【论文阅读】基于 GAN 和深度迁移学习的频谱预测：一种跨带数据增强框架

Spectrum prediction based on GAN and deep transfer learning: A cross-band data augmentation framework
摘要：本文研究了频谱预测中的数据稀缺问题。认知无线电设备可能会随着电磁环境的变化而频繁切换目标频率。之前训练好的预测模型在面对少量新目标频率的历史数据时，往往无法保持良好的性能。此外，认知无线电设备通常实现实时的动态频谱接入，这意味着重新收集新任务频段的数据和重新训练模型的时间非常有限。为了解决上述问题，我们利用生成对抗网络 （GAN） 和深度迁移学习的最新进展，开发了一个用于频谱预测的跨频带数据增强框架。首先，通过相似性测量，我们使用与目标频段最相似的频段的历史数据预先训练一个 GAN 模型。然后，通过将少量目标数据输入预先训练的 GAN 进行数据增强，使用深度迁移学习和从 GAN 生成的具有高相似性的数据进一步训练时间谱残差网络。最后，实验结果证明了所提框架的有效性。

本文提出了一种基于生成对抗网络（GAN）和深度迁移学习的跨频段数据增强框架，用于解决频谱预测中数据稀缺的问题。该框架通过预训练的GAN模型生成与目标频段高度相似的数据，并利用深度迁移学习进一步训练时频残差网络（DTS-ResNet），以提高频谱预测的性能。实验结果表明，该框架在预测均方根误差（RMSE）和计算时间方面优于现有方法。

背景知识

随着物联网（IoT）和智能终端设备的快速发展&#