面向频谱感知的生成对抗学习

本文提出一种用于训练数据增强与域适应的新方法，以支撑认知无线电中的机器学习应用。机器学习通过可靠提取并学习内在频谱动态，为认知无线电功能自动化提供了有效工具。然而，要充分释放机器学习在认知无线电中的优势，需克服两个重要挑战。首先，机器学习需要大量带真值的数据以捕获复杂的信道与发射机特性，并训练底层算法（如分类器）。其次，针对某一频谱环境标记的训练数据无法用于另一环境（例如信道与发射机条件改变后）。为应对这些挑战，本文采用带深度学习结构的生成对抗网络（GAN）以：1）生成额外合成训练数据以提升分类器精度；2）使训练数据适应频谱动态。该方法应用于频谱感知，假设仅拥有有限训练数据且不知晓频谱统计特性。机器学习分类器使用有限、增强及适应后的训练数据进行信号检测训练。结果表明，训练数据增强显著提升了分类器精度，且随着频谱条件变化，该提升通过域适应得以维持。