多模型选择和计算资源分配驱动下的协作频谱感知方法

一种多模型选择和计算资源分配驱动下的协作频谱感知方法，属于人工智能和频谱感知交叉的技术领域，提出了一种深度学习(DL)驱动的CSS方案，考虑了动态的多模型选择和合适的资源分配；首先推导了封闭表达式来拟合和表征三种流行的DL模型的检测和虚警概率，包括基于卷积神经网络的模型、基于长短期记忆(LSTM)的模型和混合卷积LSTM网络；然后，在计算资源有限和感知延迟有限的约束下，提出了协同感知误差的最小化问题；并且利用交叉熵算法动态选择最合适的协同次用户SU集及其相应的匹配模型。本发明在平衡感知精度和计算复杂度的情况下，并在低信噪比下保持了较好的性能。