【引言】

近年来，随着多媒体、大数据、物联网等科学技术的快速发展，无线通信技术的应用需要更多的频谱资源，部分频谱资源空闲和部分频谱资源竞争激烈已演变成为无线频谱资源利用的主要问题之一，而解决这一问题的思路是尽量提高现有的频谱利用率。为此，认知无线电技术[1]应运而生。认知无线电技术能够动态地利用暂时空闲的频谱资源，在不对主用户(PU）造成干扰的前提下实现与次用户(CU)地频谱共享，有效提高频谱利用率。频谱感知技术[2]是认知无线电的关键一步，其主要目的是在复杂的无线通信环境中准确、快速地检测出主用户信号是否存在。目前频谱感知的研究主要分为单个次用户频谱感知技术和多个次用户协作频谱感知技术。相对于单个次用户频谱感知，协作频谱感知技术可以充分利用次用户感知环境的多样性，避免单用户由于多径衰落和阴影效应造成的误差，能够有效地提高整体感知系统性能。在协作频谱感知中，融合策略是协作频谱感知的关键所在，融合准则可以分为硬判决[3]和软判决[4]两种。硬判决融合中，融合中心接收到的是所有次用户的判决结果，常见的融合准则有“与”准则、“或”准则和“K”秩准则[5]。硬判决的优点是实现简单，传输开销较小，但由于这些单比特的局部判决结果丢失了大量信息，不能为全局决策提供足够的信息，因此其检测性能一般。软判决融合中，本地次用户直接将检测数据发送到融合中心，融合中心利用这些数据，根据“最大比合并”“等增益合并”和“选择性合并”等准则判决主用户存在与否。由于检测数据中包含了大量信息，因此检测性能优于硬判决融合方法。但是这些软融合方式没有充分利用各个次用户检测数据的信息，检测性能有待提高。

机器学习具有强大的特征提取和学习能力，已在各个领域得到应用。已有学者研究了利用机器学习进行协作频谱感知的相关算法[6-11]，该类算法无需理论推导准确的检测门限，且对不同噪声环境的适应度高。文献[6]将频谱感知问题转化为图像二分类问题,利用各次用户传输到融合中心的正交相移键控(QPSK)信号，计算协方差矩阵，并进行归一化灰度处理,作为深度卷积神经网络的输入。文献[7]利用各次用户传输到融合中心的IQ信号，经过IQ分解与重建提取信号特征，使用K-Medoids聚类算法对特征进行分类，提高了在协作次用户较少情况下的感知性能。文献[8]首先利用各次用户传输到融合中心的IQ信号分别按照顺序拆分和间隔拆分为两组新的信号序列，然后根据各次用户接收的都是同一主用户信号，利用它们之间是否具有相关性，用以判断主用户信号是否存在，因此将次用户之间的相关系数作为提取的信号特征向量，使用K-Means聚类算法对特征进行分类，提高了协作感知性能。文献[9]结合文献[8]的IQ信号拆分重组得到两个协方差矩阵，通过计算重组得到的协方差矩阵到黎曼均值的测地线距离，作为信号的统计特征，结合Fuzzy C-Means聚类算法提高了协作频谱感知的性能。但文献[6]-[9]方法都需要较大的传输开销。文献[10]将各次用户得到的能量传输到融合中心组成能量向量，多次感知的能量向量组成特征矩阵，特征矩阵经过主成分分析处理后转换成低维特征矩阵，利用低维特征矩阵训练K-Means++聚类分类器，最后利用训练好的聚类分类器感知主用户信号存在与否。文献[11]将各次用户得到的能量传输到融合中心组成能量向量，然后融合中心对能量向量进行数据处理变换为概率向量，并利用K-Mediods和模糊支持向量机算法进行训练和分类，有效降低了算法的训练时间与分类延迟。

但是文献[10]-[11]算法没有充分利用能量向量包含的深层特征信息，而且由于多径衰落和信噪比等问题，各个协作用户的感知结果可信度不一致。对此，本文提出一种基于多头自注意力机制的深度学习频谱感知方法。多头自注意力机制[12-13]是一类模拟人脑关注机制的算法，它可以实现将不同可信度的协作用户赋予不同的权重，然后融合其结果做出最终决策。因此，本文由融合中心收集各次用户得到的能量组成能量向量，针对各次用户接收的信号能量与噪声能量存在的明显差异问题，设计了多头自注意力网络结构，用于提取能量向量的特征，从而抽取更加重要和关键的能量特征信息，并进行特征分类做出最终决策，进一步提高了协作频谱感知的检测性能。

文章详细内容下载请点击：基于多头自注意力机制的协作频谱感知算法AET-电子技术应用-最丰富的电子设计资源平台 (chinaaet.com)

【作者信息】

李涛1，张煜培1，赵知劲1，2

（1.杭州电子科技大学 通信工程学院，浙江 杭州 310018；

2.中国电子科技集团第36研究所通信系统信息控制技术国家级重点实验室，浙江 嘉兴 314001）