基于深度学习的分布式异构频谱感知

摘要

随着移动互联网的快速发展，移动设备的数量急剧增加，导致频谱资源日趋紧张。动态频谱分配是缓解频谱资源紧张的有效途径。动态频谱分配依赖于频谱感知，即探测出未被占用的频段。传统的频谱感知通常只考虑单个感知节点的情景，监控范围较小。为了监控较大的地理范围，须考虑多个节点联合感知的架构，即分布式频谱感知。由于模数转换器硬件精度不同、感知环境的复杂程度不同等因素，分布式系统中广泛存在着设备间的异构性。为了解决该问题，提出一种新的分布式频谱感知架构。该架构包含若干个感知节点，每个节点上部署一个卷积神经网络，用于鉴别所监控的频谱是否处于被占用状态。该分布式架构要求不同节点的浅层网络共享权值参数，而深层网络的参数在节点之间是独立的。这一设计的动机源于浅层网络的特征提取受信噪比影响较小，因而不同节点共享浅层网络的权值可以提高样本利用率。其次，深层网络参数受信噪比影响较大，为了提高感知系统对本地信噪比的鲁棒性，每个节点应仅使用各自的训练样本来训练其深层网络。仿真表明，该方法能够显著提高异构感知网络的检测准确性。

关键词

卷积神经网络 / 分布式感知网络 / 异构性 / 频谱感知