基于GRU机器学习的天地融合网络频谱感知技术研究

摘要

认知无线电在天地融合网络频率规划和抗干扰通信方面应用前景广阔,基于机器学习的频谱感知技术近年来得到了较多的研究,其中基于长短时记忆(Long Short-term Memory,LSTM)神经网络的频谱感知算法具有较高的感知性能表现,但该算法资源开销较大.现有基于均值辅助的改进算法需要依赖过高的采样速率,在天地融合场景中信道带宽宽的情形下难以达到较高性能.针对上述问题,考虑计算的实时性及适应天地融合网络高频率宽带情况下的信号估计,提出了一种基于门控循环单元的频谱感知算法,将待感知频道的采样序列输入训练好的神经网络模型得到感知结果,并进行仿真验证,实验表明所提算法能够在保证感知性能的情况下有效降低计算复杂度,减少计算时间,降低资源开销.