基于竞争双深度Q网络的频谱感知和接入

认知用户通过频谱感知和接入过程识别频谱状态并占用空闲频谱,可有效利用频谱资源。针对频谱感知中存在感知错误和频谱接入中存在用户碰撞的问题,首先建立多用户多信道模型,设计频谱感知和频谱接入过程;然后通过结合双深度Q网络和竞争Q网络,设计竞争双深度Q网络,解决过估计问题的同时优化网络结构;最后通过智能体与所设计模型中状态、观测、回报和策略的交互,完成使用竞争双深度Q网络解决频谱感知和接入问题的一体化研究。仿真结果表明,相比于已有深度强化学习方法,使用竞争双深度Q网络得到的数值结果更稳定且感知正确率和信道利用率都提高了4%。     

基于深度卷积神经网络的协作频谱感知方法

针对传统卷积神经网络(CNN)频谱感知方法提取特征能力受限于网络结构简单,增加网络结构又容易出现梯度消失等问题,该文通过在传统卷积神经网络中添加捷径连接,实现输入层恒等映射更深的网络,提出一种基于深度卷积神经网络(DCNN)的协作频谱感知方法.该方法将频谱感知问题转化为图像二分类问题,对正交相移键控(QPSK)信号的协方差矩阵进行归一化灰度处理,并作为深度卷积神经网络的输入,通过残差学习训练深度卷积神经网络模型,提取2维灰度图像的深层特征,将测试数据输入到训练好的模型中,完成基于图像分类的频谱感知.实验结果表明:与传统的频谱感知方法相比,在低信噪比(SNR)下、多用户协作感知时,所提方法具有更高的检测概率和更低的虚警概率.     

基于深度卷积神经网络的协作频谱感知方法

针对传统卷积神经网络(CNN)频谱感知方法提取特征能力受限于网络结构简单,增加网络结构又容易出现梯度消失等问题,该文通过在传统卷积神经网络中添加捷径连接,实现输入层恒等映射更深的网络,提出一种基于深度卷积神经网络(DCNN)的协作频谱感知方法。该方法将频谱感知问题转化为图像二分类问题,对正交相移键控(QPSK)信号的协方差矩阵进行归一化灰度处理,并作为深度卷积神经网络的输入,通过残差学习训练深度卷积神经网络模型,提取2维灰度图像的深层特征,将测试数据输入到训练好的模型中,完成基于图像分类的频谱感知。实验结果表明:与传统的频谱感知方法相比,在低信噪比(SNR)下、多用户协作感知时,所提方法具有更高的检测概率和更低的虚警概率。     

基于深度LSTM辅助卷积网络的新型自动调制分类

自动调制分类在无线频谱异常检测和无线电环境感知中将发挥重要作用.随着深度学习算法的突破,调制分类任务可利用神经网络达到前所未有的高分类精确度.文中提出了一种新颖的神经网络,称为长短期卷积深度神经网络(LCDNN).该网络创造性地结合了长短期记忆网络(LSTM)、卷积神经网络(CNN)和深度网络体系结构的优点.该模型无需...     

基于竞争双深度Q网络的动态频谱接入

针对多信道动态频谱接入问题，建立了存在感知错误与接入碰撞的复杂信道场景，提出了一种结合双深度Q网络和竞争Q网络的竞争双深度Q网络学习框架。双深度Q网络将动作的选择和评估分别用不同值函数实现，解决了值函数的过估计问题，而竞争Q网络解决了神经网络结构优化问题。该方案保证每个次要用户根据感知和回报结果做出频谱接入决策。仿真结果表明，在同时存在感知错误和次要用户冲突的多信道情况下，竞争双深度Q网络相比于同类方法具有较好的损失预测模型，其回报更稳定且提高了4%。     

认知无线电网络频谱感知与接入算法研究

在对认知无线电网络频谱感知和接入研究成果进行分析的基础上,文章首先讨论了认知无线电网络频谱感知的基本方法以及协作频谱感知、单智能体和多智能体强化学习算法,比较了各种算法的优缺点,并展望了这一领域未来研究的方向。     

基于注意力机制的深度学习频谱感知方法

深度学习具有出色的自动特征学习能力,比传统的机器学习方法具有更好的性能。注意力机制可以给予局部焦点更多的关注,而且还可以通过过滤掉无用的信息来降低计算复杂度。因此,具有注意力机制的深度学习可以有效实现自动特征学习,以及降低计算复杂度。本文针对认知无线电系统中主用户信号随机到达与离开时的频谱感知问题,提出了一种结合注意力机制的深度学习的感知方法。仿真结果表明,相比其它感知方法,所提出的频谱感知方法能够在主用户信号随机到达与离开的情况下有效工作及表现出优越的性能。     

基于混沌压缩感知和深度学习网络的压缩感知新模型

文章提出了一种基于混沌压缩感知和深度学习网络的压缩感知新模型,称为混沌深度压缩感知模型。该模型将传统压缩感知中的迭代步骤转化为深度网络形式,并将相关混沌参数应用于测量矩阵生成和深度网络训练过程。混沌深度网络中的所有参数都将通过程序自动学习获取,不再需要人工设计。     

基于深度迁移学习的动态频谱快速适配抗干扰方法

机器学习逐渐发展成为一种成熟强大的技术工具，并被广泛应用于无线通信抗干扰领域。其中，较为典型的有基于深度强化学习的抗干扰方法，通过与动态、不确定通信环境的不断交互来学习最优用频策略，有效解决动态频谱接入抗干扰的问题。然而，由于外界电磁频谱空间复杂、干扰模式样式动态多变，从头开始学习复杂的抗干扰通信任务往往时效性差，导致学习效率和通信性能显著下降。针对上述问题，提出基于深度迁移学习的动态频谱快速适配抗干扰方法。首先，通过构建预训练模型对已知干扰模式进行学习；其次，使用卷积神经网络提取现实场景下的感知频谱数据，重用过往经验优先启动加速适配；最后，运用微调策略辅助强化学习实施在线抗干扰信道接入。仿真结果表明，相较于传统强化学习算法，所提方法能够有效加快算法收敛速度，提升通信设备抗干扰性能。     

基于均值辅助的LSTM网络频谱感知算法

针对传统感知算法在低信噪比时检测性能低和深度学习感知算法网络训练量大、复杂度高等问题,本文提出一种在均值辅助下的长短时记忆网络（Long Short-Term Memory,LSTM）频谱感知算法。具体来讲,首先对接收信号序列做多点均值计算,然后利用所得的均值构造特征向量并作为LSTM网络的输入来训练网络,最后利用训练好的网络对新的接收序列进行感知。仿真结果表明:相比于传统算法,所提算法在检测性能上有较大提升;相对于利用原始接收序列直接训练的深度学习算法,所提算法的复杂度大幅下降。      

基于无线麦克风信号的频谱压缩感知算法

频谱感知是认知无线电网络中的关键技术之一。快速傅里叶采样算法作为压缩感知算法的一种,可用于稀疏信号的频谱感知。文章研究了无线麦克风信号频谱的特殊性,并从频谱感知角度分析了快速傅里叶采样算法的应用。通过对比,对于大信号,快速傅里叶采样算法能在达到频谱感知性能需求的情况下,以较快的时间重构出无线麦克风信号的频谱。     

基于深度学习的压缩感知图像重构算法综述

压缩感知突破奈奎斯特采样定律(NST),很大程度缓解了数据的获取和传输压力.近年来,随着深度学习迅速发展,深度神经网络技术在压缩感知领域的应用使压缩感知重构的精度和效率均得到有效提升,并引起学者们的广泛关注和研究.为了对现有的基于深度学习的压缩感知图像重构算法进行梳理归纳,首先,介绍压缩感知的基础数学知识以及两种极具代表性的传统压缩感知重构迭代优化算法:ISTA和ADMM;接着,详细讨论上述两种传统算法的深度网络展开框架以及对基准框架的改进技术:ISTA-Net++和ADMM-Net,并对SDA、ReconNet、DR^(2)-Net等五种非传统算法展开的端到端的深度神经网络框架进行对比分析;然后,以峰值信噪比(PSNR)为评价指标,将代表性网络模型在自然图像数据集Train400和医学图像数据集MICCAI上的重构精度进行比较分析;最后,总结并展望深度学习技术在压缩感知重构领域的研究前景.     

基于深度强化学习的能量采集认知无线电动态频谱接入

为解决认知无线电(Cognitive Radio, CR)中频谱和能量短缺的问题，提出一种基于深度Q网络(Deep Q-Network, DQN)的动态频谱接入算法。次级用户(Secondary User, SU)通过基站射频信号采集能量，并在频谱感知后实现信道的自主接入。模型通过DQN训练，并使用奖励机制和训练算法优化，SU能够根据环境信息作出合适的接入策略。仿真结果表明，提出的深度强化学习(Deep Reinforcement Learning, DRL)模型性能优于无学习模型，提高了频谱感知准确率及用户吞吐量，对比结果证明了模型的适用性及合理的虚警率可以提升模型的学习性能。     

降噪自编码器用于频谱感知对抗防御模型

基于深度学习的频谱感知模型虽检测性能优异，但普遍具有脆弱性，容易受到频谱对抗攻击的干扰。为了防御这种攻击，提出使用降噪自编码器过滤对抗信号，并在此基础上提出了一种结合降噪自编码器和防御蒸馏的联合防御方法。利用对抗信号和干净信号预训练得到降噪自编码器，频谱信号经降噪自编码器过滤后用于训练感知分类器，在测试阶段，联合使用降噪自编码器和分类器。同时，为进一步缓解扰动对模型性能的影响，在分类器训练阶段，利用蒸馏算法平滑训练网络，提高模型泛化能力。实验结果表明，对于可以降低深度学习频谱感知模型检测概率的频谱对抗攻击，所提出的基于降噪自编码器的防御方法仍然能够拥有较高的检测概率和较低的攻击成功率。     

认知学习：电磁频谱空间机器学习新范式

随着无线设备及其应用呈现指数级增长,以及各种无线技术的出现,电磁频谱环境呈现环境多域、态势多维、应用多样、行为多变、信号密集的复杂特性.通过对海量数据进行即时有效的分析和处理,实现有效的频谱资源管控,对于频谱高效利用和电磁致胜显得尤为重要.以机器学习为代表的智能技术方法为电磁频谱数据分析提供了新的发展机遇,目前其已经应用于无线网络、频谱管理、资源管理等场景.然而,将机器学习应用于电磁频谱空间存在许多挑战.因为电磁频谱空间环境任务动态变化、高质量标记样本稀缺、频谱决策对高实时性的需求、知识利用和迁移困难等难点,现有机器学习算法难以很好地适用于电磁频谱空间的智能认知和决策.以干扰识别的研究为例,传统的技术包括信号特征提取和模式识别两个阶段.随着计算机算力的进步,深度学习技术凭借强大的特征表征能力逐渐占据主导地位.然而电磁频谱空间环境和数据往往存在未知、动态变化等不确定性因素,深度学习难以快速学习和适应未观测到的任务,其泛化性较差,且依赖大量高质量标记样本和人工调整超参数进行离线训练.因此,尽管深度学习在大多数研究场景中展现出了传统机器学习难以望其项背的结果,传统的机器学习图像识别模型仍然在...     

智能感知辅助的快速动态频谱抗干扰方法

机器学习赋能的动态频谱抗干扰方法能够通过频谱感知学习干扰规律，自主优化抗干扰策略，适应动态复杂的频谱环境。然而，现有大部分研究假设环境中仅有恶意干扰而不考虑其他通信系统的存在，且所提算法复杂度和算力要求较高。针对以上问题，考虑主用户和恶意干扰同时存在且用频规律未知的场景，设计了基于并行学习的智能感知算法和基于预先学习的动态频谱接入算法，无须通过随机探索频谱环境即可学习可用信道变化规律。仿真结果表明，所提算法在动态干扰攻击下能在线快速找到最优信道选择策略，在完美避开动态干扰的同时不对主用户造成无意干扰。     

随机共振在认知无线电频谱感知中应用的最新研究进展

频谱感知是认知无线电网络的一项关键技术.低信噪比(SNR)环境下频谱检测的性能会大幅降低,而随机共振(SR)能有效提高信号信噪比,所以将其应用到频谱感知中,能增强认知用户对主用户(PU)的检测性能.首先介绍了随机共振在认知无线电频谱感知中应用的最新研究进展,包括随机共振在本地感知中(如能量检测、协方差矩阵频谱感知、循环平稳特征检测)及协作感知中的应用,然后指出了随机共振在认知无线电频谱感知中还有待解决的问题,并提出了下一步的研究方向.     

基于扩散机制的分布式宽带压缩频谱感知算法

针对认知无线电网络共享频谱资源的特征,本文提出一种基于扩散机制的分布式宽带压缩频谱感知方法。该算法包含两个工作阶段。在第一个阶段,每个认知用户对观测信号进行压缩感知和独立重构,产生本地频谱估计;在第二阶段,各个认知用户根据扩散机制协作更新频谱估计信息,实现最优估计。仿真结果表明,该算法与一致性分布式压缩频谱感知方法相比,可以快速增强认知无线电网络频谱感知能力,可应用于动态拓扑结构的认知无线电网络。     

基于优先记忆库结合竞争深度Q网络的动态功率控制

针对认知无线电多用户的动态功率控制策略问题,提出了一种基于优先记忆库(Prioritized Experience Replay,PER)结合竞争深度Q网络（Dueling Deep Q Network,Dueling DQN）的功率控制方法。在不知道主用户的控制策略及发射功率情况下,次用户以下垫式接入到主用户信道进行传输任务。微基站收集到的接收信号强度信息作为环境状态信息输入到竞争深度Q网络中,经过训练和学习后,得到次用户的动态功率控制策略。实验结果表明,次用户经过深度强化学习后能够找到最优的功率控制策略,并且在环境参数发生变化时也能快速调整自身的行为和控制策略,提高了频谱利用率和网络能效。     

基于深度强化学习的智能干扰方法研究

随着人工智能技术的发展,智能终端已经可以通过频谱感知、通信效果检测分析等方式智能地改变通信手段,进而实现高效率抗干扰,这给传统干扰带来了巨大挑战。而深度强化学习在复杂场景中的探索效率高,面对高难度任务的能力强大,在军事干扰领域应用前景广阔。基于此,介绍深度强化学习、智能干扰方法这两个基本问题的研究现状和存在的难点问题,总结并提出未来基于深度强化学习的智能干扰方法的研究前景和技术展望。