高级搜索

留言板

尊敬的读者、作者、审稿人, 关于本刊的投稿、审稿、编辑和出版的任何问题, 您可以本页添加留言。我们将尽快给您答复。谢谢您的支持!

姓名
邮箱
手机号码
标题
留言内容
验证码

小样本图像处理方法赋能的宽带频谱感知

周金 李玉芝 李斌

周金, 李玉芝, 李斌. 小样本图像处理方法赋能的宽带频谱感知[J]. 电子与信息学报, 2023, 45(3): 1102-1110. doi: 10.11999/JEIT220084
引用本文: 周金, 李玉芝, 李斌. 小样本图像处理方法赋能的宽带频谱感知[J]. 电子与信息学报, 2023, 45(3): 1102-1110. doi: 10.11999/JEIT220084
ZHOU Jin, LI Yuzhi, LI Bin. Image Processing-Driven Spectrum Sensing with Small Training Samples[J]. Journal of Electronics & Information Technology, 2023, 45(3): 1102-1110. doi: 10.11999/JEIT220084
Citation: ZHOU Jin, LI Yuzhi, LI Bin. Image Processing-Driven Spectrum Sensing with Small Training Samples[J]. Journal of Electronics & Information Technology, 2023, 45(3): 1102-1110. doi: 10.11999/JEIT220084

小样本图像处理方法赋能的宽带频谱感知

doi: 10.11999/JEIT220084
基金项目: 教育部人文社会科学研究规划基金(19YJA630046),天津市教委科研计划项目(2021SK102)
详细信息
    作者简介:

    周金:女,副教授,研究方向为认知无线电及机器学习

    李玉芝:女,实验师,研究方向为图像处理技术

    李斌:男,硕士生,研究方向为认知无线电

    通讯作者:

    周金 zhoujin@tjufe.edu.cn

  • 中图分类号: TN929.5; TN911.73

Image Processing-Driven Spectrum Sensing with Small Training Samples

Funds: The Humanities and Social Sciences of Ministry of Education Planning fund (19YJA630046), Tianjin Education Commission Scientific Research Program (2021SK102)
  • 摘要: 针对强噪声环境下频谱感知方法计算复杂度高、难以获取大量标注样本、检测准确率低等问题,该文提出由图像去噪和图像分类思想驱动的频谱感知方法(IDCSS)。首先,对感知用户的接收信号进行时频变换,将无线电数值信号转换为图像。强噪声环境下感知用户接收信号图像与噪声图像相关度高,因此搭建生成对抗网络(GAN)来增加低信噪比下接收信号样本的数量,提高图像的质量。在生成器中,利用残差-长短时记忆网络取代生成网络U-Net结构中的跳跃连接,对图像进行去噪、提取感知用户接收信号图像的多尺度特征、建立基于熵的损失函数来构建网络的抗噪能力;在判决器中,设计适用无线电图像信号的多维度判决器来增强生成图像的质量、保留低信噪比感知用户信号的图像细节。最后利用分类器识别频谱占用状态。仿真结果表明,与现有频谱感知算法相比,所提算法具有较好的检测性能。
  • 图  1  信道占用/空闲情况下接收信号时频图像

    图  2  IDCSS方法总体框图

    图  3  低信噪比信号增强网络

    图  4  本文提出的生成器模型

    图  5  本文提出的LSTM-Res网络结构

    图  6  本文提出的多尺度判决器

    图  7  4种算法的检测概率随信噪比趋势性能比照

    图  8  检测概率随训练样本数量变化情况比较

    图  9  ROC性能

    图  10  ROC性能

    图  11  3种基于GAN频谱感知方法生成图像可视化对比

    图  12  3种方法在不同功率有色噪声场景下的检测概率

    表  1  3种方法生成图像质量比照结果

    所用方法PSNR(dB)SSIMFID
    CGAN15.66000.650087.1200
    SAGA22.35000.720052.8100
    IDCSS24.24000.790046.1300
    下载: 导出CSV

    表  2  本文算法生成器时间复杂度$\sim {O}\left( {4.365 \times {{10}^7}} \right)$

    MKCl–1Cl
    M1=8K1=3C1=64C2=128
    M2=16K2=3C2=128C3=64
    M3=32K3=3C3=64C4=32
    M4=64K4=3C4=32C5=1
    下载: 导出CSV

    表  3  本文算法判决器时间复杂度$ \sim O\left( {5.78 \times {{10}^7}} \right) $

    MKCl–1Cl
    M1=64K1=3C1=1C2=32
    M2=32K2=3C2=32C3=64
    M3=16K3=3C3=64C4=128
    M4=8K4=3C4=128C5=256
    下载: 导出CSV

    表  4  训练及感知时间(s)对比

    方法离线训练时间在线感知时间
    图像聚类40.134.01
    SAGA20.052.27
    本文方法18.741.43
    下载: 导出CSV
  • [1] 陈勇, 张余, 柳永祥. 电磁频谱战发展剖析与思考[J]. 指挥与控制学报, 2018, 4(4): 319–324.

    CHEN Yong, ZHANG Yu, and LIU Yongxiang. Analysis and thinking on the development of electromagnetic spectrum warfare[J]. Journal of Command and Control, 2018, 4(4): 319–324.
    [2] XIONG Tianyi, YAO Yudong, REN Yujue, et al. Multiband spectrum sensing in cognitive radio networks with secondary user hardware limitation: Random and adaptive spectrum sensing strategies[J]. IEEE Transactions on Wireless Communications, 2018, 17(5): 3018–3029. doi: 10.1109/TWC.2018.2805729
    [3] 张莹, 滕伟, 韩维佳, 等. 认知无线电频谱感知技术综述[J]. 无线电通信技术, 2015, 41(3): 12–16. doi: 10.3969/j.issn.1673-1131.2015.07.056

    ZHANG Ying, TENG Wei, HAN Weijia, et al. Review of spectrum sensing techniques in cognitive radio networks[J]. Radio Communications Technology, 2015, 41(3): 12–16. doi: 10.3969/j.issn.1673-1131.2015.07.056
    [4] CHEN Hongsong, ZHANG Yongpeng, CAO Yongrui, et al. Security issues and defensive approaches in deep learning frameworks[J]. Tsinghua Science and Technology, 2021, 26(6): 894–905. doi: 10.26599/TST.2020.9010050
    [5] TANG Hao, LIU Hong, XIAO Wei, et al. When dictionary learning meets deep learning: Deep dictionary learning and coding network for image recognition with limited data[J]. IEEE Transactions on Neural Networks and Learning Systems, 2021, 32(5): 2129–2141. doi: 10.1109/TNNLS.2020.2997289
    [6] WANG Xi, TANG Fangyao, CHEN Hao, et al. UD-MIL: Uncertainty-driven deep multiple instance learning for OCT image classification[J]. IEEE Journal of Biomedical and Health Informatics, 2020, 24(12): 3431–3442. doi: 10.1109/JBHI.2020.2983730
    [7] 盖建新, 薛宪峰, 吴静谊, 等. 基于深度卷积神经网络的协作频谱感知方法[J]. 电子与信息学报, 2021, 43(10): 2911–2919. doi: 10.11999/JEIT201005

    GAI Jianxin, XUE Xianfeng, WU Jingyi, et al. Cooperative spectrum sensing method based on deep convolutional neural network[J]. Journal of Electronics &Information Technology, 2021, 43(10): 2911–2919. doi: 10.11999/JEIT201005
    [8] 岳文静, 刘文博, 陈志. 基于图像K-means聚类分析的频谱感知算法[J]. 信号处理, 2020, 36(2): 203–209. doi: 10.16798/j.issn.1003-0530.2020.02.006

    YUE Wenjing, LIU Wenbo, and CHEN Zhi. Spectrum sensing algorithm based on image K-means clustering analysis[J]. Journal of Signal Processing, 2020, 36(2): 203–209. doi: 10.16798/j.issn.1003-0530.2020.02.006
    [9] DAVASLIOGLU K and SAGDUYU Y E. Generative adversarial learning for spectrum sensing[C]. 2018 IEEE International Conference on Communications, Kansas City, USA, 2018: 1–6.
    [10] LIU Zheng, JING Xiaojun, ZHANG Ronghui, et al. Spectrum sensing based on deep convolutional generative adversarial networks[C]. 2021 International Wireless Communications and Mobile Computing, Harbin, China, 2021: 796–801.
    [11] MAO Xudong, LI Qing, XIE Haoran, et al. Least squares generative adversarial networks[C]. 2017 IEEE International Conference on Computer Vision (ICCV), Venice, Italy, 2017: 2813–2821.
    [12] 麻文刚, 张亚东, 郭进. 基于LSTM与改进残差网络优化的异常流量检测方法[J]. 通信学报, 2021, 42(5): 23–40. doi: 10.11959/j.issn.1000-436x.2021109

    MA Wengang, ZHANG Yadong, and GUO Jin. Abnormal traffic detection method based on LSTM and improved residual neural network optimization[J]. Journal on Communications, 2021, 42(5): 23–40. doi: 10.11959/j.issn.1000-436x.2021109
    [13] 蒲悦逸, 王文涵, 朱强, 等. 基于CNN-ResNet-LSTM模型的城市短时交通流量预测算法[J]. 北京邮电大学学报, 2020, 43(5): 9–14. doi: 10.13190/j.jbupt.2019-243

    PU Yueyi, WANG Wenhan, ZHU Qiang, et al. Urban short-term traffic flow prediction algorithm based on CNN-ResNet-LSTM model[J]. Journal of Beijing University of Posts and Telecommunications, 2020, 43(5): 9–14. doi: 10.13190/j.jbupt.2019-243
  • 加载中
图(12) / 表(4)
计量
  • 文章访问数:  486
  • HTML全文浏览量:  255
  • PDF下载量:  78
  • 被引次数: 0
出版历程
  • 收稿日期:  2022-01-19
  • 修回日期:  2022-08-24
  • 录用日期:  2022-08-25
  • 网络出版日期:  2022-08-30
  • 刊出日期:  2023-03-10

目录

    /

    返回文章
    返回