Cognitive Radio (CR) technology enables secondary users (SUs) to opportunistically access unused licensed spectrum owned by primary users (PUs). It has the potential to significantly enhance communication capacity, which is very critical to the next-generation wireless network design and has attracted intensive attention. One of the key issues in CR communications is to detect spectrum availability. Traditional approaches rely on spectrum sensing techniques to address this problem, which, however, consume considerable energy and time, and require complex prior information from PUs. In this paper, we develop a hierarchical spectrum learning system that takes advantage of the fine-tuned convolutional neural network (CNN) and the gated recurrent unit network (GRU), which is called the dual CNN and GRU (DCG), for spectrum availability prediction. Particularly, this model performs accurate predictions on local spectrum availability for each SU without any prior information of PUs. On the other hand, knowing their spectrum availability does not necessarily enable two SUs to successfully communicate on the same channel. This is a challenging problem and has been largely ignored by previous studies designing learning models for CR communications. Towards this goad, we design an enhanced DCG model called EDCG to enable two SUs to find the same channel to communicate with each other by performing channel selection prediction. The performance of the designed DCG and EDCG models is demonstrated through extensive and thorough simulations. The results show that our designed models achieve high prediction accuracy with limited training overhead.

中文翻译：

---

认知无线电通信的频谱可用性预测：DCG 方法

认知无线电 (CR) 技术使次要用户 (SU) 能够机会性地访问主要用户 (PU) 拥有的未使用的许可频谱。它具有显着增强通信容量的潜力，这对下一代无线网络设计非常关键，已引起广泛关注。CR 通信的关键问题之一是检测频谱可用性。传统方法依靠频谱感知技术来解决这个问题，然而，这会消耗大量的能量和时间，并且需要来自 PU 的复杂先验信息。在本文中，我们开发了一个分层频谱学习系统，该系统利用微调卷积神经网络 (CNN) 和门控循环单元网络 (GRU)，称为双 CNN 和 GRU (DCG)，用于频谱可用性预言。特别是，该模型对每个 SU 的本地频谱可用性执行准确预测，而无需任何 PU 的先验信息。另一方面，了解其频谱可用性并不一定能使两个 SU 在同一信道上成功通信。这是一个具有挑战性的问题，之前为 CR 通信设计学习模型的研究在很大程度上忽略了这一问题。为此，我们设计了一种称为 EDCG 的增强型 DCG 模型，使两个 SU 能够通过执行信道选择预测来找到相同的信道以相互通信。设计的 DCG 和 EDCG 模型的性能通过广泛而彻底的模拟得到证明。结果表明，我们设计的模型在训练开销有限的情况下实现了高预测精度。该模型对每个 SU 的本地频谱可用性执行准确预测，而无需任何 PU 的先验信息。另一方面，了解其频谱可用性并不一定能使两个 SU 在同一信道上成功通信。这是一个具有挑战性的问题，之前为 CR 通信设计学习模型的研究在很大程度上忽略了这一问题。为此，我们设计了一种称为 EDCG 的增强型 DCG 模型，使两个 SU 能够通过执行信道选择预测来找到相同的信道以相互通信。设计的 DCG 和 EDCG 模型的性能通过广泛而彻底的模拟得到证明。结果表明，我们设计的模型在训练开销有限的情况下实现了高预测精度。该模型对每个 SU 的本地频谱可用性执行准确预测，而无需任何 PU 的先验信息。另一方面，了解其频谱可用性并不一定能使两个 SU 在同一信道上成功通信。这是一个具有挑战性的问题，之前为 CR 通信设计学习模型的研究在很大程度上忽略了这一问题。为此，我们设计了一种称为 EDCG 的增强型 DCG 模型，使两个 SU 能够通过执行信道选择预测来找到相同的信道以相互通信。设计的 DCG 和 EDCG 模型的性能通过广泛而彻底的模拟得到证明。结果表明，我们设计的模型在训练开销有限的情况下实现了高预测精度。