摘要
非合作接收条件下的通信信号检测、调制识别、辐射源个体识别等盲检测与识别处理，是开展无线电频谱监测和战场通信侦察对抗的重要基础。然而，受限于非合作接收时强干扰和快变化的恶劣电磁环境、复杂多样的通信信号体制、无法全面掌握信号先验信息等不利因素影响，通信信号盲检测与识别是一项极具挑战性的研究课题。本文在全面梳理基于专家经验特征的传统盲检测与识别方法的基础上，针对其特征提取依赖人工经验的主要问题，基于深度学习的特征自主学习框架，提出了通信信号智能检测、智能调制识别、智能辐射源个体识别等智能盲检测与识别方法。通过仿真和实测数据验证了算法有效性，并设计实现工程系统，验证了算法和系统对于实际通信信号的检测与识别效能。本文的主要工作和贡献包括： 1、在通信信号宽带检测方面，针对传统检测方法信号参数获取不完整和易受噪声影响的问题，提出了基于YOLOv3(YouOnlyLookOncev3)目标检测网络优化改进的智能宽带检测方法，从宽带时频图中完成了高效准确的信号盲检测。首先，采用小样本量信号自动标注构建宽带时频图数据集，解决了海量样本标注难题；其次，根据通信信号时频特性自适应设置先验锚框，保证了网络对通信信号的适应性与高效检测能力；最后，针对原有网络训练和推断时数据分布不一致所导致的检测精度低问题，采用CIOU(Complete-IntersectionOverUnion)算法改进训练代价函数，利用DIOU(Distance-IntersectionOverUnion)算法改进推断时的非极大值抑制准则，在提高训练速度的同时达到了较高的检测精度。 2、在窄带突发通信信号体制识别方面，针对深度学习方法难以区分时频特征相近信号、模板匹配方法需要先验规格且计算量大的问题，提出了将深度学习时频图识别与前导码滑动相关频谱峰值检测进行级联融合的智能窄带突发信号识别方法，实现了精确的信号体制识别和参数估计。首先，设计了时频多维参数偏移算法来增强训练数据集，降低了数据收集难度且提升了训练数据的全面性和多样性；然后，引入改进的深度残差注意力网络，提取了重点时频特征进行体制初步识别，再基于信号与前导码滑动相关后的频谱峰值检测结果，对不可分信号进行细化判证，实现了对窄带突发信号体制类型、载频、突发时刻等参数的精确获取。 3、在通信信号调制识别方面，针对传统识别方法依赖专家经验和信号条件的问题，提出了基于降噪循环谱与稀疏滤波卷积网络的智能调制识别方法，实现了模拟调制和低阶数字调制信号的鲁棒识别。首先，对信号循环谱进行低秩表示降噪处理，净化数据以降低网络训练难度；其次，设计了一种新型的稀疏滤波准则对网络进行逐层无监督预训练，有效挖掘了循环谱的稀疏特性，利用小规模卷积网络即可实现鲁棒可靠的调制识别。更进一步，为适应对高阶数字调制信号的识别，提出了一种基于新型深度几何卷积网络的智能调制识别方法，设计了具备多尺度和多方向特性的几何滤波器，从信号的魏格纳-威利分布映射图中学习更具有分辨力的多尺度和多方向几何特征，提高了调制识别的准确率和鲁棒性。 4、在通信信号调制编码联合识别方面，为了能以端到端的方式同时识别信号的调制方式和信道编码类型，研究探索了一种基于深度注意力门控卷积网络的智能调制编码联合识别方法，实现了多类型调制编码信号的有效识别。首先，为避免时频图变换带来的高计算复杂度，针对一维原始波形数据，设计了一维卷积层来提取调制结构特征；其次，利用门控循环模块提取信号时序监督特征，并设计“显著”注意力机制对时序特征开展注意力变换以增强特征提取与识别效能。 5、在通信辐射源个体识别方面，针对传统识别方法难以全面表征辐射源本质特性、易受信号与目标变化影响的缺点，提出了基于多域特征融合学习的智能辐射源个体识别方法，在多目标辐射源集合上达到了较好的识别效果。首先，对接收信号进行精确的参数“校准”预处理以去除信号中的不稳定因素，再对校准后信号进行高精度星座矢量图映射以表征辐射源发射机的联合畸变特性；其次，设计了新型一维复数密集连接卷积网络、引入了具有高层特征全局注意力机制的新型BoTNet(BottleneckTransformerNetworks)模型，分别对波形与频谱、波形与星座矢量图数据开展高效的复杂多域特征提取；最后，设计了三种融合策略对多域特征进行融合学习，提取了更全面完整的个体特征。同时，还研究了基于迁移学习的新辐射源目标集识别网络设计和训练方法，有效利用了大样本训练得到的基础模型的先验知识，实现了小样本条件下新辐射源目标的准确识别。 6、在工程实现方面，设计构建了通信信号智能检测识别系统，对本文提出的各类通信信号智能检测与识别方法开展转化与集成，解决了快速并行信道化与深度学习推断加速等工程实现关键问题，对实际短波、卫星、超短波等通信信号实现了高性能的盲信号检测、调制识别和辐射源个体识别。
NETL