论文部分内容阅读
频谱感知的关键问题之一是检验统计量的设计,传统的频谱感知算法的检验统计量往往是通过建模得到的,然而这些模型有时并不能对实际环境准确建模,没有利用历史感知时隙的信息并且受噪声功率不确定度(Noise Power Uncertainty,NU)影响大.为解决这些问题,本文提出了一种基于深度学习(Deep Learning,DL)的频谱感知算法,该算法不需要检验统计量的建模,我们使用前k时隙的感知数据与当前时隙数据联合判别当前时隙的信道状态,并且在网络结构中引入了卷积注意力模块(Convolutional Attention Module,CBAM).大量的仿真实验表明,本文所提出的算法具有优异的性能.