基于差分隐私联邦学习的低空无人机群宽带频谱感知

来源：电子与信息学报杂志2025年第5期北京时间：

作者：董培浩, 贾继斌, 周福辉, 吴启晖

单位：1.南京航空航天大学电子信息工程学院 南京 2111062.东南大学移动通信全国重点实验室 南京 2111113.南京航空航天大学人工智能学院 南京 211106

摘要：在低空智联网中，以无人机(UAV)为载体的宽带频谱感知技术在实现高效频谱监测与利用方面起着至关重要的作用。然而，以奈奎斯特速率采样需要很高的硬件和计算成本，无人机的高移动性也会使其处于不断变化的无线频谱环境，进而严重影响感知精度，无人机宽带频谱感知面临严峻挑战。针对上述问题，该文首先设计了一个低复杂度的特征拆分宽带频谱感知神经网络(FS-WSSNet)，可在次奈奎斯特采样速率下实现高精度感知，以降低在无人机上的部署成本。随后，为充分整合利用低空智联网中多架无人机的频谱环境知识与计算资源，以适应其遇到的不同频谱环境，提出了一种基于差分隐私联邦迁移学习(DPFTL)的模型在线调整算法。该方法利用局部差分隐私，在协调多无人机上传模型参数至中心计算平台之前引入噪声，从而在无人机群体中同时实现频谱环境知识共享和数据隐私保护，使得其中每个无人机能够快速适应不断变化的频谱环境。仿真结果表明，同目前先进方案相比，FS-WSSNet在复杂度和感知性能方面均表现优越，使用所提的基于DPFTL的方案后，FS-WSSNet在无人机经历的多个新场景中无需模型调整，感知精度整体接近集中式训练。

关键词：宽带频谱感知, 联邦迁移学习, 差分隐私, 无人机

基金资助：国家自然科学基金(62471226, 62101253)，江苏省自然科学基金(BK20210283)，东南大学移动通信全国重点实验室开放课题(2022D08)，中央高校基本科研业务费(NS2024023)