一种用于协作频谱感知的多分支网络：基于注意力与 CNN 的特征融合

你的 Wi‑Fi 为什么要与他人共用无线频谱

你拥有的每一个无线设备——手机、笔记本、智能音箱，甚至汽车——都在争夺同一片看不见的“地产”：无线电波。政府对大部分频谱实施严格许可，但许多被许可的频道在任何时刻都可能处于空闲状态。本文探讨了一种更聪明的方法，帮助未获许可的设备在非常嘈杂的条件下、甚至当多个许可用户同时传输时，也能准确检测这些频道是否真正空闲。这个步骤对于未来承诺更快、更可靠连接但不增加频谱需求的网络至关重要。

在拥挤的空中寻找隐蔽的空隙

现代“认知”无线电被设计为先听后说。它们寻找短暂的空隙——称为频谱洞——在这些时刻许可用户（即主用户）不活动，从而允许次级设备在不产生干扰的情况下发送。简单的监听方法在信号弱、噪声大或信号来自多方向时会表现不佳。为提高可靠性，多台次级用户可以协作：每台在本地监听并将观测结果发送到融合中心，由其判定频道是忙碌还是空闲。然而现有技术（包括许多基于机器学习的方法）通常假设只有一个主发射器，当多个许可用户共享同一频道时，这些方法常常失效，而这种情况在实际的蜂窝和 Wi‑Fi 系统中经常发生。

对无线世界的三眼观察

作者提出了一种新的深度学习模型，称为 ATC，将协作频谱感知视为具有多种可能“网络状态”（哪些主用户开/关）的模式识别问题。ATC 不依赖对数据的单一观察视角，而是并行地通过三种互补的“镜头”审视相同的感知信号。第一分支使用图注意力网络来建模每个次级设备的信号强度与其邻居之间的关系，从而突出哪些传感器携带最有信息量的线索。第二分支将协方差矩阵——本质上是不同传感器信号如何一同升降的映射——输入卷积神经网络，把它当作一张图像来揭示对噪声具有鲁棒性的细粒度空间结构。第三分支采用源自语言模型的 Transformer 编码器，以学习主用户随时间开启和关闭的时序模式。

将多重线索融合为一个明确决策

因为每个分支专注于不同类型的结构——网络几何、统计关系和时间动力学——该模型仅在末端合并它们的输出。这种并行设计使每类信息在最终融合层学习加权之前保持完整。作者将此与串行设计进行对比：在串行流水线中，一个网络的输出直接作为下一个网络的输入；早期处理可能会扭曲或抹去后续阶段需要的细节。论文还引入了一个决策规则，用以调节现实世界中两类错误之间的权衡（一类是漏检活跃的主用户从而造成干扰，另一类是在频道其实空闲时判断为忙碌，浪费潜在容量）。通过调整一个精确定义的概率比阈值，网络运营者可以明确选择多大程度上积极复用频谱。

把模型投入测试

为评估 ATC 的性能，研究人员训练并将其与若干流行基线方法进行比较，从传统的聚类和支持向量机，到仅使用卷积层、仅使用递归层或仅用卷积与 Transformer 的深度网络。使用模拟数据来模拟两个主用户和十个协作次级用户，在纯噪声和真实衰落信道两种条件下，ATC 在检测概率上始终更高，尤在信号非常微弱时表现更为明显。它在判断哪种特定用户组合处于激活状态方面也更准确。在一个真实的 Wi‑Fi 数据集测试中——其中通道测量反映了有人走动与无人时的情况——ATC 同样优于竞争方法，在复杂、变化的环境中保持更高的可靠性。尽管模型结构复杂，但其体量足够小，能在标准图形处理器上分钟级完成训练并在微秒级做出决策。

这对日常无线设备意味着什么

对于普通读者，关键结论是更智能的“聆听”可以在不购买新频谱或违反现有规则的前提下释放更多无线容量。通过结合三种互补的观察无线信号的方式，ATC 模型能更有把握地识别主用户何时存在以及何时无线频道真正空闲，即便在拥挤、嘈杂且多变的条件下亦然。尽管该研究仍假设主用户数量有限且信道类型有所简化，但它指向了未来能即时安全共享频谱的无线电设备，这将更好地利用现有资源，并为更密集的互联设备网络铺平道路。

引用: Lan, D.T., Ngo, Q.T., Nguyen, L.V. et al. A multi-branch network for cooperative spectrum sensing via attention-based and CNN feature fusion. Sci Rep 16, 5111 (2026). https://doi.org/10.1038/s41598-026-36031-1

关键词: 认知无线电, 频谱感知, 深度学习, 无线网络, 注意力网络