低轨电磁监测智能处理框架与关键技术综述

夏 瑞，王敬超，邓博于，薛 超

1) 军事科学院系统工程研究院，北京 100141 2) 鹏城实验室数学与理论部，深圳 518055 3) 天津人工智能创新中心，天津 300457

低轨星座是由多颗卫星在低地球轨道构成的卫星系统，相较于中高轨星座，低轨星座距地表更近，能够快速获取信号.同时，依托微纳卫星高集成度、低费效比、短研制周期等优势[1]，低轨星座能够快速实施部署与构建，实现全球覆盖.依据上述优势打造星座系统的核心应用是低轨星座发展需要考虑的首要因素，目前国际上已取得进展的包括铱星的全球通信系统[2]、OneWeb的全球宽带服务系统[3]和虹云的“通信-导航-遥感一体化”综合服务系统等[4].此外，依托低轨星座实现全球电磁频谱管理，也是一条极具潜力的重大应用.

全球电磁频谱管理基于电磁频谱的频率、空域、时域和极化这四维特性，加之法律、行政、技术和经济手段，能实现全球电磁频谱资源统一的规划和控制.其中的技术手段有两个基本的任务，一是得到电磁频谱并发现异常的频率信号，二是维护频率秩序并剔除异常的频率信号.在基于低轨星座实现的全球电磁频谱管理系统（低轨电磁监测系统）中，任务一的实现方式为对星座采集的辐射源上行信号中各频段是否存在信号进行判断和异常检查，任务二的实现方式为对发射异常信号的辐射源进行定位.

基于上述两个基本任务在低轨电磁监测系统的实现，中国航天科工集团[1]、美国的HawkEye 360、卢森堡的Kleos Space和法国的UnseenLabs均给出了各自的方案[5].上述四个系统均采用了星上处理的监测架构，卫星将处理结果回传至地面，该架构虽然会减少星地链路的传输压力，但极大增加了卫星的计算负担.为此需要提高单个卫星载荷的性能，以适应更复杂的电磁环境，如Hawkeye 360发射的二代卫星较一代卫星在单星载荷性能方面就有较大的提升[6].但这种方法涉及卫星硬件系统升级，成本较高，且空间系统作为能量受限系统，性能难以大幅提升，难以适应多变的电磁环境.为提升低轨电磁监测系统对复杂多变电磁环境的适应能力，本文提出了低轨电磁监测系统智能处理框架.该框架将主要的计算任务卸载至地面，卫星作为数据中转站，负责次要的计算任务，以此来降低单星载荷性能对星座整体性能的限制，提高系统对复杂电磁环境的适应能力.

新的架构能够给地面带来海量的电磁数据，该数据具有规模大、类型杂和价值高但密度低等特点[7]，难以采用传统技术手段对其进行高效处理.近年来，深度学习（Deep learning，DL）依靠海量数据与强大的计算资源支持，在图像识别[8]、语音识别[9]和自然语言处理[10]等领域中，处理速度和精度方面均取得了较传统方法阶段性的研究进展.究其原因是DL在训练时拥有优异的特征学习能力，在测试时拥有较快的推理速度.鉴于此，研究学者将DL的优势应用到了低轨电磁监测系统智能处理框架的关键技术中，在实现数据的高效处理方面，较传统方法获得了一些研究进展.

本文首先梳理了低轨电磁监测系统两个基本任务对应的关键技术，随后基于“采集与处理分离”的思路和DL的优点，引出了低轨电磁监测系统智能处理框架及关键技术，讨论了所提框架关键技术近几年的研究现状，最后对其进行了总结与展望.

1 低轨电磁监测系统智能处理框架

1.1 低轨电磁监测系统

低轨电磁监测系统可分为星座段与地面段两个部分，地面段又可分为地面站和地面数据中心.在传统的系统框架中（图1），星座段负责全球上行电磁信号的采集与处理，地面段的地面站负责接收星座段的处理结果，并将其转发至地面数据中心做进一步处理.整个流程所涉及的关键技术可根据全球电磁频谱管理技术手段中的两个基本的任务进行简要划分.基本任务一要求系统能够获得电磁频谱并发现异常的频率信号，这实际上与认知无线电中频谱感知技术的目标相契合；基本任务二要求系统能够维护频率秩序并剔除异常的频率信号，需要系统能够对非合作异常的信号进行地理空间的定位，与辐射源定位技术中无源定位技术的目标相契合.由于低轨星座广域的监测范围和日益复杂的电磁环境，卫星所接收到的信号普遍存在多信号混叠问题，这会使得无源定位性能大大降低.为解决此问题，同时增加系统对独立信号深层次分析功能的可扩展性，定位前的混叠信号分离工作极为重要.由于在大多数情况下，系统对原始未混叠的信号未知，同时对混叠的过程未知，盲源分离技术成为了解决该问题的首选.综上，本文确定了低轨电磁监测系统的三个关键技术：频谱感知、盲源分离和无源定位，如图2所示.

图1 低轨电磁监测系统的具体实现.(a) 中国航天科工集团[1]; (b) 美国的HawkEye 360[5]; (c) 卢森堡的Kleos Space[5]; (d) 法国的UnseenLabs[5]Fig.1 Concrete implementation of a LEO-based ESM system: (a) China Aerospace Science and Industry Corporation[1]; (b) HawkEye 360 of the United States[5]; (c) Kleos Space of Luxembourg[5]; (d) Unseenlabs of France[5]

图2 低轨电磁监测系统关键技术Fig.2 Key technologies of LEO constellation electromagnetic spectrum monitoring systems

1.2 智能处理框架

由于传统系统框架处理性能受限于单星载荷的性能和电源，难以适应复杂多变的电磁环境，单靠升级单星的性能来适应环境成本昂贵且性能提升有限.针对上述问题，本文在传统框架基础上，基于计算任务转移的思路，提出了如图3所示的低轨电磁监测系统智能处理框架.在该框架中，星座段被视为多个传感器（Sensor），不承担或承担少许的计算任务，主要负责上行电磁数据的采集与转发，电磁数据的主要处理任务则由地面段完成.其中，地面站仍负责接收并转发星座段的处理结果，地面数据中心则作为电磁数据转发的末端负责对其进行后续处理.此框架下，地面数据中心依托服务器强大的计算资源，能够更好地适应日益增长的电磁信息.基于上述系统框架，地面数据中心能够获得规模大、类型杂和价值高但密度低等特点的电磁数据.传统方法已难以针对此类型的数据进行高效处理， DL给出了更好的解决方案.

图3 低轨电磁监测系统智能处理框架Fig.3 Intelligent processing framework of LEO constellation electromagnetic spectrum monitoring system

DL能够学习到对数据有更本质刻画的特征[11].概括来说，DL有如下两个优点.（1）优异的特征提取能力：DL的实质是利用具有多隐层的机器学习模型和海量数据获取优于人工构造的特征，从而提升模型的准确性.（2）快速的前向推理能力：DL在应用时分为模型训练与模型测试两个独立的步骤，因此能在训练时以时间代价将问题求解过程内化为模型参数的优化，在测试时直接利用模型参数对数据进行前向推理，从而以简单的计算实现对数据的快速处理.

基于上述优点，DL在各个领域的应用均取得了不错的效果.根据适用场景的不同，典型的DL网络可分为：全连接神经网络[12]（Fully connected neural network，FCNN）、卷积神经网络[13]（Convolu-tional neural network，CNN）、循环神经网络（Recurrent neural network，RNN）[14]和 Transformer[15]，基本网络结构如图4所示.其中，FCNN适用于较少信息即可描述样本的数据.CNN适用于大量信息才可描述的样本数据，如图片数据、视频数据.RNN和Transformer适用于前后有关联的序列数据，如语音数据、文本数据.在电磁信号处理领域中，信号识别、参数估计和信号预测等不同任务均有CNN和RNN的身影[16].同样，针对低轨电磁监测系统中，地面数据中心规模大、类型杂和价值高但密度低等特点的电磁数据，DL的两个优点也给系统架构中频谱感知、盲源分离和无源定位三个技术的高效实现提供了更好的解决方案，如图5所示.

图4 神经网络基本结构.(a)全连接神经网络; (b)卷积神经网络; (c)循环神经网络; (d) transformerFig.4 Basic structure of neural network: (a) fully connected neural network; (b) convolutional neural network; (c) recurrent neural network;(d) transformer

图5 低轨电磁监测系统智能处理关键技术Fig.5 Key technologies of LEO constellation electromagnetic spectrum monitoring intelligent processing framework

基于DL的电磁信号处理包括三个步骤：（1）模型的选择；（2）模型的训练；（3）模型的应用.其中，模型的选择主要根据目标任务（频谱感知、盲源分离和无源定位）而定.在实际应用中，通常可以使用一些数据预处理的手段，使得同一数据能够适用不同类型的DL网络.模型的训练则主要依赖星座段下传的数据，这会使模型消耗较多的计算资源与时间去构建不同任务的不同特征.但这是可以接受的，因为当模型完成训练后，在模型的应用阶段，基于训练好的模型参数，可以直接进行高效的特征提取，获得任务结果.综上所述，低轨电磁监测系统智能处理关键技术就是DL支撑下的频谱感知、盲源分离和无源定位技术.

2 关键技术研究进展

2.1 基于 DL 的频谱感知

频谱感知（Spectrum sensing）是认知用户（Secondary user，SU）通过感知主用户（Primary user，PU）在时域、频域和空域的频段使用状态的技术[17]，主要分为单点频谱感知和协作频谱感知.常见的单点频谱感知方法包括能量检测[18]、循环平稳特征检测[19]、匹配滤波检测[20]和协方差矩阵特征值检测[21].由于单节点的感知性能不可靠，漏检率较高，且无法有效利用卫星集群数量多和覆盖面积广的优势，目前适用于低轨电磁监测系统中的频谱感知一般为协作频谱感知.协作频谱感知是根据一定规则对各SU单点感知结果的进一步处理，主要的规则为硬数据融合[22]、量化数据融合[23]和软数据融合[24]三种.典型的协作频谱感知可分为集中式和分布式两种[25]，介于两者之间的还有中继式和分簇式，如图6所示.在集中式协作感知中，每个 SU只与融合中心（Fusion center，FC）进行数据交互，对SU自身性能的要求较低.在分布式协作感知中，各SU之间进行数据交互，对SU自身性能的要求较高.中继式能够在SU无法与FC直接通信时，寻找另一个能够与FC通信的SU作为中继节点，从而将感知结果传输至FC.分簇式则是多个SU独自组成一个簇，簇内融合产生结果后由簇头统一发送至FC.基于本文所提系统架构对卫星性能的低要求，集中式协作频谱感知是最优的选择.但由于无法在全球布设基站，且星座卫星较多，所以整个系统偏向于“区域性的集中式”和“整体性的分簇中继式”杂糅的感知结构.无论是哪种协作感知结构，都离不开对单点感知与融合规则的依赖，而传统的方法在感知精度与感知速度上往往不如人意.

图6 协作感知类型.(a) 分布式; (b) 中继式; (c) 分簇式; (d) 集中式Fig.6 Types of collaborative sensing: (a) distributed; (b) relayed; (c) clustered; (d) centralized

针对上述问题，近年来，研究人员采用DL实现的方法获得了不错的研究进展，主要可分为对单点感知的研究和对融合规则的研究.

2.1.1 单点频谱感知

Pan等[26]为有效提高频谱感知的性能，将CNN应用于正交频分复用（Orthogonal frequency division multiplex，OFDM）信号的频谱感知，提出了一种基于DL和周期谱的频谱感知方法.该方法首先分析OFDM信号的循环自相关性得到循环频谱归一化的灰度图像，然后利用CNN（改进的LeNet-5模型）逐层学习提取的深层特征.该方法可以利用周期频谱完成频谱感知任务，在低信噪比下，对OFDM信号具有比传统的单点感知方法更好的频谱感知性能.

Liu等[27]针对传统单点感知的方法所依赖的能量或特征值作为统计量难以准确描述真实环境的问题.提出使用深度神经网络（Deep neural network，DNN）自动确定统计量的通用框架，推导了基于DNN的似然比检验（DNN-LRT），以保证得到最优的统计量.在实现时，采用CNN作为DNN的实现，提出了一种基于协方差矩阵感知CNN的频谱感知算法，该算法以信号的协方差矩阵作为网络的输入以实现高性能的频谱感知.同时，对所提的方法进行了理论分析.仿真实验证明了所提的方法能够达到最优检测器几乎相同的性能.

Zhao等[28]针对目前的大多数方法在非高斯噪声条件下往往会出现性能下降的问题，利用分数阶低阶统计量（Fractional lower order statistics，FLOS）在解决非高斯噪声下感知性能退化方面的强大能力，提出了一种基于FLOS和CNN相结合的频谱感知算法.该方法对具有分数低阶矩阵（Fractional low-order moments， FLOM）的观测数据进行处理后，获得FLOM的协方差矩阵作为CNN的输入，利用CNN提取的特征作为进一步决策的依据.

Uvaydov等[29]针对大范围的宽频带低延迟频谱感知问题，提出了基于深度网络的实时宽带频谱感知的软件/硬件框架（DeepSense），该架构通过将DL算法紧密集成到收发器的基带处理逻辑中来检测和利用未利用的频谱.在实现时，Deep-Sense基于在无线平台硬件结构中实现的CNN来分析一小部分未处理的基带波形，以最少的I/Q样本自动提取最多的信息.

Chen等[30]提出了一种基于短时傅里叶变换（Short time Fourier transform， STFT）和 CNN的频谱感知方法.该方法首先对接收到的信号进行STFT得到时频图，然后将归一化的时频图作为CNN的输入，将频谱感知问题转换为凸显识别问题，实现了频谱感知.同时，为提高算法的性能，作者探寻了最佳的STFT时频分辨率.该方法无需PU的任何先验知识.

以上方法都是基于有监督的学习，而在实际应用中，有监督学习对样本标签有依赖性.针对此问题，Xie等[31]提出了基于无监督学习的频谱感知方法（Unsupervised deep spectrum sensing，UDSS）.该方法利用变分自编码高斯混合模型（Variational auto-encoder gaussian mixture model，VAE-GMM）返回的属于某一特定聚类的后验概率，作为频谱感知的检验统计量而不是传统的能量或特征值.VAE-GMM的参数在训练阶段利用无标签的数据进行迭代优化，随后利用少量的标记数据对聚类结果赋予物理意义后，在测试阶段则可以直接使用网络生成的统计量进行实时频谱感知.实验结果验证了所提方法的性能能够接近有监督学习的方法.

2.1.2 融合规则的研究

Lee等[32]提出了一种基于CNN的协作频谱感知框架（Deep cooperative sensing，DCS），在此框架中，FC的融合策略通过训练感知样本自主确定，可自动实现数据硬融合和软融合，同时考虑了通道的空间和光谱相关性，无需明确的公式推导.该方法首先利用能量检测[18]来获得各SU的各频段的单点感知结果，随后各SU不同频段的感知结果排列为一个二维数组作为CNN的输入，对网络进行训练.

Cai等[33]针对认知无线电网络中相关衰落下的协作频谱感知问题进行了建模，提出了采用分布式强化学习（Deep reinforcement learning，DRL）的方法学习最优的协作策略.同时，为了降低大型网络解空间的维数，提出利用协作图（Coordination graph）将问题分解为一个max-plus问题，并采用消息传递的方法依次求得最优策略.

Chen等[34]针对一般的基于DL的融合算法需要占用大量传输通道将训练数据发送到FC的问题，将联邦学习框架引入到协作频谱感知中，提出了一种基于联邦学习的频谱感知算法（Federated learning-based cooperative spectrum sensing，FLSS）.在该框架中，不需要将数据收集在一起.每个SU利用局部数据训练神经网络模型，并将梯度发送到FC进行参数集成，大大降低SU和FC之间的流量负载，在保证本地数据隐私的同时进行协同训练.该框架在训练时，采用了ShufflenetV2网络模型，用以减少参数数量和提高训练效率.最后，作者从理论上分析了所提方法的信道消耗情况，证明了所提方法的通道占用率较低.

Sarikhani与Keynia[35]针对大部分方法中协作频谱感知需要得到所有SU的感知结果进行协作感知的问题，提出了利用DRL来自动选择合适的SU进行协作.被选择中SU利用能量检测获得单点感知的结果，FC利用CNN对结果进行融合感知，做出最终的判断.该方法降低了协作频谱感知的网络流量和协作用户数量.

2.2 基于 DL 的盲源分离

盲源分离（Blind source separation，BSS）是一种在源信号和信号传输通道都未知的情况下，仅根据观测得到的混合信号分离出源信号的技术[36].根据信道混合方式的不同，可分为线性混合模型与非线性混合模型.按照信号源与传感器的数量大小又可分为超定、正定和欠定盲源分离，如图7所示.针对低轨电磁监测系统而言，由于卫星的数量往往占少数，且因为高度原因不易受到信号多径效应的影响，往往适用于欠定情况下的线性混合模型.该模型广泛的解法为两步法[37]，即混合矩阵的估计[37-39]和源信号的估计[37,40-41].但传统的方法往往分离性能不佳，分离速度也较慢.

图7 盲源分离类型.(a) 超定盲源分离; (b) 正定盲源分离; (c) 欠定盲源分离Fig.7 Blind source separation type: (a) over-determined blind source separation; (b) positive-determined blind source separation; (c) under-determined blind source separation

针对上述问题，基于DL的欠定盲源分离技术研究成为了研究者们关注的重点.目前的研究大多是对两步法的实现，分为理想掩膜的估计与源信号的估计两步.在此之上，近几年流行的方法可分为基于深度聚类（Deep clustering，DC）的方法、基于深度吸引子网络（Deep attractor network，DANet）的方法和其他方法.

2.2.1 基于DC的方法

Hershey等[42]针对传统网络分离方法难以处理任意源信号数量的问题和信号的排列问题，通过将双向长短时记忆网络（Bi-directional long shortterm memory，BLSTM）（RNN的一种）与谱聚类方法相结合提出了DC来估计说话人的理想二进制掩码（Idea binary mask，IBM）.该方法以独立信号的IBM作为训练标签，利用神经网络获得混合信号的时频点高维嵌入（Embeddings）表示后，利用K-means算法对其进行聚类来获得IBM，再将IBM与混合信号的时频图相乘获得分离的信号.同时，实验指出，该方法基于两个源混合训练的模型能够直接分离三个源的混合信号.

Wang等[43]对针对实时语音信号提取问题，对Hershey等[42]提出的算法进行了改进.为实现对每一帧的信号进行实时处理，舍弃了原先的BLSTM，将长-短期记忆网络（Long short-term memory，简称LSTM，是RNN的一种）作为深度网络，提出了一种在线处理的DC算法.该方法在混合信号的前段时间内，用K-means聚类算法估计混合信号中与出现的说话人相对应的聚类中心，在混合信号的其余时间实现在线处理，通过类分配得到每个说话人的掩模.

2.2.2 基于 DANet的方法

由于DC方法中的聚类算法无法训练， DC不是一个端到端的网络，针对此问题，Chen等[44]扩展了Hershey等[42]提出的DC方法，通过将聚类步骤纳入网络，提出了DANet.该方法首先在声信号的高维嵌入空间中创建吸引点，再将对应于每个源的时频点与吸引子计算相似度以生成时频掩码，与混合信号的时频图相乘实现单通道语音分离信号.网络训练的目标为最小化分离信号与标签信号的差.为实现端到端的学习，该方法在训练时，利用数据标签在信号源嵌入空间中的质心来创建吸引子点，在测试时通过K-means算法生成吸引子.

Han等[45]针对实时语音分离问题，扩展了DANet，提出了在线深度吸引子网络（Online deep attractor network，ODANet）.DANet为全局的语音信号估计吸引点，而ODANet为每个时间步长估计吸引点，并使用一个只有因果信息的动态加权函数跟踪他们，使得ODANet生成的嵌入向量表示更加稳定.仿真实验结果从标度不变信噪比（Scale-invariant source-to-noise ratio， SI-SNR）、信号失真比（Signalto-distortion ratio， SDR）和语音质量感知评分（Perceptual evaluation of speech quality score，PESQ）三个方面与DANet进行了对比，结果显示，ODANet在两人和三人的语音分离问题中能够达到与DANet相似的精度，并能达到实时处理.

Drude 等[46]通过引入分段批模型，将基于DL的单通道批量模型推广到多通道块的在线处理中，实现了多通道的DANet在线处理.同时，为解决由此产生的频率排列问题与块排列问题，提出了空间和光谱特征联合建模的方法.

Kinoshita等[47]针对DC与DANet需要预先确定分离源个数的问题，提出了一种基于纯神经网络的掩模估计器，它可以处理任意数量的源，同时估计测试信号中的源数量.该方法将多信号的分离问题转换为一个递归多路源提取问题，根据输入信号，利用RNN自动学习并确定有多少迭代步骤，完成任意数量源的分离.该方法通过在每次迭代中输出特定的源对应的掩码实现信号的分离，通过输出停止标志判断是否处理完所有信号.该方法以目标掩码与停止标志作为训练目标完成网络的训练.

2.2.3 其他

Brunner 等[48]提出了一种基于残差网络（Res-Net）和CNN的自动编码器的深度神经网络结构，证明了不需要专门复杂的结构就能实现最好的性能.该方法将混合信号的短时傅里叶变换作为网络的输入，以纯净的信号作为标签对网络进行训练.首先将混合信号的时频图通过CNN编码为低维的潜在表示，并通过ResNet对潜在的表示进行信号的分离，得到潜在的分离源信号，再通过CNN将潜在的分离源信号解码，以获得独立源信号的时频图，实现信号的分离.

Luo等[49]针对传统方法利用时频表示分离信号存在的信号相位和幅值的解耦难、语音分离时频表示的次优性以及整个系统的长延迟等问题，提出了全卷积时域语音分离网络（Fully-convolutional time-domain audio separation network，Conv-TasNet）.该方法使用时域的混合信号作为网络的输入，利用一维卷积作为编码器生成语音信号的编码表示，替换了传统利用短时傅里叶变换的编码表示，然后通过由一系列串联的一维卷积层组成的分离网络生成时频掩码，最终与编码的信号相乘后通过一维卷积解码，得到分离的信号.该方法利用纯净的分离信号作为训练目标，使用SISNR作为损失函数，可实现端到端的训练.

赵孟晨等[50]将Luo等[49]的工作应用到地面基站对常见调制方式的通信信号盲源分离中，取得了比传统的非负矩阵分解（Non-negative matrix factorization，NMF）与独立分量分析（Independent component analysis，ICA）更好的效果，验证了该方法具有更高的泛化能力、鲁棒性和更低的处理延时.

以上所提模型都是单通道的分离模型，针对多通道的分离，Togami[51]提出了一种多通道协方差矩阵估计的方法框架，首先利用局部高斯模型（Local Gaussian modeling，LGM）估计多通道空间滤波器的参数获得滤波后的信号，再将各通道滤波后的信号和通道之间的相位差的余弦和正弦值作为BLSTM的输入，将BLSTM作为时频掩码估计器从而获得协方差矩阵，完成对混合信号的分离工作.

Watanabe等[52]为实现实时的多通道信号分离, 提出了一种将传统算法与简单的FCNN相结合的新框架.在提出的框架中，常规方法的频域计算仅在信号窄带范围中使用，然后将所有频域的混合观测值和分离的窄带源分量均作为FCNN输入，以预测其他频段分离源的分量并完成各频段信号的融合，完成信号的分离.

以上所提的模型都是基于有监督学习的方法，Drude等[53]为实现无监督的信号分离，引入无监督的空间谱聚类方法作为DC的“指导老师”辅助训练.该方法利用复角中心高斯混合模型（Complex angular-central Gaussian mixture model，cACGMM）空间聚类方法生成IBM作为DC的目标进行训练.证明了粗糙的无监督空间聚类方法足以指导DC的训练.

2.3 基于 DL 的无源定位

无源定位（Passive positioning）技术是一种自身不发射电磁信号，仅利用单个或多个接收站截获的信号，确定辐射源位置的技术[54].根据定位步骤，可将无源定位技术分为两步法[54]与直接法（Direction position determination，DPD）[55]，如图8 所示.两步法分为定位参数估计与方程建立求解两步.常见定位参数为到达时差（Time difference of arrival，TDOA）[56-58]、到达频差（Frequency difference of arrival，FDOA）[59-60]、多普勒变化率（Doppler rate）[61-62]、信号到达方向（Direction of arrival，DOA）[63]和接收信号强度（Received signal strength，RSS）[64]等，常用的参数估计方法为互模糊函数法.第二步是利用上述提取的定位参数建立方程，通过穷尽搜索等方法进行求解.DPD则直接对信号本身进行计算，通常基于极大似然估计（Maximum likelihood estimate，MLE）构建仅与辐射源位置相关的代价函数，通过穷尽搜索等优化算法实现定位[55].两步法发展成熟，理论模型完善，计算量相对较小，但是不能自动关联不同的定位参数，在低信噪比（Signal to noise，SNR）情况下往往精度较低[65].DPD则能够自动关联不同的定位参数，提高低SNR下的定位精度，但由于直接法直接对信号本身进行计算，往往计算量很大，难以同时满足低轨电磁监测系统对定位高精度与低耗时的要求.

图8 无源定位方法.(a) 两步法; (b) 直接法Fig.8 Passive positioning methods: (a) two-step positioning; (b) direct position determination

针对上述问题，研究学者们在DL与无源定位技术相结合的技术路线中取得了一些不错的成果，主要可分为对传统两步法与DPD的实现.

2.3.1 针对DPD的实现

针对DPD的实现类似的研究最早有2018年Chen等[66]提出的利用径向基网络（Radial basis function neural network，RBFNN）实现快速的无源定位，该方法首先通过阵列天线获得接收信号具有统计特性的协方差矩阵，再根据协方差矩阵关于对角线对称的特点，将其上三角部分的元素展平为一维向量，最后将其归一化后作为网络的输入对网络进行训练，输出发射机的位置坐标，实现了快速的无源定位.

Zhao与Zhao[67]通过定位场景的网格划分，将定位问题转化为了分类问题，通过阵列天线对信号的响应建立了接收信号模型，推导了利用RNN实现无源定位参数设置条件，以此改进了RNN，实现了快速的DPD.

2.3.2 针对两步法的实现

Pak等[68]针对多基地无源雷达定位问题，提出了一种基于FCNN的两步法无源定位技术，首先通过交叉模糊函数给出信号间的TDOA估计，再将估计的TDOA作为FCNN的输入对其进行训练，输出发射机的位置坐标，实现无源定位.仿真结果从定位均方误差（Mean squared error，MSE）这一指标与理想情况下的两步法进行了对比，验证了该方法的性能.

Liu等[69]针对室内无线网络传感器定位问题，提出了一种新的基于FCNN的室内目标定位和跟踪方案，利用传播信道模拟器来模拟接收信号的强度（Receiving signal strength，RSS）作为 FCNN 的输入数据，通过在室内划分子区域，将目标的定位问题转换为了分类问题，以发射机的真实位置对应的区域作为标签对网络进行训练，实现对目标的定位.

Wang等[70]针对三维低空战场环境中的实时无源定位问题，提出了利用FCNN求解两步法中第二步方程求解的方法，实现方程的快速求解.仿真实验结果从RMSE、方程求解时间和算法鲁棒性三个方面与两阶段加权最小二乘（Two-stage weighted least-squares，TSWLS）方法进行了对比.同时，给出了RMSE的克拉美-罗下界（Cramer-Rao lower bound，CRLB）对比，验证了算法的性能.

除了针对无源定位问题本身的研究外，其他的问题中，也有类似的研究，如Gotsis等[71]针对异步直接码分多址(Direct sequence code division multiple access，DS-CDMA)问题，提出了利用 FCNN估计信号DOA的方法.该方法假设信号同时到达，通过阵列天线获得各波束的功率对FCNN进行训练，得到各信号的DOA.

3 展望

综上所述，将DL技术应用于低轨电磁监测系统中，为系统实现海量电磁频谱数据的高效处理提供了新的途径.然而对于这一研究方向，目前仍有一些问题亟待突破，具体如下：

由于低轨星座相较地面设备存在诸多差异，会导致各类基于地面系统的方法迁移到低轨星座时出现适用性问题.具体来说，在本文所提的低轨电磁监测系统智能处理框架中，卫星被视为Sensor，整个星座便是一个Sensor网络，但这种由卫星Sensor构成的网络与传统地面Sensor构成的网络相比具有极大的不同，具体表现在：（1）卫星距辐射源远；（2）卫星速度快；（3）卫星之间呈现长距离的分布；（4）星座的拓扑结构一直处于高速动态变化中.其中，（1）会导致星座接收的信号极大地受到传播过程中空间各种因素的影响，造成信号不同程度的衰减，这使得在基于DL的无源定位中，RSS定位参数变得不可信，针对该定位参数研究的内容将在低轨星座中失效，研究基于其他定位参数的方法是下一步的研究方向；（2）会造成辐射源相对于卫星处于快速的动态变化中，而目前基于DL的频谱感知方法都考虑的是PU为静态的场景，针对动态场景的研究是后续的研究方向；（2）和（3）会造成各卫星所接收的数据之间同时具有较大的时延和频延，而基于DL的盲源分离方法大多针对于语音和音乐等不用同时考虑时频延的信号，针对同时具备时频延电磁信号的研究空白，如何将这同时多出来的时频延特征有效利用，结合多颗卫星的协同来提高信号分离的效果值得进一步研究；（4）会使星座成为一个大感知范围情况下多种感知结构杂糅并快速变化的系统，而目前基于DL的频谱感知中融合策略的研究多为针对单一结构的研究，针对低轨电磁监测星座特殊结构下的融合策略值得进一步研究.

此外，核心技术的突破也至关重要，具体如下：（1）在基于DL的无源定位问题研究中，针对两步法的研究多以传统的步骤划分，没有形成一个端到端的网络架构，不利于网络的训练.针对DPD的研究与两步法相比，缺少理论依据，方法可解释性较差，不利于方法的更迭；（2）目前没有针对低轨电磁监测系统DL方法研究的电磁信号数据集，难以统一检验该系统架构下各DL方法的有效性，使得研究工作的开展难度加大，也不利于方法的快速迭代；（3）由于低轨电磁监测系统采集的数据往往较难获得任务目标的标签，基于有监督学习的DL方法将会面临模型向真实数据迁移对性能造成的影响，深入半监督学习和无监督学习的研究，提升方法的泛化能力与实际应用效果是下一步的研究方向.（4）多卫星接收的混合信号的空间特征实际上可以与无源定位中的定位参数相互对应，在这种特性下可以研究盲源分离与无源定位相结合的方法，以形成统一计算框架，提高计算效率.更进一步，由于本文所提出的系统框架仅将地面段纳入了DL，实际上是一个半智能的处理框架，如何有效地将星座段与地面段作为一个整体纳入DL，形成一个DL紧密型的智能低轨电磁监测系统，进一步提高系统的处理能力，也是一个值得思考和深入研究的方面.

4 总结

传统低轨电磁监测系统采用星上处理的方式导致性能受限于单星载荷.针对此提出采集与处理分离的低轨电磁监测系统智能处理框架.该框架的性能能够脱离单星载荷限制，并给地面带来海量数据.为实现海量电磁数据的高效处理，重点梳理了智能处理框架的三大关键技术：基于深度学习的频谱感知、盲源分离和无源定位，并就当前技术向低轨电磁监测系统迁移的适用性问题做出了讨论，给出了下一步的研究方向，最后对各技术核心的突破方向进行了讨论.