Колебания отношения сигнал/шум (SNR) значительно влияют на производительность спектрального зондирования в беспроводных коммуникациях. Традиционная сверточная нейронная сеть (CNN) обладает ограниченными возможностями извлечения признаков и неэффективным использованием признаков при низких уровнях SNR, что приводит к неоптимальной производительности спектрального зондирования. В этой статье предлагается метод спектрального зондирования на основе сети многомасштабного слияния признаков (MSFFNet) для решения данной проблемы. Во-первых, предлагаемый метод использует блок извлечения многомасштабных признаков (MSFEB) для всестороннего захвата многомасштабной информации из входных данных. Далее адаптивная стратегия отбора признаков (AFSS) выделяет ключевые признаки при подавлении избыточной информации. Наконец, механизм многослойного слияния признаков (MLFFM) оптимизирует и интегрирует признаки по масштабам и уровням, улучшая производительность спектрального зондирования. Результаты моделирования показывают, что по сравнению с другими методами предложенный подход достигает лучшей производительности в сценариях связи с низким SNR. При SNR -14 дБ вероятность обнаружения P_d достигает 0.936, а вероятность ложной тревоги P_fa составляет всего 0.1. Кроме того, в статье создан многоуровневый набор данных со смешанными SNR для моделирования реальных условий связи и повышения устойчивости спектрального зондирования.

Когнитивные радиостанции;спектральное зондирование;глубокое обучение;многомасштабное слияние признаков