摘要：针对复杂无线传播环境中频谱数据标签稀缺、信号传输过程中信噪比（Signal-to-Noise Ratio，SNR）损失严重的情况，研究提出一种结合卷积神经网络（Convolutional Neural Networks，CNN）与Transformer并联的混合注意力的频谱感知网络模型（Hybrid Attention Spectrum Sensing Network，HA-SenseNet），并且引入MixMatch半监督学习方法，通过有效处理局部特征和全局信息，显著降低模型对标签数据的依赖性。进一步地，为了帮助模型更加聚焦于频谱能量图像中信息丰富的区域，在CNN分支中设计高效频谱注意力模块（Efficient Spectral Attention Module，ESAM）以动态调整模型权重，有效解决了低SNR条件下频谱观测图像的视觉模糊和特征混淆问题。仿真结果表明，与其他分类模型和半监督学习方法相比，HA-SenseNet通过并联架构实现了显著的性能增益，尤其在-20dB到5dB的SNR区间提升幅度达16.8%；在标签数据占比10%的稀缺场景下，分类精度接近全监督学习水平，显著提高了主用户发射机活动场景判别的准确性，为实际应用中的频谱状态感知提供了可行而高效的方案。
文章目录
0 引言
1 信号模型
2 基于HA-SenseNet的半监督学习无线频谱状态感知
2.1 MixMatch半监督学习方法策略
2.2 HA-SenseNet网络结构
3 仿真结果及分析
3.1 不同DL模型及注意力机制的性能对比
3.2 不同标签数据比例下半监督技术的性能对比
4结论
