SpectrumFM：通过基础建模重新定义频谱认知.pdfVIP

SpectrumFM：通过基础建模重新定义频谱

认知

ChunyuLiu,HaoZhang,WeiWu,FuhuiZhou,QihuiWu,

DerrickWingKwanNg,andChan-ByoungChae

NanjingUniversityofAeronauticsandAstronautics,Nanjing,China,

NanjingUniversityofPostsandTelecommunications,Nanjing,China,

TheUniversityofNewSouthWales,Sydney,Australia,YonseiUniversity,Seoul,SouthKorea.

Email:chunyu.liu@,haozhangcn@,weiwu@,

zhoufuhui@,wuqihui2014@,w.k.ng@.au,cbchae@yonsei.ac.kr

本摘要—频谱效率的提升和安全频谱利用的实现关键依赖于频谱认知涵盖了一系列广泛的任务，包括频谱感

译频谱认知。然而，现有的频谱认知方法在部署到不同的频谱环境知、异常检测和无线技术分类等[3]。最近，在频谱

中和任务时，往往表现出有限的泛化能力和次优准确性。为了解决认知中通过利用机器学习技术取得了显著的成功。例

这些挑战，我们提出了一种频谱基础模型，称为SpectrumFM，

2如，张等人。[4]开发了SSwsrNet，该网络采用了基于

v它为频谱认知提供了一个新的范式。提出了一个创新的频谱编

MixMatch的半监督学习技术。该方法同时使用标记数

2码器，利用卷积神经网络和多头自注意力机制，有效捕捉频谱数

4据中的细粒度局部信号结构和高层次全局依赖关系。为了增强据和未标记数据，有效地解决了标记样本不足的问题。

7

2其适应性，开发了两种新颖的自监督学习任务，即掩码重建和下因此，在获取标记数据困难的情况下提高了分类准确

0.一槽信号预测，用于预训练SpectrumFM，使模型能够学习丰性。在[5]中，张等人。引入了一种新的Transformer架

8富且可迁移的表示。此外，利用低秩适应（LoRA）参数高效的构，旨在高效地捕捉宽带信号中的带内频谱特性和带间

0

5微调技术，使SpectrumFM能够无缝地适应各种下游频谱认频谱占用相关性。为了解决在数据有限或需要跨域适应

2知任务，包括频谱感知（SS）、异常检测（AD）和无线技术分

:类（WTC）。广泛的实验表明SpectrumFM优于最先进的方的场景下进行宽带频谱感知所面临的困难，郝等。[6]提

v

i法。具体来说，在-4dB信噪比（SNR）下的SS任务中提高了出了一种创新的预训练和微调策略。通过采用迁移学习

x

r30%的检测概率，AD任务中的曲线下面积（AUC）提升了超技术，该方法即使在标记数据稀缺的情况下也能提高模

a

过10%，并且增强了9.6%的WTC准确性。1型性能。康等。[7]开发了一种增强的深度支持向量数据

IndexTerms—光谱基础模型，光谱感知，异常检测，无描述(SVDD)方法，旨在从时频域表示的样本中提取低

线技术分类。

维特征以检测异常信号。该方法不仅提供了出色的检测

性