盖建新 薛宪峰 吴静谊 南瑞祥

(哈尔滨理工大学测控技术与仪器黑龙江省高校重点实验室 哈尔滨 150080)

1 引言

频谱感知是认知无线电技术的一项关键性任务。传统的单节点频谱感知方法主要包括能量检测[1]、循环平稳特征检测[2]、匹配滤波检测[3]等。传统的单节点频谱感知方法易受到阴影衰落、低信噪比(Signal to Noise Ratio,SNR)和隐藏终端等影响。文献[4–6]提出基于信号协方差矩阵的协作频谱感知算法，在一定程度上弥补了上述频谱感知方法的缺陷。为解决协作频谱感知确定检测门限难的问题，研究人员将机器学习策略引入频谱感知。基于机器学习的频谱感知方法无需确定检测门限，就可进行信号识别和分类。文献[7–9]提出基于支持向量机(Support Vector Machine,SVM)的频谱感知方法，该方法将接收到的能量信号作为特征向量，能够有效地区分信号和噪声，SVM算法存在需构造特征参数以及训练时间较长的不足。卷积神经网络(Convolutional Neural Network,CNN)具有多层网络结构，适合解决图像特征提取问题，在提取2维图像特征方面具有优势[10–13]。文献[10–13]将CNN引入高光谱分类中，并取得了较高的识别率。文献[14–16]将CNN引入频谱感知领域中，将接收信号的灰度图像作为CNN的输入，然后训练CNN模型进行频谱感知。该方法无需理论推导检测门限，无需构造特征参数。但传统CNN频谱感知方法受限于网络层数少，提取的特征信息有限。随着训练网络层数的增加，CNN容易出现梯度消失，导致频谱感知准确率下降。

捷径连接早期应用在霍普菲尔德网络[17]，通过在两个神经元之间加入一条“捷径”的回路，使梯度直接传递到下一个神经元，有利于网络信息传递。……