《Sensors》：Label-Efficient and Lightweight Spectrum Prediction for UAV-Based Spectrum Sensing: A Critical Review
编辑推荐：
无线电频谱预测可以支持无人机系统中的主动信道验证、感知调度和接入决策。然而，现有证据在面向无人机的预测、标签高效学习和部署导向的效率方面仍然分散。本文对IEEE Xplore、Scopus和Web of Science核心合集中从数据库建库至2026年8月24
无线电频谱预测可以支持无人机系统中的主动信道验证、感知调度和接入决策。然而，现有证据在面向无人机的预测、标签高效学习和部署导向的效率方面仍然分散。本文对IEEE Xplore、Scopus和Web of Science核心合集中从数据库建库至2026年8月24日期间识别的研究进行了结构化批判性综述。纳入标准为评估未来频谱相关条件预测的研究，排除标准为仅涉及当前状态感知、静态频谱映射、无人机检测或分类、定位以及被后续版本取代的研究。最终语料库包含76篇保留出版物，包括63篇原始研究和13篇背景参考文献。原始研究包括14项直接的无人机相关预测研究、38项可迁移的无线电频谱研究和11项无人机场景研究。综述表明，当存在相关的源频段、感知站或无线电环境时，迁移学习目前为减少目标域数据需求提供了最一致的支持。自监督和其他无标签数据方法与能够持续收集频谱轨迹但无法获得大量标签的无人机任务尤为相关，而元学习虽前景广阔但在无人机频谱预测领域缺乏标准化的支持-查询评估协议。生成式增强可以扩展有限的训练数据，但其有效性取决于生成的样本是否保留了目标环境的时域、频域、空域和传播特性。轻量级架构、在线学习、模型压缩、知识蒸馏、FPGA实现和嵌入式执行提供了互补的效率机制，但其益处应相互区分。嵌入式预测相关处理已在树莓派和软件定义无线电平台上得到验证；然而，尚未发现飞行过程中机载预测器的端到端验证。总体而言，证据表明目标域数据需求、预测泛化能力、适应成本和部署效率之间存在条件性的权衡关系，而非少样本学习与轻量级模型之间的普遍冲突。主要研究差距在于，在代表性飞行条件下，对无人机采集数据、目标域适应、高效推理、不确定性感知决策制定和机载硬件的联合验证仍然有限。
论文主体部分总结如下：
3. 无人机频谱预测：任务、发展与约束
3.1. 基于无人机频谱感知中的预测任务
频谱感知、频谱预测和频谱映射是密切相关但截然不同的任务。频谱感知估计当前无线电状态，而频谱预测估计未来的频谱状态、信号值、状态持续时间或频率模式。频谱映射则从多个位置收集的测量值重建频谱相关量的空间分布。预测目标分为五类：频谱状态或占用率预测、频谱状态持续时间预测、接收信号强度（RSS）或功率谱密度（PSD）预测、未来空间频谱预测以及跳频或无人机相关射频（RF）预测。这些任务在目标变量、空间范围、预测范围和评估协议上各不相同，不应进行单一数值排名。
3.2. 预测辅助感知工作流程
频谱预测支持主动感知和接入决策，但并不消除物理感知的需求。历史输入可能包括信道占用序列、RSS或PSD测量值、感知位置、无人机轨迹等。预测的未来频谱条件可用于优先验证信道、调整感知间隔或缩小感知搜索空间。当预测置信度足够高时，系统可优先处理子集信道；置信度低时则应扩大直接感知或采取保守策略。单步预测主要用于即时信道预选，多步预测则可支持切换准备和资源分配。对于下一位置预测，性能应在真实移动信息误差下进行评估。
3.3. 低空无人机场景中的约束
无人机频谱预测受限于目标域数据稀缺、时空变化、感知不确定性和有限的机载资源。数据稀缺可能涉及空间覆盖不完整、高度层级缺失、观测不规则等问题。代表性飞行数据需要同步的频谱、位置、高度、速度和轨迹信息。移动性引入了分布偏移，模型在不同位置、高度或时间段可能失效。资源约束包括处理器能力、内存、推理延迟、更新时间和电池容量。综述区分了三种效率形式：数据效率、模型效率和系统效率。
3.4. 面向无人机的频谱预测发展
早期研究考虑使用隐马尔可夫模型（HMM）方法进行下一位置频谱状态预测。后续发展包括二维HMM扩展、非线性同伦估计用于状态持续时间预测、任意飞行路径方法以及三维空间预测。另一研究方向使用CNN-LSTM或循环神经网络（RNN）模型预测与无人机相关的RF序列和跳频行为。总体而言，无人机频谱预测已从下一位置预测向持续时间、任意路径、三维、低空、稀疏数据和分布式学习方向发展。
4. 标签高效学习方法
4.1. 数据增强
生成对抗网络（GAN）研究将合成数据生成与跨频段频谱预测相结合。其有效性取决于生成数据是否保留了高度、位置、移动性等特征。生成数据应使用独立的真实测试集进行评估。
4.2. 迁移学习与领域自适应
迁移学习重用源域知识，领域自适应则明确解决源域和目标域分布差异。跨频段迁移学习在目标域数据有限时有用，但随目标数据集增大效益递减。交叉域知识蒸馏可将信息从数据丰富的站点转移到数据有限的站点。对于无人机应用，迁移学习仅在源域和目标域共享稳定的结构时才可行。
4.3. 少样本学习与元学习
少样本学习指使用少量标记支持集进行适应并在独立查询集上评估。元学习通过多个任务学习适应策略。同伦参数转移减少了位置特定训练需求，但不等同于元学习。元学习的价值取决于元训练任务是否代表预期的变化。
4.4. 自监督与半监督学习
自监督学习从未标记观测构建监督信号，如掩码时频重建或一致性学习。研究表明未标记或不完全观测的测量值可支持表示学习。强化学习、物理信息和扩散方法也提供了相关机制。
4.5. 与无人机频谱预测的相关性
这些机制是互补的，但不可互换。一种方法可能数据高效但计算昂贵，或推理轻量但依赖大量目标域标记。最有前景的方向是协调设计数据采集、领域适应和部署，并使用真实无人机数据进行验证。
5. 少样本泛化与轻量级部署之间的权衡
5.1. 轻量级网络架构
轻量级模型应有参数减少、模型尺寸减小等证据支撑。字典学习、快速长短期记忆网络（LSTM）初始化、宽度学习等方法提供了计算或适应效率的证据，但不自动证明在无人机处理器上的低内存或低能耗。
5.2. 剪枝与量化
提取的证据未提供足够结果来认定剪枝或量化是经过验证的解决方案，因此更适合作为潜在的部署技术呈现。
5.3. 知识蒸馏
压缩导向的蒸馏旨在减小学生模型尺寸，需直接比较师生模型的参数和精度。交叉域蒸馏的主要目标是适应而非压缩。增量蒸馏有助于保留在线更新中的先前知识。
5.4. 部署导向评估
不同研究提供了不同部署层级的证据。基于预测的感知框架已在树莓派5上实现，展示了嵌入式边缘设备实现。现场可编程门阵列（FPGA）实现提供了确定性加速推理的证据。完整的部署评估应将模型级测量与系统级结果联系起来。
6. 综合、研究差距与未来方向
6.1. 跨研究综合与证据差距
文献显示，无人机频谱预测已从简单设置向复杂场景扩展，但这些研究流大多独立发展。证据不支持方法的通用排名。主要结论是各方向已获充分关注，但集成验证仍不足。
6.2. 泛化与部署效率
泛化与部署效率应视为耦合的设计目标。合适的权衡受源-目标相似性、数据量、漂移程度等因素影响。当前文献未确定通用的最优架构。
6.3. 未来方向
未来研究应加强经验基础，通过代表性飞行数据和一致评估协议进行验证。第二方向是改进对动态空中环境的适应。第三方向是将计算效率视为系统级要求。最终进展取决于代表性飞行条件下的端到端验证。
