基于卷积神经网络的自适应频谱感知模型

频谱感知作为认知无线电系统中重要的一环,传统的频谱感知算法在信道质量好的情况下检测概率较高,但是易受噪声影响,当信噪比较低时,检测性能急剧下降.针对传统频谱感知算法的优缺点,提出了基于卷积神经网络模型的频谱预测,提高了低信噪比情况下的检测概率,由于信道是时变的,加入信道感应和模型匹配,提升系统的可用性.将仿真的信号序列映射为RGB图片,将图片输入到卷积神经网络中训练得到模型,利用信噪比估计算法将认知用户接收的检测信号与模型进行匹配,通过训练好的匹配模型进行频谱感知.仿真实验表明:在低信噪比情况下,当虚警概率相同时,卷积神经网络模型比传统能量检测法的检测概率有大幅度的提升.甚至在能量检测法信号采样点比卷积神经网络模型多的情况下,卷积神经网络模型依然有着非常好的性能.在信号与模型匹配阶段,二阶-四阶信噪比估计算法在-6 dB到-10dB,理论信噪比与估计信噪比基本一致.所提出的模型不但显著提高了检测的准确率,而且通过信噪比匹配提高了模型的自适应和高可用性.