引言
随着移动设备和无线通信技术的快速发展，异构网络已成为提供用户数据服务的可行方案。然而，由于无线电频谱是支持无线通信的有限资源，因此更需要合理利用它。无线电频谱存在于自然界中，全球频谱分配情况显示，其容量已接近极限。此外，鉴于高速设备的需求，现有的静态频率分配方式显然已不够用。
[1,2]中的研究表明，不同时区与地理位置会导致频谱利用的不均匀性。而且，并非所有分配的频段都被其所有者使用：有些频段被完全或部分占用，而另一些则需求旺盛。所谓“空白频段”和“频谱空洞”，指的就是那些未被利用的频率。获得许可的用户，也即主用户，会被分配到某个时空频率区域，即频谱空洞，但该区域在特定时间或地点并未被使用。因此，尽管这些频段存在被二次利用的可能，但目前的使用效率依然较低。
为解决频谱资源匮乏和接入问题，人们提出了灵活的频谱管理方案。两种主要的动态频谱访问模型——并行频谱访问模型和机会主义频谱访问模型——可用于实现主用户与次用户的共存。此外，还有三种关键的动态频谱管理技术：人工智能、区块链和认知无线电[3,4]。
近年来，机器学习技术在模拟各种领域的复杂非线性系统方面展现出强大能力。神经网络、高斯过程回归、图模型和集成学习等方法在捕捉复杂数据模式方面取得了良好效果。虽然高斯过程回归能实现不确定性量化，集成学习方法能提升系统鲁棒性，但它们的计算复杂性给实时频谱感知应用带来了挑战。相比之下，卷积神经网络在表征能力和计算效率之间实现了良好平衡，尤其擅长从信号中表示中提取空间和频谱特征。正因如此，本研究采用了预训练的CNN架构，以实现准确且可扩展的频谱感知[[5], [6], [7], [8], [9], [10], [11], [12], [13], [14]]。
本研究的主要重点是将认知无线电技术应用于机会主义频谱访问模型。1999年，Joseph Mitola提出了认知无线电的概念[15,16]。根据这一定义，认知无线电是一种具备智能功能的射频（发射/接收装置），能够识别频谱空隙，并将其提供给次用户使用[17]。只要次用户不会对主用户的通信造成干扰，它就可以使用那些已被许可或分配给它的频段，无论是同步使用还是作为临时机会使用。其目标是通过检测频谱中的空隙来确定频段状态（被占用或空闲），然后根据这些信息调整数据传输方式，在降低干扰的同时提升传输速率。相关文献中介绍了多种频谱感知技术[[18], [19], [20], [21], [22], [23], [24], [25], [26], [27], [28]]。
在过去十年中，支持向量机、k最近邻算法和人工神经网络等分类算法的普及程度大幅提升。由于这些算法具有出色的性能和模式识别能力，因此被用作识别主用户的判别方法[[29], [30]]。（31-37：新增参考文献）
深度学习技术被应用于多种感知场景。[31]中对深度学习进行了详细综述，[32]则探讨了分类与特征融合的方法。[33]提出了特征选择和维度分析的方法，[34]则涉及了考虑频谱特性的相关研究。[35]讨论了动态阈值机制，[36,37]则介绍了考虑频谱特性的压缩感知技术。
本研究采用动态阈值机制来适应不同的噪声方差和信噪比条件。由于系统的运行状态会随信噪比变化，静态阈值已不再适用，阈值应根据信道中的噪声水平来设定。鉴于噪声的波动性，动态阈值技术对于提升感知性能至关重要。在本研究中，我们利用预训练的机器学习技术，学习并预测了不同信噪比条件下识别主用户的理想阈值。与传统及基于人工神经网络的频谱感知方法相比，所提出的基于机器学习的循环平稳频谱检测方法具有更优异的性能。
D. Susan|M. Suba
