来源：期刊VIP网 时间：
作者：刘思佚;徐东辉;刘丁胤;胡国杰;陈梓钰;
单位：火箭军工程大学作战保障学院;中国人民解放军信息支援66389部队;
摘要：随着行业领域用频设备的激增，频谱使用环境愈发复杂多变，导致频谱资源日益短缺。在此背景下，频谱感知技术的引入具有重要意义。频谱感知技术可通过实时监测频谱空洞和动态分配频谱资源，提高频谱资源的利用率，有效缓解频谱资源短缺，并确保通信设备在高效稳定的频谱环境中运行。针对现有频谱感知方法存在识别精度低、训练代价高等问题，提出一种基于卷积神经网络(Convolutional Neural Networks, CNN)和Transformer融合的频谱感知方法，充分利用CNN和Transformer的互补特征提取能力。CNN能够通过多层卷积自动学习空间层级特征，有效提取图像局部特征；Transformer可较好地学习调制信号的带内频谱特征，同时通过编码器与解码器更好地解决梯度消失问题。实验结果表明：基于CNN-Transformer融合的频谱感知模型，在数据量相同的条件下，与传统的CNN模型以及改进的ResNet-CBAM算法相比，提高了模型的性能和感知精确度，且在低信噪比下，该模型具有更低的虚警概率。
关键词：认知无线电;;频谱感知;;卷积神经网络和Transformer融合;;频谱图
