無線電頻譜監測中的關鍵技術應用綜述

錢 磊，常 樂，王海濤

（96852 部隊，遼寧 沈陽 110132）

0 引 言

頻率從理論上來說可以無限高，然而頻率較高的電磁波在傳播時具有很多局限性，例如易被空氣阻擋，損耗大等。受技術限制，當前適合無線通信的頻段集中在6G 以下，與天文數字般的通信設備相比，可利用的頻譜資源有限。為使大量通信設備在有限的頻譜資源中正常運行，必須利用技術手段科學管理和使用無線電頻譜。無線電頻譜管理的核心與前提是無線電頻譜監測，其任務[1]主要是獲取無線電工作環境下的頻譜數據，合理利用閑置的頻譜資源，降低頻譜資源緊缺對通信帶來的影響。同時，對己方和未知的用頻設備進行監控，識別干擾源和惡意用頻設備，確保通信業務暢通與電磁頻譜安全。

本文主要研究無線電頻譜監測中的三個關鍵技術，其中，電磁頻譜認知是無線電頻譜監測的基礎業務[2]，包括頻段掃描和頻譜監測等，目的是對當前電磁環境進行大致認知和監控。信號在無線通信過程中，通常調制到載波發送，在電磁頻譜監測過程中[3]，常常對目標信號的調制類型進行分析，從而對其身份和業務進行識別，也為下一步的信號處理和解調提供基礎。信噪比體現了信號與噪聲的功率關系，是衡量通信質量的關鍵指標[4]，與調制識別率和解調誤碼率息息相關。而接收端的信噪比條件未知，因此，盲信噪比估計技術在頻譜監測業務中具有重要的應用價值。本文主要從基本原理、技術途徑、研究現狀、發展趨勢等方面探討這三大技術在無線電頻譜監測中的應用。

1 無線電頻譜監測中的電磁頻譜認知技術

電磁頻譜認知主要包括頻段掃描與頻譜監測，獲得目標頻段內的信號頻譜分布以及單個目標信號的中心頻率、幅度等信息。當前頻譜監測設備[5]主要通過高速模數轉換器（ADC）和快速傅里葉變換（FFT）獲取目標頻段的頻譜圖，如圖1 所示。

圖1 頻譜掃描基本原理

針對用戶的頻譜檢測需求，傳統的有能量檢測、匹配濾波器檢測、循環譜檢測等，這些屬于單點檢測技術[6]，具有一定的局限性。相比之下，多點協作的頻譜檢測技術時效性更強，準確性更高，也是當前頻譜檢測技術的研究趨勢。此外，隨著技術的提升，用頻設備分布的頻段范圍更廣，帶寬更寬，且實際電磁環境中頻譜較為稀疏。為實現寬帶頻譜的認知，研究人員提出了壓縮感知技術。

1.1 基于多節點協作的頻譜認知技術

協作頻譜認知技術可解決單點頻譜檢測過程中存在的終端隱蔽問題。協作頻譜認知網絡包含一個檢測目標和多個認知節點，對于每個認知節點，通常將能量檢測作為信號檢測的手段，其基本的網絡結構如圖2 所示。每個節點將檢測情況傳輸至決策中心，通過加權算法和多元假設檢驗對結果做出最終判決。

圖2 協作頻譜認知基本網絡

在協作頻譜認知中，存在虛假感知信息攻擊（SSDF），即惡意用戶向決策中心傳送虛假感知信息，從而降低系統認知性能。文獻[7]針對該攻擊提出了改進的加權序貫檢測算法，根據節點感知結果的正確性來判斷惡意攻擊，并在加權融合決策階段，使用穩定性較高的節點數據進行判決。文獻[8]采用P次方檢測器取代傳統能量檢測器，將P次方檢測器與多天線技術結合，顯著提升了頻譜認知性能。其基本原理為能量檢測時，統計量的平方運算改為P次方運算，如式（1）所示：

式中：yi(t)表示節點的接收信號；G為天線增益；n(t)為噪聲；Si(t)為檢驗統計量。仿真實驗表明，P=3 時具有最高的性價比。

此外，在人工智能應用方面，文獻[9]基于協作頻譜感知數據對非法無人機進行監測，無人機接收功率的先驗概率和概率密度函數的分布等先驗知識難以獲取，該文獻為了簡化四元假設檢驗問題，將感知時隙處的感知數據轉換為卷積神經網絡的輸入圖像，利用深度神經網絡進行決策判別。

1.2 基于壓縮感知的頻譜認知技術

信號的完整恢復需滿足奈奎斯特采樣定律，即采樣率要大于信號最高頻率的兩倍，因此對于寬帶頻譜的測量對ADC的采樣性能提出了很高要求。為解決這個問題，提出了壓縮感知技術，能以亞奈奎斯特采樣率對信號進行無損采樣，大大降低了對硬件的要求。

文獻[10]提出了一種自適應頻譜壓縮感知算法，首先對基于亞奈奎斯特采集的樣本進行稀疏度粗分析，然后將測試集與訓練集進行比對，判斷是否滿足迭代終止條件，得到最后的估計結果。實驗證明，該方法具備較低的復雜度和較高的感知性能。傳統的壓縮感知在稀疏性先驗知識未知的情況下，設定較大的稀疏度水平，并選擇多余的壓縮樣本數量，從而獲得更長的感測時間或更高的采樣率。文獻[11]針對此問題提出了一種基于CS 的自主感知算法，該算法使本地二級用戶能夠在不知頻譜稀疏性或信道特性的情況下自動選擇最小感知時間，在時間上逐塊采集壓縮樣本，同時逐步重建頻譜。壓縮寬帶頻譜傳感的技術研究通常基于均勻寬帶頻譜，然而在實際應用中，寬帶頻譜不均勻。文獻[12]考慮了異構寬帶頻譜，利用細粒度稀疏結構提出了一種異構寬帶頻譜感知的高效頻譜壓縮感知技術，可實現更低的均方誤差和更高的檢測概率。

2 無線電頻譜監測中的調制識別技術

在無線電頻譜監測業務中，除對整個目標頻段的監測，還包括對單個信號的分析測量，包括中心頻率、功率、帶寬以及調制方式等。其中，頻率、帶寬等可通過頻譜直接測量，而調制類型通常無法直接判斷，需要根據信號的特征做進一步分析。調制識別技術有助于判斷敵方用頻設備種類和威脅情況，輔助指揮員做出正確的電子對抗決策，在干擾查找、頻率分配等方面均可發揮重要作用，是無線電監測業務中不可或缺的部分。

判決理論[13]是最早提出的識別方法。該方法基于概率論，針對可能的調制方式創建最大似然函數，計算每種調制方式的函數值，依據貝葉斯最小準則計算閾值，依據閾值的比較完成調制識別。然而該方法需要一定的先驗知識，難以實現工程應用[14]。

為進一步加強工程應用，提出了統計模式識別方法，該方法無需先驗信息，結構簡單明了。統計模式調制識別流程如圖3 所示。該方法一般由信號預處理、特征參數提取和分類識別三個步驟組成。

圖3 統計模式調制識別流程

預處理過程主要包括正交下變頻、幅度歸一化等，特征提取是從接收信號中通過線性或非線性變換，得到具有調制區分度的特征參數，分類器是依據特征參數輸出相應的調制類型。常見的特征種類有高階累積量[15]、循環譜[16]以及星座圖[17]等，常見的分類方法有隨機森林[18]、支持向量機[19]等。

2016 年，O’Shea 等人[20]闡述了無線通信信號處理與深度學習的關系，隨后直接將數據集原始的IQ 兩路信號送入CNN 中[21]，實現對11 種模擬和數字調制信號的識別。從此掀起了將人工智能與深度學習應用到調制識別領域的熱潮。文獻[22]針對OFDM 系統，利用CNN 對OFDM 子載波調制方式進行識別。文獻[23]通過短時傅里葉變換將信號表征為時頻圖像，再利用深度神經網絡進行分類。文獻[24]考慮了通信系統中的載波相位偏移，通過設計卷積神經網絡消除PO，實現高分類精度。

然而深度學習也存在一定的局限性，如訓練時通常需要大量的訓練樣本，而實際監測時，對新信號難以獲取足夠樣本，因此研究人員提出了小樣本條件下的調制識別技術，從而提高有限條件下的識別率。此外，人工智能數據庫是有限的，對于新的調制類型無法識別，因此對未知調制的開集識別也是當前和未來一段時間的研究熱點。

2.1 基于小樣本的調制識別技術

常見的調制類型數據可通過模擬仿真獲取，然而雷達信號調制數據，以及未知用頻的數據調制，無法滿足深度學習的樣本需求，因此研究小樣本條件下的調制識別技術對于技術的發展以及頻譜監測業務的增強具有重要意義。

文獻[25]提出了增強深度卷積生成對抗網絡，對小樣本雷達信號的調制方式進行識別，生成對抗網絡的原理是通過對真實樣本的學習，生成可欺騙判別器的樣本以擴充數據集。圖4 為生成對抗網絡的基本結構。

圖4 生成對抗網絡

遷移學習是一種對現有模型算法進行輕微調整以應用于新領域和功能的技術，文獻[26]基于遷移學習技術，首先在源域預訓練模型，結合具體任務利用目標數據對模型進行微調，從而在樣本較少的情況下保持較高的識別率。文獻[27]提出了一種基于關系網絡的小樣本集水聲通信信號調制識別方法，選擇信號功率譜作為信號的淺層特征表示，并設計了一種基于功率譜和關系網絡的調制識別模型。

2.2 基于開集識別的調制識別技術

當前的復雜電磁頻譜環境具有更寬的頻率范圍和更多樣的調制類型，在實際非協作通信環境中，常常收集具有未知調制類型的各種樣本，因此對未知信號的檢測和識別是一項具有挑戰性和重要意義的任務。開集識別的基本原理是加入損失計算，并設定合理的閾值，通過與閾值的比較判斷目標信號是否是未知信號。文獻[28]設計了兩個級聯的雙通道LSTM 網絡，從原始數據中自動學習序列相關特征，利用中心損失和威布爾分布計算特征到特征中心距離的截止概率，從而實現對部分開集調制的識別。文獻[29]提出了一種基于連體神經網絡的識別算法，設計了一種基于平均值的雙閾值算法來區分已知調制類型和未知調制類型。文獻[30]利用改進的廣義端到端（GE2E）損失來訓練神經網絡，該損失增加相同調制類型的特征向量的相似性，減少不同類型的特征向量的相似性。

3 無線電頻譜監測中的盲信噪比估計技術

信噪比是通信質量的重要衡量指標，也是無線電頻譜監測業務的重要一環，事關后續信號識別與解調的判斷，以及頻譜管控策略的制定。

3.1 經典的信噪比估計技術

基于奇異值的信噪比估計是較為經典的一種方法。信號與噪聲的自相關矩陣關系可表示為：

式中：Rrr，Σr為接收信號的自相關矩陣和奇異值；Rss，Σs為信號的自相關矩陣和奇異值；Rnn，Σn為噪聲的自相關矩陣和奇異值。另有：

令信號空間的秩為p，該值可通過MDL 準則獲取，該準則可表示為：

則信噪比估計值可表示為：

文獻[31]提出了一種改進的奇異值信噪比估計方法，將梯度序列每一項與后5 項之和的比值序列的最大值作為空間分界點的判別準則。文獻[32]針對衰落信道條件下的信噪比估計，利用卡爾曼濾波將信道進行平滑處理。文獻[33]提出一種基于擴頻信號的信噪比估計方法，并采用均衡技術消除多徑效應對信噪比估計帶來的影響。

3.2 基于深度學習的信噪比估計技術

深度學習的應用已擴散到越來越多的領域，包括信噪比的估計。文獻[32]將長短時記憶網絡融入卷積神經網絡，對無人機通信的信噪比進行估計。星座圖在不同的信噪比條件下會顯示出不同模式：當信噪比較高時，星座圖上的點更集中；否則，點會更加分散。文獻[33]重點研究了基于星座圖的信噪比估計方法，將信噪比估計問題轉換為星座圖識別問題，并通過深度學習解決。文獻[34]進一步將基于星座圖與深度學習的盲信噪比估計方法運用到水下光學無線通信中，對2-QAM、4-QAM 和8-QAM 的估計精度分別達到99.7%、98%和94.7%。

4 無線電頻譜監測業務中的關鍵技術應用的不足與展望

（1）頻譜認知技術

當前基于能量檢測與協作檢測的頻譜認知技術中，有些問題還有待考慮，首先未考慮噪聲對閾值的影響，通常底噪增大時，閾值也需要相應增大，因此將盲信噪比估計技術與能量檢測結合是未來需要考慮的一個方向。當前已有研究注意到協作感知中惡意用戶和非法用戶的影響，但還需進一步深化。在頻譜壓縮感知方面，還需考慮如何設計相應軟硬件將理論進行工程化實現。

（2）調制識別技術

當前對調制識別的研究多是基于數據集以及模擬生成的樣本，然而在實際非協作通信中，信號是完全未知的。尤其是信號的采樣速率會對深度學習的識別結果產生較大影響，這是今后需要考慮的一個問題。此外，在實際應用中，信號傳播過程的衰落、多徑效應、頻率偏移等因素對調制識別前的預處理過程提出了更高要求。文獻[25-27]設定的小樣本數量基本為100 個，還需考慮當樣本只有10 多個甚至更少的情況。對于未知調制識別的研究還處于起步階段，除了未知與已知調制的識別，還應研究未知與未知之間的調制識別。同時，當未知調制的種類增多時，如何保持一定的識別率也是未來研究的一個方向。

（3）盲信噪比估計技術

當前對盲信噪比估計算法的研究也逐漸呈現出利用深度學習的趨勢，然而深度學習要求的計算資源較高，且泛化能力存在一定的局限性，要實現工程應用較為困難。此外，當前信噪比估計技術的研究相對依賴一些先驗知識，因此，今后的研究工作是在完全未知的非協作通信條件下保證較高的估計準確率。總體來說，無論是經典的還是深度學習信噪比估計算法，都應更加聚焦其工程應用前景。

5 結 語

電磁頻譜管控仍然是當前和今后一段時間應對頻譜資源稀缺與用頻業務增長矛盾的基本技術手段，頻譜監測奠定了頻譜管控的堅實基礎。本文主要對無線電頻譜監測中的頻譜認知技術、調制識別技術以及信噪比估計技術的基本原理、技術路線、研究現狀進行了綜合闡述，分析了當前技術研究存在的不足以及對未來發展的展望，希望對相關學者的研究提供一定幫助。