較好，對于訓練集中沒有的主用戶信號也可以保持較高的檢測概率。文獻[19]將小波變換的時頻矩陣作為殘差網絡的輸入，性能優于CNN 作為特征提取網絡的算法。文獻[20]將信號IQ 路采樣作為殘差塊輸入，訓練得到的模型性能優于CNN 算法和能量檢測算法。由此可見，殘差網絡對靜態主用戶樣本的擬合效果要優于普通的CNN。文獻[21]利用卷積注意力模塊(Convolutional Block Attention Module,CBAM)實現靜態主用戶場景下的頻譜感知，進一步提高了低信噪比下的檢測概率。

以上算法利用大量信號樣本訓練特征提取網絡，智能提取了復雜通信場景中接收樣本的特征，實現了靜態主用戶頻譜感知，但基于深度學習的動態主用戶的頻譜感知研究不多。文獻[22]將多個時隙主用戶信號的能量作為特征提取網絡的輸入，利用CNN 和CBAM 提取動態主用戶信號的特征，仿真結果表明該算法性能優于加權的能量檢測算法。但該算法將多時隙能量作為網絡輸入破壞了原始數據的動態特征，采用多時隙樣本會限制實際部署。現實場景中，無法預知主用戶到達時間和離開時間，主用戶隨機到達得越晚或者離開得越早，接收到信號中噪聲越多，現有算法很難提取到動態主用戶的特征，無法準確檢測到主用戶的存在。針對該問題，本文從去噪的角度出發，假設主用戶到達和離開的時刻服從均勻分布，提出基于殘差收縮注意力機制的動態主用戶的頻譜感知算法(DRSN_CAM)，將深度殘差收縮網絡(Deep Residual Shrinkage Network,DRSN)[23]作為特征提取器，提高模型的抗噪性能；采用協調注意力模塊(Coordinate Attention Module,CAM)[24]捕獲動態主用戶特征的長距離依賴關系，進一步提高模型對動態主用戶特征的提取能力。

1 DRSN_CAM 頻譜感知算法

1.1 動態主用戶狀態建模

在一個感知時隙內，主用戶隨機離開和隨機到達的情況如圖1 所示。

圖1 主用戶的兩種狀態

其中，(a)表示目標頻譜上原本存在主用戶，但在某個時刻，主用戶隨機離開；(b)表示感知期間，主用戶隨機出現在目標頻譜上。N表示樣本長度，N0(0 ＜N0≤N?1)表示主用戶隨機離開的時刻，N1(0 ≤N1＜N?1)表示主用戶隨機接入的時刻，Ni(i=0,1) 服從均勻分布。根據主用戶是否存在將頻譜感知建模成二分類問題，式（1）和式（2）表示主用戶存在情況，即頻譜繁忙，用假設N1表示；式（3）表示主用戶不在，即頻譜空閑，用假設N0表示；y(n) 為次用戶接收到的基帶信號；u(n) 是服從均值為0、方差為σ2μ的獨立同分布的高斯白噪聲，x(n)=m(n)*h(n)，m(n)是主用戶信號，h(n)是信道增益，且m(n)與u(n)相互獨立，“*”為卷積。

1.2 DRSN_CAM 算法模型

DRSN_CAM 算法的網絡模型如圖2 所示，其中深度殘差收縮網絡（DRSN）和協調注意力機制（CAM）是主要模塊。前2 個卷積層提取動態主用戶信號的淺層特征；DRSN 模塊中的卷積層和殘差結構進一步提取樣本的高維特征，自適應地濾除冗余的噪聲特征，保留動態主用戶信號特征，提高模型的抗噪性能；采用CAM 聚合動態主用戶每個通道的垂直方向和水平方向的特征，獲取特征的長距離依賴；分類層將特征維度映射為類別維度，并輸出判決結果。

圖2 DRSN_CAM 網絡結構

1.2.1 深度殘差收縮模塊DRSN

在實時感知階段，在H1假設下，因為主用戶的隨機出現和隨機離開，相對于主用戶始終保持活躍的情況，收集到的樣本會含有更多的噪聲。為了避免噪聲特征影響模型提取動態主用戶特征，采用DRSN 作為主要的特征提取器，DRSN 模塊由2 個RSBU1 和2 個RSBU2 堆疊得到，與RSBU1 相比，RSBU2 中多出的1×1 的卷積層的作用是增加該模塊的輸出通道維度。利用式（4）所示的軟閾值法，DRSN 濾除噪聲特征，保留動態主用戶特征。閾值τ是通過模型訓練得到的，τ為較小的正值，且每個通道都有不同的閾值。將輸入特征S的絕對值小于閾值τ的特征濾除，將絕對值大于閾值的特征朝著零收縮，得到輸出特征V。

利用收縮模塊RSBU1 和RSBU2 中的shrink 網路將提取到的冗余噪聲特征置零，避免其干擾模型提取動態主用戶信號特征，提高模型的抗噪性。式（5）和式（6）所示的RSBU1 和RSBU2 獲得閾值的過程如下。

根據式(5)對輸入特征的每個通道取絕對值，其中c表示第c個通道，再對各通道的特征值做全局平均池化(Global Average Pool,GAP)得到的特征記為A；在另一條網絡支路中，由式（6）將經過平均池化之后的特征通過全連接層降維得到一維張量，再依次進行批量歸一化(Batch Normalization,BN)、非線性激活ReLU 操作，最后再通過Sigmoid 層，獲得收縮參數α(0 ＜α＜1)，其中σ表示Sigmoid 層,則閾值為τ=α×A。

1.2.2 協調注意力機制模塊CAM

CAM 由兩個方向處理模塊和1 個特征融合模塊組成。DRSN 模塊的輸出特征為R C×H×W，其第c個通道，(i,j)處的特征值為rc(i,j)。方向處理模塊1 利用2 個全局池化層聚合不同方向的動態主用戶特征，捕獲每個通道特征的長距離依賴關系，定位動態主用戶特征的位置信息，得到單個通道c在高度h和寬度w處的輸出和分別如式（7）和（8）所示，得到輸出的特征張量為。

特征融合模塊通過拼接Zh和Zw，降維及非線性處理，進一步融合每個通道不同方向的特征，得到中間特征FC/r×1×(W+H)。方向處理模塊2利用2 個一維卷積分別提取水平和垂直方向的特征，得到gh和gw。最后得到增強特征張量R'C×H×W，其通道c的特征rc'(i,j)如式（9）所示。

1.3 模型訓練和測試

DRSN_CAM頻譜感知算法方案如圖3所示，算法分為線下模型訓練和感知測試兩部分。為了增大卷積感受野，利用樣本的I路和Q路數據得到維度為32×32矩陣I和Q,所以模型輸入張量維度是2×32×32。模型的輸出如式（10）所示，其中Gθ(?)表示參數為θ的DRSN_CAM網絡，表示s(k)的假設H1為真的概率，表示s(k)的假設H0為真的概率，且滿足。

圖3 DRSN_CAM 頻譜感知

本文算法的檢測統計量T(s(k)) 如式（11）所示，表示訓練好的網絡判斷s(k)的假設為Hi的概率，在訓練階段P(H0)=P(H1)=0.5。

模型測試階段，首先確定感知門限，將t個噪聲樣本輸入到訓練好的網絡Gθ*(?)中，獲得一組檢測統計量并且降序排列得到向量，給定Pf，向量中的第Pf×t個元素值作為檢測門限γ，本文t取1 000。將樣本輸入訓練好的網絡進行測試，根據式（12）判斷PU 是否存在。

2 仿真分析

本節仿真分析本文的DRSN_CAM 算法、基于殘差網絡的ResNet 算法[20]和基于卷積注意力機制的CBAM算法[22]對動態主用戶的檢測性能。

2.1 數據集

使用MATLAB 軟件生成BPSK、QPSK、64QAM 和16QAM 4 種主用戶信號。訓練集和驗證集的信號樣本的信噪比從?20 dB 到20 dB，步長為2，主用戶隨機到達和主用戶隨機離開的兩種情況；訓練集中，每種信號每dB 下生成100 個樣本，共計16 800 個信號樣本；驗證集中每種信號每dB 下10 個樣本，共計1 680 個信號樣本；訓練集和驗證集中的噪聲樣本與信號樣本數相同，各為16 800 個和1 680 個。測試集共計9 600 個信號樣本，信噪比從?20 dB 到10 dB，步長為2，主用戶隨機到達和隨機離開的2 種情況下，每種信號每dB 下生成75 個樣本。

2.2 算法性能分析

2.2.1 超參數的設置

訓練集和驗證集中的主用戶信號，到達時刻N1(0 ≤N1＜N?1) 和離開時刻N0(0 ＜N0≤N?1) 均服從均勻分布，模型訓練超參數設置，訓練輪數26，學習率設為0.000 001，批量大小為128，優化器選擇Adam。

2.2.2 DRSN_CAM 算法對主用戶動態程度的魯棒性

主用戶隨機到達的點N1∈[0,(1 ?d) ?N) 和隨機離開的點N0∈(d?N,N]，服從均勻分布，其中動態因子d用于控制主用戶到達和離開的時刻。d的取值為0、10%、25%、50%、75%和100%時，PU 的動態程度依次減弱，其中d=0 表示主用戶狀態完全隨機，d=100%表示感知期間主用戶始終存在。當信號長度為1 024，虛警概率為0.06 時，DRSN_CAM 算法對6 種不同動態程的主用戶的檢測性能曲線如圖4 所示。橫坐標SNR 是信噪比，縱坐標是不同信噪比下DRSN_CAM 算法對動態主用戶的檢測概率。

圖4 不同PU 狀態下DRSN_CAM 算法的檢測概率

由圖4 可知，當d＞50%時，DRSN_CAM 算法性能比較接近，當SNR 大于?8 dB 時，檢測概率都達到了94%以上。隨著主用戶的動態程度逐漸增加，DRSN_CAM算法的檢測概率逐漸降低，這是因為，隨著d的減小，主用戶動態程度增加，而主用戶停留的時間就越短，樣本數據包含的信號特征就越少，因此，算法對主用戶的檢測概率就會降低。當d取100%、75%、50%和25%，信噪比為?10 dB 時，檢測概率依次可以達到89.1%、86%、79%和63.5%。當d取10%和0 的情況下，檢測概率始終無法達到100%，這是因為部分樣本主用戶停留在目標頻譜上的時間非常短暫，模型無法檢測到；此時，即使次用戶接入頻譜，與主用戶碰撞的可能性也很小，因為主用戶停留的時間極其短暫。

2.2.3 算法性能對比

對比算法ResNet[20]和CBAM[22]模型訓練的超參數與本文算法相同，將CBAM 網絡及其輸入采用樣本的IQ 路信號和信號的能量值的算法分別稱為CBAM_IQ算法和CBAM_Energy 算法。樣本長度為1 024，虛警概率Pf=0.1,d=25% 和d=75%,不同信噪比下，DRSN_CAM、ResNet、CBAM_IQ 和CBAM_Energy 4 種算法對兩種不同動態程度的PU 的檢測概率如圖5 和圖6 所示。

圖5 4 種算法性能對比（d=25%）

由圖5 和圖6 可知，在主用戶兩種動態程度情況下，DRSN_CAM 算法性能都是最佳的，ResNet 算法性能優于CBAM_IQ 和CBAM_Energy，CBAM_Energy 算法性能最差。當d=25%，信噪比為?10 dB 時，DRSN_CAM 算法、ResNet 算法、CBAM_IQ 算法、CBAM_Energy 算法的檢測概率分別為78.3%、54%、28%和15.5%；當d=75%，SNR=?10 dB 時，DRSN_CAM 算 法、ResNet 算 法、CBAM_IQ 算法、CBAM_Energy 算法的檢測概率分別為95.6%、78.3%、37.6% 和16.6%。這是因為DRSN_CAM算法在殘差網絡中添加了閾值軟化的收縮模塊，可以濾除冗余的噪聲特征，保留信號特征，提高模型的抗噪性能，所以對淹沒在噪聲中的動態主用戶的檢測概的動態主用戶的檢測概率更高；而ResNet 算法的殘差網絡的特征提取能力比CBAM 算法的卷積注意力機制要強，所以ResNet 算法性能優于CBAM算法；CBAM_Energy 算 法檢測性能比CBAM_IQ 算法性能差，這是因為CBAM_Energy 算法將樣本能量值輸入到網絡中訓練，不利于模型提取樣本的動態特征。當d=50%，Pf=0.1，信號長度為1 024，主用戶隨機到達時間點N1和隨機離開時間點N0服從均勻分布時，N1∈[0,50%N)，N0∈[50%N,N)；當N0和N1服從泊松分布時，其均值為256 和768。用N0和N1服從均勻分布的數據集訓練網絡，4 種算法對N0和N1服從泊松分布和均勻分布的主用戶信號的檢測概率如圖7 所示，其中算法a_u 和a_p 分別表示算法a 對N0和N1服從均勻分布和泊松分布的兩種主用戶信號的檢測。

圖7 N0 和N1 的分布對算法性能影響（d=50%）

由圖7 可見，DRSN_CAM 算法性能優于3 種對比算法，當信噪比為?8 dB 的時候，DRSN_CAM 算法對均勻分布樣本和泊松分布樣本的檢測概率分別為94.1%和97%。可見，主用戶狀態變化點N0和N1服從的分布對檢測性能的影響并不大。

3 結論

針對現有頻譜感知算法對動態主用戶檢測效果不佳的問題，本文研究提出DRSN_CAM 算法。利用DRSN 模塊提取動態主用戶樣本特征，收縮模塊濾除冗余的噪聲特征，提高了模型的抗噪性能；CAM 模塊沿著水平和垂直方向聚合動態主用戶每個通道的特征，提高了模型對動態主用戶的檢測概率。大量實驗結果證明DRSN_CAM 算法對動態主用戶檢測性能優于對比算法。