无线电频谱监测中的关键技术应用综述

钱 磊，常 乐，王海涛

（96852 部队，辽宁 沈阳 110132）

0 引 言

频率从理论上来说可以无限高，然而频率较高的电磁波在传播时具有很多局限性，例如易被空气阻挡，损耗大等。受技术限制，当前适合无线通信的频段集中在6G 以下，与天文数字般的通信设备相比，可利用的频谱资源有限。为使大量通信设备在有限的频谱资源中正常运行，必须利用技术手段科学管理和使用无线电频谱。无线电频谱管理的核心与前提是无线电频谱监测，其任务[1]主要是获取无线电工作环境下的频谱数据，合理利用闲置的频谱资源，降低频谱资源紧缺对通信带来的影响。同时，对己方和未知的用频设备进行监控，识别干扰源和恶意用频设备，确保通信业务畅通与电磁频谱安全。

本文主要研究无线电频谱监测中的三个关键技术，其中，电磁频谱认知是无线电频谱监测的基础业务[2]，包括频段扫描和频谱监测等，目的是对当前电磁环境进行大致认知和监控。信号在无线通信过程中，通常调制到载波发送，在电磁频谱监测过程中[3]，常常对目标信号的调制类型进行分析，从而对其身份和业务进行识别，也为下一步的信号处理和解调提供基础。信噪比体现了信号与噪声的功率关系，是衡量通信质量的关键指标[4]，与调制识别率和解调误码率息息相关。而接收端的信噪比条件未知，因此，盲信噪比估计技术在频谱监测业务中具有重要的应用价值。本文主要从基本原理、技术途径、研究现状、发展趋势等方面探讨这三大技术在无线电频谱监测中的应用。

1 无线电频谱监测中的电磁频谱认知技术

电磁频谱认知主要包括频段扫描与频谱监测，获得目标频段内的信号频谱分布以及单个目标信号的中心频率、幅度等信息。当前频谱监测设备[5]主要通过高速模数转换器（ADC）和快速傅里叶变换（FFT）获取目标频段的频谱图，如图1 所示。

图1 频谱扫描基本原理

针对用户的频谱检测需求，传统的有能量检测、匹配滤波器检测、循环谱检测等，这些属于单点检测技术[6]，具有一定的局限性。相比之下，多点协作的频谱检测技术时效性更强，准确性更高，也是当前频谱检测技术的研究趋势。此外，随着技术的提升，用频设备分布的频段范围更广，带宽更宽，且实际电磁环境中频谱较为稀疏。为实现宽带频谱的认知，研究人员提出了压缩感知技术。

1.1 基于多节点协作的频谱认知技术

协作频谱认知技术可解决单点频谱检测过程中存在的终端隐蔽问题。协作频谱认知网络包含一个检测目标和多个认知节点，对于每个认知节点，通常将能量检测作为信号检测的手段，其基本的网络结构如图2 所示。每个节点将检测情况传输至决策中心，通过加权算法和多元假设检验对结果做出最终判决。

图2 协作频谱认知基本网络

在协作频谱认知中，存在虚假感知信息攻击（SSDF），即恶意用户向决策中心传送虚假感知信息，从而降低系统认知性能。文献[7]针对该攻击提出了改进的加权序贯检测算法，根据节点感知结果的正确性来判断恶意攻击，并在加权融合决策阶段，使用稳定性较高的节点数据进行判决。文献[8]采用P次方检测器取代传统能量检测器，将P次方检测器与多天线技术结合，显著提升了频谱认知性能。其基本原理为能量检测时，统计量的平方运算改为P次方运算，如式（1）所示：

式中：yi(t)表示节点的接收信号；G为天线增益；n(t)为噪声；Si(t)为检验统计量。仿真实验表明，P=3 时具有最高的性价比。

此外，在人工智能应用方面，文献[9]基于协作频谱感知数据对非法无人机进行监测，无人机接收功率的先验概率和概率密度函数的分布等先验知识难以获取，该文献为了简化四元假设检验问题，将感知时隙处的感知数据转换为卷积神经网络的输入图像，利用深度神经网络进行决策判别。

1.2 基于压缩感知的频谱认知技术

信号的完整恢复需满足奈奎斯特采样定律，即采样率要大于信号最高频率的两倍，因此对于宽带频谱的测量对ADC的采样性能提出了很高要求。为解决这个问题，提出了压缩感知技术，能以亚奈奎斯特采样率对信号进行无损采样，大大降低了对硬件的要求。

文献[10]提出了一种自适应频谱压缩感知算法，首先对基于亚奈奎斯特采集的样本进行稀疏度粗分析，然后将测试集与训练集进行比对，判断是否满足迭代终止条件，得到最后的估计结果。实验证明，该方法具备较低的复杂度和较高的感知性能。传统的压缩感知在稀疏性先验知识未知的情况下，设定较大的稀疏度水平，并选择多余的压缩样本数量，从而获得更长的感测时间或更高的采样率。文献[11]针对此问题提出了一种基于CS 的自主感知算法，该算法使本地二级用户能够在不知频谱稀疏性或信道特性的情况下自动选择最小感知时间，在时间上逐块采集压缩样本，同时逐步重建频谱。压缩宽带频谱传感的技术研究通常基于均匀宽带频谱，然而在实际应用中，宽带频谱不均匀。文献[12]考虑了异构宽带频谱，利用细粒度稀疏结构提出了一种异构宽带频谱感知的高效频谱压缩感知技术，可实现更低的均方误差和更高的检测概率。

2 无线电频谱监测中的调制识别技术

在无线电频谱监测业务中，除对整个目标频段的监测，还包括对单个信号的分析测量，包括中心频率、功率、带宽以及调制方式等。其中，频率、带宽等可通过频谱直接测量，而调制类型通常无法直接判断，需要根据信号的特征做进一步分析。调制识别技术有助于判断敌方用频设备种类和威胁情况，辅助指挥员做出正确的电子对抗决策，在干扰查找、频率分配等方面均可发挥重要作用，是无线电监测业务中不可或缺的部分。

判决理论[13]是最早提出的识别方法。该方法基于概率论，针对可能的调制方式创建最大似然函数，计算每种调制方式的函数值，依据贝叶斯最小准则计算阈值，依据阈值的比较完成调制识别。然而该方法需要一定的先验知识，难以实现工程应用[14]。

为进一步加强工程应用，提出了统计模式识别方法，该方法无需先验信息，结构简单明了。统计模式调制识别流程如图3 所示。该方法一般由信号预处理、特征参数提取和分类识别三个步骤组成。

图3 统计模式调制识别流程

预处理过程主要包括正交下变频、幅度归一化等，特征提取是从接收信号中通过线性或非线性变换，得到具有调制区分度的特征参数，分类器是依据特征参数输出相应的调制类型。常见的特征种类有高阶累积量[15]、循环谱[16]以及星座图[17]等，常见的分类方法有随机森林[18]、支持向量机[19]等。

2016 年，O’Shea 等人[20]阐述了无线通信信号处理与深度学习的关系，随后直接将数据集原始的IQ 两路信号送入CNN 中[21]，实现对11 种模拟和数字调制信号的识别。从此掀起了将人工智能与深度学习应用到调制识别领域的热潮。文献[22]针对OFDM 系统，利用CNN 对OFDM 子载波调制方式进行识别。文献[23]通过短时傅里叶变换将信号表征为时频图像，再利用深度神经网络进行分类。文献[24]考虑了通信系统中的载波相位偏移，通过设计卷积神经网络消除PO，实现高分类精度。

然而深度学习也存在一定的局限性，如训练时通常需要大量的训练样本，而实际监测时，对新信号难以获取足够样本，因此研究人员提出了小样本条件下的调制识别技术，从而提高有限条件下的识别率。此外，人工智能数据库是有限的，对于新的调制类型无法识别，因此对未知调制的开集识别也是当前和未来一段时间的研究热点。

2.1 基于小样本的调制识别技术

常见的调制类型数据可通过模拟仿真获取，然而雷达信号调制数据，以及未知用频的数据调制，无法满足深度学习的样本需求，因此研究小样本条件下的调制识别技术对于技术的发展以及频谱监测业务的增强具有重要意义。

文献[25]提出了增强深度卷积生成对抗网络，对小样本雷达信号的调制方式进行识别，生成对抗网络的原理是通过对真实样本的学习，生成可欺骗判别器的样本以扩充数据集。图4 为生成对抗网络的基本结构。

图4 生成对抗网络

迁移学习是一种对现有模型算法进行轻微调整以应用于新领域和功能的技术，文献[26]基于迁移学习技术，首先在源域预训练模型，结合具体任务利用目标数据对模型进行微调，从而在样本较少的情况下保持较高的识别率。文献[27]提出了一种基于关系网络的小样本集水声通信信号调制识别方法，选择信号功率谱作为信号的浅层特征表示，并设计了一种基于功率谱和关系网络的调制识别模型。

2.2 基于开集识别的调制识别技术

当前的复杂电磁频谱环境具有更宽的频率范围和更多样的调制类型，在实际非协作通信环境中，常常收集具有未知调制类型的各种样本，因此对未知信号的检测和识别是一项具有挑战性和重要意义的任务。开集识别的基本原理是加入损失计算，并设定合理的阈值，通过与阈值的比较判断目标信号是否是未知信号。文献[28]设计了两个级联的双通道LSTM 网络，从原始数据中自动学习序列相关特征，利用中心损失和威布尔分布计算特征到特征中心距离的截止概率，从而实现对部分开集调制的识别。文献[29]提出了一种基于连体神经网络的识别算法，设计了一种基于平均值的双阈值算法来区分已知调制类型和未知调制类型。文献[30]利用改进的广义端到端（GE2E）损失来训练神经网络，该损失增加相同调制类型的特征向量的相似性，减少不同类型的特征向量的相似性。

3 无线电频谱监测中的盲信噪比估计技术

信噪比是通信质量的重要衡量指标，也是无线电频谱监测业务的重要一环，事关后续信号识别与解调的判断，以及频谱管控策略的制定。

3.1 经典的信噪比估计技术

基于奇异值的信噪比估计是较为经典的一种方法。信号与噪声的自相关矩阵关系可表示为：

式中：Rrr，Σr为接收信号的自相关矩阵和奇异值；Rss，Σs为信号的自相关矩阵和奇异值；Rnn，Σn为噪声的自相关矩阵和奇异值。另有：

令信号空间的秩为p，该值可通过MDL 准则获取，该准则可表示为：

则信噪比估计值可表示为：

文献[31]提出了一种改进的奇异值信噪比估计方法，将梯度序列每一项与后5 项之和的比值序列的最大值作为空间分界点的判别准则。文献[32]针对衰落信道条件下的信噪比估计，利用卡尔曼滤波将信道进行平滑处理。文献[33]提出一种基于扩频信号的信噪比估计方法，并采用均衡技术消除多径效应对信噪比估计带来的影响。

3.2 基于深度学习的信噪比估计技术

深度学习的应用已扩散到越来越多的领域，包括信噪比的估计。文献[32]将长短时记忆网络融入卷积神经网络，对无人机通信的信噪比进行估计。星座图在不同的信噪比条件下会显示出不同模式：当信噪比较高时，星座图上的点更集中；否则，点会更加分散。文献[33]重点研究了基于星座图的信噪比估计方法，将信噪比估计问题转换为星座图识别问题，并通过深度学习解决。文献[34]进一步将基于星座图与深度学习的盲信噪比估计方法运用到水下光学无线通信中，对2-QAM、4-QAM 和8-QAM 的估计精度分别达到99.7%、98%和94.7%。

4 无线电频谱监测业务中的关键技术应用的不足与展望

（1）频谱认知技术

当前基于能量检测与协作检测的频谱认知技术中，有些问题还有待考虑，首先未考虑噪声对阈值的影响，通常底噪增大时，阈值也需要相应增大，因此将盲信噪比估计技术与能量检测结合是未来需要考虑的一个方向。当前已有研究注意到协作感知中恶意用户和非法用户的影响，但还需进一步深化。在频谱压缩感知方面，还需考虑如何设计相应软硬件将理论进行工程化实现。

（2）调制识别技术

当前对调制识别的研究多是基于数据集以及模拟生成的样本，然而在实际非协作通信中，信号是完全未知的。尤其是信号的采样速率会对深度学习的识别结果产生较大影响，这是今后需要考虑的一个问题。此外，在实际应用中，信号传播过程的衰落、多径效应、频率偏移等因素对调制识别前的预处理过程提出了更高要求。文献[25-27]设定的小样本数量基本为100 个，还需考虑当样本只有10 多个甚至更少的情况。对于未知调制识别的研究还处于起步阶段，除了未知与已知调制的识别，还应研究未知与未知之间的调制识别。同时，当未知调制的种类增多时，如何保持一定的识别率也是未来研究的一个方向。

（3）盲信噪比估计技术

当前对盲信噪比估计算法的研究也逐渐呈现出利用深度学习的趋势，然而深度学习要求的计算资源较高，且泛化能力存在一定的局限性，要实现工程应用较为困难。此外，当前信噪比估计技术的研究相对依赖一些先验知识，因此，今后的研究工作是在完全未知的非协作通信条件下保证较高的估计准确率。总体来说，无论是经典的还是深度学习信噪比估计算法，都应更加聚焦其工程应用前景。

5 结 语

电磁频谱管控仍然是当前和今后一段时间应对频谱资源稀缺与用频业务增长矛盾的基本技术手段，频谱监测奠定了频谱管控的坚实基础。本文主要对无线电频谱监测中的频谱认知技术、调制识别技术以及信噪比估计技术的基本原理、技术路线、研究现状进行了综合阐述，分析了当前技术研究存在的不足以及对未来发展的展望，希望对相关学者的研究提供一定帮助。