As flutuações da relação sinal-ruído (SNR) afetam significativamente o desempenho da detecção de espectro em comunicações sem fio. A rede neural convolucional tradicional (CNN) apresenta capacidades limitadas de extração de características e utilização ineficiente de características em níveis baixos de SNR, levando a um desempenho subótimo na detecção de espectro. Este artigo propõe um método de detecção de espectro baseado em uma rede de fusão de características multiescala (MSFFNet) para abordar esse problema. Primeiro, o método proposto emprega um bloco de extração de características multiescala (MSFEB) para capturar de forma abrangente informações multiescala dos dados de entrada. Em seguida, uma estratégia adaptativa de seleção de características (AFSS) destaca características-chave enquanto suprime informações redundantes. Finalmente, um mecanismo de fusão de características multinível (MLFFM) otimiza e integra características através de escalas e níveis, melhorando o desempenho da detecção de espectro. Resultados da simulação demonstram que, em comparação com outros métodos, a abordagem proposta alcança desempenho superior em cenários de comunicação com SNR baixo. Em um SNR de -14 dB, a probabilidade de detecção P_d atinge 0,936, enquanto a probabilidade de falso alarme P_fa é apenas 0,1. Além disso, este artigo constrói um conjunto de dados multinível com SNR misto para simular ambientes de comunicação reais e aumentar a robustez da detecção de espectro.

Rádios cognitivos;Detecção de espectro;Aprendizagem profunda;Fusão de características multiescala