劉人瑋,查 雄,李天昀,章昕亮,龔 佩

(信息工程大學(xué) 信息系統(tǒng)工程學(xué)院,鄭州 450001)

0 引 言

特定輻射源識別(Specific Emitter Identification,SEI)是指從信號中提取出不同發(fā)射機(jī)包含的非理想特性,從而達(dá)到輻射源個體識別的目的[1]。這些非理想特性來自于發(fā)射機(jī)在制造時受到工藝、環(huán)境、材料等因素的影響,因此每個發(fā)射機(jī)難以避免地具有細(xì)微的、唯一的且難以偽造的特征,這些特征也被稱為“指紋特征”。SEI技術(shù)在軍用領(lǐng)域的目標(biāo)跟蹤識別方面或者民用領(lǐng)域的頻譜管理、無線電安全方面都有較強(qiáng)的現(xiàn)實意義和應(yīng)用價值[2]。

SEI技術(shù)的核心是提取穩(wěn)定有效的特征以保證能夠做到個體識別。為此,研究者們嘗試將信號映射到不同的變換域上以完成識別任務(wù),包括功率譜[3]、積分雙譜[4-6]、循環(huán)譜[7]、EMD[8-9]等。除功率譜外,其他變換域的譜圖通常在高維空間中,而這樣不利于特征的表示,因此需要將其降維后再提取特征,這樣的作法會對發(fā)射機(jī)自身的“指紋特征”造成損失。同時,這些方法均存在一定程度的時間-頻率分辨率的矛盾。

除直接在調(diào)制信號上進(jìn)行數(shù)學(xué)變換外,利用解調(diào)后的IQ數(shù)據(jù)作為特征也是研究的一個熱點(diǎn)。文獻(xiàn)[10]將基帶信號直接送入卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行識別,但是其僅對I/Q不平衡進(jìn)行討論,沒有考慮發(fā)射機(jī)的整體結(jié)構(gòu)。文獻(xiàn)[11]將基帶信號繪制成灰度矢量圖后,送入卷積神經(jīng)網(wǎng)絡(luò)以完成分類任務(wù)。針對矢量圖受多普勒影響較嚴(yán)重的問題,文獻(xiàn)[12]將矢量圖進(jìn)行分解后,利用多特征融合的方法提高識別性能。

跳頻通信技術(shù)具有優(yōu)秀的抗干擾、抗截獲和多址組網(wǎng)能力,在軍事通信和民用移動通信中都得到了廣泛的應(yīng)用[13],如CHESS系統(tǒng)、SINCGARS系列、藍(lán)牙技術(shù)等。由于跳頻信號存在諸多優(yōu)點(diǎn),研究人員對其從各個方面進(jìn)行了研究,包括跳頻系統(tǒng)設(shè)計[14-16]、跳頻信號檢測[17-19]、跳頻參數(shù)估計[20]、跳頻信號分選[21-27]等。其中,跳頻信號分選可以分為跳頻信號規(guī)格識別以及跳頻信號輻射源個體識別。跳頻信號規(guī)格識別[21-24]的主要任務(wù)是在寬帶中識別出不同規(guī)格的跳頻信號,這些跳頻信號的跳頻速率、跳頻圖案、信號規(guī)格等往往不同,通過參數(shù)估計或者特征提取等手段,完成跳頻信號分類工作。跳頻信號輻射源個體識別[25-27]是將SEI技術(shù)應(yīng)用在跳頻信號上,面對的跳頻信號通常是規(guī)格相同甚至協(xié)議相同的信號,與跳頻信號規(guī)格識別是互補(bǔ)關(guān)系。

文獻(xiàn)[25]將頻率跳變瞬態(tài)特征作為跳頻信號的指紋特征,使用2.4 GHz的4種藍(lán)牙信號進(jìn)行測試,取得較好的效果,但是由于該文是在電磁屏蔽環(huán)境下進(jìn)行實驗,因此難以驗證算法在低信噪比下的魯棒性。文獻(xiàn)[26]以跳頻信號的開機(jī)瞬態(tài)包絡(luò)作為研究對象,對其多個特征構(gòu)造特征集并進(jìn)行識別。文獻(xiàn)[27]將跳頻信號的每個跳點(diǎn)拆分為上升瞬態(tài)、穩(wěn)態(tài)和下降瞬態(tài),對這三個狀態(tài)分別進(jìn)行短時傅里葉變換后輸入至各自的卷積神經(jīng)網(wǎng)絡(luò)中。目前,跳頻信號輻射源個體識別大多集中于跳頻信號的跳變瞬態(tài),但是存在兩點(diǎn)問題:一是在低信噪比下,信號瞬態(tài)的檢測、捕獲均存在難度;二是可提取的特征不多且容易受到環(huán)境影響。

針對以上問題,本文提出了一種基于解調(diào)重構(gòu)的跳頻信號輻射源個體識別方法。該方法不再對瞬態(tài)特征進(jìn)行討論,而是考慮使用跳頻信號的穩(wěn)態(tài)信息進(jìn)行分類識別。本文主要工作如下:①對發(fā)射機(jī)畸變特征進(jìn)行建模,并給出合適的畸變范圍;②對跳頻信號進(jìn)行預(yù)處理,獲得各個跳點(diǎn)的原始基帶波形和理想基帶波形;③設(shè)計適合以波形為輸入的Transformer,完成輻射源個體識別工作。

1 發(fā)射機(jī)畸變模型

I/Q調(diào)制發(fā)射機(jī)的畸變模型[11-28]如圖1所示,包含I/Q不平衡畸變、等效低通濾波器畸變、相位噪聲和功率放大器非線性畸變。本節(jié)將對這4部分模型進(jìn)行介紹,同時給出較為合理的畸變參數(shù)選取原則。

圖1 I/Q調(diào)制發(fā)射機(jī)畸變模型

1.1 I/Q不平衡畸變

本文將發(fā)射機(jī)中存在的I/Q不平衡畸變均等效為基帶的I/Q不平衡畸變。理想I/Q基帶信號為

s(t)=I(t)+jQ(t)

(1)

即I路與Q路完全正交。但是,在實際情況下,I/Q路存在不完全正交的現(xiàn)象,即幅值存在偏差、相差不嚴(yán)格在90°。同時,I/Q路可能存在較小的直流分量。結(jié)合以上三種畸變,實際畸變信號可表示為

x(t)=(GIejφII(t)+jGQejφQQ(t))+(cI+jcQ)

(2)

式中:GI和GQ分別為I/Q路的增益偏差;φI和φQ分別為I/Q路的相位偏差;cI和cQ分別為I/Q路的直流分量。

文獻(xiàn)[29]給出了實際I/Q調(diào)制器正交失衡畸變范圍,文獻(xiàn)[37]進(jìn)一步縮小該范圍,將其轉(zhuǎn)換為本文的畸變模型后,可規(guī)定取值范圍如下:A∈[-1,1],P∈[-3,3],cI,cQ∈[-0.015,0.015]。

1.2 等效低通濾波器畸變

在發(fā)射機(jī)中可能在基帶、中頻及射頻均存在濾波器的畸變影響,本文將其等效為基帶的低通濾波器畸變。構(gòu)造濾波器畸變的頻率響應(yīng)[11]為

H(f)=A(f)ejφ(f)

(3)

式中:幅頻響應(yīng)為A(f)=a0+ancos(2παf),相頻響應(yīng)為φ(f)=2πb0f+bnsin(2πβf)。通常,線性參數(shù)a0=b0=1,濾波器畸變體現(xiàn)在與幅度和時延相關(guān)的系數(shù)α,β,an和bn上。本文借鑒文獻(xiàn)[11]的畸變參數(shù),規(guī)定畸變參數(shù)取值如下:α=4,β=4;an～N(0,0.052),bn～N(0,0.052),N(·)代表正態(tài)分布。

1.3 相位噪聲

相位噪聲主要由頻率合成器產(chǎn)生。理想情況下,頻率合成器的輸出為

s(t)=ej2πfct

(4)

當(dāng)存在相位噪聲φn(t)時,帶有畸變的載波信號為

x(t)=ej(2πfct+φn(t))

(5)

如圖2所示,理想的載波信號應(yīng)為一個單頻信號,然而實際情況中相位噪聲會使得頻譜泄露,較嚴(yán)重的相位噪聲會使星座圖上的星座點(diǎn)在標(biāo)準(zhǔn)星座點(diǎn)附近振蕩。

圖2 理想/實際頻率源的功率譜示意圖

文獻(xiàn)[30]對鎖相環(huán)的相位噪聲功率譜進(jìn)行了詳細(xì)的介紹,文獻(xiàn)[31]則給出二階鎖相環(huán)的相位噪聲可以建模為高斯白噪聲經(jīng)過一階Butterworth濾波器之后的輸出相位,即

(6)

求解相位噪聲的自相關(guān)函數(shù)為

(7)

式中:n(k)為高斯白噪聲;BPLL為環(huán)路3 dB等效噪聲帶寬;σφn為相位噪聲均方根值;Ts為采樣周期?？梢钥闯?BPLL和σφn決定相位噪聲大小。文獻(xiàn)[31]說明了σφn的典型值為1°～3°,文獻(xiàn)[1]給出了合理的BPLL和σφn取值,本文規(guī)定其范圍如下:BPLL∈[500,1 500]Hz,σφn∈[1,3]°。

1.4 功率放大器非線性畸變

對于窄帶功率放大器,通常使用Taylor級數(shù)模型描述其非線性。假設(shè)功放的輸入信號為

s(t)=ρ(t)ej2πfct

(8)

則輸出信號為

(9)

式中:{λ1,λ3,…,λ2K-1}是Taylor級數(shù)的系數(shù)。歸一化的Taylor級數(shù)中,λ1=1,通常λ3<0且|λk|隨k的增加而減小。

如Analog HMC6981放大器,增益G=26 dB,三階截斷點(diǎn)IP3=43.5 dBm,可以得到λ3=-0.011 9。

文獻(xiàn)[33]給出了Taylor級數(shù)的仿真值,本文給出的Taylor級數(shù)取值范圍為λ3∈[-0.03,-0.01],λ5∈[-0.01,0]。

2 跳頻信號預(yù)處理

不同于常規(guī)通信信號,跳頻信號單跳持續(xù)時間短,且兩跳之間存在切換時間,因此在做跳頻信號輻射源個體識別前,需要進(jìn)行一定的預(yù)處理。本節(jié)首先對跳頻信號進(jìn)行建模,然后介紹本文所需的預(yù)處理流程。

2.1 信號模型

定義跳頻信號的跳頻周期Th,駐留時間Td,信道切換時間Tsw,則有

Th=Td+Tsw

(10)

對于跳頻信號s(t),可將其表示為[17]

(11)

式中:As為跳頻信號的幅度;k表示在觀測時間內(nèi)的第k跳;tk表示第k跳的發(fā)生時刻;fk表示第k跳的載波頻率;rect為基帶成型。應(yīng)當(dāng)注意的是,在每跳的信道切換時間內(nèi),沒有信息傳輸,即rect=0。

在對跳頻信號進(jìn)行預(yù)處理時,假設(shè)跳頻的載波頻率個數(shù)N、載波頻率集F={f1,f2,…,fN}、單跳駐留時間Td、跳頻周期Th為已知量。

2.2 跳變定時

跳變定時的目的是找到每跳駐留時間的起點(diǎn),可以分為3步,即信道化、能量積分和檢出跳點(diǎn)。

步驟1 對接收到的信號r(t)進(jìn)行信道化。將r(t)分別與頻率為{f1,f2,…,fN}的各個本地載波進(jìn)行下變頻處理,然后再經(jīng)過低通濾波器,得到各個信道的基帶信號Y(t):

(12)

步驟2 對信道化后的各路基帶信號進(jìn)行能量積分。將Y(t)中的N路信號取平方,再分別進(jìn)行積分得到各路短時能量E(t),每次積分長度為Td。

(13)

步驟3 得到最佳起點(diǎn)并檢出跳點(diǎn)。將E(t)各路相加得到整體的能量變化EY(t),然后以Th為間隔累加,能量最大值點(diǎn)為單跳駐留時間的中點(diǎn),該點(diǎn)前移Td/2即為第一個跳點(diǎn)的最佳起點(diǎn)ts,故每跳的最佳起點(diǎn)為{ts,ts+Th,ts+2Th…}。根據(jù)每一路在駐留時間的能量大小,判斷出該時刻跳點(diǎn)出現(xiàn)的信道,即檢出跳點(diǎn)。圖3為跳變定時示意圖。

圖3 跳變定時示意圖

于是,可以得到包含每一跳原始基帶波形的信號yB(t)。對于第i跳,t∈[ts+(i-1)Th,ts+iTh],則

(14)

式中:index表示為取下標(biāo)操作;ix可以理解為在該跳時間內(nèi)能量最大的信道。

2.3 解調(diào)重構(gòu)

為了使深度學(xué)習(xí)過程中有一定的“參考”,本文設(shè)計將解調(diào)后的結(jié)果重構(gòu)成理想基帶波形yI(t)作為參考波形。解調(diào)重構(gòu)的過程如下:對yB(t)進(jìn)行定時同步,解調(diào)出符號;根據(jù)調(diào)制方式和過采倍數(shù),設(shè)定成型濾波后,得到y(tǒng)I(t)。

(15)

(16)

式中:F[·]表示非數(shù)據(jù)輔助估計非線性變換式,本文選擇較為簡單的絕對值非線性算法:

F[yB(n)]=|yB(n)|

(17)

于是,該跳點(diǎn)的每個最佳采樣點(diǎn)nk可表示為

(18)

同時nk=mk+μk,mk是nk的整數(shù)部分,μk是nk的小數(shù)部分,使用立方插值的Farrow結(jié)構(gòu)插值器計算最佳采樣點(diǎn)的值:

yB(nk)=[μk2μk1]·

(19)

根據(jù)yB(nk)的值就可以解調(diào)出符號sym,再經(jīng)過成型濾波器就可獲得理想的重構(gòu)基帶信號yI(t)。

3 用于輻射源識別的Transformer

Transformer[35]作為與卷積神經(jīng)網(wǎng)絡(luò)、循環(huán)神經(jīng)網(wǎng)絡(luò)不同的深度學(xué)習(xí)網(wǎng)絡(luò),在多個領(lǐng)域上取得了良好的效果,本節(jié)將介紹用于輻射源識別的Transformer 架構(gòu)。

3.1 整體結(jié)構(gòu)

本文網(wǎng)絡(luò)架構(gòu)如圖4所示,由輸入端、骨干網(wǎng)絡(luò)和輸出端組成。當(dāng)前,本文將重構(gòu)波形作為“參考”存在,提出了應(yīng)用Transformer編碼器的輻射源個體識別網(wǎng)絡(luò)。

圖4 網(wǎng)絡(luò)架構(gòu)示意圖

3.2 輸入端

輸入端由嵌入層和位置編碼層構(gòu)成。將原始波形yB(n)和重構(gòu)波形yI(n)合并后作為網(wǎng)絡(luò)的輸入。假設(shè)每跳傳輸M個符號,過采率sps=Fs/RB,則每跳的采樣點(diǎn)數(shù)len0=M×sps。

嵌入層實際上為1維卷積層。嵌入層的輸入通道數(shù)為4,輸出通道數(shù)設(shè)置為4×sps,卷積核大小為sps。該操作意在將每個符號長度的采樣點(diǎn)視為一個“單詞”,其長度dmodel=4×sps,即輸出通道數(shù)。

實際上,跳變定時難以做到每次都精確到跳變處的采樣點(diǎn)(尤其是低信噪比下),為此需要得到類似重疊滑動窗口的效果。設(shè)s為每次向后滑動長度占單個符號采樣點(diǎn)數(shù)的比例(為方便敘述,后文簡稱為滑動比例s),則嵌入層的步進(jìn)stride為

stride=?s×sps」

(20)

式中:?·」代表向下取整。由此,可得到嵌入層輸出的向量長度len為

(21)

至于位置編碼,本文使用了與Transformer原文相同的正弦型位置編碼:

(22)

同時,輸入端增加一個可學(xué)習(xí)的分類向量,長度為dmodel,該向量的網(wǎng)絡(luò)輸出即為分類結(jié)果。

3.3 骨干網(wǎng)絡(luò)

骨干網(wǎng)絡(luò)由Transformer編碼層組成。骨干網(wǎng)絡(luò)的參數(shù)有編碼層個數(shù)nlayers,注意力頭個數(shù)nheads,詞向量長度dmodel和逐位前饋網(wǎng)絡(luò)投影維度dim_feedforward。

同Transformer,dim_feedforward設(shè)置為2 048。根據(jù)多次實驗,本文給出網(wǎng)絡(luò)參數(shù)的建議取值范圍:

(23)

該取值范圍為建議值,可以設(shè)置超出該范圍的取值,但是可能會使網(wǎng)絡(luò)較難收斂或者參數(shù)量過大而導(dǎo)致效果一般。同時可以看出,不建議過采率sps≤10。

3.4 輸出端

輸出端即全連接層,輸入通道數(shù)為dmodel,輸出通道數(shù)為輸出分類個數(shù)nclasses。經(jīng)過輸出端后,對各類計算softmax以判出分類得分,進(jìn)一步得出分類結(jié)果。

4 實驗

本文實驗條件設(shè)置如下:采樣率20 MHz;跳頻信號具有8個載頻,分別為[1,2,3,4,5,6,7,8]MHz;跳速500 hop/s;每跳總時長為50個符號周期,其中5個符號周期用于信道切換,45個符號周期用于傳輸內(nèi)容。無特殊說明時,符號速率400 kBd,即sps=50;QPSK調(diào)制。20個輻射源,畸變參數(shù)如表1所示。信噪比Eb/N0為7～25 dB,步進(jìn)2 dB。每個Eb/N0下,每個輻射源包含1 000個訓(xùn)練樣本和1000個測試樣本。

表1 輻射源畸變參數(shù)

本實驗使用NVIDIA GeForce RTX 2080 Ti GPU在PyTorch 1.9.0上進(jìn)行,學(xué)習(xí)率為10-4,所有模型均訓(xùn)練50輪。

4.1 分析有/無重構(gòu)波形對識別準(zhǔn)確率的影響

本文將理想的重構(gòu)波形和原始波形一并輸入至神經(jīng)網(wǎng)絡(luò)中,目的是使神經(jīng)網(wǎng)絡(luò)在學(xué)習(xí)發(fā)射機(jī)畸變時,能夠有不受發(fā)射機(jī)畸變影響的“參考”。

圖5展示了有/無重構(gòu)波形時的網(wǎng)絡(luò)識別準(zhǔn)確率,網(wǎng)絡(luò)參數(shù)統(tǒng)一設(shè)置為nheads=5,s=0.25。有重構(gòu)波形的網(wǎng)絡(luò)設(shè)置nlayers=3,與之對比的無重構(gòu)波形的網(wǎng)絡(luò),一個設(shè)置相同層數(shù)進(jìn)行對比,即nlayers=3;另一個為了平衡參數(shù)量(因為無重構(gòu)波形時,輸入為有重構(gòu)波形時的一半,同時網(wǎng)絡(luò)參數(shù)也減少一半),設(shè)置nlayers=6?？梢钥闯?無論是相同層數(shù)還是相同參數(shù)量的無重構(gòu)波形網(wǎng)絡(luò),其識別準(zhǔn)確率均不如有重構(gòu)波形時,由此可證明本方法的有效性。

圖5 有/無重構(gòu)波形時的識別準(zhǔn)確率

4.2 分析網(wǎng)絡(luò)參數(shù)對識別準(zhǔn)確率的影響

圖6展示了不同滑動比例s下的識別準(zhǔn)確率,可以看出,采用重疊滑窗的效果會有一定提升,但是如果滑動距離過小,導(dǎo)致進(jìn)入Transformer編碼層的序列長度較大,效果小幅下降。因此,滑動比例s應(yīng)該取一個適當(dāng)大小的值,當(dāng)單跳符號數(shù)在[30,50]之間時,建議滑動比例s取值范圍為[0.2,0.5]。

圖6 不同滑動比例s下的識別準(zhǔn)確率

圖7和圖8展示了不同編碼層個數(shù)nlayers和注意力頭個數(shù)nheads下的準(zhǔn)確率。整體來說,這兩個參數(shù)對準(zhǔn)確率影響不大。nlayers直接改變了網(wǎng)絡(luò)參數(shù)量,而對于本文的畸變模型及參數(shù)而言,不需要過大的網(wǎng)絡(luò)。訓(xùn)練時發(fā)現(xiàn),nlayers=3時的網(wǎng)絡(luò)比nlayers=4或5時更易于收斂,在訓(xùn)練50輪時,nlayers=3的網(wǎng)絡(luò)收斂情況更佳,因此其準(zhǔn)確率稍高。nheads不改變網(wǎng)絡(luò)參數(shù)量,而是通過降低特征維度以使注意力學(xué)習(xí)到不同的模式。同樣地,訓(xùn)練時發(fā)現(xiàn),nheads較高會導(dǎo)致網(wǎng)絡(luò)難以收斂?？梢钥闯?nheads≥2時的準(zhǔn)確率相近,且略優(yōu)于nheads=1。

圖7 不同編碼層個數(shù)nlayers下的識別準(zhǔn)確率

圖8 不同注意力頭個數(shù)nheads下的識別準(zhǔn)確率

綜上,驗證了3.3節(jié)給出的網(wǎng)絡(luò)參數(shù)建議范圍的合理性。

4.3 分析過采率對識別準(zhǔn)確率的影響

圖9展示了不同過采率sps下的識別準(zhǔn)確率,可以看出,過采率的提高對本文方法識別準(zhǔn)確率的提高是有幫助的。造成該現(xiàn)象的原因可能在于更高的采樣率能夠刻畫出更多的波形非線性特征,有利于網(wǎng)絡(luò)的特征提取。

圖9 不同過采率下的識別準(zhǔn)確率

4.4 分析符號個數(shù)對識別準(zhǔn)確率的影響

對于跳頻信號而言,跳速是一個重要的指標(biāo)。本文方法將每一跳作為一個獨(dú)立的信號,因此跳速對本文算法的直接影響不大。然而,假設(shè)信號跳速很高,可能間接導(dǎo)致每跳的符號個數(shù)減少。

圖10展示了不同符號個數(shù)nsyms下的識別準(zhǔn)確率,可以看出,較少的符號個數(shù)可能會使識別準(zhǔn)確率下降,但同時符號個數(shù)的持續(xù)增加不會使性能有明顯提高,反而可能會在訓(xùn)練耗費(fèi)更多的資源。因此,符號個數(shù)適中即可,在50倍過采條件下,建議符號個數(shù)盡量保持在[30,50]之間即可。

4.5 對比不同方法下的識別準(zhǔn)確率

文獻(xiàn)[11]提出了一種將矢量圖送入神經(jīng)網(wǎng)絡(luò)進(jìn)行輻射源識別的方法(后稱矢量圖方法),圖11展示了本方法與矢量圖方法的識別準(zhǔn)確率對比。其中,矢量圖方法使用 ResNet50 作為神經(jīng)網(wǎng)絡(luò),輸入使用1跳/5跳產(chǎn)生的、大小為224×224的矢量圖。需要說明的是,本文方法和1跳矢量圖方法將每一跳單獨(dú)視作一個單位,不需要數(shù)據(jù)輔助;而5跳矢量圖方法由于需要進(jìn)行各跳間的拼接,因此需要數(shù)據(jù)輔助(如同步字頭)對每一跳進(jìn)行同步以消除可能由相位模糊帶來的干擾。

從圖11可以看出,本文方法在識別準(zhǔn)確率優(yōu)于矢量圖方法,原因可能在于:一是本文方法利用重構(gòu)波形,使得網(wǎng)絡(luò)更易學(xué)習(xí)到與輻射源個體相關(guān)的非線性知識;二是本文方法將波形直接輸入至網(wǎng)絡(luò),而非矢量圖是將信號轉(zhuǎn)換為圖片。在信號轉(zhuǎn)換為圖片后,導(dǎo)致圖片上存在較多冗余信息(如矢量圖中包含較多空白區(qū)域),同時可能會對信號里的信息造成損失(如信號的浮點(diǎn)值轉(zhuǎn)換為像素值)。但是矢量圖方法對10倍過采率的信號依然有適應(yīng)性,這是該方法相比本文方法的優(yōu)點(diǎn)所在。

5 結(jié)束語

本文提出了一種基于解調(diào)重構(gòu)的跳頻信號輻射源個體識別方法。該方法首先對跳頻信號進(jìn)行各跳的跳變定時,得到各跳的原始基帶波形;然后解調(diào)出各跳的符號序列,再重構(gòu)出理想波形;最后將原始波形和重構(gòu)波形送入網(wǎng)絡(luò)中,得到分類結(jié)果。實驗結(jié)果表明,該方法能夠有效地對20類輻射源進(jìn)行識別,且對跳頻信號較短的序列長度有適應(yīng)性,不需要同步序列作為數(shù)據(jù)輔助。但是,該方法對采樣率有一定要求,過采率不宜低于10倍,對設(shè)備要求較高。在下一步工作中,可以考慮嘗試使用在嵌入層后加入全連接層提高特征維度,以降低網(wǎng)絡(luò)對采樣率的需求。