本文提出了一种用于协作频谱感知（Cooperative Spectrum Sensing, CSS）的集成分布式语义通信（Distributed Semantic Communication, DSC）与空中计算（Over-the-Air Computation, AirComp）的新型框架，称为ICC（Integrated Communication and Computation）框架，并基于该框架实现了一种名为ICC-CSS的系统。该研究由Peng Yi、Yang Cao、Xin Kang和Ying-Chang Liang等人完成，作者单位包括电子科技大学（University of Electronic Science and Technology of China, UESTC）和西南交通大学。论文发表于 *IEEE Transactions on Communications*，第73卷第4期，2025年4月。

在认知无线电（Cognitive Radio）系统中，频谱感知是实现频谱资源复用的基础。传统的CSS方法主要包括硬判决融合（Hard-Decision Fusion, HDF）和软数据融合（Soft-Data Fusion, SDF）。HDF虽然通信开销低，但存在性能上限和天花板效应；SDF虽然检测性能更好，但需要占用大量上报信道资源且对信道噪声敏感。此外，随着传感器数量的增加，若采用频分多址（FDMA）或时分多址（TDMA）方式上报数据，频谱效率或感知时效性都会受到严重影响。为此，本文提出将通信与计算深度融合，利用DSC在多个传感器和融合中心（Fusion Center, FC）之间进行联合优化，在保证检测性能的前提下尽可能减少传输符号数，同时利用AirComp使多个传感器可以在同一频谱资源上同时传输，并在空中完成数据的聚合计算，从而应对大规模传感器网络的可扩展性问题。

该研究的具体工作流程可分为系统建模、网络结构设计、训练方法以及理论分析与仿真验证几个阶段。在系统建模阶段，考虑一个由K个传感器和一个主用户（Primary User, PU）组成的CSS场景。每个传感器配备M根天线，主用户配备单天线，PU发射的信号经过感知信道到达各传感器。每个传感器先根据接收到的N个采样向量计算样本协方差矩阵（Sample Covariance Matrix）Rk，然后通过共享参数的语义编码器（Semantic Encoder）fen(·; α)对该协方差矩阵进行特征提取和压缩，生成长度为d的复数符号yk。所有传感器共享相同的编码器参数α，从而支持传感器数量的任意扩展，而无需重新训练。在上报信道中，所有传感器使用同一频谱资源同时发送各自的符号，信道中的信号经过大尺度路径损耗、小尺度衰落和预编码后在空中进行叠加，FC接收到的信号为z = Σk(ĥk b̂k yk) + û。FC端的语义解码器（Semantic Decoder）fde(·; β)对叠加后的信号进行处理，输出主用户存在的概率值hα,β|h1®，并依据似然比和Neyman-Pearson准则构建检验统计量进行最终判决。

在网络结构设计方面，ICC-CSS的语义编码器由三个Inception块、一个全局平均池化层和一个功率归一化层组成。Inception块采用不同尺寸的深度可分离卷积核并行提取多尺度特征，输入数据维度从2×28×28逐步变化到16×4×4，全局平均池化层再降低数据维度以适配传输资源限制，功率归一化层保证发送符号的平均能量为1。语义解码器由六个残差块、一个线性层和一个Sigmoid函数构成，残差块用于缓解梯度消失和梯度爆炸问题，Sigmoid函数输出范围在(0,1)之间的概率值。训练过程中，编码器和解码器通过最小化交叉熵损失函数联合优化，适应噪声信道并提取对检测任务最有用的判别特征。

在理论分析方面，由于ICC-CSS深度网络参数众多，直接进行理论推导困难，作者构建了一个简化模型，该模型只包含一个带有ELU激活函数的卷积层、一个全局平均池化层和一个带Sigmoid函数的线性层。在此简化模型下，作者证明了当PU信号样本独立同分布且信道协方差矩阵为单位阵时，ICC-CSS的检验统计量与基于能量检测（Energy Detection, ED）的等增益软数据融合方法等价，进一步地等价于最优估计器-相关器（Estimator-Correlator, E-C）检测器与等增益SDF的组合。这一结论为ICC-CSS的有效性提供了理论支撑。

在仿真验证部分，作者设置了K=6、M=28、N=100的默认场景，训练时感知信噪比γ̃=-15 dB，上报信噪比γ̂=-10 dB，并在不同条件下直接测试，不再重新训练。对比了四种基于协方差矩阵的本地频谱感知方法（MED、ED、MMED、CAV）与两种融合方法（HDF和SDF）组合得到的八种方案。结果显示，在理想上报信道（γ̂=+∞ dB）下，SDF方案优于HDF方案，但在实际信道（γ̂=0 dB）下，SDF方案性能显著下降，甚至劣于HDF方案；而ICC-CSS在任何条件下都保持最优的检测性能。特别是在虚警概率为0.001时，ICC-CSS在γ̃=-14 dB时检测概率即可接近1.0，而其他方案需要更高的信噪比。在鲁棒性评估中，ICC-CSS对感知信道和上报信道信噪比波动均表现出极强的稳健性。对于HDF方案，当感知信噪比趋于无穷时，其检测概率存在一个由上报信道噪声决定的上限；当上报信噪比极低时，HDF的检测概率收敛到一个固定值。相比之下，ICC-CSS并不受这些天花板效应的限制。在可扩展性评估中，随着样本数N从40增加到100，ICC-CSS的检测概率显著提升；随着传感器数量K从1增加到15，ICC-CSS无需重训练即可保持稳定且优异的检测性能，而其他方案的性能提升受到上报信道信噪比的严重限制。

在消融实验中，作者比较了带AirComp的ICC-CSS与不带AirComp的ICC-CSS。结果表明，当K较小时，二者性能相近；当K较大（约大于11）时，不带AirComp的版本由于可以分别解调各传感器数据再融合，检测概率略高，但其占用子信道数量随K线性增加。例如当K=51时，不带AirComp的方案需要51倍的子信道，但检测概率仅提升22.54%。这充分说明AirComp在显著降低频谱资源消耗方面的优势。在星座图可视化中，当PU不存在时，各传感器发送的符号能量极低；当PU存在时，各传感器发送的符号能量大幅上升，且不同传感器在同一时刻发送的符号相位一致，在空中形成有效叠加，增强了系统抗噪性和稳定性。

总结来看，本文提出的ICC框架首次将DSC与AirComp集成用于CSS任务，实现了频谱资源受限条件下的高效协作感知。ICC-CSS在检测性能、对感知信道和上报信道信噪比变化的鲁棒性以及对样本数和传感器数量的可扩展性方面均优于传统的CSS方案。其核心创新在于：第一，利用DSC联合优化多个传感器和融合中心，在保证任务性能的同时大幅压缩传输数据量；第二，利用AirComp在同一时频资源上实现多传感器数据的空中聚合，克服了传统FDMA和TDMA在大规模传感器网络中的频谱效率瓶颈；第三，通过共享语义编码器参数实现了传感器数量的即插即用扩展，无需重新训练模型。该研究为未来物联网、无人机集群通信和车联网等大规模设备接入场景下的频谱感知提供了新的解决思路。