基于长短期记忆和主用户活动统计特性的认知无线电频谱感知方案

认知无线电（CR）网络由主用户（PU）和次用户（SU）组成。CR网络中的SU感知频谱频段以机会性接入频谱空穴（white space）。利用频谱空穴有助于提高频谱效率。得益于机器学习/深度学习框架出色的学习能力，近年来许多研究工作已将浅层/深层多层感知机方法应用于频谱感知。然而，由于缺乏记忆单元，多层感知机网络并不十分适用于时间序列数据。另一方面，作为循环神经网络改进版本的长短期记忆（LSTM）网络则非常适合处理时间序列数据。在本文中，我们提出了一种基于LSTM的频谱感知方案（LSTM-SS），该方案能够从频谱数据中学习隐式特征，例如时间相关性（即当前时间戳与过去时间戳之间的相关性）。此外，CR系统还利用PU活动统计特性来提高CR性能。在此背景下，我们计算了诸如开（on）和关（off）周期持续时间、占空比等PU活动统计数据，并提出了基于PU活动统计特性的频谱感知（PAS-SS）方案以增强感知性能。所提出的感知方案在通过实验测试平台装置采集的多种无线电技术的频谱数据上得到了验证。将所提出的LSTM-SS方案与最先进的频谱感知技术进行了比较。实验结果表明，在低信噪比条件下，所提出的方案提高了检测性能和分类准确率。我们注意到，所取得的性能提升是以更长的训练时间和略微增加的执行时间为代价的。