基于深度 3D 金字塔视觉变换的频谱预测
信号处理
2024-08-21 v3
摘要
本文提出了一种基于深度学习（DL）的任务驱动频谱预测框架，命名为 DeepSPred。DeepSPred 包括特征编码器和任务预测器，其中编码器提取频谱使用模式特征，预测器根据任务需求配置不同的网络来预测未来的频谱。基于 DeepSPred，我们首次提出一种结合流处理策略与 3D 视觉变换（ViT，即 Swin）和金字塔的新颖 3D 频谱预测方法，用于可能的应用场景，如频谱监控任务，命名为 3D-SwinSTB。3D-SwinSTB 独特的 3D Patch 合并 ViT-to-3D ViT Patch 扩展和金字塔设计有助于模型准确学习时频谱图演化的潜在相关性。随后，我们提出了一种新的频谱占用率（SOR）方法，通过重新设计仅包含 3D 卷积和线性层的预测器来服务可能的应用场景，如动态频谱接入（DSA）任务，命名为 3D-SwinLinear。与 3D-SwinSTB 输出时频谱图不同，3D-SwinLinear 直接将时频谱图投影为 SOR。最后，我们采用迁移学习（TL）确保两种方法适用于多样化的频谱服务。结果表明，3D-SwinSTB 在最新基准测试中超过 5%，而 3D-SwinLinear 实现了 90% 的准确率，性能提升超过 10%。
引用
@article{arxiv.2408.06870,
title = {Spectrum Prediction With Deep 3D Pyramid Vision Transformer Learning},
author = {Guangliang Pan and Qihui Wu and Bo Zhou and Jie Li and Wei Wang and Guoru Ding and David K. Y. Yau},
journal= {arXiv preprint arXiv:2408.06870},
year = {2024}
}