岳文静，崔恒瑞，陈 志

(1.南京邮电大学 通信与信息工程学院，江苏 南京 210023；2.南京邮电大学 计算机学院，江苏 南京 210023)

0 引 言

伴随着无线通信技术的蓬勃发展，可以使用的频谱资源逐渐紧张，而固有的频谱分配方式已经限制了无线通信技术的发展，因此提出认知无线电概念[1]。当主用户(primary user，PU)不再使用其分配的授权频段时，认知无线电系统通过频谱感知，发现可利用的频谱资源，并将它分配给次级用户使用(second user，SU)[2]。频谱感知作为认知无线电系统中最重要的组成部分之一，其检测的准确率将直接影响信道中空闲频谱的利用率。

传统的频谱感知算法主要有三种实现：能量检测法(energy detection，DE)、匹配滤波检测法、循环频谱特征检测法[3]。能量检测法是指在一段时间内对信道中频谱信号进行采样分析，并计算在该段时间内信号的能量值，并将该能量值和预设的判决阈值进行比较，以此来判断频谱是否处于空闲状态。该算法计算复杂度低，易于实现，但是受噪声影响较大，在低信噪比的情况下，检测性能急剧下降。

近年来，随着机器学习的研究变得流行起来，也将这一技术应用到频谱感知。Lu Yingqi提出了将高维度的特征向量降维成二维向量，该二维向量作为基于支持向量机(support vector machine，SVM)分类的特征向量进行频谱预测[4]。这种方法无需估算信号检测门限值，但是需要构造基于分类的特征向量，此外还无法支持大规模数据的分类；卷积神经网络(convolutional neural network，CNN)在图像的识别、分类、增强等领域取得了明显的突破，而GoogleNet[5]和ResNet-50[6]在ILSVRC图像分类比赛中取得的优异成绩也证明了其在图像识别上的独特优势。……