基于图像修复的认知无线电网络频谱占用预测（使用深度学习）

《Telecom》：Image Inpainting-Based Spectrum Occupancy Prediction in Cognitive Radio Networks Using Deep Learning

　　

在广域认知无线电网络（CRNs）中，可靠的动态频谱接入受到稀疏且有误差的频谱感知测量的挑战。研究人员将空间-频谱占用重建问题表述为图像修复问题，并提出了两种级联深度学习模型：基于双向长短期记忆的图像修复模型（BiLSTM-IIM）和基于二进制扩散的图像修复模型（Diff-IIM）。在两种模型中，阶段1校正观测位置处的感知误差，阶段2重建缺失条目。研究人员使用2500m×2500m认知无线电网络（包含50–200个次级用户、五个主用户和三种空间分辨率）在代表性无线条件下对模型进行评估。在稀疏且有噪声的观测下，两种模型总体上优于全变分和矩阵补全基线。在中等感知误差下，BiLSTM-IIM在10×10、20×20和30×30分辨率下分别达到92.91%、93.66%和91.17%的准确率，而Diff-IIM以更少的参数实现了更低的虚警率。对于BiLSTM-IIM，阶段1将感知误差率降低约58%；对于Diff-IIM，降低约61%。这些结果支持在评估条件下使用基于深度学习的图像修复进行广域频谱占用重建。

论文解读

随着无线设备与业务的快速增长，频谱资源的高效利用成为紧迫问题。认知无线电网络（CRNs）通过允许次级用户（SUs）在不干扰主用户（PUs）的前提下机会式接入授权频段，为提升频谱利用率提供了有效途径。然而，CRNs依赖动态频谱接入，这要求对频谱占用状态进行准确预测。在广域部署中，频谱感知测量通常稀疏且存在误差，导致占用图不完整，进而产生频谱机会错失、干扰风险增加和业务质量下降等问题。以往研究多将频谱预测视为时间序列预测、回归或特定位置的信道状态估计，而利用稀疏测量重建完整广域空间-频谱占用图的问题仍较少探索。研究人员的先前工作证明了使用全变分（TV）最小化进行频谱图像修复的可行性，但优化类方法在高度稀疏感知条件下表现受限。因此，该研究将频谱占用重建表述为图像修复问题，利用深度学习方法学习空间与频谱依赖，以提高重建精度。相关论文发表于《Telecom》。

研究人员开展了系统性研究：将网络区域离散化为三种空间分辨率网格（10×10、20×20、30×30），模拟五个PUs、50至200个SUs，并设置无误差、中等误差、高误差三种感知误差场景。研究人员提出了两种级联深度学习模型：基于双向长短期记忆的图像修复模型（BiLSTM-IIM）和基于二进制扩散的图像修复模型（Diff-IIM）。每种模型包含两个阶段：阶段1校正已知观测位置上的感知误差，阶段2利用校正后的信息重建缺失位置。研究以误差率（ER）、虚警率（FAR）、漏检率（MDR）和F₁分数为指标，与全变分图像修复（TV-IIM）和矩阵补全（MC-IIM）两种经典基线进行对比，并进行了消融实验与鲁棒性分析。

主要关键技术方法包括：使用MATLAB生成模拟数据集，基于异构PU覆盖、阴影衰落、随机PU活动、连续信道占用、簇状SU部署、概率报告、多信道感知以及不完美感知模型，分别生成完整和不完整频谱占用图。BiLSTM-IIM采用轻量卷积编码器提取每信道的空间特征，并通过双向长短期记忆网络（BiLSTM）建模跨信道依赖，训练两个级联阶段完成掩码引导的修复。Diff-IIM采用二进制位翻转扩散过程，结合轻量级时间条件去噪卷积网络（包含残差编码器、SE注意力模块和译码器），同样使用两阶段级联框架。基线方法包括TV-IIM和MC-IIM。所有实验数据均来自模拟生成，不存在患者样本队列。

研究结果部分的主要发现如下：

**6.1 数据集特征。** 研究人员分析了已知位置率（KLR）与感知误差水平。KLR随SU数量增加而增加，但随网格分辨率细化而降低，因此更高分辨率带来更稀疏的观测。同时，生成的感知虚警率、漏检率与设定的误差水平一致。

**6.1.1 已知位置率与观测密度。** 在不同分辨率下，平均KLR范围从约3%到约18%不等，表明实验覆盖了从低到高的观测稀疏程度。

**6.1.2 观测稀疏性与感知误差。** 在三种误差场景下，实测感知误差率与预设一致，确认了不完整观测图的噪声特性。

**6.2 跨网格分辨率的总体性能比较。** 在中等误差数据集上，BiLSTM-IIM和Diff-IIM的总体准确率和F₁分数均优于TV-IIM和MC-IIM。BiLSTM-IIM准确率最高，其级联参数约1.5亿；Diff-IIM参数约25万，但取得最低虚警率，而在更细分辨率下漏检率有所增加。

**6.3 不同感知误差水平下已知位置率的影响。** 在10×10分辨率下，增加SU数量可提升准确率、F₁分数并降低漏检率；无误差数据性能最佳，高误差数据性能最弱，说明高感知误差会制约额外观测带来的收益。

**6.4 改进网络设置下的性能。** 将PU数量改为十、SU簇数改为五后，BiLSTM-IIM在准确率和虚警率上较原配置有所下降，但F₁分数和检测率在50–200个SU范围内更高，表明模型在更密集PU部署下仍有效。

**6.5 运行时间、计算复杂度与实用性。** 随着分辨率提高，两模型运行时间和GPU内存增加。BiLSTM-IIM前向推理更快，但参数量随分辨率变化；Diff-IIM参数量固定为252,468，但需迭代反向去噪，推理时间更长。实际部署时，模型运行于集中融合节点，感知设备仅需上报二进制占用状态和位置。

**6.6 消融研究。** 阶段1校正模块将BiLSTM-IIM的感知误差率降低约58%，Diff-IIM降低约61%，其中虚警率改善最明显，漏检率也有下降。在已知位置的示例中，误差率从阶段1前的10.34%降至BiLSTM-IIM后的2.24%和Diff-IIM后的1.87%。此外，两阶段级联BiLSTM-IIM相比端到端单阶段模型，平均准确率从91.40%提高到92.51%，平均F₁分数从71.78%提高到75.14%，平均虚警率从4.74%降至4.15%，验证了将误差校正与缺失重建分离设计的优势。

**6.7 实际验证与真实世界适用性。** 由于仿真无法完全反映实际传播、测量和硬件损伤，未来计划使用分布式软件定义无线电（SDR）作为感知节点，以GPS记录位置，并通过密集参考传感器网络获取完整占用图进行模型评估。

在讨论部分，研究人员指出，深度学习模型较优化基线的优势源于其能直接从数据中学习复杂的空间-频谱依赖；分辨率增加会加剧稀疏性，从而增加重建难度；阶段1校正模块能显著提高已知观测可靠性。研究结论部分（翻译）：本文研究了根据稀疏且有噪声的次级用户观测进行频谱占用图重建的问题。不完整图像同时包含缺失条目和由虚警、漏检造成的感知误差。研究人员将问题构建为图像修复任务，并使用TV-IIM、MC-IIM、BiLSTM-IIM和Diff-IIM在不同网格分辨率、SU密度和感知误差水平下进行了评估。结果表明，在稀疏和不完美观测条件下，基于深度学习的方法优于基线。BiLSTM-IIM在准确率、漏检率和F₁分数方面实现了较强的整体性能，而Diff-IIM以较低的虚警率提供了具有竞争力的重建性能。分析还表明，更细的网格分辨率可增加空间细节，但会降低已知位置率，使重建更具挑战性。此外，阶段1的消融研究证实，校正阶段可减少已知位置的感知误差，并为阶段2补全提供更清晰的输入。总体而言，所提出的基于深度学习的修复框架可从有限且有噪声的感知信息中提高频谱预测能力，支持更可靠的动态频谱接入。未来工作将使用分布式软件定义无线电的测量数据以及独立获得的空间-频谱占用图进行评估，并探索时间频谱预测、自适应网格分辨率选择、SU数量优化以及Diff-IIM用于阶段1校正、BiLSTM-IIM用于阶段2补全的混合级联架构。