Les fluctuations du rapport signal sur bruit (SNR) affectent significativement les performances de la détection de spectre dans les communications sans fil. Le réseau de neurones convolutionnel (CNN) traditionnel présente des capacités limitées d'extraction de caractéristiques et une utilisation inefficace des caractéristiques à des niveaux SNR faibles, ce qui conduit à des performances sous-optimales de la détection de spectre. Cet article propose une méthode de détection de spectre basée sur un réseau de fusion de caractéristiques multi-échelles (MSFFNet) pour résoudre ce problème. Tout d'abord, la méthode proposée emploie un bloc d'extraction de caractéristiques multi-échelles (MSFEB) pour capturer de manière exhaustive les informations multi-échelles à partir des données d'entrée. Ensuite, une stratégie adaptative de sélection de caractéristiques (AFSS) met en évidence les caractéristiques clés tout en supprimant les informations redondantes. Enfin, un mécanisme de fusion de caractéristiques multi-niveaux (MLFFM) optimise et intègre les caractéristiques à travers les échelles et les niveaux, améliorant ainsi la performance de la détection de spectre. Les résultats de simulation démontrent que comparé à d'autres méthodes, l'approche proposée atteint une performance supérieure dans les scénarios de communication à faible SNR. À un SNR de -14 dB, la probabilité de détection P_d atteint 0,936, tandis que la probabilité de fausse alarme P_fa est seulement de 0,1. En outre, cet article construit un ensemble de données multi-niveaux à SNR mixte pour simuler des environnements de communication réels et renforcer la robustesse de la détection de spectre.

Radios cognitives;Détection de spectre;Apprentissage profond;Fusion de caractéristiques multi-échelles