基于联邦学习与Swin-Transformer的跨域智能协作频谱感知算法研究

针对6G网络中频谱资源利用率低、传统协作频谱感知(CSS)存在数据泄露风险等问题，研究人员提出了一种融合联邦学习(FL)与Swin-Transformer的智能CSS算法。该算法通过连续小波变换(CWT)提取时频联合特征，结合分布式FL框架保障数据安全，并采用Swin-Transformer实现高效模式识别。实验表明，其检测概率提升45%，虚警概率降低13%，为未来智能通信网络提供了安全高效的频谱管理方案。

　　

随着6G移动网络的快速发展，频谱资源短缺已成为制约无线通信发展的关键瓶颈。传统静态频谱分配方式效率低下，而认知无线电(CR)技术虽能通过频谱感知动态利用空闲频段，却面临数据安全与感知精度的双重挑战。特别是在协作频谱感知(CSS)场景下，多感知用户(SU)需向融合中心(FC)集中传输数据，不仅带来巨大通信开销，更存在隐私泄露风险。现有基于卷积神经网络(CNN)或图神经网络(GNN)的CSS方案在复杂环境中表现欠佳，且难以兼顾分布式架构与高效特征提取。

为解决这些问题，由国内某高校领衔的研究团队在《Engineering Applications of Artificial Intelligence》发表了一项创新研究。该工作首次将联邦学习(FL)与Swin-Transformer深度结合，提出了一种跨域智能CSS算法。通过连续小波变换(CWT)将时域信号转换为时频谱图，利用FL实现分布式模型训练，并设计基于窗口移位机制的Swin-Transformer进行特征融合，最终采用K-秩融合准则提升决策可靠性。

关键技术方法包括：1) 在Nakagami信道下生成2FSK/QPSK调制信号数据集，通过CWT构建时频特征；2) 建立FL框架实现SU本地模型训练与全局参数聚合；3) 开发具有LeakyReLU激活函数的Swin-Transformer网络，通过多头注意力机制提取跨域特征；4) 采用K-rank融合准则整合多SU决策结果。

通信系统模型
研究构建了包含主用户(PU)、多SU和FC的三层架构。SU通过CWT将采样信号转换为时频谱图作为训练集，FL框架下各SU仅上传模型参数至FC进行聚合，显著降低数据传输量并保障隐私安全。

基于FL-Swin-Transformer的智能CSS
传统CNN难以有效处理时频联合特征，而Swin-Transformer通过分块归一化和多头注意力模块实现高效特征整合。其分层感知结构保留负输入特征(LeakyReLU)，配合位置编码增强空间相关性，在-15~3dB信噪比(SNR)条件下实现鲁棒感知。

仿真参数设置
实验对比CNN、ViT-Transformer等基线模型，所提算法在检测概率(P_d)和虚警概率(P_f)指标上分别实现45%提升与13%下降，验证了其在低SNR环境下的优越性。

结论与意义
该研究开创性地将FL的隐私保护优势与Swin-Transformer的强大表征能力相结合，为6G网络提供了兼具安全性、高效性的智能CSS新范式。其分布式架构有效规避了FC单点故障风险，时频特征融合策略显著提升了复杂环境下的感知精度。研究成果对推动CR技术在智能物联网、车联网等场景的应用具有重要实践价值。