Spektrumavkänning spelar en viktig roll i framtida trådlösa kommunikationssystem eftersom det hjälper till att lösa samexistensfrågan och optimera spektrumeffektivitet. Dock, den pågående 5G -kommunikationen innebär diversifierade scenarier med olika egenskaper och olika krav, vilket gör spektrumavkänningsmetoder svåra att betjäna olika applikationer flexibelt samtidigt som tillfredsställande prestanda bibehålls. Bristen på spektrumresurser är fortfarande en kritisk utmaning för 5G -kommunikation.

Motiverad av en sådan utmaning, ett forskargrupp ledd av prof. Hu Honglin och prof. Xu Tianheng vid Shanghai Advanced Research Institute (SARI) vid Chinese Academy of Sciences (CAS) gav en ny teknik för spektrumavkänning, söker ett genomförbart sätt att kombinera förstärkningslärningskonceptet med avancerade spektrumavkänningsmetoder för att optimera prestandan för det kognitiva radionätet under flera olika scenarier i 5G -kommunikation.

Forskningsresultaten publicerades i det senaste numret av IEEE trådlös kommunikation med titeln "Intelligent spektrumavkänning:När förstärkningslärande möter automatisk upprepad avkänning i 5G -kommunikation."

Forskargruppen analyserade olika krav på flera typiska 5G -scenarier, och kategoriserade tre dedikerade modeller med respektive optimeringsmål för spektrumavkänningstekniker.

För att vara anpassningsbar för olika optimeringsmål, forskare har utformat arkitekturen för den intelligenta spektrumavkänningstekniken, försöker ta hänsyn till både instabilitet och anpassningsförmåga. Numeriska resultat visade att den föreslagna avkänningstekniken har förmågan att anpassa sig till olika scenarier med olika optimeringsmål.

Forskningsresultaten är lovande för praktiska tillämpningar. De har tillämpats i SEANET -systemet utvecklat av CAS och Alpha, ett campusnätverk konstruerat av CAS och ShanghaiTech University. Resultaten bidrar också till ytterligare distribution och marknadsföring av 5G och nästa generations kommunikationssystem i Kina.