信号対雑音比（SNR）の変動は、無線通信におけるスペクトラムセンシングの性能に大きな影響を与えます。従来の畳み込みニューラルネットワーク（CNN）は、低SNRレベルでの特徴抽出能力が限られており、特徴の利用効率が低いため、スペクトラムセンシングの性能が最適でありません。本論文では、この問題に対処するためにマルチスケール特徴融合ネットワーク（MSFFNet）に基づくスペクトラムセンシング手法を提案します。まず、提案手法はマルチスケール特徴抽出ブロック（MSFEB）を用いて入力データから多尺度情報を包括的に取得します。次に、適応的特徴選別戦略（AFSS）により、重要な特徴を強調しつつ冗長な情報を抑制します。最後に、マルチレベル特徴融合機構（MLFFM）がスケールとレベルを越えて特徴を最適化・統合し、スペクトラムセンシング性能を向上させます。シミュレーション結果は、他の手法と比較して、提案手法が低SNR通信シナリオで優れた性能を達成することを示しています。SNRが-14dBのとき、検出確率P_dは0.936に達し、誤検知確率P_faは0.1に過ぎません。さらに、本論文は実際の通信環境をシミュレートし、スペクトラムセンシングのロバスト性を高めるためにマルチレベル混合SNRデータセットを構築しました。

認知ラジオ;スペクトラムセンシング;深層学習;マルチスケール特徴融合