在数据稀缺的无线环境中，基于软件定义无线电的频谱感知采用轻量级的跨域迁移学习技术

《AEU - International Journal of Electronics and Communications》：Lightweight cross-domain transfer learning for software-defined radio-based Spectrum sensing in data-scarce wireless environments

　　**摘要**

动态频谱感知仍然是第六代（6G）认知无线电网络的一个关键瓶颈，因为传统算法易受低信噪比（SNR）的影响，而深度学习模型则需要大量的标注数据，并且部署开销较大。本文提出了一种硬件-软件协同的频谱感知框架，该框架整合了一个轻量级的一维卷积神经网络（1D-CNN）、无参数冻结的迁移学习和一个通用的软件无线电外设（USRP）平台。该模型在RadioML 2016.10a数据集上进行了预训练，并在3968个测量的USRP同相/正交帧数据集上进行了微调。在匹配和跨域条件下，将其与标准CNN、长短期记忆网络（LSTM）和MobileNetV2-1D进行了比较。在匹配域条件下，该模型的验证准确率为95.14%；在五次跨域运行中，平均峰值平衡验证准确率为79.67%。虽然标准CNN的准确率为82.31%，但所提出的模型参数减少了83.3%，并且推理延迟降低了61.0%。即使在0 dB的SNR下，该模型也能实现0.92的检测概率，超过了IEEE 802.22的标准要求。这些结果表明，在迁移准确性、稳定性和部署效率之间存在良好的权衡。

**引言**

随着第五代（5G）网络的广泛商业部署和6G研究的不断进展，物联网（IoT）、车载自组织网络（VANETs）和工业物联网（IIoT）等新兴范式极大地推动了无线数据流量的增长。这种增长加剧了频谱供需之间的不平衡[1]。目前，6 GHz以下的频谱几乎已经耗尽，传统的静态频谱分配模型无法适应动态服务需求，使得“频谱赤字”成为未来无线通信的主要瓶颈[2]。因此，认知无线电（CR）技术作为一种有前景的解决方案应运而生。通过允许次级用户智能识别并机会主义地利用许可频带内的临时空闲“频谱孔”，CR促进了动态频谱接入（DSA），显著提高了整体频谱利用效率[3]。

频谱感知是CR实现动态接入的基本前提。传统的感知算法，包括能量检测[4]、匹配滤波器检测[5]和协方差检测[6]，常常无法满足复杂实际电磁环境的严格要求，这些环境的特点是信噪比低、信道衰落严重和噪声不确定性高。这些限制源于它们依赖于预先定义的统计模型，而这些模型通常与动态环境中的实际信号特征不匹配[7]。最近，人工智能（AI），特别是深度学习（DL），在频谱感知领域取得了突破性进展。大量研究表明，卷积神经网络（CNN）和长短期记忆（LSTM）网络在低信噪比条件下能够有效提取信号的时空特征，从而显著提高检测概率[8]。类似的，轻量级的DL方法也被开发出来以解决边缘部署的限制[9]。然而，这些DL方法严重依赖于大规模、全面注释的训练数据集。在动态实际场景中，获取足够的高质量目标域数据成本过高[10]。此外，当这些模型遇到新环境，导致经验数据分布与训练分布显著偏离时，它们的泛化能力会大幅下降[11]。

迁移学习提供了一种强大的方法，通过将源域的通用知识转移到目标任务来缓解数据稀缺问题[12]。尽管全面的调查强调了其在计算机视觉和自然语言处理领域的成功应用[13]，但也强调了其在无线通信中的巨大潜力，尤其是在6G频谱灵活性和AI驱动的网络方面。在频谱感知的背景下，先前的研究探索了各种迁移学习方法，包括基于预测的协同感知[14]、小样本学习[15]和用于DSA优化的深度强化学习[16]。然而，现有文献主要集中在最大化理论模型性能上，系统性地忽略了在资源有限的边缘设备上部署所需的严格轻量化约束[17]。首先，计算密集型DL架构本质上不适合处理受限于严格处理能力、内存和能源预算的边缘设备[18]。其次，为动态边缘环境量身定制的迁移学习策略必须具有高计算效率和低部署开销[19]。因此，一个能够同时保证强大检测性能、卓越泛化能力和最小化计算成本的智能频谱感知框架对于实际工程实现至关重要[20]。

为了解决传统算法的可靠性不足以及标准DL模型对数据的过度依赖问题，本研究重点关注了智能动态频谱感知的实际工程约束。为此，设计和实现了一个硬件-软件协同的智能感知系统。本研究的主要贡献如下：
(1) 利用USRP软件定义无线电（SDR）平台构建了一个端到端集成的信号采集、处理和实时决策系统。
(2) 提出了一种轻量级的一维卷积神经网络（1D-CNN）作为同相和正交（I/Q）信号的预训练模型，该模型在保持高感知效率的同时有效降低了模型复杂性。
(3) 实施了一种无参数冻结的迁移学习策略，将模型从合成的RML2016.10a数据集适应到测量的USRP数据。在五次独立的跨域运行中，所提出的方法实现了79.67%的平均峰值平衡验证准确率，95%置信区间半宽度为0.67个百分点。这种策略展示了强大的目标域适应性，同时保持了低计算开销。

通过全面的系统工程和实证验证，本研究为复杂电磁环境中高度可靠的动态频谱感知提供了一种稳健且低开销的技术解决方案。

**基于轻量级迁移学习的系统框架**

所提出的智能频谱感知系统的核心是基于轻量级迁移学习。该框架旨在利用计算效率高、参数少的架构，快速将来自丰富源域数据（例如公共数据集）的通用信号特征适应到数据稀缺的目标域（即实际收集的信号）。其数学基础依赖于标准的二元假设检验：
H0: yn = wn + Noise
H1: yn = h?sn + wn + Signal + Noise

**实验平台概述**

系统的硬件核心建立在USRP软件定义无线电（SDR）平台上，该平台提供了灵活的射频（RF）前端和实时信号处理能力。平台采用了分层协议架构：控制平面传输同步字和时间槽参数，数据平面转发128个复数采样点的块，确认平面确保了可靠的数据包处理。

**结果与讨论**

为了评估基于软件定义无线电（SDR）的轻量级智能感知系统的实际性能，本研究从三个关键角度对该框架进行了评估：模型轻量化的有效性、参数优化适应性和迁移鲁棒性。1D-CNN被用作核心轻量级模型，重点关注计算效率、参数容量和检测准确性之间的权衡。

**结论**

本研究提出了一种在USRP平台上部署的硬件-软件协同频谱感知框架，该框架整合了轻量级1D-CNN和无参数冻结的迁移学习。目标域数据集包含3968个标记的I/Q帧。所提出的架构具有0.257百万个参数，占用0.992 MB的存储空间，每个样本需要0.686毫秒进行推理。在五次RML到USRP的迁移运行中，其平均峰值平衡验证准确率为79.67%。

**作者贡献声明**

崔翠美：撰写 - 审稿与编辑、监督、项目管理、方法论、调查、资金获取、概念化。
尹旭崇：撰写 - 审稿与编辑、监督、方法论、调查、概念化。
徐嘉欣：撰写 - 审稿与编辑、验证、方法论、数据管理。
杨青：撰写 - 审稿与编辑、方法论、调查、概念化。
史静毅：撰写 - 审稿与编辑。
吴伯宇：撰写 - 审稿与编辑、验证。

**利益冲突声明**

作者声明他们没有已知的潜在财务利益或个人关系可能影响本文所报告的工作。

**致谢**

我们感谢对中国国家自然科学基金会的宝贵讨论和技术支持。

**资助**

本工作得到了中国国家自然科学基金会的资助，项目编号为62371075和62372070。

崔翠美 | 尹旭崇 | 徐嘉欣 | 杨青 | 史静毅 | 吴伯宇