基于卷積神經(jīng)網(wǎng)絡(luò)的寬帶合作頻譜感知

張 紅，申 濱，張 燕，方廣進(jìn)，許懷文

(1.重慶郵電大學(xué) 通信與信息工程學(xué)院，重慶 400065；2.重慶大學(xué) 辛辛那提大學(xué)聯(lián)合學(xué)院，重慶 400044)

0 引 言

認(rèn)知無(wú)線電(cognitive radio, CR)旨在不影響主用戶(hù)(primary user, PU)正常通信的前提下，通過(guò)動(dòng)態(tài)頻譜接入，實(shí)現(xiàn)次用戶(hù)(secondary user, SU)對(duì)空閑頻譜的共享和使用，從而提高頻譜利用率、緩解頻譜資源的不足[1]。保證PU的正常通信是CR的前提，因此，頻譜感知(spectrum sensing, SS)是CR中的核心技術(shù)。

由于無(wú)線電傳播介質(zhì)中的非視距通信和隱藏終端問(wèn)題，單節(jié)點(diǎn)的頻譜感知性能不可靠。為了減少這些問(wèn)題的影響，合作頻譜感知[2-4]被提出。合作頻譜感知是一種利用用戶(hù)在不同空間位置的觀測(cè)樣本的多樣性可以獲得空間分集增益，從而提高感知性能的方法。其中，基于硬融合[5-6]規(guī)則的合作頻譜感知將每個(gè)SU的二進(jìn)制感知結(jié)果發(fā)送給融合中心(fusion center, FC)，而基于軟融合[7-8]規(guī)則的合作頻譜感知?jiǎng)t通過(guò)FC收集多個(gè)SU的原始感知信息，最后由FC決定PU是否存在。

近年來(lái)，寬帶頻譜感知由于能夠靈活地監(jiān)控寬帶授權(quán)頻段(wideband licensed frequency band, WLFB)上的可用空閑頻段而受到廣泛關(guān)注。傳統(tǒng)的寬帶頻譜感知的研究主要包括寬帶能量檢測(cè)技術(shù)[9]、壓縮感知技術(shù)[10]、小波變換方法[11]等。寬帶能量檢測(cè)技術(shù)和壓縮感知技術(shù)是最常用的方法。寬帶能量檢測(cè)技術(shù)將寬帶信號(hào)轉(zhuǎn)換為多通道并行窄帶信號(hào)，然后將各路信號(hào)的能量值與預(yù)設(shè)閾值進(jìn)行比較，判斷各路窄帶信號(hào)是否被占用，該方法的關(guān)鍵是各路信號(hào)的閾值選擇。另外，在現(xiàn)實(shí)環(huán)境中，噪聲功率并非恒定不變，噪聲功率的不確定性往往導(dǎo)致其性能偏離預(yù)期。壓縮感知充分利用寬帶信號(hào)的稀疏性或可壓縮性，對(duì)寬帶信號(hào)進(jìn)行欠采樣，通過(guò)重構(gòu)算法恢復(fù)原始信號(hào)，由于其實(shí)現(xiàn)的前提是信號(hào)具有稀疏性或可壓縮性，壓縮感知的精度較差，可能無(wú)法滿(mǎn)足實(shí)際應(yīng)用的要求。

機(jī)器學(xué)習(xí)作為人工智能的核心技術(shù)之一，從理論上分析，它可以收集認(rèn)知無(wú)線電網(wǎng)絡(luò)的各種狀態(tài)和環(huán)境信息，利用決策學(xué)習(xí)算法得到準(zhǔn)確的判斷，使認(rèn)知無(wú)線電系統(tǒng)更加智能化。文獻(xiàn)[12]提出了幾種基于ML的合作頻譜感知算法，如支持向量機(jī)(support vector machine, SVM)、K最近鄰(K-nearest neighbor, KNN)、K均值、高斯混合模型(Gaussian mixture model, GMM)。該類(lèi)算法和傳統(tǒng)的頻譜感知算法相比具有較大的性能優(yōu)勢(shì)[13]。然而，ML采用能量向量作為特征向量，當(dāng)參與合作的用戶(hù)數(shù)變大時(shí)，ML算法所需求的計(jì)算量迅速增加。為了解決這一問(wèn)題，在文獻(xiàn)[14]中，利用低維概率向量作為特征向量，實(shí)現(xiàn)了基于ML的合作頻譜感知。文獻(xiàn)[15]提出一種基于強(qiáng)ML分類(lèi)器和決策樹(shù)相結(jié)合的頻譜感知算法，該算法中采用強(qiáng)ML分類(lèi)器作為第一級(jí)分類(lèi)器，決策樹(shù)作為第二級(jí)分類(lèi)器，最終確定頻譜狀態(tài)。仿真結(jié)果表明，與經(jīng)典的ML分類(lèi)算法相比，該算法在分類(lèi)性能上得到了提高。此外，相較于機(jī)器學(xué)習(xí)，該算法可以使用更多的數(shù)據(jù)進(jìn)行更好的擴(kuò)展，性能更加穩(wěn)定，無(wú)需使用更復(fù)雜的方法來(lái)提高準(zhǔn)確性[16]。文獻(xiàn)[17]討論了一種基于協(xié)方差矩陣與卷積神經(jīng)網(wǎng)絡(luò)的頻譜感知方法，將SU多天線采集的能量向量的協(xié)方差矩陣作為CNN的輸入，經(jīng)過(guò)特征提取和降維后，將得到的概率值轉(zhuǎn)化為似然比，并將其作為檢驗(yàn)統(tǒng)計(jì)量與閾值進(jìn)行比較，得到判決結(jié)果。文獻(xiàn)[18]提出了一種深度合作頻譜感知方法，將深度學(xué)習(xí)應(yīng)用于合作頻譜感知。該方法以多個(gè)SU收集到的不同子帶上的能量觀測(cè)矩陣或多個(gè)SU檢測(cè)到的每個(gè)子帶的二值判決結(jié)果矩陣作為CNN分類(lèi)器的輸入，由訓(xùn)練好的CNN分類(lèi)器執(zhí)行分類(lèi)任務(wù)，判斷PU是否存在于整個(gè)頻帶中。文獻(xiàn)[19]提出一種利用CNN及協(xié)方差矩陣的協(xié)作頻譜感知方案，將接收的I、Q兩路正交信號(hào)的歸一化協(xié)方差矩陣形成雙通道輸入矩陣作為CNN分類(lèi)器的輸入，并對(duì)分類(lèi)器進(jìn)行訓(xùn)練。最后，將得到的分類(lèi)器用于頻譜感知。

上述研究與傳統(tǒng)的頻譜感知方法相比，在算法設(shè)計(jì)與性能方面有了較大的突破，但所考慮的范圍仍然以窄帶感知為核心，因此，將相關(guān)工作擴(kuò)展至寬帶頻譜顯得尤為必要。本文對(duì)多種典型的ML分類(lèi)算法進(jìn)行討論與研究，在此基礎(chǔ)上實(shí)現(xiàn)了寬帶頻譜感知，并重點(diǎn)提出了一種基于CNN的寬帶合作頻譜感知方案。該方案的設(shè)計(jì)思想和出發(fā)點(diǎn)主要有2個(gè)方面：①將傳統(tǒng)的基于用戶(hù)合作的窄帶感知算法，擴(kuò)展到寬帶感知的系統(tǒng)框架，利用多個(gè)用戶(hù)數(shù)據(jù)的空間分集特性，為寬帶感知提供更多的用戶(hù)分集數(shù)據(jù)；②將傳統(tǒng)的以信號(hào)處理和以單個(gè)子帶門(mén)限檢測(cè)為基礎(chǔ)的寬帶合作頻譜感知問(wèn)題轉(zhuǎn)化為以占用子帶的起始位置和連續(xù)占用子帶個(gè)數(shù)為模式特征的多種模式分類(lèi)問(wèn)題，并通過(guò)機(jī)器學(xué)習(xí)分類(lèi)器的方法加以解決。首先，采集大量不同環(huán)境下的能量觀測(cè)數(shù)據(jù)以及相應(yīng)的頻帶占用模式標(biāo)簽作為訓(xùn)練數(shù)據(jù)集，并基于此數(shù)據(jù)集對(duì)ML監(jiān)督學(xué)習(xí)分類(lèi)器進(jìn)行訓(xùn)練，得到可用于執(zhí)行頻帶占用模式分類(lèi)任務(wù)的分類(lèi)器；然后，對(duì)實(shí)時(shí)信號(hào)進(jìn)行分類(lèi)得到頻帶占用模式，從而實(shí)現(xiàn)寬帶合作頻譜感知。該方案相對(duì)于傳統(tǒng)寬帶合作頻譜感知和ML監(jiān)督學(xué)習(xí)分類(lèi)算法下的寬帶合作頻譜感知方案，在性能上有明顯的提升，且感知時(shí)間短。

1 系統(tǒng)模型

圖1 系統(tǒng)模型示意圖Fig.1 Diagram of system model

在i時(shí)刻，第m個(gè)SU接收到的第q個(gè)子帶上的觀測(cè)信號(hào)表示為

(1)

(2)

在第t次感知過(guò)程中，第m個(gè)SU接收到的第q個(gè)子帶的能量值為

(3)

(3)式中：時(shí)間帶寬積2wτ表示一個(gè)感知間隔內(nèi)的信號(hào)采樣點(diǎn)數(shù)，單次感知間隔時(shí)長(zhǎng)為τ。因此，所有SU接收到的全部子帶上的觀測(cè)信號(hào)能量值組成的能量觀測(cè)矩陣為

(4)

利用能量觀測(cè)數(shù)據(jù)矩陣Xt可以實(shí)現(xiàn)由數(shù)值到圖像的映射。不同頻帶占用模式下的能量觀測(cè)矩陣映射成圖2所示的圖像(其中，亮度越高，表明能量值越大)。

2 傳統(tǒng)寬帶合作頻譜感知方案

2.1 硬融合

(5)

傳統(tǒng)的基于硬融合準(zhǔn)則的合作頻譜感知通過(guò)結(jié)合所有SU的感知結(jié)果來(lái)提高感知可靠性。子帶q的全局判決準(zhǔn)則為

(6)

圖2 能量矩陣映射圖像Fig.2 Energy matrix mapping image

2.2 軟融合

在軟融合中，F(xiàn)C對(duì)所有SU匯報(bào)的原始能量觀測(cè)值進(jìn)行處理得到判決結(jié)果，如等增益合并(equal gain combination, EGC)法，該方法取所有SU關(guān)于第q個(gè)子帶的能量觀測(cè)值的平均值作為檢驗(yàn)統(tǒng)計(jì)量，將該檢驗(yàn)統(tǒng)計(jì)量與采用恒虛警率法設(shè)置的恒虛警率下的閾值χq進(jìn)行比較，得到第q個(gè)子帶上的全局判決結(jié)果為

(7)

(8)

(8)式中：E表示期望；C|·|表示集合的勢(shì)；P(H0)、P(H1)分別為全部子頻帶皆為空閑狀態(tài)和至少1個(gè)子帶被PU占用的概率。

3 基于ML分類(lèi)算法的寬帶合作頻譜感知

3.1 支持向量機(jī)

SVM是一種典型的二分類(lèi)器，針對(duì)前述的g(t)多分類(lèi)問(wèn)題時(shí)，需要構(gòu)造合適的多分類(lèi)器。本文采用一對(duì)剩下所有(one-versus-rest, OVR)分類(lèi)法建立起SVM多分類(lèi)模型，對(duì)于K分類(lèi)問(wèn)題，此方法需要構(gòu)造K個(gè)SVM分類(lèi)器，其中，第k個(gè)SVM二分類(lèi)器用于識(shí)別數(shù)據(jù)是否屬于第lk類(lèi)，在抽取訓(xùn)練數(shù)據(jù)的時(shí)候，屬于第lk類(lèi)的訓(xùn)練數(shù)據(jù)作為正集，其他的類(lèi)作為負(fù)集，表1展示了實(shí)現(xiàn)6分類(lèi)的一對(duì)多分類(lèi)方案的編碼矩陣。

利用K個(gè)訓(xùn)練集分別訓(xùn)練，可以得到K個(gè)SVM分類(lèi)模型。在測(cè)試時(shí)，將測(cè)試數(shù)據(jù)分別輸入到K個(gè)模型中，得到K個(gè)結(jié)果，取其中值最大的一個(gè)作為分類(lèi)結(jié)果。

表1 6分類(lèi)OVR-SVM方案的編碼矩陣Tab.1 OVR-SVM scheme’s coding matrix for six-class problem

3.2 K最近鄰

KNN算法在訓(xùn)練集Θ中找到與測(cè)試實(shí)例X*最鄰近的K個(gè)樣本，若此K個(gè)樣本的多數(shù)屬于某個(gè)類(lèi)，則把測(cè)試數(shù)據(jù)分類(lèi)到這個(gè)類(lèi)中。測(cè)試能量觀測(cè)矩陣X*到訓(xùn)練集樣本Xt的距離為

(9)

(9)式中：X*到所有樣本的距離向量為l*=[l*(1),l*(2),…,l*(T)]T，對(duì)距離向量進(jìn)行升序排序，取前K個(gè)，找出與X*最近的K′個(gè)點(diǎn)，組成一個(gè)集合，記為M，根據(jù)決策規(guī)則，決定X*的類(lèi)別

(10)

(10)式中：χ∈{c1,c2,…,cT}且ck是M中第k個(gè)最近鄰的標(biāo)簽，k=1,2,…,K′；I(·)為指示函數(shù)。

3.3 隨機(jī)森林

隨機(jī)森林(random forest, RF)是利用多棵決策樹(shù)對(duì)樣本進(jìn)行訓(xùn)練和預(yù)測(cè)的一種分類(lèi)器。首先從原始的數(shù)據(jù)集D={(X1,L(1)),(X2,L(2)),…,(XT,L(T))}中采取有放回的抽樣，構(gòu)造子數(shù)據(jù)集Di，子數(shù)據(jù)集的數(shù)據(jù)量和原始數(shù)據(jù)集相同；然后利用子數(shù)據(jù)集來(lái)構(gòu)建子決策樹(shù)hi=ξ(Di)。每次向RF分類(lèi)器輸入新的數(shù)據(jù)X*時(shí)，通過(guò)對(duì)各個(gè)子決策樹(shù)的輸出結(jié)果進(jìn)行投票得到最終結(jié)果，表示為

(11)

(11)式中：y={0,1,…,K}。

3.4 Adaboost分類(lèi)器

Adaboost的核心思想是先從初始訓(xùn)練集訓(xùn)練出一個(gè)基學(xué)習(xí)器，再根據(jù)基學(xué)習(xí)器的表現(xiàn)對(duì)訓(xùn)練樣本分布進(jìn)行調(diào)整，使得先前基學(xué)習(xí)器分錯(cuò)的樣本在后續(xù)受到更多關(guān)注，然后基于調(diào)整后的樣本分布訓(xùn)練下一個(gè)基學(xué)習(xí)器，如此重復(fù)進(jìn)行，直至基學(xué)習(xí)器數(shù)目達(dá)到事先指定的值I；最后將這I個(gè)基學(xué)習(xí)器進(jìn)行加權(quán)結(jié)合。

具體步驟：首先，初始化訓(xùn)練數(shù)據(jù)的權(quán)值D1(t)=1/T，對(duì)于I個(gè)分類(lèi)器，使用具有權(quán)值分布Di的訓(xùn)練集進(jìn)行學(xué)習(xí)，得到第i個(gè)基分類(lèi)器hi(Xt)=ξ(D,Di)。

然后，計(jì)算第i個(gè)基分類(lèi)器在訓(xùn)練數(shù)據(jù)集上的分類(lèi)誤差率，表示為

(12)

根據(jù)第i個(gè)基分類(lèi)器的誤差計(jì)算其權(quán)重系數(shù)αi=1/2ln(1-i/i)，誤差值越小的基分類(lèi)器在最終分類(lèi)器中的作用越大；得到第i個(gè)基分類(lèi)器的權(quán)重后更新訓(xùn)練數(shù)據(jù)集的樣本權(quán)值分布，表示為

(13)

3.5 CNN分類(lèi)器

本文采用的CNN模型由3個(gè)卷積層和1個(gè)全連接層組成，其中前2個(gè)卷積層均包含1個(gè)卷積層和1個(gè)池化層。具體的模型結(jié)構(gòu)和濾波尺寸如表2所示。

表2 CNN分類(lèi)器采用的結(jié)構(gòu)參數(shù)Tab.2 Structural parameters used by the CNN classifier

卷積層的輸出分別為

v∈{1,2,…,n1}

(14a)

v∈{1,2,…,n2}

(14b)

v∈{1,2,…,n3}

(14c)

(15)

池化操作將相鄰的多個(gè)特征用一個(gè)特征代替，該網(wǎng)絡(luò)模型采用平均池化方法，即從相鄰的多個(gè)特征中選取它們的平均值作為池化后的特征。池化通過(guò)縮小特征圖尺寸達(dá)到了減小計(jì)算量的目的。

全連接層有K個(gè)全連接單元，分別表示K個(gè)類(lèi)，在得到最后一個(gè)卷積層的輸出特征圖后，將最后一個(gè)卷積層輸出的特征圖與每個(gè)分類(lèi)都一一相連，全連接層的輸出為

OFC=WFC*XFC+bFC

(16)

(16)式中：XFC、WFC和bFC分別是全連接層的輸入向量、權(quán)重向量和偏置向量。

全連接層的輸出經(jīng)過(guò)softmax分類(lèi)器后輸出的輸入樣本被分為每一類(lèi)的概率，表示為

j={1,2,…,K}

(17)

本文中的網(wǎng)絡(luò)模型采用隨機(jī)梯度下降(stochastic gradient descent, SGD)優(yōu)化方法來(lái)訓(xùn)練CNN，使用分類(lèi)交叉熵作為目標(biāo)損失函數(shù)，表示為

(18)

(18)式中：θ為CNN模型中的參數(shù)；S為全部樣本s的總體數(shù)量；yi,s∈{0,1}表示樣本s是否被分為第i類(lèi)，是則取1，反之取0；pi,s是softmax分類(lèi)器輸出的預(yù)測(cè)概率值，表示第s個(gè)樣本能量觀測(cè)矩陣被預(yù)測(cè)為標(biāo)簽i的概率。當(dāng)yi,s=1且pi,s=1時(shí)，交叉熵最小；當(dāng)目標(biāo)損失函數(shù)達(dá)到最小時(shí)，停止訓(xùn)練。具體的基于CNN分類(lèi)器的寬帶頻譜感知流程如圖3所示。

4 仿真結(jié)果

為了驗(yàn)證本文方案在性能上的優(yōu)勢(shì)，采用Matlab-2019b軟件進(jìn)行仿真驗(yàn)證，并與傳統(tǒng)的頻譜檢測(cè)方案進(jìn)行對(duì)比。在仿真中，所有SU隨機(jī)分布在一個(gè)6 km×6 km的區(qū)域，如圖4所示。SU的數(shù)量M=16、子帶數(shù)Q=30、每個(gè)子帶的帶寬w=200 kHz、PU占用頻帶的寬度NP為8～16個(gè)子帶、PU占用頻帶的起始位置d為0～15、感知時(shí)間τ=100 μs、路徑損耗系數(shù)α=4、陰影衰落因子的變化為4～6 dB。另外，經(jīng)實(shí)驗(yàn)驗(yàn)證對(duì)比，在KNN算法中的K取5，以下仿真算法取上述參數(shù)值。

圖3 基于CNN分類(lèi)器的寬帶合作頻譜感知流程圖Fig.3 Workflow of CNN based wideband cooperative spectrum sensing algorithm

圖4 PU和SU位置分布Fig.4 Location distribution of PU and SU

在仿真過(guò)程中，生成信噪比間隔為1 dB、-20～ 0 dB下的數(shù)據(jù)，每種信噪比下的采樣數(shù)為1 000，最終產(chǎn)生的訓(xùn)練集、測(cè)試集樣本量為21 000。

4.1 CNN超參數(shù)對(duì)檢測(cè)性能的影響

由于CNN的網(wǎng)絡(luò)模型參數(shù)設(shè)置、池化方法和參數(shù)優(yōu)化方法的選取會(huì)對(duì)模型訓(xùn)練過(guò)程及測(cè)試效果產(chǎn)生影響，本文設(shè)計(jì)9種不同的CNN模型，分別對(duì)這9種模型進(jìn)行訓(xùn)練和測(cè)試，分別記錄每一種模型的各種性能指標(biāo)，具體如表3所示。

由表3的編號(hào)1—5可見(jiàn)，隨著卷積層的卷積核數(shù)量增加，檢測(cè)率與虛警率增大，訓(xùn)練時(shí)間也隨之增加；由編號(hào)5—7可見(jiàn)，當(dāng)最后一個(gè)卷積層的神經(jīng)元數(shù)量增加時(shí)，檢測(cè)率與虛警率降低，但訓(xùn)練時(shí)間增加；而由序號(hào)5、8、9可見(jiàn)，當(dāng)卷積核大小增大時(shí)，檢測(cè)率和虛警率隨之降低，訓(xùn)練時(shí)間也隨之降低。綜合考慮，以下仿真中均選用編號(hào)5所對(duì)應(yīng)的網(wǎng)絡(luò)模型。

CNN中池化操作的目的是提取有用特征信息的同時(shí)降低數(shù)據(jù)維度，常見(jiàn)的池化方法主要有平均池化和最大池化2種。平均池化通過(guò)提取特定區(qū)域特征信息的平均值作為池化后的結(jié)果，而最大池化則是提取特定區(qū)域中特征信息的最大值作為池化后的結(jié)果。CNN訓(xùn)練過(guò)程中為了減小誤差函數(shù)，可通過(guò)優(yōu)化方法調(diào)整網(wǎng)絡(luò)參數(shù)使得誤差函數(shù)收斂，目前普遍使用的優(yōu)化方法有SGD和自適應(yīng)矩估計(jì)(adaptive moment estimation, ADAM)，表4分析對(duì)比了不同池化方法和優(yōu)化方法下的檢測(cè)性能。

表3 不同網(wǎng)絡(luò)參數(shù)性能對(duì)比Tab.3 Performance comparison of different network parameters

表4 池化及優(yōu)化方法對(duì)檢測(cè)性能的影響Tab.4 Impact of pooling and optimization methods on detection performance

由表4可以看出，采用平均池化及SGD優(yōu)化方法的網(wǎng)絡(luò)模型的檢測(cè)率和虛警率最高。采用同樣池化方法的網(wǎng)絡(luò)模型中，使用SGD優(yōu)化方法的檢測(cè)率和虛警率較高；采用同樣SGD優(yōu)化方法的網(wǎng)絡(luò)模型中，平均池化效果更好，而訓(xùn)練時(shí)間上整體差別不大。

4.2 算法性能分析

根據(jù)4.1節(jié)中的各項(xiàng)性能結(jié)果，采用的CNN模型為卷積層1(16×3×3)、卷積層2(32×3×3)、卷積層3(128個(gè)神經(jīng)元)、池化層的窗口大小(2×2)，采用平均池化及SGD參數(shù)優(yōu)化方法。以下比較了本文方案與其他典型ML方案的性能。

圖5比較了2種SU數(shù)目下不同分類(lèi)算法在信噪比為-20～0 dB時(shí)的檢測(cè)概率。從圖5可以看出，使用ML分類(lèi)算法的方案整體優(yōu)于傳統(tǒng)方案，尤其在低信噪比下效果更明顯。其中，使用CNN算法的檢測(cè)率最高，檢測(cè)率排序?yàn)镃NN>SVM>KNN。此外，隨SU數(shù)目的增加，所有算法的感知性能有所提升。

圖6給出了不同分類(lèi)算法在信噪比為-20～0 dB時(shí)的錯(cuò)誤概率曲線圖。由圖6可以看出，ML分類(lèi)算法相對(duì)于傳統(tǒng)算法具有較低的錯(cuò)誤檢測(cè)率。均保持在0.45以下，其中，CNN錯(cuò)誤率最低。

圖6 錯(cuò)誤率Fig.6 Error rate

表5比較了不同的算法在不同樣本數(shù)量的訓(xùn)練集和測(cè)試集下所需的訓(xùn)練時(shí)間以及在線檢測(cè)時(shí)間。從表5可以看出，隨著訓(xùn)練集數(shù)據(jù)的增加，所需的訓(xùn)練時(shí)間也增加，其中，SVM算法所需的訓(xùn)練時(shí)間最少。傳統(tǒng)算法中，EGC所需的預(yù)測(cè)時(shí)間最少，ML分類(lèi)算法中，CNN算法所需時(shí)間最少。

5 結(jié)束語(yǔ)

為了提高認(rèn)知無(wú)線電網(wǎng)絡(luò)的感知性能，提出了一種基于CNN頻帶占用模式分類(lèi)的寬帶合作頻譜感知方案。在頻帶占用模式分類(lèi)中，與傳統(tǒng)方案及ML分類(lèi)算法下的頻帶占用模式分類(lèi)方案相比，該方案的性能有了很大的提高。該方案在相同的實(shí)現(xiàn)條件下具有最優(yōu)的檢測(cè)率和最低的錯(cuò)誤檢測(cè)，且在線檢測(cè)時(shí)間較短。因此，該方案可以作為實(shí)現(xiàn)寬帶協(xié)作頻譜感知的首選方案。

表5 不同算法的線下訓(xùn)練時(shí)間及在線檢測(cè)時(shí)間Tab.5 Offline training time and online detection time of different algorithms

進(jìn)一步，有關(guān)多PU場(chǎng)景下的基于該方案的寬帶頻譜感知性能有待繼續(xù)研究與驗(yàn)證。另外，監(jiān)督學(xué)習(xí)分類(lèi)器需要與訓(xùn)練集對(duì)應(yīng)的標(biāo)簽集，但在實(shí)際場(chǎng)景中這些標(biāo)簽難以獲取，因此，基于非監(jiān)督學(xué)習(xí)的寬帶頻譜感知方案也將是后續(xù)工作的重點(diǎn)。