基于深度去噪与多分支神经网络的非正交多址接入协作频谱感知（Cooperative Spectrum Sensing Based on Deep Denoising and Multi-Branch Neural Networks for Non-Orthogonal Multiple Access, NOMA）

《Digital Signal Processing》：Cooperative Spectrum Sensing Based on Deep Denoising and Multi-Branch Neural Networks for Non-Orthogonal Multiple Access

　　

在认知无线电（Cognitive Radio, CR）系统中引入非正交多址接入（Non-Orthogonal Multiple Access, NOMA）机制可进一步提升频谱资源利用率。然而，在NOMA环境下多个主用户（Primary User, PU）共享同一频段，致使频谱状态的准确识别较为困难。针对NOMA带来的复杂挑战，本文提出一种基于深度去噪与多分支神经网络的协作频谱感知（Cooperative Spectrum Sensing, CSS）算法。为在低信噪比（Signal-to-Noise Ratio, SNR）环境下准确自动提取采样信号特征，研究人员设计了一种融合小波变换（Wavelet Transform, WT）、卷积神经网络（Convolutional Neural Network, CNN）与注意力机制（Attention Mechanism）的混合网络对采样信号进行深度去噪。针对多天线感知数据，研究人员设计了一种多分支卷积门控网络（Multi-Branch Convolutional Gated Network, MBCGN），可独立处理各天线感知数据特征再进行融合，充分挖掘数据的关键特征。实验结果表明，该算法在NOMA环境下相较于其他算法表现出更优的检测性能。

本文对Zheng Bingfeng、Wu Zeteng、Wang Yonghua及Wan Pin发表于《Digital Signal Processing》的论文《Cooperative Spectrum Sensing Based on Deep Denoising and Multi-Branch Neural Networks for Non-Orthogonal Multiple Access》进行解读总结。

随着无线通信设备普及，频谱资源需求激增，认知无线电（Cognitive Radio, CR——可感知并利用主用户Primary User, PU未占用频段的次级用户Secondary User, SU所组成的系统）中的频谱感知技术成为研究热点。传统频谱感知方法如能量检测（Energy Detection, ED）、匹配滤波及循环平稳特征检测依赖系统物理模型先验知识，实际中理论统计模型的局限性常导致检测性能下降。基于机器学习的常规方法需人工提取特征且依赖领域知识，难以适应复杂信号场景。近年深度学习被广泛应用于频谱感知，已有研究采用卷积神经网络（Convolutional Neural Network, CNN）、长短时记忆网络（Long Short-Term Memory, LSTM）、双向LSTM结合自注意力机制、深度神经网络（Deep Neural Network, DNN）及图神经网络（Graph Neural Network, GNN）等提升低信噪比下检测性能。然而上述多数窄带频谱感知方法面向正交多址接入（Orthogonal Multiple Access, OMA）场景设计，未充分考虑非正交多址接入（Non-Orthogonal Multiple Access, NOMA——通过功率域复用允许多个PU同时占用同一频段以提升频谱利用率的技术）带来的挑战：同一频段共存多PU信号致个体PU状态难区分；功率差异致弱信号更难检测的低SNR恶化；PU数增加使频谱状态组合数呈指数增长令分类困难。现有NOMA感知多采用机器学习方法（K-Means、高斯混合模型Gaussian Mixture Model, GMM、支持向量机Support Vector Machine, SVM等），基于深度去噪与聚类的NOMA感知方法依赖能量特征与浅层聚类，PU重叠数增多时分类复杂度剧增。因此研究人员开展本研究，提出基于深度去噪与多分支神经网络（Deep Denoising and Multi-Branch Neural Networks, DDMBNN）的协作频谱感知算法，以解决NOMA环境下高噪声鲁棒特征提取及多天线数据无特征混淆建模问题，实验证明所提方法在低SNR及多PU的NOMA环境中检测性能显著优于对比算法，为NOMA–CR系统协作频谱感知提供了新颖有效的深度学习架构。

为开展研究，研究人员采用以下关键技术方法：构建融合离散小波变换（Discrete Wavelet Transform, DWT）的小波卷积模块及小波注意力机制模块组成的小波–卷积–注意力混合去噪网络（Wavelet–CNN–Attention Model, WTCAM），对低SNR下NOMA叠加接收信号进行深度去噪以联合提取时频特征；设计多分支卷积门控网络（Multi-Branch Convolutional Gated Network, MBCGN），为每根天线分配独立子分支含CNN与门控循环单元（Gated Recurrent Unit, GRU）分别提取特征后再融合，避免多天线间特征混淆；采用仿真生成数据集——默认设置2个PU共享信道、PU发射功率比Ω₁/Ω₂=2/1、采样点数为256、莱斯（Rice）衰落信道、PU信号均为二进制相移键控（Binary Phase Shift Keying, BPSK）调制信号，对比多种现有算法验证性能。

研究结果如下：

系统模型（System Model）：研究人员建立含E个PU与M个SU、每SU配A根天线的NOMA–CR协作频谱感知系统模型。SU接收到的信号为各PU经信道衰落的NOMA叠加信号加高斯白噪声，SU对各天线采样后送融合中心处理，需判断各PU占用状态的组合情况。

基于DDMBNN算法的协作频谱感知（CSS Based On DDMBNN Algorithm）：整体框架由WTCAM与MBCGN串联构成。WTCAM先对原始采样信号做DWT分解，通过嵌入小波卷积与小波自注意力机制的编解码结构抑制噪声分量并保留信号时频特征；MBCGN将各天线去噪后数据送入并行独立子分支（各含一维CNN与GRU）提取单天线深层特征，再经特征拼接与全连接层输出各频谱状态（PU占用组合）的概率分布，以交叉熵损失监督训练完成分类。

数值结果（Numerical Results）：研究人员在不同SNR、不同PU数量及不同功率比条件下开展对比实验。结果表明，所提DDMBNN算法在低SNR（如?20 dB～0 dB）NOMA环境下检测概率（Probability of Detection, P_d）明显高于能量检测、传统机器学习方法及已有深度学习NOMA感知方法，且随PU数增加性能优势仍保持，验证了WTCAM去噪与MBCGN多分支融合的有效性。

结论（Conclusion）翻译：本文提出一种基于DDMBNN算法的协作频谱感知方案，旨在提升NOMA下感知方案的检测精度。结合小波变换与CNN及注意力机制的WTCAM网络模型被用于SU接收信号的去噪，在滤除噪声成分的同时保留原始信号中更有效的关键信息。随后针对多天线数据，通过结合CNN与GRU构建MBCGN网络，对各天线数据独立处理后再融合以判断频谱状态。实验验证了该方法在NOMA环境中的优越性。

讨论总结：研究人员指出，相比已有基于浅层聚类或无多分支结构的深度方法，所提DDMBNN通过WTCAM实现NOMA叠加信号的高保真去噪、通过MBCGN避免多天线特征串扰，可有效学习从原始叠加信号到复合PU状态的高度非线性映射，在低SNR及多PU NOMA场景中检测性能显著提升。该方法需标注数据训练，但性能增益足以支撑其在密集NOMA–CR系统中的应用价值，为后续NOMA频谱感知的深度学习模型设计提供了新思路。