【引言】

近年來，隨著多媒體、大數據、物聯網等科學技術的快速發展，無線通信技術的應用需要更多的頻譜資源，部分頻譜資源空閑和部分頻譜資源競爭激烈已演變成為無線頻譜資源利用的主要問題之一，而解決這一問題的思路是盡量提高現有的頻譜利用率。為此，認知無線電技術[1]應運而生。認知無線電技術能夠動態地利用暫時空閑的頻譜資源，在不對主用戶(PU）造成干擾的前提下實現與次用戶(CU)地頻譜共享，有效提高頻譜利用率。頻譜感知技術[2]是認知無線電的關鍵一步，其主要目的是在復雜的無線通信環境中準確、快速地檢測出主用戶信號是否存在。目前頻譜感知的研究主要分為單個次用戶頻譜感知技術和多個次用戶協作頻譜感知技術。相對于單個次用戶頻譜感知，協作頻譜感知技術可以充分利用次用戶感知環境的多樣性，避免單用戶由于多徑衰落和陰影效應造成的誤差，能夠有效地提高整體感知系統性能。在協作頻譜感知中，融合策略是協作頻譜感知的關鍵所在，融合準則可以分為硬判決[3]和軟判決[4]兩種。硬判決融合中，融合中心接收到的是所有次用戶的判決結果，常見的融合準則有“與”準則、“或”準則和“K”秩準則[5]。硬判決的優點是實現簡單，傳輸開銷較小，但由于這些單比特的局部判決結果丟失了大量信息，不能為全局決策提供足夠的信息，因此其檢測性能一般。軟判決融合中，本地次用戶直接將檢測數據發送到融合中心，融合中心利用這些數據，根據“最大比合并”“等增益合并”和“選擇性合并”等準則判決主用戶存在與否。由于檢測數據中包含了大量信息，因此檢測性能優于硬判決融合方法。但是這些軟融合方式沒有充分利用各個次用戶檢測數據的信息，檢測性能有待提高。

機器學習具有強大的特征提取和學習能力，已在各個領域得到應用。已有學者研究了利用機器學習進行協作頻譜感知的相關算法[6-11]，該類算法無需理論推導準確的檢測門限，且對不同噪聲環境的適應度高。文獻[6]將頻譜感知問題轉化為圖像二分類問題,利用各次用戶傳輸到融合中心的正交相移鍵控(QPSK)信號，計算協方差矩陣，并進行歸一化灰度處理,作為深度卷積神經網絡的輸入。文獻[7]利用各次用戶傳輸到融合中心的IQ信號，經過IQ分解與重建提取信號特征，使用K-Medoids聚類算法對特征進行分類，提高了在協作次用戶較少情況下的感知性能。文獻[8]首先利用各次用戶傳輸到融合中心的IQ信號分別按照順序拆分和間隔拆分為兩組新的信號序列，然后根據各次用戶接收的都是同一主用戶信號，利用它們之間是否具有相關性，用以判斷主用戶信號是否存在，因此將次用戶之間的相關系數作為提取的信號特征向量，使用K-Means聚類算法對特征進行分類，提高了協作感知性能。文獻[9]結合文獻[8]的IQ信號拆分重組得到兩個協方差矩陣，通過計算重組得到的協方差矩陣到黎曼均值的測地線距離，作為信號的統計特征，結合Fuzzy C-Means聚類算法提高了協作頻譜感知的性能。但文獻[6]-[9]方法都需要較大的傳輸開銷。文獻[10]將各次用戶得到的能量傳輸到融合中心組成能量向量，多次感知的能量向量組成特征矩陣，特征矩陣經過主成分分析處理后轉換成低維特征矩陣，利用低維特征矩陣訓練K-Means++聚類分類器，最后利用訓練好的聚類分類器感知主用戶信號存在與否。文獻[11]將各次用戶得到的能量傳輸到融合中心組成能量向量，然后融合中心對能量向量進行數據處理變換為概率向量，并利用K-Mediods和模糊支持向量機算法進行訓練和分類，有效降低了算法的訓練時間與分類延遲。

但是文獻[10]-[11]算法沒有充分利用能量向量包含的深層特征信息，而且由于多徑衰落和信噪比等問題，各個協作用戶的感知結果可信度不一致。對此，本文提出一種基于多頭自注意力機制的深度學習頻譜感知方法。多頭自注意力機制[12-13]是一類模擬人腦關注機制的算法，它可以實現將不同可信度的協作用戶賦予不同的權重，然后融合其結果做出最終決策。因此，本文由融合中心收集各次用戶得到的能量組成能量向量，針對各次用戶接收的信號能量與噪聲能量存在的明顯差異問題，設計了多頭自注意力網絡結構，用于提取能量向量的特征，從而抽取更加重要和關鍵的能量特征信息，并進行特征分類做出最終決策，進一步提高了協作頻譜感知的檢測性能。

文章詳細內容下載請點擊：基于多頭自注意力機制的協作頻譜感知算法AET-電子技術應用-最豐富的電子設計資源平臺 (chinaaet.com)

【作者信息】

李濤1，張煜培1，趙知勁1，2

（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）