真实射频损伤下鲁棒频谱感知：经典与学习型方法的损伤感知CFAR统一基准评测

《ARABIAN JOURNAL FOR SCIENCE AND ENGINEERING》：Robust Spectrum Sensing under Realistic Radio Impairments: A Unified Evaluation of Classical and Learning-Based Methods

　　

下一代无线通信系统的一个基本挑战是缺乏鲁棒频谱感知方法，无法在实际信道损伤和非理想接收机条件下保持可靠检测。许多频谱感知算法在噪声不确定性（NU）、瑞利衰落、载波频率偏移（CFO）和相位旋转等损伤下性能退化，进一步加剧了该挑战。本文提出一个统一的损伤感知基准框架，用于在受控非理想无线条件下一致评估经典、机器学习（ML）和深度学习（DL）频谱感知技术。该框架显式建模实际系统中常见但以往研究常简化或忽略的接收机和信道损伤。在该框架内，能量检测（ED）和匹配滤波检测（MFD）与支持向量机（SVM）、k近邻（KNN）、卷积神经网络（CNN）以及卷积神经网络-长短期记忆（CNN-LSTM）感知技术进行系统比较。为确保公平比较，所有感知方法统一应用恒虚警率（CFAR）阈值策略。仿真结果表明，ED在NU下遭受众所周知的信噪比（SNR）墙现象，而MFD因CFO补偿以增加计算复杂度为代价改善检测性能。基于ML的技术相比经典基线提供改进检测性能，但仍对特征表示和数据集不确定性敏感。基于DL的检测器在所考虑损伤下表现强鲁棒性，而CNN-LSTM基线进一步说明时间建模能力与计算成本之间的权衡。研究结果为下一代动态频谱共享系统中频谱感知算法的性能-复杂度权衡提供实际设计见解。

研究背景与问题：下一代无线通信技术快速扩展，车联网（V2X）、物联网（IoT）、多输入多输出（MIMO）和大规模机器类通信等应用对无线频谱资源造成空前压力。虽然频谱常被视为稀缺资源，但大量许可频段未被充分利用，因此动态频谱共享和认知无线电（CR）被提出，使次用户（SU）机会式接入未充分使用的许可频段并避免对主用户（PU）造成有害干扰。频谱感知是CR的核心，通常被建模为二元假设检验，用于区分仅有噪声的H₀与信号加噪声的H₁。现有方法可分为经典、机器学习（ML）和深度学习（DL）方法。能量检测（ED）无需PU先验且复杂度低，但依赖噪声功率估计，易受噪声不确定性（NU）影响，产生信噪比（SNR）墙，低SNR性能退化。匹配滤波检测（MFD）在Neyman–Pearson意义下最优，但需要PU波形先验，且受载波频率偏移（CFO）和随机相位旋转等同步误差影响。循环平稳检测可提升鲁棒性，但计算复杂度高。基于ML的方法将感知视为监督分类，常用支持向量机（SVM）、k近邻（KNN）等，但依赖手工特征和特征选择，泛化到不同信道损伤和非平稳噪声分布的能力有限。基于DL的方法可直接从原始或最小处理的同相和正交（IQ）样本端到端学习，CNN可自动提取层次化空间特征，CNN-LSTM可同时学习信号特征和时间模式。然而，已有研究常建立在理想信道、固定噪声或孤立方法评估等简化假设上，比较时使用不同数据集、不一致指标或未统一虚警约束，难以公平基准测试。因此，研究人员提出统一的损伤感知且恒虚警率（CFAR）约束评估框架。

研究人员开展的研究、结论与意义：研究人员在受控非理想无线条件下，构建显式包含NU、瑞利衰落、CFO和随机相位旋转的统一基准框架，并使用跨不同SNR的IQ数据集，对所有方法施加统一的CFAR决策策略。研究人员将ED、MFD、SVM、KNN、轻量CNN和CNN-LSTM检测器在相同数据集、SNR、损伤和阈值条件下比较，并采用检测概率P_d、漏检概率P_md和检测准确率多指标评价，避免仅依赖单一指标。主要贡献包括：建立统一损伤感知频谱感知框架；设计CFAR约束评估方法；全面基准测试经典、ML和DL检测器；分析多指标检测性能；评估性能-复杂度权衡。结论表明，ED计算成本最低但对NU敏感；MFD在有波形先验时改善检测，但CFO搜索增加复杂度；SVM和KNN提供数据驱动替代方案；CNN在考虑损伤下表现稳定；CNN-LSTM增加时间建模能力，但在当前配置下并未一致优于轻量CNN。该研究为下一代动态频谱共享系统中感知算法的部署提供性能-复杂度权衡设计见解。

关键技术方法：研究使用合成复数IQ数据集，样本长度N=256，覆盖不同SNR，并加入瑞利衰落、CFO、随机相位旋转和有界NU；训练集用于模型拟合和CFAR阈值校准，阈值仅由H₀校准样本的经验分位数确定，测试集仅用于最终报告P_d、P_md和准确率。比较方法包括ED、MFD（CFO网格搜索）、SVM（线性核）、KNN（k=7）、轻量CNN和CNN-LSTM；CNN/CNN-LSTM采用二元交叉熵损失、Adam优化、ReLU和sigmoid输出，CNN-LSTM含64隐藏单元LSTM和dropout 0.30。数据来源为合成IQ数据集，非真实样本队列。

研究结果：
4.1 经典方法性能。4.1.1 ED性能：通过不同SNR下的分类与检测仿真，ED在低SNR下产生重叠簇，难以区分H₀和H₁；ED呈现预期SNR墙行为，低SNR检测概率提升缓慢并因NU饱和，约?8 dB以下检测能力差；测得P_fa接近目标值，说明CFAR操作正确。4.1.2 MFD性能：通过CFO搜索相关，MFD较ED改善分类分离，中SNR改善明显；CFO搜索补偿频率失配，P_d较ED显著提高，但残余CFO和衰落使其在极低SNR无法达到理想性能；复杂度随CFO网格大小增加，形成性能与计算复杂度权衡。

4.2 基于ML的方法性能。4.2.1 SVM性能：通过跨SNR评估，SVM检测较稳定，优于ED，并在中SNR接近MFD，同时保持CFAR合规；其对信号条件变化较鲁棒，但推断复杂度依赖支持向量数量，数据集增大时扩展性受限，且依赖代表性训练数据并需额外校准以在NU、CFO和相位旋转变化下维持CFAR。4.2.2 KNN性能：KNN在中高SNR优于ED，体现数据驱动决策边界优势；低SNR下决策区域不规则，对特征分布和噪声敏感，高维IQ特征空间的距离集中效应降低邻域判别能力，且对NU敏感；k值影响大，研究采用k=7以获得稳定检测。

4.3 基于DL的方法性能。4.3.1 CNN性能：通过不同SNR分类与检测仿真，CNN在中SNR清晰分类PU和SU信号，高SNR下P_d高且分类准确率稳定，能学习对信道损伤较不敏感的鲁棒特征；严重噪声下出现类别不平衡，分类器偏向H₁以提高检测概率，导致虚警率显著增加和整体准确率变差，说明仅用P_d不足并需CFAR约束；极低SNR下ML方法可能过拟合噪声模式而泛化不佳。4.3.2 CNN-LSTM性能：通过低至中高SNR分类评估，极低SNR下H₀与H₁重叠大，漏检高；随SNR增加分离改善，中SNR卷积层提取局部IQ模式，LSTM建模时序结构，改善P_d并降低P_md；高SNR下P_d接近1、P_md接近0。GPU平台上测得推理时间与CNN相当，可能受实现细节和硬件加速影响；LSTM可利用时间依赖，但在当前设置下没有一致优于轻量CNN，说明增加循环层不保证感知性能提升。

4.4 合成数据集局限与运行评估：合成数据可控制且可重复，但不能完全捕获IQ不平衡、振荡器相位噪声、功率放大器非线性、模数转换器（ADC）量化、自动增益控制（AGC）、邻道干扰、脉冲噪声、硬件校准误差和环境相关多径传播；因此结果应解释为受控损伤感知基准，而非完整真实世界验证。运行评估显示，ED推断成本最低；MFD因CFO网格搜索增加开销；KNN推断时间较高；CNN和CNN-LSTM训练后推断复杂度固定，适合硬件加速实现。未来工作将纳入基于软件定义无线电（SDR）的测量IQ数据，并评估更强NU、更大CFO范围、频率选择性衰落和硬件损伤等未见过条件，同时研究迁移学习和域适应。

4.5 比较分析：通过跨SNR比较P_d、P_md和分类准确率，CNN在中等和高SNR下保持稳定PU检测，P_d随SNR更一致且单调改善，体现对NU、CFO和相位旋转等损伤学习鲁棒不变特征的能力。P_md随SNR增加单调下降；低SNR下ED漏检较高，KNN、SVM、MFD和CNN-LSTM漏检显著较低；CNN在中等SNR下更稳定可靠且漏检较低；随SNR增加所有方法改善，P_md逐渐趋近0；在所考虑方法中，CNN在整个SNR范围内持续显示最低漏检。

讨论与结论翻译：本文提出了一个统一的损伤感知且受CFAR约束的基准框架，用于在受控非理想无线条件下评估经典、ML和DL频谱感知方法。该框架联合纳入瑞利衰落、CFO、随机相位旋转和有界NU，同时对所有检测器应用共同虚警控制策略。结果显示，所评估方法之间存在明显的性能-复杂度权衡。ED提供最低计算成本，但对NU高度敏感。当具备先验PU波形知识时，MFD可改善检测，但其复杂度随CFO搜索增加。SVM和KNN提供数据驱动替代方案，而CNN在所考虑损伤条件下提供稳定的DL感知性能。CNN-LSTM提供额外时间建模能力，但在当前配置下并未持续优于轻量CNN。从部署角度看，ED可能适合在中高SNR下运行的高资源受限设备；当具备准确波形知识和同步资源时，MFD具有吸引力；当接收机必须在可变损伤条件下运行时，基于学习的方法更合适。然而，该研究基于合成生成的损伤数据，因此报告结果应解释为受控基准证据，而非完整真实世界验证。未来工作将聚焦于基于SDR的测量IQ数据集、自适应CFAR校准、轻量边缘实现，以及对更广泛信道、波形和硬件损伤的鲁棒性。