近年来5G通信的迅猛发展激发了越来越多的无线网络业务,而频谱作为无线网络中最宝贵的资源,已经难以满足目前及将来的无线业务需求.现有的固定频谱分配方式使得频谱利用率低且严重不均,5G通信将涉及不同的场景、不同的特征和不同的需求，这使得频谱感知方法难以在保持良好性能的同时灵活地服务于各种应用。频谱资源的稀缺性仍然是5G通信面临的一个关键挑战。

上海高研院智能信息通信技术研究与发展中心团队针对5G通信的主流发展趋势，并根据场景用户特点与应用需求的耦合性，深入分析并归类出5G生态体系中涉及频谱感知应用的三大典型应用场景。基于不同场景下优化目标的差异性，研究团队创造性地提出了一种具备弹性能力的频谱感知系统架构，该架构由人工智能增强学习算法进行驱动，利用接收端多天线之间的独立性与分集差异特性，尊重系统要求与实际环境参数，通过动态学习实现最优的感知策略。

研究结果发表在最新一期的IEEE无线通信杂志上，标题为《智能频谱感知：5G通信中增强学习与自动重复感知的结合》。

研究团队分析了几个典型5G场景的不同需求，并根据频谱感知技术的优化目标，将三个专用模型进行了分类。

为了适应各种优化目标，研究团队设计了智能频谱传感技术的架构，试图兼顾不稳定性和适应性问题。数值结果表明，所提出的传感技术能够适应不同优化目标下的各种场景。

研究结果具有一定的实际应用价值。它们已被应用于中科院和中科院与上海理工大学共建的校园网——阿尔法网共同开发的SEANET系统中。研究结果也有助于5G和下一代通信系统在中国的进一步部署和推广。