频谱 FM：一种新的频谱认知范式.pdfVIP

频谱FM：一种新的频谱认知范式

ChunyuLiu,HaoZhang,WeiWu,FuhuiZhou,QihuiWu,

DerrickWingKwanNg,andChan-ByoungChae

NanjingUniversityofAeronauticsandAstronautics,Nanjing,China,

NanjingUniversityofPostsandTelecommunications,Nanjing,China,

TheUniversityofNewSouthWales,Sydney,Australia,YonseiUniversity,Seoul,SouthKorea.

Email:chunyu.liu@,haozhangcn@,weiwu@,

zhoufuhui@,wuqihui2014@,w.k.ng@.au,cbchae@yonsei.ac.kr

摘要—频谱效率的提升和安全频谱利用的实现关键依赖术进行频谱认知方面取得了显著的成功。例如，张等

于频谱认知。然而，现有的频谱认知方法在部署到多样化的人。[4]开发了SSwsrNet，该网络采用了基于MixMatch

本频谱环境和任务中时往往表现出有限的泛化能力和次优的准的半监督学习技术。这种方法同时利用了有标签和无标

确性。为克服这些挑战，我们提出了一种频谱基础模型，称为

译签的数据，有效地解决了标签样本不足的问题。因此，

SpectrumFM，它为频谱认知提供了一个新的范式。创新性地

中提出了利用卷积神经网络和多头自注意力机制的频谱编码器，以在获取标签数据具有挑战性的情况下，它提高了分类准

1有效捕捉频谱数据中的细粒度局部信号结构和高层次全局依赖确性。在[5]中，张等。引入了一种新型的Transformer

v

2关系。为了增强其适应能力，开发了两种新颖的自我监督学习任架构，旨在高效捕捉宽带信号中的频内谱特性和频间谱

4务，即掩码重构和下一槽信号预测，用于预训练SpectrumFM，占用相关性。为了应对在数据有限或需要跨域适应场景

7使模型能够学习丰富且可迁移的表示。此外，利用低秩适应

2下的宽带频谱感知困难，郝等。[6]提出了创新的预训练

0.（LoRA）参数高效微调技术，使得SpectrumFM能够无缝适和微调策略。通过采用迁移学习技术，该方法即使在标

8应各种下游频谱认知任务，包括频谱感知（SS）、异常检测（AD）

0和无线技术分类（WTC）。广泛的实验表明了SpectrumFM签数据稀缺的情况下也能提升模型性能。Kang等。[7]

5相对于现有最先进方法的优越性。具体而言，在-4dB信噪比发展了一种增强的深度支持向量数据描述（SVDD），旨

2

:（SNR）下，它将SS任务中的检测概率提高了30%，在AD任在从时频域表示的样本中提取低维特征以检测异常信

v

i务中提升了超过10%的曲线下面积（AUC），并提高了WTC号。该方法不仅提供了出色的检测性能，还保留了实时

x1

r准确率9.6%。处理能力。[8]中的作者介绍了一个新的深度学习框架，

aIndexTerms—光谱基础模型，光谱感知，异常检测，无

设计用于同时执行频谱感知和异常检测。统一的方法

线技术分类。

在确保强大的实时处