基于强化学习的谱感知 CNN 超参数选择
信息论
2024-01-31 v1 信号处理
math.IT
摘要
深度神经网络的超参数选择因搜索空间广泛且各种具有特定超参数的层层出众而具有挑战性。在文献中存在一种缺失，即未考虑面向谱感知的卷积神经网络（CNN）的神经网络结构选择。本文开发一种方法，利用强化学习和 Q 学习系统性地搜索和评估包括不同信号和频道于谱感知问题中生成的各种网络结构。我们通过大量仿真显示，本文提出的 CNN 检测器优于文献中Several 检测器。对于最复杂的数据集，所提出的方法在计算复杂度较高的代价下提供 9% 的准确率提升。此外，提出一种新方法，使用多臂老虎机模型选择感知时间，以实现更高的吞吐量和准确率，同时最小化消耗的能源。该方法在无需 prior 信息的情况下动态调整感知时间以适应信道时变条件。我们通过仿真场景展示，所提出的方法比常规政策实现约 20% 的奖励提升。因此，本研究有效管理了 CNN 基检测器重要超参数的选择，为认知无线电网络提供了卓越的性能。
引用
@article{arxiv.2401.16530,
title = {RL-Based Hyperparameter Selection for Spectrum Sensing With CNNs},
author = {Amir Mehrabian and Maryam Sabbaghian and Halim Yanikomeroglu},
journal= {arXiv preprint arXiv:2401.16530},
year = {2024}
}