基于深度 Q 学习与粗粒度频谱预测的快速自适应抗干扰信道接入
机器学习
2025-12-29 v3 人工智能
摘要
本文研究了在复杂且未知的干扰环境中，干扰机可动态调整其策略以瞄准不同信道的抗干扰信道接入问题。使用固定模式的传统跳频抗干扰方法对此类动态干扰攻击无效。尽管新兴的基于深度强化学习（DRL）的动态信道接入方法能在快速变化的干扰下达到纳什均衡（NE），但它需要大量的训练回合。为解决此问题，我们提出了一种快速自适应抗干扰信道接入方法，其直觉是“比干扰机学习得更快”。该方法中，一个同步更新的粗粒度频谱预测作为基于深度 Q 网络（DQN）的抗干扰模型的辅助任务，这有助于模型识别出优于标准 DRL 的 Q 函数，同时显著减少训练回合数。数值结果表明，所提出的方法显著加快了模型训练的收敛速度，与标准 DRL 相比，所需训练回合数减少了多达 70%。此外，由于有效利用了粗粒度频谱预测，其吞吐量也比纳什均衡策略提高了 10%。
引用
@article{arxiv.2502.04963,
title = {Fast Adaptive Anti-Jamming Channel Access via Deep Q Learning and Coarse-Grained Spectrum Prediction},
author = {Jianshu Zhang and Xiaofu Wu and Junquan Hu},
journal= {arXiv preprint arXiv:2502.04963},
year = {2025}
}
备注
This paper is accepted by IEEE Transactions on Vehicular Technology (TVT), 2025