基于Transformer驱动的分层结构的Mobility-Aware Spectrum Sensing方法MASSFormer
信息论
2024-09-27 v1 机器学习
math.IT
摘要
本文开发了一种新型的基于Transformer驱动的分层结构的移动性感知合作谱 sensing 方法(MASSFormer)，有效地建模了用户运动的时空动态。与现有方法不同，本方法考虑动态场景中移动 primary user(PU)和 secondary user(SU)的情形，并解决用户移动性带来的复杂性。Transformer 架构利用注意力机制，使所提出的方法能够通过有效捕获输入数据中的长程依赖来擅长建模用户运动的时序动态。所提出的方法首先计算来自每个SU的协方差矩阵序列的 token，并使用 SUtransformer 网络并行处理以学习 SU 级别的时空特征。随后，协作 transformer 网络从所有 SU 级别特征表示中学习组级 PU 状态。注意力基于序列池化方法 followed by transformer encoder 调整所有 token 的贡献。预测 PU 在每个 SU 级别和组级别的状态是为了提高检测性能。我们进行了充足的仿真实验，并比较了不同 SS 方法的检测性能。该方法在不完美报告信道情景下进行测试，以显示鲁棒性。仿真结果表明，本方法在检测概率、sensing 错误和分类准确率方面的性能均优于现有方法。
引用
@article{arxiv.2409.17546,
title = {MASSFormer: Mobility-Aware Spectrum Sensing using Transformer-Driven Tiered Structure},
author = {Dimpal Janu and Sandeep Mandia and Kuldeep Singh and Sandeep Kumar},
journal= {arXiv preprint arXiv:2409.17546},
year = {2024}
}