专栏：电磁环境大数据挖掘与利用2021(4)；2022(1)；2022(12)
发刊词
《电磁环境大数据挖掘与利用》专栏正式和大家见面了！
中共中央总书记习近平强调，大数据发展日新月异，我们应该审时度势、精心谋划、超前布局、力争主动。电磁环境贯穿“陆、海、空、天、网、电”六维空间，电磁环境大数据对国民经济和国防建设具有极其重要的价值，探究后信息化时代电磁环境特点规律，加紧布局中国特色电磁环境创新体系，是电磁领域研究人员的共同责任和共同追求。
本期出版《电磁环境大数据挖掘与利用》专栏，我们通过搭建平台，推动电磁领域理论研究的发展，实现学术层面的互通以及研究成果的共享，努力吸引更多的专家学者共同致力于电磁环境的知识发现和价值创造，提升电磁环境大数据治理水平。
中国电子科技集团公司第22研究所、电波环境观测与模化技术国家重点实验室联合全军电磁频谱技术研究中心等相关单位共同举办了全国首届“电磁环境大数据创意与实践大赛”，不仅得到了全国高校的积极响应，而且取得了很好的科技效应。许多学者、业内人士积极参加本次专栏征文活动。其中精选了优秀征文28篇，原定分2期予以荟集出刊，因广大作者的积极投稿，本专栏最终选用了36篇文章，确定分3期出版。本次专栏内容覆盖面广，既有关于射频指纹数学建模等基础性理论探讨，也有应对未知雷达辐射源识别的技术方案；既有电磁空间态势的宏观综述，也有强化学习用于动态频谱分配的微观实践，等等。在此，我们对关心并支持此次专栏出版的各位领导、专家学者，以及积极参与专栏征文活动的所有作者表示衷心的感谢！
如今是一个伟大的时代，伟大的时代呼唤伟大的事业。电磁领域研究人员责任重大，使命光荣。我们相信有党的指挥领导，有国家的高度重视，有各领域专家学者和广大读者的热心支持，电磁领域研究事业必将前景光明，迎来一个全新的发展。
问渠那得清如许，为有源头活水来。期待在今后的日子里，依然能够得到您的支持帮助。
本期专栏主编：郭兰图，林 云
文章列表
2021, 19(4):569-572.
DOI: 10.11805/TKYDA2021184
摘要:
为解决地对空快速单站无源定位问题，提出了一种长基线阵列地面单站无源定位方法。该方法将阵列天线嵌套在三天线长基线系统中，利用目标到长基线两端的视向夹角隐含在相位差参数上的原理，由视向夹角相位差估计角度变化率，同时利用阵列天线测出目标的实际方向，最后获得目标的位置参数。该方法可以在单个脉冲实现对目标的无源定位，仿真结果验证了该方法的正确性。
为解决地对空快速单站无源定位问题，提出了一种长基线阵列地面单站无源定位方法。该方法将阵列天线嵌套在三天线长基线系统中，利用目标到长基线两端的视向夹角隐含在相位差参数上的原理，由视向夹角相位差估计角度变化率，同时利用阵列天线测出目标的实际方向，最后获得目标的位置参数。该方法可以在单个脉冲实现对目标的无源定位，仿真结果验证了该方法的正确性。
2021, 19(4):589-595.
DOI: 10.11805/TKYDA2021146
摘要:
基于人工智能的方法在雷达辐射源识别任务中已取得很好的效果。但随着电子信息技术的发展，将会出现越来越多的未知辐射源，其特征分布与类别都是未知的，在缺少先验知识的情况下，难以对人工智能模型进行充分的训练，使得现有的大多数方法都无法很好地完成对未知雷达辐射源的识别。为了解决上述问题，提出并阐述了可用于未知雷达辐射源识别的电磁大数据的解决方案，重点研究了基于Flink的未知雷达辐射源快速比对检索识别算法。通过对比实验证明了该方法的有效性，其识别准确率可达87.2%，当并行度设置为6时，整个互信息与K最近邻(MI-KNN)并行化算法耗时仅为4.7 s。
基于人工智能的方法在雷达辐射源识别任务中已取得很好的效果。但随着电子信息技术的发展，将会出现越来越多的未知辐射源，其特征分布与类别都是未知的，在缺少先验知识的情况下，难以对人工智能模型进行充分的训练，使得现有的大多数方法都无法很好地完成对未知雷达辐射源的识别。为了解决上述问题，提出并阐述了可用于未知雷达辐射源识别的电磁大数据的解决方案，重点研究了基于Flink的未知雷达辐射源快速比对检索识别算法。通过对比实验证明了该方法的有效性，其识别准确率可达87.2%，当并行度设置为6时，整个互信息与K最近邻(MI-KNN)并行化算法耗时仅为4.7 s。
2021, 19(4):596-602.
DOI: 10.11805/TKYDA2021140
摘要:
为阻止设备克隆、重放攻击和用户身份假冒等问题的发生，准确识别和认证物联对象，提出一种基于功率谱密度指纹特征与智能分类器的通信辐射源个体识别方法。利用接收机采集I路射频基带信号；通过方差轨迹检测截取稳态信号片段，并对稳态信号片段进行数据标准化处理；计算数据标准化处理后的稳态信号片段的功率谱密度得到特征向量，将所述特征向量作为发射机的射频指纹；最后利用智能分类器识别所述射频指纹，完成通信辐射源个体识别。通过对同厂家、同型号、同批次的8个无线数传电台E90-DTU设备和100个WiFi网卡设备的实验测试表明，本文所提方法在视距(LOS)场景、视距场景与非视距(NOS)场景的混合场景、低信噪比场景、大数量物联设备场景都具有良好的识别准确率。
为阻止设备克隆、重放攻击和用户身份假冒等问题的发生，准确识别和认证物联对象，提出一种基于功率谱密度指纹特征与智能分类器的通信辐射源个体识别方法。利用接收机采集I路射频基带信号；通过方差轨迹检测截取稳态信号片段，并对稳态信号片段进行数据标准化处理；计算数据标准化处理后的稳态信号片段的功率谱密度得到特征向量，将所述特征向量作为发射机的射频指纹；最后利用智能分类器识别所述射频指纹，完成通信辐射源个体识别。通过对同厂家、同型号、同批次的8个无线数传电台E90-DTU设备和100个WiFi网卡设备的实验测试表明，本文所提方法在视距(LOS)场景、视距场景与非视距(NOS)场景的混合场景、低信噪比场景、大数量物联设备场景都具有良好的识别准确率。
2021, 19(4):603-616.
DOI: 10.11805/TKYDA2021139
摘要:
射频指纹(RFF)来源于发射机电路设计的差异和生产过程中硬件电路的制造容差，是一种新兴的设备身份识别和认证技术。对射频指纹产生机理进行建模是深入研究射频指纹技术的基础。本文根据一种通用的零中频数字通信发射机结构分析了各环节对射频指纹的影响，并建立了对应的射频指纹时域基带模型。此外，归纳总结了一系列通信标准的若干重要时域参数的容差，并着重研究了LTE标准下，正交相移键控(QPSK)和十六进制正交振幅调制(16-QAM)两种典型调制方式的最大均方根误差向量幅度(RMS EVM)。最后，通过理论推导和Matlab仿真给出了直流偏置、同相/正交(I/Q)增益不平衡、I/Q正交偏移误差、I/Q滤波器偏差、振荡器相噪和功放非线性参数的上下界，并分析了各种射频指纹参数临界情形下星座图的变化，为射频指纹提取和识别技术的研究提供了合理的参数指导。
射频指纹(RFF)来源于发射机电路设计的差异和生产过程中硬件电路的制造容差，是一种新兴的设备身份识别和认证技术。对射频指纹产生机理进行建模是深入研究射频指纹技术的基础。本文根据一种通用的零中频数字通信发射机结构分析了各环节对射频指纹的影响，并建立了对应的射频指纹时域基带模型。此外，归纳总结了一系列通信标准的若干重要时域参数的容差，并着重研究了LTE标准下，正交相移键控(QPSK)和十六进制正交振幅调制(16-QAM)两种典型调制方式的最大均方根误差向量幅度(RMS EVM)。最后，通过理论推导和Matlab仿真给出了直流偏置、同相/正交(I/Q)增益不平衡、I/Q正交偏移误差、I/Q滤波器偏差、振荡器相噪和功放非线性参数的上下界，并分析了各种射频指纹参数临界情形下星座图的变化，为射频指纹提取和识别技术的研究提供了合理的参数指导。
2021, 19(4):617-622.
DOI: 10.11805/TKYDA2021122
摘要:
为提高调制分类识别精确度，降低计算复杂度，提出了一种基于卷积神经网络(CNN)与红绿蓝(RGB)循环谱二维图的智能调制识别方法。基于循环谱特征可识别调制类型的机理，为了降低计算复杂度，将三维的循环谱转换为二维平面的RGB循环谱图，并将其用于构建数据集；将一种计算复杂度较低的CNN作为调制类型分类识别器。仿真结果表明，所提出的智能调制识别方法能够以较低的计算复杂度，获得更高的分类精确度。
为提高调制分类识别精确度，降低计算复杂度，提出了一种基于卷积神经网络(CNN)与红绿蓝(RGB)循环谱二维图的智能调制识别方法。基于循环谱特征可识别调制类型的机理，为了降低计算复杂度，将三维的循环谱转换为二维平面的RGB循环谱图，并将其用于构建数据集；将一种计算复杂度较低的CNN作为调制类型分类识别器。仿真结果表明，所提出的智能调制识别方法能够以较低的计算复杂度，获得更高的分类精确度。
2021, 19(4):623-627.
DOI: 10.11805/TKYDA2021084
摘要:
功率谱密度(PSD)预测是频谱管理中的重要环节。由于功率谱密度具有高度的复杂性、非线性和不确定性，单一的预测模型很难确保预测的准确性和效率。为克服单一预测方法的不足，提出一种混合的机器学习模型，将自组织映射(SOM)网络与回归树(RT)相结合，以预测信号的功率谱密度。使用自组织映射网络将具有相似手工特征的原始样本集聚类成簇；将每一个簇分别构建回归树来预测功率谱密度；最后，使用亚琛工业大学的数据进行实验。结果表明，预测结果的均方根误差比现有方法提高0.824，证明混合模型具有较高的预测精确度和较好的泛化能力。
功率谱密度(PSD)预测是频谱管理中的重要环节。由于功率谱密度具有高度的复杂性、非线性和不确定性，单一的预测模型很难确保预测的准确性和效率。为克服单一预测方法的不足，提出一种混合的机器学习模型，将自组织映射(SOM)网络与回归树(RT)相结合，以预测信号的功率谱密度。使用自组织映射网络将具有相似手工特征的原始样本集聚类成簇；将每一个簇分别构建回归树来预测功率谱密度；最后，使用亚琛工业大学的数据进行实验。结果表明，预测结果的均方根误差比现有方法提高0.824，证明混合模型具有较高的预测精确度和较好的泛化能力。
2021, 19(4):556-561.
DOI: 10.11805/TKYDA2021214
摘要:
迁移学习技术可以利用经验信息辅助当前任务，已在计算机视觉和语音识别领域得到广泛应用，但在电磁领域还没有取得明显的成就。电磁环境变化速度快，源数据或分类器模型在新环境中性能会显著下降，重新训练不仅需要大量的数据且费时费力。迁移学习技术与电磁目标识别任务十分相关，本文采用实测电磁目标数据集，探索迁移学习在解决电磁目标小样本问题中的几种应用，包括同类目标迁移和异类目标迁移。实验结果表明，通过将预训练模型迁移到目标域小样本识别任务，当目标域为同类源且标记样本只有20个情况下，相较于非迁移模型，验证准确率提高25%，并且大大缩短了目标域训练时间；当目标域为异类源时，也能够在保证识别准确率的同时使训练时间少于源域的1/5。
迁移学习技术可以利用经验信息辅助当前任务，已在计算机视觉和语音识别领域得到广泛应用，但在电磁领域还没有取得明显的成就。电磁环境变化速度快，源数据或分类器模型在新环境中性能会显著下降，重新训练不仅需要大量的数据且费时费力。迁移学习技术与电磁目标识别任务十分相关，本文采用实测电磁目标数据集，探索迁移学习在解决电磁目标小样本问题中的几种应用，包括同类目标迁移和异类目标迁移。实验结果表明，通过将预训练模型迁移到目标域小样本识别任务，当目标域为同类源且标记样本只有20个情况下，相较于非迁移模型，验证准确率提高25%，并且大大缩短了目标域训练时间；当目标域为异类源时，也能够在保证识别准确率的同时使训练时间少于源域的1/5。
2021, 19(4):581-588.
DOI: 10.11805/TKYDA2021150
摘要:
实现电磁数据的异常检测和模式发现，对电磁目标异常行为的判断与提前预警具有重要价值。不同类型的电磁数据通常以时间序列的形式存在，且具有正常数据与异常数据不均衡等特点。为应对上述挑战，提出一种基于时空联合注意力机制的时间序列异常检测方法。基于电磁数据的时间与空间特征，结合通道与空间注意力机制，增强对时序数据异常部分的特征表示。实验结果表明，提出的检测算法能够有效应对数据不均衡的难点，具有较强的鲁棒性。
实现电磁数据的异常检测和模式发现，对电磁目标异常行为的判断与提前预警具有重要价值。不同类型的电磁数据通常以时间序列的形式存在，且具有正常数据与异常数据不均衡等特点。为应对上述挑战，提出一种基于时空联合注意力机制的时间序列异常检测方法。基于电磁数据的时间与空间特征，结合通道与空间注意力机制，增强对时序数据异常部分的特征表示。实验结果表明，提出的检测算法能够有效应对数据不均衡的难点，具有较强的鲁棒性。
2021, 19(4):635-641.
DOI: 10.11805/TKYDA2021080
摘要:
提出了一种应用于噪声环境下的多尺度卷积神经网络(CNN)在线地震前电磁异常检测模型。该模型在CNN强大特征提取能力的基础上，通过多尺度机制协同长短期地空电磁频谱特征，多维度、多视角地开展对地震前电磁的异常检测。同时引入自适应变分模态分解(VMD)降噪方法提取观测信号中的有效信息，最后配合在线学习策略，实现对地震前电磁异常模式可能变化的持续学习。仿真结果表明，多尺度模型在低信噪比下能够保持较高的准确率，在线学习策略能够有效缩短模型更新时间，由此证明了模型的有效性。
提出了一种应用于噪声环境下的多尺度卷积神经网络(CNN)在线地震前电磁异常检测模型。该模型在CNN强大特征提取能力的基础上，通过多尺度机制协同长短期地空电磁频谱特征，多维度、多视角地开展对地震前电磁的异常检测。同时引入自适应变分模态分解(VMD)降噪方法提取观测信号中的有效信息，最后配合在线学习策略，实现对地震前电磁异常模式可能变化的持续学习。仿真结果表明，多尺度模型在低信噪比下能够保持较高的准确率，在线学习策略能够有效缩短模型更新时间，由此证明了模型的有效性。
2021, 19(4):562-568.
DOI: 10.11805/TKYDA2021195
摘要:
为解决调制识别研究中较少考虑到不同信号的特征之间联系性的问题，搭建了卷积神经网络(CNN)来提取信号的彩色时频图对应的特征，并利用时频变换的分析方法，将一维信号处理成彩色时频图，通过卷积神经网络架构提取图像特征；同时为了提升算法在低信噪比下的分类识别准确率，对时频图像的纹理特征进行了特征提取，将提取到的纹理特征与卷积神经网络中提取到的特征进行特征融合。仿真实验结果表明，采用的时频卷积神经网络(TF–CNN)和TF–Resnet网络框架能够达到高精确度信号自动调制识别分类的目的。
为解决调制识别研究中较少考虑到不同信号的特征之间联系性的问题，搭建了卷积神经网络(CNN)来提取信号的彩色时频图对应的特征，并利用时频变换的分析方法，将一维信号处理成彩色时频图，通过卷积神经网络架构提取图像特征；同时为了提升算法在低信噪比下的分类识别准确率，对时频图像的纹理特征进行了特征提取，将提取到的纹理特征与卷积神经网络中提取到的特征进行特征融合。仿真实验结果表明，采用的时频卷积神经网络(TF–CNN)和TF–Resnet网络框架能够达到高精确度信号自动调制识别分类的目的。
11 电磁空间态势研究现状综述
2021, 19(4):549-555.
DOI: 10.11805/TKYDA2021156
摘要:
面对日益复杂的电磁环境，电磁空间态势因其整体性、动态性、关联性、可视性、海量性、多维性等特点，为提升用频系统综合性能、实现移动通信系统频谱共享及保障重大安保活动频谱安全等提供了重要的理论支撑，已经逐渐成为国内外频谱领域最具活力的研究方向之一。本文从电磁空间态势的角度出发，重点介绍了国内外电磁空间态势研究的相关技术，并进一步系统性介绍了国内外的代表性工作。最后，总结了电磁空间态势研究的重要性与发展现状，并提出了该领域在未来面对的挑战。
面对日益复杂的电磁环境，电磁空间态势因其整体性、动态性、关联性、可视性、海量性、多维性等特点，为提升用频系统综合性能、实现移动通信系统频谱共享及保障重大安保活动频谱安全等提供了重要的理论支撑，已经逐渐成为国内外频谱领域最具活力的研究方向之一。本文从电磁空间态势的角度出发，重点介绍了国内外电磁空间态势研究的相关技术，并进一步系统性介绍了国内外的代表性工作。最后，总结了电磁空间态势研究的重要性与发展现状，并提出了该领域在未来面对的挑战。
2021, 19(4):628-634.
DOI: 10.11805/TKYDA2021046
摘要:
目前大部分直接定位方法主要针对窄带信号，为此提出了一种基于分布式无人机 (UAV)平台的宽\窄带信号直接定位(DPD)方法。首先在频域对多个无人机平台的接收数据进行合成，基于多个频点建立和信源位置直接相关的代价函数；然后，将监测区域进行网格化处理得到目标信源的位置；最后，多无人机移动监测，并不断缩小监测区域，对多次定位结果聚类分析，得到最终定位结果。通过仿真验证，本方法的定位性能明显优于传统的定位方法。同时实测数据的处理结果表明，本文所提方法定位性能优于改进的到达时间差(TDOA)定位方法。
目前大部分直接定位方法主要针对窄带信号，为此提出了一种基于分布式无人机 (UAV)平台的宽\窄带信号直接定位(DPD)方法。首先在频域对多个无人机平台的接收数据进行合成，基于多个频点建立和信源位置直接相关的代价函数；然后，将监测区域进行网格化处理得到目标信源的位置；最后，多无人机移动监测，并不断缩小监测区域，对多次定位结果聚类分析，得到最终定位结果。通过仿真验证，本方法的定位性能明显优于传统的定位方法。同时实测数据的处理结果表明，本文所提方法定位性能优于改进的到达时间差(TDOA)定位方法。
2021, 19(4):573-580.
DOI: 10.11805/TKYDA2021172
摘要:
针对认知无线电网络中多个异质用户具有不同的服务质量(QoS)要求，提出一种基于多智能体强化学习的动态频谱分配方法。该方法从用户满意度角度出发，以用户体验质量(QoE)作为系统的评价指标，构建多个虚拟智能体，模拟多个用户以合作方式与环境进行交互学习，融合各个用户的学习和频谱决策结果，实现频谱资源优化分配。仿真结果表明，在未知主要用户使用规律和信道动态特性条件下，相比基于传统强化学习的动态频谱分配方法，提出的方法能有效提高次用户的QoE，降低用户间的冲突概率。
针对认知无线电网络中多个异质用户具有不同的服务质量(QoS)要求，提出一种基于多智能体强化学习的动态频谱分配方法。该方法从用户满意度角度出发，以用户体验质量(QoE)作为系统的评价指标，构建多个虚拟智能体，模拟多个用户以合作方式与环境进行交互学习，融合各个用户的学习和频谱决策结果，实现频谱资源优化分配。仿真结果表明，在未知主要用户使用规律和信道动态特性条件下，相比基于传统强化学习的动态频谱分配方法，提出的方法能有效提高次用户的QoE，降低用户间的冲突概率。
2022, 20(1):34-39.
DOI: 10.11805/TKYDA2021151
摘要:
针对低轨(LEO)大规模卫星星座系统存在电磁空间复杂且难于观测的问题，对低轨卫星星座链路特征进行研究。以Starlink和OneWeb星座为研究对象，根据低轨卫星的星座参数，获取等效全向辐射功(EIRP)值并进行可视化处理；对获取到的低轨电磁卫星数据进行分析，获取数据的衰减特性和时间、频率等的数据关系，计算星间的链路干扰以及时间上的分布特征；获取相对干扰时间的特征值以及星间数据的衰减与时频的多维特性，并分析不同场景下的干扰时间特征，从多个维度分析低轨大规模卫星星座系统间星间链路的干扰情况并进行仿真验证。实验证明了低轨大规模卫星星座系统之间的星间链路存在干扰情况，且频率越高，干扰现象越明显。
针对低轨(LEO)大规模卫星星座系统存在电磁空间复杂且难于观测的问题，对低轨卫星星座链路特征进行研究。以Starlink和OneWeb星座为研究对象，根据低轨卫星的星座参数，获取等效全向辐射功(EIRP)值并进行可视化处理；对获取到的低轨电磁卫星数据进行分析，获取数据的衰减特性和时间、频率等的数据关系，计算星间的链路干扰以及时间上的分布特征；获取相对干扰时间的特征值以及星间数据的衰减与时频的多维特性，并分析不同场景下的干扰时间特征，从多个维度分析低轨大规模卫星星座系统间星间链路的干扰情况并进行仿真验证。实验证明了低轨大规模卫星星座系统之间的星间链路存在干扰情况，且频率越高，干扰现象越明显。
2022, 20(1):22-28.
DOI: 10.11805/TKYDA2021153
摘要:
基于张量分裂技术，设计了一种面向电磁目标识别的神经网络模型分散计算方法。该方法根据不同的隐藏层选择特定的张量分裂方法，将权重无损地分散到多个分布式节点上，以分散、聚合的方式完成协同推理计算。在树莓派设备上进行的仿真实验表明，该方法可以对集中式电磁识别模型进行无损拆分并分布式部署，可以保持与原始模型完全相同的准确率。并且当原始模型由于参数量过大而无法加载到内存中进行处理时，该方法仍可以正常完成计算。
基于张量分裂技术，设计了一种面向电磁目标识别的神经网络模型分散计算方法。该方法根据不同的隐藏层选择特定的张量分裂方法，将权重无损地分散到多个分布式节点上，以分散、聚合的方式完成协同推理计算。在树莓派设备上进行的仿真实验表明，该方法可以对集中式电磁识别模型进行无损拆分并分布式部署，可以保持与原始模型完全相同的准确率。并且当原始模型由于参数量过大而无法加载到内存中进行处理时，该方法仍可以正常完成计算。
2022, 20(1):29-33,39.
DOI: 10.11805/TKYDA2021217
摘要:
近年来，很多高质量的数据集支撑了深度学习在计算机视觉、语音和自然语言处理领域的快速发展。但在电磁信号识别领域仍缺乏高质量的数据集，为促进深度学习在电磁信号识别中的应用，本文基于广播式自动相关监视(ADS-B)建立了一个大规模的真实电磁信号数据集。首先设计了一个自动数据收集和标注系统，在开放和真实的场景中自动捕获ADS-B电磁信号。通过对ADS-B信号进行数据清理和排序，建立高质量的ADS-B信号数据集；其次，对使用数据集的深度学习模型的性能进行深入研究，在不同信噪比、采样率、样本数目下对模型进行综合评估。该数据集给相关研究者提供了有价值的研究基准。
近年来，很多高质量的数据集支撑了深度学习在计算机视觉、语音和自然语言处理领域的快速发展。但在电磁信号识别领域仍缺乏高质量的数据集，为促进深度学习在电磁信号识别中的应用，本文基于广播式自动相关监视(ADS-B)建立了一个大规模的真实电磁信号数据集。首先设计了一个自动数据收集和标注系统，在开放和真实的场景中自动捕获ADS-B电磁信号。通过对ADS-B信号进行数据清理和排序，建立高质量的ADS-B信号数据集；其次，对使用数据集的深度学习模型的性能进行深入研究，在不同信噪比、采样率、样本数目下对模型进行综合评估。该数据集给相关研究者提供了有价值的研究基准。
2022, 20(1):40-46.
DOI: 10.11805/TKYDA2021152
摘要:
跳频信号在抗干扰方面具有良好的性能。准确识别跳频信号的调制方式，能够为判断敌我目标属性、干扰敌方信号等军事信息战提供有力支撑，但国内外对于跳频信号的调制识别仍存在很大空缺。本文提出一种基于时频特征的跳频信号调制识别方法，通过平滑伪魏格纳-维利分布(SPWVD)时频变换获取不同调制类型的跳频信号时频图像，将时频图像送入卷积神经网络(CNN)中进行特征提取及分类识别。仿真实验证明，本文CNN在低信噪比下取得了较好的识别效果。
跳频信号在抗干扰方面具有良好的性能。准确识别跳频信号的调制方式，能够为判断敌我目标属性、干扰敌方信号等军事信息战提供有力支撑，但国内外对于跳频信号的调制识别仍存在很大空缺。本文提出一种基于时频特征的跳频信号调制识别方法，通过平滑伪魏格纳-维利分布(SPWVD)时频变换获取不同调制类型的跳频信号时频图像，将时频图像送入卷积神经网络(CNN)中进行特征提取及分类识别。仿真实验证明，本文CNN在低信噪比下取得了较好的识别效果。
2022, 20(1):16-21,28.
DOI: 10.11805/TKYDA2021189
摘要:
随着频率使用设备的激增和大数据时代的到来，频谱管理和控制面临着有效性和准确性的挑战。调制分类技术是频谱管理和控制的基础，也是其关键部分。因此，在大数据场景下进行有效的调制分类技术非常重要。本文不仅考虑了大数据背景下分类模型的有效性，还考虑了复杂电磁环境中噪声的动态性。因此，构建了一个包含不同信噪比下不同信号的大数据集，并利用大数据驱动深度学习模型，最终得到调制分类的结果。该方法只需训练一个模型即可实现调制分类，避免了以往算法中模型训练的冗余。仿真结果验证了该方法的有效性和可靠性。
随着频率使用设备的激增和大数据时代的到来，频谱管理和控制面临着有效性和准确性的挑战。调制分类技术是频谱管理和控制的基础，也是其关键部分。因此，在大数据场景下进行有效的调制分类技术非常重要。本文不仅考虑了大数据背景下分类模型的有效性，还考虑了复杂电磁环境中噪声的动态性。因此，构建了一个包含不同信噪比下不同信号的大数据集，并利用大数据驱动深度学习模型，最终得到调制分类的结果。该方法只需训练一个模型即可实现调制分类，避免了以往算法中模型训练的冗余。仿真结果验证了该方法的有效性和可靠性。
2022, 20(1):53-57,89.
DOI: 10.11805/TKYDA2021155
摘要:
在复杂电磁环境背景下，针对非合作无线网络的频谱态势预测问题展开研究。借助机器学习理论，提取已侦测到频谱态势数据的时、空、频三维特性，并充分挖掘其三维特征内在的相关性，构建有针对性的频谱预测框架，从而有效预判非合作方通信节点的频率调整行为。相关研究结果表明，当非合作无线网络通信过程中存在频率调整行为时，只要能够截获足够的频谱数据，利用开发的频谱预测框架对未来时刻的频率调整行为有效地进行单步或多步预测，就可实现对目标系统未来可能使用的工作频率的精准锁定。精确地瞄准锁定目标系统未来可能使用的工作频率，可为后续通信跟踪及干扰等任务提供关键的技术支持。
在复杂电磁环境背景下，针对非合作无线网络的频谱态势预测问题展开研究。借助机器学习理论，提取已侦测到频谱态势数据的时、空、频三维特性，并充分挖掘其三维特征内在的相关性，构建有针对性的频谱预测框架，从而有效预判非合作方通信节点的频率调整行为。相关研究结果表明，当非合作无线网络通信过程中存在频率调整行为时，只要能够截获足够的频谱数据，利用开发的频谱预测框架对未来时刻的频率调整行为有效地进行单步或多步预测，就可实现对目标系统未来可能使用的工作频率的精准锁定。精确地瞄准锁定目标系统未来可能使用的工作频率，可为后续通信跟踪及干扰等任务提供关键的技术支持。
2022, 20(1):47-52.
DOI: 10.11805/TKYDA2021165
摘要:
基站选址优化问题是移动通信中的研究热点，一个好的基站选址方案不仅能够节约资源，而且可以提高用户的通信体验。然而，基站布设常面对的是一个多参数、多约束、非线性的复杂问题，难以通过传统的优化方法进行求解。本文提出一种基于大数据的智能基站布设方法，根据实测电磁环境大数据构建基于深度学习的电波传播模型，使传播模型更加精确；采用空间自适应学习方法，在传播模型的基础上构建基站选址优化模型。通过在每次迭代过程中以较小概率选择性能较差的基站布设点，从而避免算法陷入局部最优。
基站选址优化问题是移动通信中的研究热点，一个好的基站选址方案不仅能够节约资源，而且可以提高用户的通信体验。然而，基站布设常面对的是一个多参数、多约束、非线性的复杂问题，难以通过传统的优化方法进行求解。本文提出一种基于大数据的智能基站布设方法，根据实测电磁环境大数据构建基于深度学习的电波传播模型，使传播模型更加精确；采用空间自适应学习方法，在传播模型的基础上构建基站选址优化模型。通过在每次迭代过程中以较小概率选择性能较差的基站布设点，从而避免算法陷入局部最优。
2022, 20(1):8-15.
DOI: 10.11805/TKYDA2021168
摘要:
城市通信技术的改革换代和用频设备的逐渐增多使得电磁环境变得越来越复杂。充分了解频谱资源利用的特性是提高频谱管理效率的关键。为了更全面地探索频谱利用的特点，提出一套完整的对复杂多样电磁环境大数据进行详细数据质量分析和处理的流程，分别对处于同一服务的不同信道、处于不同服务的不同信道进行频谱相关性分析，证明了频谱之间的相关性；对电磁环境大数据进行属性构造，构造了频率维占用度和时间维占用度属性。引入图像处理领域的多维混合高斯模型，对电磁信号进行背景噪声的去除，提取电磁信号，为后续的信息挖掘和关联分析奠定基础。
城市通信技术的改革换代和用频设备的逐渐增多使得电磁环境变得越来越复杂。充分了解频谱资源利用的特性是提高频谱管理效率的关键。为了更全面地探索频谱利用的特点，提出一套完整的对复杂多样电磁环境大数据进行详细数据质量分析和处理的流程，分别对处于同一服务的不同信道、处于不同服务的不同信道进行频谱相关性分析，证明了频谱之间的相关性；对电磁环境大数据进行属性构造，构造了频率维占用度和时间维占用度属性。引入图像处理领域的多维混合高斯模型，对电磁信号进行背景噪声的去除，提取电磁信号，为后续的信息挖掘和关联分析奠定基础。
2022, 20(1):1-7.
DOI: 10.11805/TKYDA2021145
摘要:
C-V2X是基于蜂窝网络技术演化而来的车联网(IoV)解决方案，是5G网络中的极可靠低时延通信(uRLLC)中重要的一部分，车联网技术的实现对现代交通具有重要意义。本文对近些年来国内外学者在该研究领域取得的成果进行了系统总结：对车联网的定义做了简要说明，并对C-V2X的标准研究进展进行了总结；对LTE-V2X和NR-V2X下的集中式和分布式资源调度方式分别进行了阐述，并对现有研究方法做了分类；最后，对未来研究可能面临的挑战进行了展望。
C-V2X是基于蜂窝网络技术演化而来的车联网(IoV)解决方案，是5G网络中的极可靠低时延通信(uRLLC)中重要的一部分，车联网技术的实现对现代交通具有重要意义。本文对近些年来国内外学者在该研究领域取得的成果进行了系统总结：对车联网的定义做了简要说明，并对C-V2X的标准研究进展进行了总结；对LTE-V2X和NR-V2X下的集中式和分布式资源调度方式分别进行了阐述，并对现有研究方法做了分类；最后，对未来研究可能面临的挑战进行了展望。
2022, 20(12):1257-1268.
DOI: 10.11805/TKYDA2021143
摘要:
数据集是众多科学研究得以开展与验证的基础，学术界和工业界已经联合在许多领域打造了丰富的基准数据集，但在一些细分研究领域仍然缺少高质量数据。本文介绍了2个新基准数据集：内部安全威胁基准数据集和室内人群移动轨迹基准数据集。2个数据集经过精心的场景设计、科学的模型构造，嵌入了丰富的数据模式和交错的故事情节，采用程序驱动的合成数据生成方法，数据类型多样，规模适中，有一定的分析难度，曾被用于中国数据可视分析挑战赛。本文旨在进一步宣传和推广这2个数据集，以促进相关领域的科学研究与技术应用的发展。
数据集是众多科学研究得以开展与验证的基础，学术界和工业界已经联合在许多领域打造了丰富的基准数据集，但在一些细分研究领域仍然缺少高质量数据。本文介绍了2个新基准数据集：内部安全威胁基准数据集和室内人群移动轨迹基准数据集。2个数据集经过精心的场景设计、科学的模型构造，嵌入了丰富的数据模式和交错的故事情节，采用程序驱动的合成数据生成方法，数据类型多样，规模适中，有一定的分析难度，曾被用于中国数据可视分析挑战赛。本文旨在进一步宣传和推广这2个数据集，以促进相关领域的科学研究与技术应用的发展。
2022, 20(12):1285-1291.
DOI: 10.11805/TKYDA2021180
摘要:
为实现对城市用频设备的精确管控，针对特定辐射源开集识别问题，构建了一套基于深度学习的辐射源个体开集识别处理流程，核心在于指纹特征有效区间筛选与基于深度自编码器的开集识别模型。一方面，通过使用Grad-CAM实现对深度网络激活可视化，筛选出信号对网络激活贡献较高的部分，在不损失过多指纹信息的情况下进行信号区间筛选；另一方面，建立基于半监督对抗自编码器的辐射源个体开集识别模型，实现对电磁环境中出现的未知辐射源个体的有效识别。实验表明此开集识别模型能够在不损失闭集识别率的条件下实现高精确度的开集识别。
为实现对城市用频设备的精确管控，针对特定辐射源开集识别问题，构建了一套基于深度学习的辐射源个体开集识别处理流程，核心在于指纹特征有效区间筛选与基于深度自编码器的开集识别模型。一方面，通过使用Grad-CAM实现对深度网络激活可视化，筛选出信号对网络激活贡献较高的部分，在不损失过多指纹信息的情况下进行信号区间筛选；另一方面，建立基于半监督对抗自编码器的辐射源个体开集识别模型，实现对电磁环境中出现的未知辐射源个体的有效识别。实验表明此开集识别模型能够在不损失闭集识别率的条件下实现高精确度的开集识别。
2022, 20(12):1298-1304.
DOI: 10.11805/TKYDA2021352
摘要:
针对目前个体识别中特征工程存在信号序列长、特征鲁棒性差等问题，研究了基于深度神经网络的个体识别技术。借鉴语音识别中的卷积长短时全连接神经网络(CLDNN)，通过卷积神经网络提取信号的局部幅度特征，通过长短期记忆网络提取信号的全局时域特征，使用全连接网络实现特征图到设备标签的映射。在视距(LOS)信道下，采集8台LoRa调制的无线数传电台数据，加入高斯白噪声进行仿真测试。仿真表明，本文所提方法在信号序列长度为2 048点和低信噪比(0 dB)时，模型准确率达到95%；此外相较VGG16模型，本模型参数更少，在物联网设备部署方面具有一定的应用前景。
针对目前个体识别中特征工程存在信号序列长、特征鲁棒性差等问题，研究了基于深度神经网络的个体识别技术。借鉴语音识别中的卷积长短时全连接神经网络(CLDNN)，通过卷积神经网络提取信号的局部幅度特征，通过长短期记忆网络提取信号的全局时域特征，使用全连接网络实现特征图到设备标签的映射。在视距(LOS)信道下，采集8台LoRa调制的无线数传电台数据，加入高斯白噪声进行仿真测试。仿真表明，本文所提方法在信号序列长度为2 048点和低信噪比(0 dB)时，模型准确率达到95%；此外相较VGG16模型，本模型参数更少，在物联网设备部署方面具有一定的应用前景。
