基于修剪卷积注意力网络的宽带频谱感知，采用亚奈采样
信号处理
2024-12-03 v1
摘要
宽带频谱感知(WSS)是协调众多无线传输通过频谱共享的关键技术，但由于高采样率可能导致硬件、能源和计算成本的过度增加。本文提出一种基于深度学习的 WSS 框架嵌入多集合预处理，以实现低成本亚奈采样。设计一种修剪卷积注意力 WSS 网络(PCA-WSSNet)，将多集合预处理与卷积注意力机制有机集成，通过选择性权重修剪显著减少模型复杂度且不损失性能。此外，开发一种迁移学习(TL)策略从模型修剪中获益，用于提高 PCA-WSSNet 在少量新情景适应样本下的鲁棒性。仿真结果表明，PCA-WSSNet 在最先进技术方面具有优势。与直接 TL 相比，修剪 TL 策略能够同时提高未见情景下的预测准确率，减少模型大小，并加快模型推理速度。
引用
@article{arxiv.2412.00562,
title = {Pruned Convolutional Attention Network Based Wideband Spectrum Sensing with Sub-Nyquist Sampling},
author = {Peihao Dong and Jibin Jia and Shen Gao and Fuhui Zhou and Qihui Wu},
journal= {arXiv preprint arXiv:2412.00562},
year = {2024}
}
备注
Accepted by IEEE Transactions on Vehicular Technology