Las fluctuaciones de la relación señal-ruido (SNR) afectan significativamente el rendimiento de la detección de espectro en las comunicaciones inalámbricas. La red neuronal convolucional (CNN) tradicional muestra capacidades limitadas de extracción de características y un uso ineficiente de las mismas a niveles bajos de SNR, lo que conduce a un rendimiento subóptimo de la detección de espectro. Este artículo propone un método de detección de espectro basado en una red de fusión de características multi-escala (MSFFNet) para abordar este problema. Primero, el método propuesto emplea un bloque de extracción de características multi-escala (MSFEB) para capturar de manera integral la información multi-escala de los datos de entrada. Luego, una estrategia adaptativa de filtrado de características (AFSS) resalta las características clave mientras suprime la información redundante. Finalmente, un mecanismo de fusión de características multinivel (MLFFM) optimiza e integra características a través de escalas y niveles, mejorando el rendimiento de la detección de espectro. Los resultados de la simulación demuestran que en comparación con otros métodos, el enfoque propuesto logra un rendimiento superior en escenarios de comunicación con SNR bajo. A un SNR de -14 dB, la probabilidad de detección P_d alcanza 0.936, mientras que la probabilidad de falsa alarma P_fa es solo 0.1. Además, este artículo construye un conjunto de datos mixto multinivel con SNR para simular entornos de comunicación reales y mejorar la robustez de la detección de espectro.

Radios cognitivas;Detección de espectro;Aprendizaje profundo;Fusión de características multi-escala