Signal-Rausch-Verhältnis (SNR)-Schwankungen beeinflussen die Leistung der Spektrumsdetektion in der drahtlosen Kommunikation erheblich. Traditionelle Convolutional Neural Networks (CNN) zeigen begrenzte Fähigkeiten zur Merkmalsextraktion und eine ineffiziente Merkmalsnutzung bei niedrigen SNR-Werten, was zu suboptimaler Spektrumsdetektionsleistung führt. Dieses Papier schlägt eine Spektrumsdetektionsmethode basierend auf einem Multi-Skalen-Merkmalsfusion-Netzwerk (MSFFNet) vor, um dieses Problem zu beheben. Zunächst verwendet die vorgeschlagene Methode einen Multi-Skalen-Merkmalsextraktionsblock (MSFEB), um mehrskalige Informationen aus den Eingabedaten umfassend zu erfassen. Anschließend hebt eine adaptive Merkmalsauswahlstrategie (AFSS) Schlüsselfunktionen hervor und unterdrückt redundante Informationen. Schließlich optimiert und integriert ein mehrstufiger Merkmalsfusionmechanismus (MLFFM) Merkmale über Skalen und Ebenen hinweg, was die Spektrumsdetektionsleistung verbessert. Simulationsergebnisse zeigen, dass der vorgeschlagene Ansatz im Vergleich zu anderen Methoden in Kommunikationsszenarien mit niedrigem SNR eine überlegene Leistung erzielt. Bei einem SNR von -14 dB erreicht die Erkennungswahrscheinlichkeit P_d 0,936, während die Fehlalarmwahrscheinlichkeit P_fa nur 0,1 beträgt. Darüber hinaus erstellt dieses Papier einen mehrstufigen Mixed-SNR-Datensatz, um reale Kommunikationsumgebungen zu simulieren und die Robustheit der Spektrumsdetektion zu erhöhen.

Kognitive Radios;Spektrumsdetektion;Tiefes Lernen;Multi-Skalen-Merkmalsfusion