基于深度堆叠残差框架的缺失数据频谱预测模型SRCBG研究

本文提出了一种新型时频谱深度学习框架SRCBG（堆叠残差卷积双向门控循环单元网络），通过集成缺失值估算与频谱预测的双重功能，解决了认知无线电网络（CRN）中因数据缺失导致的预测性能下降问题。该模型创新性地采用堆叠残差结构和RC-GRU单元，在20%-80%缺失率下显著优于现有基线方法（如GRU-D、LSTM-M），为6G通信和车联网（IoV）等场景提供可靠频谱态势感知方案。

　　

Highlight

针对频谱预测中缺失数据的挑战，本研究提出创新性解决方案：

• 首创深度堆叠残差框架（ADSRF），通过联合优化缺失值估算与时频谱预测任务，突破传统两阶段方法的性能瓶颈。

• 设计新型残差卷积门控单元（RC-GRU），可动态捕获频谱数据中的时空相关性，支持在线实时估算。

• 自适应输出预测机制显著提升模型鲁棒性，在20%-80%缺失率下实现优于GRU-D、LSTM-M等基准模型的性能。

Spectrum Prediction Formulation

定义历史频谱数据X_T∈R^m×(n+1)，其中m为频点数，x_t^q表示第q频段t时刻的频谱状态。模型目标是通过含缺失值的观测数据，同步完成缺失值填充与未来频谱值预测。

SRCBG Architecture

模型包含四层核心结构：

1. 1.

   频谱输入层：处理实时功率谱密度（PSD）数据流X_T={X_t-n,...,X_t}

2. 2.

   估算层：通过双向信息传递机制重构缺失值

3. 3.

   特征学习层：堆叠的RC-GRU单元提取时频特征（见图7展开结构）

4. 4.

   输出层：自适应预测未来频谱状态

Experimental Validation

采用德国亚琛工业大学实测数据集（中心频率770MHz/2250MHz），在随机与非随机缺失场景下测试。如表2所示，SRCBG在40%缺失率时预测精度仍保持85%以上，显著优于传统CNN-LSTM混合模型。

Conclusion

SRCBG通过端到端联合学习框架，为CRN和6G网络中的动态频谱管理提供了创新解决方案。其堆叠残差设计和RC-GRU单元有效解决了高缺失率下的特征失真问题，在智能频谱感知领域具有重要应用价值。