摘 要：深入研究了全頻譜認知與智能利用領域，強調了現(xiàn)有認知無線電理論和無線電監(jiān)測技術在特定環(huán)境中的優(yōu)勢，指出在面對寬帶、瞬變、未知、復雜的電磁環(huán)境時存在“認不深” 的問題。為解決這一挑戰(zhàn)，提出了多維度的深度頻譜認知作為未來的發(fā)展方向，從信號多維特征與個體本征屬性雙重維度對輻射源目標進行精準認知。通過探索輻射源目標信號的多域特征，構建輻射源完備表征數(shù)據(jù)庫，實現(xiàn)通信終端的本征屬性認知，可以更全面地理解和利用頻譜資源。分析了調制域、協(xié)議域中信號的調制識別以及協(xié)議解析等研究現(xiàn)狀；高速目標信號識別和空域定向認知的發(fā)展瓶頸及主要研究方向。提供了較為全面的理論和方法，為未來多維度的電磁環(huán)境感知和頻譜利用奠定了基礎。

關鍵詞：全頻譜深度認知；信號識別；通信協(xié)議解析；空域定向認知

中圖分類號：ＴＮ９２７＋． ２ 文獻標志碼：Ａ 開放科學（資源服務）標識碼（ＯＳＩＤ）：

文章編號：１００３－３１０６（２０２４）０７－１５８９－１３

０ 引言

隨著無線通信技術的快速發(fā)展與國家國際化戰(zhàn)略的推進，信息通信領域向著空天地海一體化方向不斷創(chuàng)新，對在該領域的創(chuàng)新研究提出了更高的需求。如今無線設備及其應用呈現(xiàn)指數(shù)級增長，各種無線技術的出現(xiàn)使得電磁頻譜環(huán)境呈現(xiàn)環(huán)境多域、態(tài)勢多維、應用多樣、行為多變、信號密集的復雜特性?，F(xiàn)代化戰(zhàn)爭中，電磁頻譜空間已逐步演化為第六維作戰(zhàn)空間，實現(xiàn)有效的頻譜資源管控從而取得電磁頻譜戰(zhàn)的制勝權顯得尤為重要［１］。

作為頻譜資源管控中的重要一環(huán)，頻譜感知技術旨在更有效地利用和管理無線頻譜資源，使設備能夠實時地認知和分析當前的無線頻譜環(huán)境，智能地選擇最佳的頻率和頻段以避免干擾其他設備并優(yōu)化自己的性能。這種技術對于提高無線通信系統(tǒng)的效率、增強頻譜利用率以及促進不同無線設備間的互操作性都非常重要。在如今的空天地海一體化發(fā)展中，無線環(huán)境監(jiān)測從地面擴展到高空、近海乃至深海，對非本土、陌生的新無線頻譜環(huán)境的主動快速感知和深度認知是保證國家電磁頻譜安全、制電磁權以及通信產(chǎn)業(yè)經(jīng)濟發(fā)展的關鍵［２］。

基于頻譜感知技術對頻譜上電磁活動的監(jiān)控，得以快速檢測出存在的電磁信號輻射源。為了更全面地管理電磁波的影響，更深入地了解輻射源的性質和特征，對輻射源目標進行精準識別以及全面認知對優(yōu)化頻譜利用、降低通信干擾影響、提高電磁環(huán)境管理效率等方面具有關鍵作用。輻射源目標識別任務是基于接收輻射源發(fā)射的信號來完成的，輻射的信號主要受兩方面因素影響：一是輻射源個體本征屬性，二是輻射源目標信號參數(shù)。

對于輻射源的個體本征屬性，其與信號參數(shù)內容無關，僅與輻射源個體相關，可粗略分成四部分影響因素：電波傳播屬性，表征參量包含天線方向圖、極化方向；個體位置屬性，表征參量包含經(jīng)緯度、高度以及來波的方向等；運動速度屬性，表征參量包括相對速度、相對加速度以及運動軌跡等；輻射源非線性屬性，是由輻射源各類組成器件合力產(chǎn)生的非線性作用，其表征方式是需要重點研究的內容。其次，對于輻射源的信號多維特征，受工作模式、協(xié)議約束來設定，并受輻射源本征屬性影響，包括調制信息、編碼信息、工作模式信息、原始序列信息以及比特信息等。調制信息，表征參量包括調制進制數(shù)、調制類型和星座圖（Ｃｏｎｓｔｅｌｌａｔｉｏｎ Ｄｉａｇｒａｍ，ＣＤ）；編碼信息，表征參量包括編碼類型和編碼參數(shù)；模式信息，表征參量包括工作模式（如雷達、衛(wèi)星、移動通信等），還包括所屬協(xié)議的協(xié)議級參數(shù)（如移動通信系統(tǒng)中的位置區(qū)編碼（Ｌｏｃａｔｉｏｎ Ａｒｅａ Ｃｏｄｅ，ＬＡＣ）、移動設備網(wǎng)絡碼（Ｍｏｂｉｌｅ Ｎｅｔｗｏｒｋ Ｃｏｄｅ，ＭＮＣ）、小區(qū)ＩＤ 等），雷達系統(tǒng)中的脈寬、衛(wèi)星系統(tǒng)中的高低軌位信息等。原始信息，表征參量包括原始基帶序列、中頻序列以及出現(xiàn)的時長和中心頻點等；比特信息，表征參量即為比特流序列。

綜上所述，立足于無線電頻譜監(jiān)測領域發(fā)展面臨的復雜電磁頻譜感知與分析問題，本文首先介紹全頻譜認知技術新的發(fā)展方向，并擴展到對輻射源目標的全面識別，將認知維度深入到時－頻－空－變換－參數(shù)等多域，提出了從信號多維特征與個體本征屬性雙重維度對輻射源目標進行精準認知的技術路線。然后介紹調制識別、信號協(xié)議解析和輻射源識別３ 種信號識別方式。最后介紹空域定向認知技術，還對未來可能的研究方向做了展望。

１ 全頻譜深度認知概述

輻射源目標本征屬性和信號特征與其表征參量如圖１ 所示，說明了影響輻射源目標信號的兩大類內容及其表征參量?，F(xiàn)有的認知無線電理論和無線電監(jiān)測技術方法對已知特定環(huán)境的電磁環(huán)境監(jiān)測具有較好的基礎，目前已有很多科研團隊對頻譜感知與輻射源目標識別進行了創(chuàng)新型研究。文獻［３］提出了基于頻譜壓縮感知的稀疏貝葉斯學習算法，具有更高的檢測精度與更小的重構誤差。文獻［４］針對多頻、寬帶電磁輻射源的識別困難，提出了一種基于盲源分離（Ｂｌｉｎｄ Ｓｉｇｎａｌ Ｓｅｐａｒａｔｉｏｎ，ＢＳＳ）和深度特征學習網(wǎng)絡（Ｄｅｅｐ Ｆｅａｔｕｒｅ Ｌｅａｒｎｉｎｇ Ｎｅｔｗｏｒｋ，ＤＦＬＮ）的深度神經(jīng)網(wǎng)絡（Ｄｅｅｐ Ｎｅｕｒａｌ Ｎｅｔｗｏｒｋ，ＤＮＮ）模型，提升了輻射源識別準確率。文獻［５］提出了一種基于軸積分雙譜特征與深度殘差收縮網(wǎng)絡（ＤｅｅｐＲｅｓｉｄｕａｌ Ｓｈｒｉｎｋａｇｅ Ｎｅｔｗｏｒｋ，ＤＲＳＮ）相結合的特定輻射源特征提取與識別方法，有效提高了低信噪比（Ｓｉｇｎａｌ ｔｏ Ｎｏｉｓｅ Ｒａｔｉｏ，ＳＮＲ）下的分類準確率。這些研究不斷提高著頻譜感知與輻射源目標識別的精度與速度，不斷向著“測得快”“測得準”“測得寬”發(fā)展。

近年來，基于機器學習的頻譜智能感知技術研究取得了顯著進展。機器學習技術能夠利用大量數(shù)據(jù)來訓練模型，使得感知系統(tǒng)在不斷學習的過程中提高準確性，更精確地對信號源進行識別和分類。這種方法還可以識別復雜信號模式和特征，提供更智能、更自適應的感知能力。文獻［６］提出了一種基于深度強化學習的協(xié)同頻譜感知算法，減少了網(wǎng)絡流量以及協(xié)作用戶的數(shù)量，為協(xié)同頻譜感知減少了資源的消耗并具有更強魯棒性。文獻［７］提出了一種電磁頻譜空間機器學習新范式———認知學習，設計了一種面向干擾識別的認知學習方案，能適應動態(tài)變化的環(huán)境和任務，通過自學習提升性能并緩解錯誤標記樣本的影響，對電磁頻譜空間機器學習的發(fā)展具有啟發(fā)式意義。文獻［８］利用不同深度的神經(jīng)網(wǎng)絡對通用軟件無線電設備（Ｕｎｉｖｅｒｓａｌ ＳｏｆｔｗａｒｅＲａｄｉｏ Ｐｅｒｉｐｈｅｒａｌ，ＵＳＲＰ）和ＬａｂＶＩＥＷ 采集到的不同輻射源的信號數(shù)據(jù)進行訓練，通過優(yōu)化網(wǎng)絡參數(shù)和結構，達到了更高的識別率。

雖然目前的頻譜感知技術已經(jīng)取得了較大突破，在識別速率、識別準確率等方面已經(jīng)有了較大提升，但面對寬帶、瞬變、未知、復雜的電磁環(huán)境仍存在“認不深”的問題［２］?，F(xiàn)代頻譜感知與輻射源目標識別需要更深入、更全面地表征信號的各種特征和屬性，對無線電監(jiān)測與管理提出了新的要求和挑戰(zhàn)，研發(fā)具有對多變無線環(huán)境的主動快速感知和深度認知能力的理論和關鍵技術具有重大意義。

多維度的深度頻譜認知被認為是頻譜感知技術發(fā)展的新方向。探索輻射源信號的多域特征，并基于這些特征構建泛用信號特征數(shù)據(jù)庫以實現(xiàn)通信終端的本征屬性認知，可以更快、更精、更深地理解和利用電磁資源。在多維度的深度頻譜認知中，將格外關注信號的多域屬性，從各個維度對輻射源目標信號建立完備的表征數(shù)據(jù)庫。輻射源完備表征數(shù)據(jù)庫如圖２ 所示，這些多域屬性包括但不限于時域、頻域、空域、變換域與參數(shù)域等。

為了解決基于信號特征的輻射源識別方法無法適配軟件無線電技術發(fā)展帶來的參數(shù)靈活變化問題，可從信號多維特征與個體本征屬性雙重維度對輻射源目標進行精準認知。該方案可以劃分為三方面的內容，如圖３ 所示。首先，大量獲取各類輻射源個體輻射數(shù)據(jù)，對輻射源目標本征屬性與多維信號原始參數(shù)集合以及其表征參量進行梳理，并重點研究基于生成對抗網(wǎng)絡的輻射源個體非線性表征方法；其次，研究并構建時－頻－空－參數(shù)－變換５ 域輻射源目標完備表征范式，實現(xiàn)對輻射源目標信號特征與個體本征屬性雙維度完備表征，構建起泛用輻射源目標時－頻－空－參數(shù)－變換５ 域表征數(shù)據(jù)庫；最后，設計面向５ 域表征范式的多枝神經(jīng)網(wǎng)絡分類器，針對輻射源目標多域維度之間的關聯(lián)性與差異性進行分析，完成對輻射源目標５ 域表征特征的動態(tài)排序、高效選擇以及分類決策任務。

２ 調制識別

信號調制是無線通信系統(tǒng)中的一個重要過程。調制識別任務通常用于信號檢測和解調。只有信號接收器正確解調信號，信號傳輸才能順利進行。然而，隨著無線通信技術的快速發(fā)展和更加高端的需求，無線通信系統(tǒng)中使用的調制方法和參數(shù)的數(shù)量正在迅速增加。如何準確識別調制方式的問題因此變得更具挑戰(zhàn)性。

自適應調制識別（Ａｕｔｏｍａｔｉｃ Ｍｏｄｕｌａｔｉｏｎ Ｃｌａｓｓｉｆｉ-ｃａｔｉｏｎ，ＡＭＣ）技術可以根據(jù)通信的具體要求和信道狀態(tài)，識別信號類別并選擇合適的調制和解調方式，實現(xiàn)傳輸可靠性和數(shù)據(jù)傳輸速率最優(yōu)化，同時提高頻譜的利用率?？梢岳斫鉃樾盘栒{制樣式的識別本質上是一個多分類模式識別問題，根據(jù)識別過程和分類方法的不同，分為基于決策理論的識別方法、基于特征提取的識別方法和基于深度學習的識別方法。

２． １ 基于決策理論的識別方法

基于決策理論的方法首先需要為通信信道建立通信信號的數(shù)學模型，然后采用概率論和假設檢驗理論推導出相關的分類決策規(guī)則［９］。但在實際物理場景中，基于決策理論的識別方法存在計算復雜度高、精度低等問題，且對信道先驗知識儲備要求較高。

文獻［１０］提出了一種使用準對數(shù)似然比規(guī)則的分類器，實驗分析表明，在低ＳＮＲ 條件下，該分類器對ＢＰＳＫ ／ ＱＰＳＫ 信號的識別性能明顯優(yōu)于其他識別方法。文獻［１１］提出了一種基于廣義似然比檢驗和平均似然比檢驗混合的分類器，可以針對不同進制的ＰＳＫ 信號進行分類識別，該方法的優(yōu)點在于不需要信號幅度和噪聲方差等先驗知識，且當觀察數(shù)據(jù)序列邊長時，分類精度也會增加，而算法復雜度成線性增加。

２． ２ 基于特征提取的識別方法

基于特征提取的識別方法，從經(jīng)過預處理的信號中提取專家特征，這些特征需要人工根據(jù)信道條件以及被識別信號的調制樣式來確定。根據(jù)提取出的特征選擇合適的分類器并確定分類準則，通常采用機器學習或深度學習算法作為分類方法輸出識別結果［１２］。常用的專家特征包括瞬時幅度、高階累積量、循環(huán)譜和ＣＤ 等。

在衛(wèi)星通信領域，文獻［１３］將信號ＣＤ 形狀作為判決標志，對接收信號進行信道盲均衡，然后采用聚類算法逐步減少聚類簇進而判斷調制樣式階數(shù)，最終采用最大似然法選擇合適的調制樣式。該方法在ＳＮＲ 大于１４ ｄＢ 時對所有調制樣式的識別率達到９０％ 以上，但其可識別的調制樣式維數(shù)局限在３２以內，此外對ＳＮＲ 要求也比較高。文獻［９］利用信號的ＣＤ 和卷積神經(jīng)網(wǎng)絡（Ｃｏｎｖｏｌｕｔｉｏｎａｌ Ｎｅｕｒａｌ Ｎｅｔ-ｗｏｒｋ，ＣＮＮ）相結合對信號進行識別，在ＳＮＲ 大于５ ｄＢ 時識別率達到９７． ９９％ 。文獻［１４］使用ＣＤ 與二值化ＤＮＮ 對信號調制樣式進行識別，ＳＮＲ 在－６ ～ ６ ｄＢ 噪聲條件下的綜合識別率達到９６． １％ 。

基于特征提取的識別方法核心在于提取能夠有效表征信號調制樣式的特征，但在不同通信情況下很難確定哪種特征具有最優(yōu)分類效果，對專家特征庫的要求極高，需要專業(yè)人員耗費大量時間精力對通信場景、基礎信號以及分類器等進行大量細致的分析研究，缺少一個系統(tǒng)的解決方案。

２． ３ 基于深度學習的識別方法

基于深度學習的識別方法，使用ＣＮＮ、長短期記憶網(wǎng)絡（Ｌｏｎｇ Ｓｈｏｒｔ-Ｔｅｒｍ Ｍｅｍｏｒｙ，ＬＳＴＭ）或其他類型的神經(jīng)網(wǎng)絡直接從原始信號提取特征并實現(xiàn)分類識別，能夠對信號調制樣式進行端到端的識別。

ＤＮＮ 在視頻、語音和圖像處理的研究領域發(fā)揮了重要作用。同樣可以將ＣＮＮ 應用于無線電調制識別任務，進而將深度學習的理念引入通信領域。已經(jīng)有很多深度學習模型成功應用于ＡＭＣ 任務［１５］。文獻［１６］采用ＬＳＴＭ 對１０ 種調制樣式信號記性識別，在ＳＮＲ 大于５ ｄＢ 時，平均識別準確率達到９５％ 。文獻［１７］利用循環(huán)神經(jīng)網(wǎng)絡（ＲｅｃｕｒｒｅｎｔＮｅｕｒａｌ Ｎｅｔｗｏｒｋ，ＲＮＮ）對４ 種衛(wèi)星幅相信號調制識別，在ＳＮＲ 為６ ｄＢ 時，信號識別率接近９８％ 。文獻［１８］利用ＣＮＮ 與ＬＳＴＭ 結合的網(wǎng)絡模型對多種調制樣式信號進行分類識別，利用了２ 種網(wǎng)絡在建模能力上的互補性。

大多數(shù)ＡＭＣ 方法假設信道模型是加性高斯白噪聲（Ａｄｄｉｔｉｖｅ Ｗｈｉｔｅ Ｇａｕｓｓｉａｎ Ｎｏｉｓｅ，ＡＷＧＮ）模型或時不變模型。然而，在實際的通信系統(tǒng)中，發(fā)射機和接收機之間的物理信道總是變化的，信道通常是時變的。

文獻［１９］在衛(wèi)星通信場景下提出一種新的特征提取方案，稱為時隙ＣＤ，將采樣時間窗口劃分為連續(xù)的時隙，并將采樣的ＩＱ 信號轉換為二維灰度圖像，可以通過捕獲每個時隙內ＣＤ 的旋轉和縮放軌跡以及連續(xù)圖像之間的演變來實現(xiàn)更好的分類，在慢衰落和快衰落信道中均實現(xiàn)了較高的分類準確率，在一定程度上解決了衛(wèi)星通信信道衰落以及ＳＮＲ 波動大的難題。

文獻［２０］提出一種先進的深度學習模型———ＭＣＢＬＤＮ，由多個ＣＮＮ、一個雙向長短期記憶網(wǎng)絡（Ｂｉｄｉｒｅｃｔｉｏｎａｌ Ｌｏｎｇ Ｓｈｏｒｔ-Ｔｅｒｍ Ｍｅｍｏｒｙ，ＢＬＳＴＭ）和一個ＤＮＮ 結構組成，是一種針對時變通道中ＡＭＣ 任務的高級深度學習模型。在ＭＣＢＬＤＮ 中的時隙ＣＤ方案，將接收信號采樣序列分為Ｌ 個時隙，每個時隙生成一個ＣＤ。最后，Ｌ 個時隙ＣＤ 被轉換為一系列灰度子圖像作為ＭＣＢＬＤＮ 的輸入。時隙ＣＤ 方案的優(yōu)點是ＭＣＢＬＤＮ 由于信道變化而獲得了ＣＤ 的時間演化特征。盡管ＭＣＢＬＤＮ 算法取得了良好的分類性能，但在實際應用中卻存在以下２ 個缺點：

① Ｌ 個時隙ＣＤ 生成的Ｌ 個灰度子圖像是ＭＣＢＬＤＮ 的輸入，并由Ｌ 個不同的ＣＮＮ 使用“ｆｏｒ”循環(huán)進行串行處理。具體來說，每個循環(huán)都會重建一個ＣＮＮ，并使用該ＣＮＮ 來處理灰度子圖像。因此，ＭＣＢＬＤＮ 由于多ＣＮＮ 結構而被過度參數(shù)化，并且由于串行數(shù)據(jù)處理而耗時。

② 時變通道引入的頻率偏移和相位偏移引起ＣＤ 旋轉，這在ＭＣＢＬＤＮ 中被忽略。然而，ＣＤ 旋轉會影響分類性能并降低ＭＣＢＬＤＮ 的魯棒性。

為了克服以上問題，文獻［２０］提出了一種名為ＳＬＣＢＤＮ 的輕量級ＭＣＢＬＤＮ 版本，它將多個ＣＮＮ修剪為一個輕量級ＣＮＮ，并利用空間變換網(wǎng)絡（Ｓｐａｔｉａｌ Ｔｒａｎｓｆｏｒｍｅｒ Ｎｅｔｗｏｒｋ，ＳＴＮ）來減少頻率偏移和相位偏移的影響，其訓練過程如圖４ 所示，主要改進有以下３ 個方面：

① 輕量級ＣＮＮ。將多個具有相同結構的ＣＮＮ縮減為一個。

② 數(shù)據(jù)重排。對多ＣＮＮ 網(wǎng)絡進行裁剪后，對輸入數(shù)據(jù)進行重新排列，然后使用輕量級ＣＮＮ 對輸入數(shù)據(jù)實行并行處理。ＳＬＣＢＤＮ 中的計算復雜度不會因數(shù)據(jù)重新排列而改變，而ＳＬＣＢＤＮ 的計算速度明顯快于ＭＣＢＬＤＮ。

③ ＳＴＮ。引入ＳＴＮ 來糾正ＣＤ 旋轉，以提高分類精度。

ＳＴＮ 是一種無監(jiān)督學習模型，允許神經(jīng)網(wǎng)絡學習如何對輸入圖像進行空間變換，例如縮放、平移、旋轉和裁剪，可以增強模型的幾何不變性。因此，文獻［２０］利用ＳＴＮ 來校正有頻率偏移和相位偏移引起的ＣＤ 旋轉。

在非合作通信系統(tǒng)中，由于接收方事先不知道發(fā)送方的信號參數(shù)以及調制參數(shù)等，接收方無法直接對信號進行解調從而獲取信息，所以識別信號調制樣式仍然是未來研究方向的重難點。本文梳理了目前對信號識別和分類的一些方法，并重點關注基于深度學習識別方法的研究進展，總結各類方法的優(yōu)勢特點以及存在問題。

３ 通信協(xié)議解析

隨著全頻譜多維屬性深度認知領域的不斷發(fā)展，信號的協(xié)議解析作為提高輻射源目標識別準確率與效率的關鍵環(huán)節(jié)，其重要性日益凸顯。協(xié)議解析是不依賴先驗知識為條件，以分析系統(tǒng)行為、數(shù)據(jù)片段特點為方法對捕獲的信號數(shù)據(jù)進行深入分析，獲取協(xié)議字段邊界與語義的過程，以識別和理解其中的協(xié)議信息［２１］。這包括識別信號的調制類型、編碼方式、工作模式及其他相關參數(shù)，如頻率、波特率和幀結構等。協(xié)議解析能夠為信號分析、輻射源識別、優(yōu)化頻譜管理、提升通信效率以及確保通信安全提供重要信息。

常見的協(xié)議解析技術包括基于協(xié)議執(zhí)行過程的協(xié)議解析以及基于數(shù)據(jù)內容的協(xié)議解析?；趨f(xié)議執(zhí)行過程的協(xié)議解析方法通過協(xié)議執(zhí)行中涉及的相關信息推斷協(xié)議格式?；跀?shù)據(jù)內容的協(xié)議解析方法通過分析協(xié)議數(shù)據(jù)內容、協(xié)議數(shù)據(jù)特點，采用協(xié)議字段分割、字段聚合和字段語義挖掘的步驟獲取協(xié)議格式。該方法擺脫了硬件環(huán)境的限制，解析方式更加靈活［２２］。由于只依賴數(shù)據(jù)自身特點，基于數(shù)據(jù)的協(xié)議解析方法使用范圍廣。當前研究主要采用字段挖掘的方式，通過字段頻率、設備行為和字段關系等方式推斷協(xié)議的字段語義。文獻［２３］挖掘協(xié)議數(shù)據(jù)間的信息熵構建屬性距離，通過屬性距離判斷協(xié)議數(shù)據(jù)是否為同一屬性，將屬性與結構特點對應，從而獲取協(xié)議格式，該方法只適用于屬性信息種類較少的協(xié)議。文獻［２４］提出了多級協(xié)議處理方案，解析完畢后采用數(shù)據(jù)校驗的方式修正不足。該方法將解析與驗證分離，采用了多級協(xié)作的解析方法。文獻［２５］針對協(xié)議解析精度低的問題提出了基于字段狀態(tài)的多級協(xié)議解析算法，使用字段特點將字段分為特殊和非特殊狀態(tài)，采用統(tǒng)計方法推測特殊狀態(tài)的字段語義，通過改變統(tǒng)計規(guī)則將非特殊字段分為狀態(tài)變化字段和狀態(tài)不變字段。采取挖掘方法判斷狀態(tài)變化字段的語義，提出邊界探索方法實現(xiàn)狀態(tài)不變字段的邊界劃分與語義推斷，采用校驗算法修正字段語義。該算法利用字段狀態(tài)整合多種解析方法，提高了協(xié)議解析精度。

文獻［２６］設計了一套移動通信系統(tǒng)評估系統(tǒng)用于解析下行數(shù)據(jù)中的協(xié)議級指標與業(yè)務級指標。系統(tǒng)協(xié)議解析與業(yè)務評估架構如圖５ 所示。

下行數(shù)據(jù)進入該評估系統(tǒng)后，先對其進行配置搜索，如果該數(shù)據(jù)屬于上一個曾經(jīng)解析過的小區(qū)，那么在配置信息庫中應該保存了其配置信息，只需要從數(shù)據(jù)庫中調取配置信息進行應用即可。如果這是一個全新的數(shù)據(jù)，從庫中找不到任何數(shù)據(jù)與之匹配，那么需要重新進行解析。

在文獻［２６］中，下行數(shù)據(jù)信號經(jīng)同步模塊、信號解調模塊、協(xié)議解析模塊、業(yè)務數(shù)據(jù)跟蹤模塊以及業(yè)務評估模塊完成協(xié)議級指標與業(yè)務級指標的提取。本文基于此解析流程，并針對具有不同物理層幀結構的２Ｇ、３Ｇ、４Ｇ 系統(tǒng)，完成了對ＧＳＭ、ＷＣＤＭＡ、ＬＴＥ 系統(tǒng)的協(xié)議棧解析。其中針對ＬＴＥ系統(tǒng)的協(xié)議棧解析流程如圖６ 所示?；鶐Р蓸有盘柦?jīng)過小區(qū)搜索、ＰＢＣＨ 解析、ＰＣＦＩＣＨ 解析以及公用ＰＤＣＣＨ 解析等過程獲取協(xié)議級指標參數(shù)。

文獻［２７］針對現(xiàn)有的電磁環(huán)境認知技術無法在非合作的條件下區(qū)分信號內用戶、評估５Ｇ 小區(qū)用戶承載情況的問題，提出一種基于５Ｇ 系統(tǒng)協(xié)議棧解析的小區(qū)用戶數(shù)估計方法，如圖７ 所示。該方法將對整個小區(qū)的分析拆分為對空間中波束的分析，對于監(jiān)測設備所在空間位置的波束，在完成小區(qū)搜索與公共系統(tǒng)參數(shù)獲取后，基于非合作條件下的ＰＤＣＣＨ 解碼算法，獲取波束內所有用戶的無線網(wǎng)絡臨時標識與下行控制信息（Ｄｏｗｎｌｉｎｋ Ｃｏｎｔｒｏｌ Ｉｎｆｏｒ-ｍａｔｉｏｎ，ＤＣＩ），以此統(tǒng)計波束內用戶數(shù)，從而推算小區(qū)內用戶數(shù)。除此之外，基于ＤＣＩ 解析結果以及共享信道解調參考信號（Ｄｅｍｏｄｕｌａｔｉｏｎ ＲｅｆｅｒｅｎｃｅＳｉｇｎａｌ，ＤＭＲＳ）映射位置，計算目標用戶共享信道數(shù)據(jù)塊中承載著業(yè)務數(shù)據(jù)的資源元素數(shù)量，結合其調制編碼方案計算傳輸塊大小，估計用戶用頻時長以及物理層上下行吞吐率，進而推測用戶用頻意圖、感知用戶用頻行為。對用頻行為異常的用戶進一步獲取上行業(yè)務的物理層比特流。

隨著深度學習的廣泛應用，基于深度學習的協(xié)議解析方案不斷推出。文獻［２８ －３０］利用ＣＮＮ 對協(xié)議進行識別與解析。文獻［２８－２９］將采樣數(shù)據(jù)轉換為頻譜圖的形式，提出了一種將ＣＮＮ 與頻譜圖相結合的圖形方案，并在文獻［２９］中進一步開發(fā)基于擠壓和激勵機制的介質訪問控制（Ｍｅｄｉｕｍ ＡｃｃｅｓｓＣｏｎｔｒａｌ，ＭＡＣ）協(xié)議解析方法，該方法將信道關注機制插入到了經(jīng)典ＣＮＮ 中以提高精度。文獻［３０］開發(fā)了一種基于多維ＣＮＮ 的信號級協(xié)議特征提取方法，引入了一種用于變長協(xié)議識別的空間池ＣＮＮ。文獻［３１－３２］在未知通信協(xié)議的非合作式條件下，監(jiān)測獲取用戶物理層用頻行為數(shù)據(jù)，使用改進的ＤｅｎｓｅＮｅｔ 模型［３１］以及改進的Ｌｅｎｅｔ 模型［３２］識別短波電臺的通信行為。此類方法具有在復雜環(huán)境中識別與特征提取能力強的優(yōu)點，可以應對數(shù)據(jù)稀缺和先驗知識不足的問題，但要以大規(guī)模的訓練樣本為代價，且在應用中存在知識、數(shù)據(jù)條件與模型復雜度之間的匹配問題［２７］。

隨著通信技術的快速發(fā)展，特別是５Ｇ 和物聯(lián)網(wǎng)技術的普及，信號的類型和復雜度不斷增加，協(xié)議解析面臨的挑戰(zhàn)包括處理信號的復雜性、解決通信加密帶來的問題、適應不斷出現(xiàn)的新協(xié)議以及滿足實時處理的需求。信號的協(xié)議解析是全頻譜多維屬性深度認知的環(huán)節(jié)，未來研究將側重于開發(fā)更加高效、準確的協(xié)議解析技術，特別是利用人工智能和機器學習算法，以適應日益復雜的通信環(huán)境。

４ 輻射源識別

隨著軟件無線電與集成電路技術的發(fā)展，輻射源的種類和復雜性急劇增加，其參數(shù)配置也展現(xiàn)出前所未有的靈活性。然而，對輻射源目標的認知和識別仍面臨多重挑戰(zhàn)。一方面，輻射源目標的基礎數(shù)據(jù)庫建設并不完善，尤其是海上輻射源目標數(shù)據(jù)庫建設相對滯后，導致先驗信息的嚴重缺乏；另一方面，現(xiàn)有的研究成果雖多聚焦于輻射源信號的特征提取，但對于目標本征屬性及其關鍵表征參量的理解仍顯不足，這限制了對未知輻射源的精準識別能力。

在輻射源目標信號特征提取方面，研究者們已經(jīng)開展了大量工作。文獻［３３］對機場ＷｉＭａｘ 信號進行大量采集并分析研究，通過提取穩(wěn)態(tài)信號的瞬時幅度、相位以及頻率等特征，結合統(tǒng)計量計算，如二階量均值、方差以及三階量峰度等，實現(xiàn)了對不同ＷｉＭａｘ 設備的有效辨識。文獻［３４］基于時－頻能量分布特征，結合希爾伯特－黃變換等方法，進一步增強了不同ＧＳＭ 發(fā)射機個體間的特征差異性，從而提高了識別準確率。文獻［３５］針對８０２． １６ｅ ＷｉＭａｘ暫態(tài)信號，采用離散Ｇａｂｏｒ 變換來提取不同個體的變換域特征差異，在－３ ｄＢ ＳＮＲ 條件下達到了９０％的識別準確率。但需要指出的是，變換域特征提取過程中存在對變換基函數(shù)選擇的主觀性，這可能對識別結果產(chǎn)生較大影響，因此在實際應用中需謹慎選擇。

除了信號特征提取外，輻射源目標識別還涉及來波方向角、信源位置等空域特征以及由輻射源個數(shù)、調制方式、協(xié)議類型和天線極化參數(shù)等構成的參數(shù)域特征。這些特征的獲取和處理對于提高識別性能具有重要意義。例如，空域特征可以通過天線陣列和分布式多節(jié)點聯(lián)合獲取的方法來實現(xiàn)，其中ＭＵＳＩＣ 算法［３６］和旋轉矢量不變法［３７］等經(jīng)典算法在實際應用中具有廣泛的適用性。然而，對于海洋輻射源目標而言，由于其參數(shù)可靈活調整的特點，參數(shù)域方法往往只能提供必要但非充分的識別條件。因此，在未來的研究中，需要更加深入地探索和理解目標本征屬性及其關鍵表征參量，以便為未知輻射源的精準識別提供更加有效的支持。

上述基于統(tǒng)計特征判決的方法，大多假設環(huán)境、噪聲信息穩(wěn)定，對如海洋這類復雜多變場景魯棒性不佳。因此，國內外研究者結合強表征能力的機器學習方法，開展了信號特征結合數(shù)據(jù)驅動模型的輻射源識別研究。基于對上述信號特征的梳理以及對神經(jīng)網(wǎng)絡輸入理解，將信號特征歸為３ 類：圖形特征（如ＣＤ、頻譜圖等）、數(shù)據(jù)流特征（如Ｉ ／ Ｑ 數(shù)據(jù)）以及集合特征（包括二階矩、高階矩等統(tǒng)計特征和調制、極化、協(xié)議參數(shù)）。在圖特征方面，文獻［３８］基于輻射源穩(wěn)態(tài)信號提取的雙譜特征，結合ＣＮＮ 實現(xiàn)對１０ 個不同輻射源的個體識別任務，在２０ ｄＢ ＳＮＲ 情況下，可達到９２％ 的識別準確率。在流特征方面，文獻［３９］對７ 層ＣＮＮ、７ 層殘差網(wǎng)絡、７ 層ＤｅｎｓｅＮｅｔ網(wǎng)絡和卷積長短期深度神經(jīng)網(wǎng)絡（ＣｏｎｖｏｌｕｔｉｏｎａｌＬｏｎｇ Ｓｈｏｒｔ-Ｔｅｒｍ Ｍｅｍｏｒｙ Ｆｕｌｌｙ Ｃｏｎｎｅｃｔｅｄ Ｄｅｅｐ ＮｅｕｒａｌＮｅｔｗｏｒｋ，ＣＬＤＮＮ）在同一個數(shù)據(jù)集內進行了評估，發(fā)現(xiàn)ＣＬＤＮＮ 是處理Ｉ ／ Ｑ 格式的最合適的框架。文獻［４０］針對２． ４ ＧＨｚ 商用ＺｉｇＢｅｅ 輻射源，單獨使用Ｉ 路與Ｑ 路數(shù)據(jù)流，結合ＣＮＮ 實現(xiàn)７ 個輻射源個體識別，可達到９２． ２９％ 識別準確率。在集合特征方面，文獻［４１］提出結合循環(huán)熵譜與長－短期記憶密集連接網(wǎng)絡的識別方法，表現(xiàn)出了對噪聲的魯棒性。然而，現(xiàn)有方法大多針對單一類型特征進行分類器設計，忽略了不同類型特征之間的互補性?？紤]到某些場景中如海上環(huán)境的復雜性和動態(tài)性，將圖形特征、數(shù)據(jù)流特征和集合特征進行融合的分類器設計是一種可行的技術思路，可以利用不同類型特征的聯(lián)合優(yōu)勢，提高輻射源識別的準確性和魯棒性。

此外，現(xiàn)有方法對輻射源本征屬性表征方面，尤其是本征非線性差異的表征仍顯不足，且多數(shù)研究僅局限于對輻射源單個器件的建模分析。在功放建模方面，受非線性預失真技術發(fā)展的影響，已有多種模型被提出，如Ｓａｌｅｈ 模型、Ｖｏｌｔｅｒｒａ 級數(shù)模型、無記憶多項式模型、Ｗｉｅｎｅｒ 模型和神經(jīng)網(wǎng)絡模型及其各種變種模型等［４２］。文獻［４３］基于晶振鎖相環(huán)輸出的自相關函數(shù)樣本的包絡分布對輻射源晶振進行了行為建模。整體上看，現(xiàn)有研究仍聚焦于單一器件的非線性表征與識別方法的設計，對輻射源整體的刻畫仍有缺陷。為了更全面地描述輻射源的非線性特性并提高其識別性能，在未來的研究中，可以從發(fā)射機的整體本征非線性角度出發(fā)，結合多維信號表征特征來探索新的方法。同時，考慮到海洋環(huán)境的復雜性和未知性，使用具有強泛化能力的集成學習分類器是實現(xiàn)未知輻射源目標識別的可行解決方案之一。

５ 空域定向認知

傳統(tǒng)的靜態(tài)或準靜態(tài)場景，使用基于能量檢測的遍歷和迭代窄波束搜索，如圖８ 所示?；镜仁紫仁褂酶采w范圍較大的波束，粗略尋找用戶的位置，然后逐漸減小波束的覆蓋范圍，使用更密集的波束更精確地確定用戶位置。然而，這種模式存在遍歷搜索慢、邊緣對準難和對準非最優(yōu)等缺點。在衛(wèi)星網(wǎng)絡中，衛(wèi)星和地面目標之間相對高速移動，窄波束難以實現(xiàn)快速、方向性對準，所以如何實現(xiàn)空域定向認知成為一個問題。一方面使用波束賦形技術控制波束的方向和形狀；另一方面研究波束追蹤算法，減小搜索開銷，提高追蹤效果。

毫米波通信憑借其超寬（３０ ～ ３００ ＧＨｚ）頻譜資源，已成為５Ｇ 蜂窩系統(tǒng)部署的關鍵技術之一，可提供數(shù)Ｇｂｉｔ ／ ｓ 的數(shù)據(jù)速率并提高頻譜效率。然而，由于其高衰減和弱穿透性，需要大規(guī)模多輸入多輸出（Ｍｕｌｔｉ Ｉｎｐｕｔ Ｍｕｌｔｉ Ｏｕｔｐｕｔ，ＭＩＭＯ）來實現(xiàn)高增益定向波束成形。通過波束賦形可以獲得更大的天線增益，以減輕傳播損耗并實現(xiàn)足夠的鏈路余量。波束寬度隨著天線數(shù)量的增加而減小，用戶之間的干擾也隨之減小。因此，波束賦形是毫米波與大規(guī)模ＭＩＭＯ 結合的關鍵。

最優(yōu)波束成形的前提是獲得完整的信道狀態(tài)信息（Ｃｈａｎｎｅｌ Ｓｔａｔｅ Ｉｎｆｏｒｍａｔｉｏｎ，ＣＳＩ），因此有必要進行毫米波信道估計，特別是在大規(guī)模ＭＩＭＯ 系統(tǒng)中。用于毫米波通信的ＣＳＩ 估計方法包括最小二乘法（Ｌｅａｓｔ Ｓｑｕａｒｅ，ＬＳ）、線性最小均方誤差（Ｌｉｎｅａｒ Ｍｉｎｉｍｕｍ Ｍｅａｎ Ｓｑｕａｒｅ Ｅｒｒｏｒ，ＬＭＭＳＥ）、壓縮感知（Ｃｏｍｐｒｅｓｓｅｄ Ｓｅｎｓｉｎｇ，ＣＳ）和新興的基于深度學習的信道估計方法等。ＬＳ 的優(yōu)點在于復雜度低，但估計誤差較大。ＬＭＭＳＥ 具有較高的估計精度，但需要信道統(tǒng)計和噪聲方差作為先驗信息，限制了其在實際中的應用。在毫米波頻段角域的稀疏假設下，人們提出了大量基于ＣＳ 的方法［４４－４５］。為了緩解基于ＣＳ 的方法中量化角度網(wǎng)格的網(wǎng)格失配現(xiàn)象，文獻［４４］提出了一種高復雜度的超高分辨率估計算法。針對頻分雙工（Ｆｒｅｑｕｅｎｃｙ Ｄｕｐｌｅｘｉｎｇ Ｄｉｖｉｓｉｏｎ，ＦＤＤ）系統(tǒng)，文獻［４５］提出了一種非正交導頻設計方案，并使用分布式稀疏度自適應匹配追蹤算法（Ｓｐａｒｓｉｔｙ ＡｄａｐｔｉｖｅＭａｔｃｈｉｎｇ Ｐｕｒｓｕｉｔ，ＳＡＭＰ）來聯(lián)合估計多個子載波，但該方案需要反饋，增加了訓練開銷和估計延遲。

隨著衛(wèi)星等高移動通信領域的快速發(fā)展，移動條件下信道估計算法的需求逐漸增加。文獻［４６］提出了一種新穎的傳輸幀結構，將時變信道的估計分為２ 個階段。通過自適應算法來估計角度，作為塊稀疏恢復問題，然而ＣＳ 固有的量化誤差仍然存在，并且訓練開銷也很大。深度學習因其自學習能力和硬件計算能力的增強而受到廣泛關注。在此基礎上，深度學習滲透到無線通信領域，如信道編解碼、信道信息反饋、波束搜索、波束成形、調制識別和信道估計等［４７－４９］。文獻［４７］針對高動態(tài)車輛場景，利用ＤＮＮ 對空時分組碼進行ｋ 步信道預測，然后提出面向決策的信道估計算法，而無需進行信道多普勒頻移估計。文獻［４８］提出了２ 種不同的信道估計方案：一種是數(shù)據(jù)驅動的端到端信道估計器；另一種是結合通信知識和少量訓練參數(shù)的模型驅動的信道估計器。針對瑞利衰落信道的特點，文獻［４９］提出了一種將ＲＮＮ 結構與滑動窗口相結合的估計器———ＳＢＧＲＵ。然而，這２ 種方案需要大量訓練數(shù)據(jù)，導致額外的訓練成本。值得注意的是，文獻［４９］中的毫米波信道模型僅可以獲得沒有到達角（Ａｎｇｌｅ ｏｆ Ａｒｒｉｖａｌ，ＡｏＡ）／ 離去角（Ａｎｇｌｅ ｏｆ Ｄｅｐａｒ-ｔｕｒｅ，ＡｏＤ）估計和信道增益的信道矩陣。

此外，通過去噪來優(yōu)化信號也是提高估計精度的有效方法。殘差學習在圖像分類和識別領域被廣泛采用。與一般ＣＮＮ 不同的是，殘差網(wǎng)絡只需要通過“捷徑”結構直接學習輸入和輸出之間的差異，保持了輸入信息的完整性，降低了模型學習的難度。此外，它還緩解了ＣＮＮ 深度增加導致的梯度消失。對于圖像恢復，文獻［５０］設計了一種前饋去噪ＣＮＮ（Ｄｅｎｏｉｓｉｎｇ Ｃｏｎｖｏｌｕｔｉｏｎａｌ Ｎｅｕｒａｌ Ｎｅｔｗｏｒｋ，ＤｎＣＮＮ），其中利用殘差學習和批量歸一化來提高去噪性能。隨著ＣＮＮ 的發(fā)展，殘差學習在文本和語音處理中也表現(xiàn)出了類似的表現(xiàn)。

ＭＩＭＯ 雷達可以全天候、全天時、長距離檢測和定位目標。與傳統(tǒng)相控陣雷達（Ｐｈａｓｅｄ ＡｒｒａｙＲａｄａｒ，ＰＡＲ）相比，ＭＩＭＯ 雷達通過空間中并行多通道獲取信息，實現(xiàn)對多個目標的參數(shù)估計。由于接收機的移動性，信道的狀態(tài)在時域上不斷變化。在這種情況下，ＭＩＭＯ 雷達的快速檢測特性可以發(fā)揮其優(yōu)勢，占用的開銷更少。通過分集處理增加了天線孔徑和空間分集增益，從而提高了參數(shù)估計精度。對于ＭＩＭＯ 雷達，存在多種ＤｏＡ 估計方法，例如Ｃａｐｏｎ、ＭＵＳＩＣ、ＥＳＰＲＩＴ、稀疏貝葉斯學習等。上述工作中的陣列模型是在陣列單元被精確校準的假設下進行的。然而，實際中存在各種陣列缺陷，例如互耦、增益和相位誤差以及位置誤差，導致估計性能下降。

為了解決上述問題，文獻［５１］提出了一種使用深度學習的ＭＩＭＯ 雷達輔助信道估計方案，用于上行鏈路毫米波多用戶ＭＩＭＯ 通信。為了合理分配導頻資源，設計了聯(lián)合雷達模塊和通信模塊的傳輸幀結構，將估計方案分為２ 個階段，即ＡｏＡ ／ ＡｏＤ 估計階段和增益估計階段。針對實際陣元的缺陷，提出一種在ＡｏＡ ／ ＡｏＤ 估計階段基于子空間重構的ＡｏＡ ／ＡｏＤ 估計算法，即２ 步角度估計（Ｔｗｏ-Ｓｔｅｐ Ａｎｇｌｅ Ｅｓｔｉｍａｔｉｏｎ，ＴＳＡＥ）算法。在增益估計階段，設計了基于深度學習的信道增益估計器。提出了一種結合殘差結構的自動編碼器，稱為殘差去噪自動編碼器（Ｒｅｓｉｄｕａｌ Ｄｅｎｏｉｓｉｎｇ Ａｕｔｏｅｎｃｏｄｅｒ，ＲＤＡＥ）來消除無線信號上的噪聲，并將其傳遞到ＬＳ 估計模塊以獲得增益。仿真結果表明，ＭＩＭＯ 雷達輔助和基于深度學習的信道估計器能夠以更少的訓練資源提供高移動毫米波信道的高效估計性能。

毫米波鏈路建立和維護的主要困難是如何在移動條件下實現(xiàn)快速、魯棒的波束跟蹤［５２］。特別是在發(fā)射機和接收機的高度動態(tài)場景中，需要魯棒可靠的波束跟蹤算法來保證穩(wěn)定的毫米波通信鏈路連接。為了應對這些挑戰(zhàn)，迫切需要快速、準確地基于預測的波束跟蹤算法來維持傳輸穩(wěn)定性。

波束跟蹤算法在無人駕駛和車聯(lián)網(wǎng)場景中得到了較為深入的研究。在毫米波支持的Ｖ２Ｉ 通信場景中，已經(jīng)提出了幾種基于位置的波束跟蹤算法。文獻［５３］說明，基于位置的波束搜索算法在失準概率和訓練開銷方面比其他方法表現(xiàn)更好。此外，還提出了一些基于位置的離線波束訓練算法，以一些給定的輸入數(shù)據(jù)為先決條件。文獻［５４］深度ＣＮＮ 經(jīng)過離線訓練，以實現(xiàn)基于激光雷達和位置信息的波束選擇策略。

與離線解決方案相比，在線波束跟蹤最近引起了更多關注，這對于提高波束跟蹤的魯棒性和效率以及即使在未經(jīng)訓練的智能網(wǎng)聯(lián)汽車（Ｃｏｎｎｅｃｔｅｄ-Ａｕｔｏｍａｔｅｄ Ｖｅｈｉｃｌｅ，ＣＡＶ）環(huán)境中也保證通信鏈路的穩(wěn)定連接至關重要，無需訓練成本即可更新觀察集。為了減少波束搜索開銷，文獻［５５ －５６］提出了一種多頻段聚合方法，利用專用短程通信的加權空間信息來輔助毫米波波束對準，其中分析了毫米波和Ｓｕｂ６ ＧＨｚ 頻段之間的空間一致性。在文獻［５６］中，與僅使用帶內信息的方法相比，加權稀疏恢復方法使用帶外信息顯著減少了波束訓練開銷。文獻［５７］提出了基于智能加權網(wǎng)格搜索的快速波束對準和波束跟蹤算法，并通過開發(fā)的硬件測試臺在２８ ＧＨｚ 頻段進行了評估。然而，波束角度變化過程被假設為具有恒定方差的平穩(wěn)隨機過程。此外，波束角變化過程僅限于方位角方向，基于理想假設，沒有考慮車輛的高度差異。因此，上述工作無法解決毫米波ＣＡＶ 場景中快速準確的波束跟蹤問題。此外，文獻［５８］提出了一種基于不準確位置的波束對準算法，通過使用附近接收器的位置信息來最大化平均吞吐量。

文獻［５９］提出了一種在線波束跟蹤算法來維持ＣＡＶ 穩(wěn)定的毫米波Ｖ２Ｖ 連接。提出的基于車輛行為認知粒子濾波器（Ｖｅｈｉｃｌｅ Ｂｅｈａｖｉｏｒ Ｃｏｇｎｉｔｉｖｒｅ-Ｐａｒｔｉｃｌｅ Ｆｉｌｔｅｒ，ＶＢＣ-ＰＦ）的波束跟蹤算法考慮車輛的移動性和車輛通信的信道模型，基于ＣＡＶ 中車輛行為認知的波束變化率和位置偏航信息來預測波束空間子集，有效地減少了波束搜索開銷。在所提出的ＶＢＣ-ＰＦ 算法中，基于最優(yōu)車輛行為認知來設計粒子權重更新方案，以避免粒子發(fā)散和誤差累積。仿真和硬件測試結果驗證了所提出的ＶＢＣ-ＰＦ 算法的準確性和效率優(yōu)于傳統(tǒng)粒子濾波器和擴展卡爾曼濾波器算法。

使用深度學習技術進行信道估計，提高波束賦形精度；設計波束追蹤算法，提升波束搜索和跟蹤能力，是空域定向認知的發(fā)展方向。

６ 結束語

本文通過對近年來相關研究的綜合分析和對比，總結了全頻譜多維屬性深度認知的概念、預期目標和主要方法。從頻譜感知出發(fā)，介紹了頻譜感知技術的重要性，然后拓展到對輻射源目標全面識別范疇，構建了輻射源目標多維完備表征數(shù)據(jù)庫，提出了從信號多維特征與個體本征屬性雙重維度對輻射源目標進行精準認知的技術路線?；谛盘柕亩嗑S屬性，本文分析了調制域、協(xié)議域中信號的調制識別以及協(xié)議解析等研究現(xiàn)狀，然后以衛(wèi)星信號識別和無人駕駛汽車空域定位為例，講解了高速移動目標信號識別和空域定向認知的研究現(xiàn)狀和主要研究方向。在未來研究中，結合現(xiàn)有技術的瓶頸和短板，研究例如將ＡＭＣ 與大規(guī)模ＭＩＭＯ 結合，使用可解釋性人工智能（Ｅｘｐｌａｉｎａｂｌｅ Ａｒｔｉｆｉｃｉａｌ Ｉｎｔｅｌｌｉｇｅｎｃｅ，ＸＡＩ）技術來克服深度學習的黑盒特性和可解釋性方面的問題，從而讓全頻譜認知達到“測得快”“測得準”“測得寬”的目標。

參考文獻

［１］ 李京華，丁國如，徐以濤，等． 面向電磁頻譜戰(zhàn)的群體智能初探［Ｊ］． 航空兵器，２０２０，２７（４）：５６－６３．

［２］ 黃賽． 復雜電磁環(huán)境下高性能頻譜感知與分析方法研究［Ｄ］． 北京：北京郵電大學，２０１７．

［３］ ＡＩＳＷＡＲＹＡ Ｋ Ｖ，ＮＡＩＤＵ Ｇ Ｎ Ｒ Ｍ，ＫＡＬＡＩＡＲＡＳＩ Ｋ，ｅｔａｌ． Ｓｐｅｃｔｒｕｍ Ｓｅｎｓｉｎｇ Ｕｓｉｎｇ Ｓｐａｒｓｅ Ｂａｙｅｓｉａｎ Ｌｅａｒｎｉｎｇ［Ｃ］∥２０１９ Ｉｎｔｅｒｎａｔｉｏｎａｌ Ｃｏｎｆｅｒｅｎｃｅ ｏｎ Ｃｏｍｍｕｎｉｃａｔｉｏｎａｎｄ Ｓｉｇｎａｌ Ｐｒｏｃｅｓｓｉｎｇ （ＩＣＣＳＰ ）． Ｃｈｅｎｎａｉ：ＩＥＥＥ，２０１９：５８２－５８６．

［４］ ＸＩＡＯ Ｙ Ｃ，ＺＨＵ Ｆ，ＺＨＵＡＮＧ Ｓ Ｘ，ｅｔ ａｌ． Ｂｌｉｎｄ ＳｏｕｒｃｅＳｅｐａｒａｔｉｏｎ ａｎｄ Ｄｅｅｐ Ｆｅａｔｕｒｅ Ｌｅａｒｎｉｎｇ ＮｅｔｗｏｒｋｂａｓｅｄＩｄｅｎｔｉｆｉｃａｔｉｏｎ ｏｆ Ｍｕｌｔｉｐｌｅ Ｅｌｅｃｔｒｏｍａｇｎｅｔｉｃ ＲａｄｉａｔｉｏｎＳｏｕｒｃｅｓ［Ｊ］． ＩＥＥＥ Ｔｒａｎｓａｃｔｉｏｎｓ ｏｎ Ｉｎｓｔｒｕｍｅｎｔａｔｉｏｎ ａｎｄＭｅａｓｕｒｅｍｅｎｔ，２０２３，７２：１－１３．

［５］ ＬＩ Ｙ Ｆ，ＣＡＯ Ｃ Ｊ，ＺＨＡＮＧ Ｈ，ｅｔ ａｌ． Ｆｅａｔｕｒｅ Ｅｘｔｒａｃｔｉｏｎ ａｎｄＩｄｅｎｔｉｆｉｃａｔｉｏｎ ｏｆ Ｓｐｅｃｉｆｉｃ Ｒａｄｉａｔｉｏｎ Ｓｏｕｒｃｅｓ Ｂａｓｅｄ ｏｎ ＡｘｉａｌＩｎｔｅｇｒａｌ Ｂｉｓｐｅｃｔｒｕｍ ａｎｄ Ｄｅｅｐ Ｒｅｓｉｄｕａｌ Ｓｈｒｉｎｋａｇｅ Ｎｅｔｗｏｒｋ［Ｃ］∥２０２２ Ｉｎｔｅｒｎａｔｉｏｎａｌ Ｃｏｎｆｅｒｅｎｃｅ ｏｎ Ｎｅｔｗｏｒｋｉｎｇ ａｎｄＮｅｔｗｏｒｋ Ａｐｐｌｉｃａｔｉｏｎｓ （ＮａＮＡ ）． Ｕｒｕｍｑｉ：ＩＥＥＥ，２０２２：１３－１８．

［６］ ＳＡＲＩＫＨＡＮＩ Ｒ， ＫＥＹＮＩＡ Ｆ． Ｃｏｏｐｅｒａｔｉｖｅ ＳｐｅｃｔｒｕｍＳｅｎｓｉｎｇ Ｍｅｅｔｓ Ｍａｃｈｉｎｅ Ｌｅａｒｎｉｎｇ：Ｄｅｅｐ ＲｅｉｎｆｏｒｃｅｍｅｎｔＬｅａｒｎｉｎｇ Ａｐｐｒｏａｃｈ ［Ｊ］． ＩＥＥＥ Ｃｏｍｍｕｎｉｃａｔｉｏｎｓ Ｌｅｔｔｅｒｓ，２０２０，２４（７）：１４５９－１４６２．

［７］ 阮天宸，吳啟暉，趙世瑾，等． 認知學習：電磁頻譜空間機器學習新范式［Ｊ ］． 電子學報，２０２３，５１ （６ ）：１４３０－１４４２．

［８］ ＣＨＥＮ Ｙ Ｍ，ＹＵ Ｌ，ＹＡＯ Ｙ Ｙ，ｅｔ ａｌ． Ｉｎｄｉｖｉｄｕａｌ ＩｄｅｎｔｉｆｉｃａｔｉｏｎＴｅｃｈｎｏｌｏｇｙ ｏｆ Ｃｏｍｍｕｎｉｃａｔｉｏｎ Ｒａｄｉａｔｉｏｎ Ｓｏｕｒｃｅｓ Ｂａｓｅｄ ｏｎＤｅｅｐ Ｌｅａｒｎｉｎｇ［Ｃ］∥２０２０ ＩＥＥＥ ２０ｔｈ Ｉｎｔｅｒｎａｔｉｏｎａｌ Ｃｏｎｆｅｒｅｎｃｅ ｏｎ Ｃｏｍｍｕｎｉｃａｔｉｏｎ Ｔｅｃｈｎｏｌｏｇｙ （ＩＣＣＴ）． Ｎａｎｎｉｎｇ：ＩＥＥＥ，２０２０：１３０１－１３０５．

［９］ 陳昌美，李艷斌． 基于卷積神經(jīng)網(wǎng)絡的調制樣式識別研究［Ｊ］． 信息技術，２０２０，４４（１）：１０１－１０６．

［１０］ ＰＯＬＹＤＯＲＯＳ Ａ，ＫＩＭ Ｋ． Ｏｎ ｔｈｅ Ｄｅｔｅｃｔｉｏｎ ａｎｄ Ｃｌａｓｓｉｆｉｃａｔｉｏｎｏｆ Ｑｕａｄｒａｔｕｒｅ Ｄｉｇｉｔａｌ Ｍｏｄｕｌａｔｉｏｎｓ ｉｎ Ｂｒｏａｄｂａｎｄ Ｎｏｉｓｅ［Ｊ］．ＩＥＥＥ Ｔｒａｎｓａｃｔｉｏｎｓ ｏｎ Ｃｏｍｍｕｎｉｃａｔｉｏｎｓ，１９９０，３８ （８ ）：１１９９－１２１１．

［１１］ ＴＡＤＡＩＯＮ Ａ Ａ，ＤＥＲＡＫＨＴＩＡＮ Ｍ，ＧＡＺＯＲ Ｓ，ｅｔ ａｌ． Ｌｉｋｅｌｉｈｏｏｄ Ｒａｔｉｏ Ｔｅｓｔｓ ｆｏｒ ＰＳＫ Ｍｏｄｕｌａｔｉｏｎ Ｃｌａｓｓｉｆｉｃａｔｉｏｎ ｉｎ Ｕｎｋｎｏｗｎ Ｎｏｉｓｅ Ｅｎｖｉｒｏｎｍｅｎｔ［Ｃ］∥ Ｃａｎａｄｉａｎ Ｃｏｎｆｅｒｅｎｃｅ ｏｎＥｌｅｃｔｒｉｃａｌ ａｎｄ Ｃｏｍｐｕｔｅｒ Ｅｎｇｉｎｅｅｒｉｎｇ． Ｓａｓｋａｔｏｏｎ：ＩＥＥＥ，２００５：１５１－１５４．

［１２］ ＭＯＳＥＲ Ｅ，ＭＯＲＡＮ Ｍ Ｋ，ＨＩＬＬＥＮ Ｅ，ｅｔ ａｌ． ＡｕｔｏｍａｔｉｃＭｏｄｕｌａｔｉｏｎ Ｃｌａｓｓｉｆｉｃａｔｉｏｎ ｖｉａ Ｉｎｓｔａｎｔａｎｅｏｕｓ Ｆｅａｔｕｒｅｓ［Ｃ］∥２０１５ Ｎａｔｉｏｎａｌ Ａｅｒｏｓｐａｃｅ ａｎｄ Ｅｌｅｃｔｒｏｎｉｃｓ Ｃｏｎｆｅｒｅｎｃｅ（ＮＡＥＣＯＮ）． Ｄａｙｔｏｎ：ＩＥＥＥ，２０１５：２１８－２２３．

［１３］ 王建新，宋輝． 基于星座圖的數(shù)字調制方式識別［Ｊ］．通信學報，２００４（６）：１６６－１７３．

［１４］ 張思成，林云，涂涯，等． 基于輕量級深度神經(jīng)網(wǎng)絡的電磁信號調制識別技術［Ｊ］． 通信學報，２０２０，４１（１１）：１２－２１．

［１５］ ＨＵＡＮＧ Ｓ，ＤＡＩ Ｒ，ＨＵＡＮＧ Ｊ Ｊ，ｅｔ ａｌ． ＡｕｔｏｍａｔｉｃＭｏｄｕｌａｔｉｏｎ Ｃｌａｓｓｉｆｉｃａｔｉｏｎ Ｕｓｉｎｇ Ｇａｔｅｄ Ｒｅｃｕｒｒｅｎｔ ＲｅｓｉｄｕａｌＮｅｔｗｏｒｋ［Ｊ］． ＩＥＥＥ Ｉｎｔｅｒｎｅｔ ｏｆ Ｔｈｉｎｇｓ Ｊｏｕｒｎａｌ，２０２０，７（８）：７７９５－７８０７．

［１６］ 鄒海英． 基于ＤｅｅｐＬＳＴＭ 的通信信號調制識別算法［Ｊ］． 現(xiàn)代計算機，２０２０（１６）：３－７．

［１７］ 查雄，彭華，秦鑫，等． 基于循環(huán)神經(jīng)網(wǎng)絡的衛(wèi)星幅相信號調制識別與解調算法［Ｊ］． 電子學報，２０１９，４７（１１）：２４４３－２４４８．

［１８］ ＺＨＡＮＧ Ｚ Ｆ，ＬＵＯ Ｈ，ＷＡＮＧ Ｃ，ｅｔ ａｌ． ＡｕｔｏｍａｔｉｃＭｏｄｕｌａｔｉｏｎ Ｃｌａｓｓｉｆｉｃａｔｉｏｎ Ｕｓｉｎｇ ＣＮＮＬＳＴＭ Ｂａｓｅｄ Ｄｕａｌｓｔｒｅａｍ Ｓｔｒｕｃｔｕｒｅ ［Ｊ ］． ＩＥＥＥ Ｔｒａｎｓａｃｔｉｏｎｓ ｏｎ ＶｅｈｉｃｕｌａｒＴｅｃｈｎｏｌｏｇｙ，２０２０，６９（１１）：１３５２１－１３５３１．

［１９］ ＺＨＯＵ Ｙ，ＬＩＮ Ｔ，ＺＨＵ Ｙ． Ａｕｔｏｍａｔｉｃ Ｍｏｄｕｌａｔｉｏｎ Ｃｌａｓｓｉｆｉｃａｔｉｏｎ ｉｎ Ｔｉｍｅｖａｒｙｉｎｇ Ｃｈａｎｎｅｌｓ Ｂａｓｅｄ ｏｎ Ｄｅｅｐ Ｌｅａｒｎｉｎｇ［Ｊ］． ＩＥＥＥ Ａｃｃｅｓｓ，２０２０，８：１９７５０８－１９７５２２．

［２０］ ＺＨＡＮＧ Ｒ Ｙ，ＣＨＡＮＧ Ｓ，ＷＥＩ Ｚ Ｑ，ｅｔ ａｌ． ＭｏｄｕｌａｔｉｏｎＣｌａｓｓｉｆｉｃａｔｉｏｎ ｏｆ Ａｃｔｉｖｅ Ａｔｔａｃｋｓ ｉｎ Ｉｎｔｅｒｎｅｔ ｏｆ Ｔｈｉｎｇｓ：Ｌｉｇｈｔｗｅｉｇｈｔ ＭＣＢＬＤＮ ｗｉｔｈ Ｓｐａｔｉａｌ Ｔｒａｎｓｆｏｒｍｅｒ Ｎｅｔｗｏｒｋ［Ｊ］． ＩＥＥＥ Ｉｎｔｅｒｎｅｔ ｏｆ Ｔｈｉｎｇｓ Ｊｏｕｒｎａｌ，２０２２，９ （１９ ）：１９１３２－１９１４６．

［２１］ 李嘉輝． 工業(yè)互聯(lián)網(wǎng)協(xié)議識別與解析方法研究及系統(tǒng)實現(xiàn)［Ｄ］． 西安：西安電子科技大學，２０２２．

［２２］ ＨＵＡＮＧ Ｙ Ｙ，ＳＨＵ Ｈ，ＫＡＮＧ Ｆ，ｅｔ ａｌ． Ｐｒｏｔｏｃｏｌ Ｒｅｖｅｒｓｅｅｎｇｉｎｅｅｒｉｎｇ Ｍｅｔｈｏｄｓ ａｎｄ Ｔｏｏｌｓ：Ａ Ｓｕｒｖｅｙ ［Ｊ］． ＣｏｍｐｕｔｅｒＣｏｍｍｕｎｉｃａｔｉｏｎｓ，２０２２，１８２：２３８－２５４．

［２３］ ＬＩＵ Ｏ Ｙ，ＺＨＥＮＧ Ｂ，ＳＵＮ Ｗ，ｅｔ ａｌ． Ａ Ｄａｔａｄｒｉｖｅｎ Ａｐｐｒｏａｃｈｆｏｒ Ｒｅｖｅｒｓｅ Ｅｎｇｉｎｅｅｒｉｎｇ Ｅｌｅｃｔｒｉｃ Ｐｏｗｅｒ Ｐｒｏｔｏｃｏｌｓ［Ｊ］． Ｊｏｕｒｎａｌｏｆ Ｓｉｇｎａｌ Ｐｒｏｃｅｓｓｉｎｇ Ｓｙｓｔｅｍｓ，２０２１，９３（７）：１－９．

［２４］ ＷＡＮＧ Ｑ，ＳＵＮ Ｚ Ｈ，ＷＡＮＧ Ｚ Ｑ，ｅｔ ａｌ． Ａ Ｐｒａｃｔｉｃａｌ Ｆｏｒｍａｔａｎｄ Ｓｅｍａｎｔｉｃ Ｒｅｖｅｒｓｅ Ａｎａｌｙｓｉｓ Ａｐｐｒｏａｃｈ ｆｏｒ ＩｎｄｕｓｔｒｉａｌＣｏｎｔｒｏｌ Ｐｒｏｔｏｃｏｌｓ ［Ｊ］． Ｓｅｃｕｒｉｔｙ ａｎｄ Ｃｏｍｍｕｎｉｃａｔｉｏｎ Ｎｅｔｗｏｒｋｓ，２０２１，２０２１：６６９０９８８．

［２５］ ＪＩＡＮＧ Ｘ Ｙ，ＱＩＵ Ｔ，ＺＨＯＵ Ｘ Ｂ，ｅｔ ａｌ． Ａ Ｔｅｘｔ Ｓｉｍｉｌａｒｉｔｙｂａｓｅｄ Ｐｒｏｔｏｃｏｌ Ｐａｒｓｉｎｇ Ｓｃｈｅｍｅ ｆｏｒ Ｉｎｄｕｓｔｒｉａｌ Ｉｎｔｅｒｎｅｔ ｏｆＴｈｉｎｇｓ［Ｃ］∥２０２１ ＩＥＥＥ ２４ｔｈ Ｉｎｔｅｒｎａｔｉｏｎａｌ Ｃｏｎｆｅｒｅｎｃｅ ｏｎＣｏｍｐｕｔｅｒ Ｓｕｐｐｏｒｔｅｄ Ｃｏｏｐｅｒａｔｉｖｅ Ｗｏｒｋ ｉｎ Ｄｅｓｉｇｎ （ＣＳＣＷＤ）． Ｄａｌｉａｎ：ＩＥＥＥ，２０２１：７８１－７８７．

［２６］ 冀澈． 非合作模式下移動通信系統(tǒng)下行信號分析與評估［Ｄ］． 北京：北京郵電大學，２０１９．

［２７］ 郭冬倩． ５Ｇ 電磁環(huán)境深度認知技術研究與系統(tǒng)搭建［Ｄ］． 北京：北京郵電大學，２０２３．

［２８］ ＺＨＡＮＧ Ｘ Ｔ，ＳＨＥＮ Ｗ Ｇ，ＸＵ Ｊ Ｌ，ｅｔ ａｌ． Ａ ＭＡＣ ＰｒｏｔｏｃｏｌＩｄｅｎｔｉｆｉｃａｔｉｏｎ Ａｐｐｒｏａｃｈ Ｂａｓｅｄ ｏｎ Ｃｏｎｖｏｌｕｔｉｏｎａｌ ＮｅｕｒａｌＮｅｔｗｏｒｋ［Ｃ］∥２０２０ Ｉｎｔｅｒｎａｔｉｏｎａｌ Ｃｏｎｆｅｒｅｎｃｅ ｏｎ ＷｉｒｅｌｅｓｓＣｏｍｍｕｎｉｃａｔｉｏｎｓ ａｎｄ Ｓｉｇｎａｌ Ｐｒｏｃｅｓｓｉｎｇ （ＷＣＳＰ）． Ｎａｎｊｉｎｇ：ＩＥＥＥ，２０２０：５３４－５３９．

［２９］ ＺＨＡＮＧ Ｘ Ｔ，ＤＩＮＧ Ｇ Ｒ，ＬＩ Ｊ，ｅｔ ａｌ． Ｄｅｅｐ Ｌｅａｒｎｉｎｇ Ｅｍｐｏｗｅｒｅｄ ＭＡＣ Ｐｒｏｔｏｃｏｌ Ｉｄｅｎｔｉｆｉｃａｔｉｏｎ ｗｉｔｈ ＳｑｕｅｅｚｅａｎｄＥｘｃｉｔａｔｉｏｎ Ｎｅｔｗｏｒｋｓ［Ｊ］． ＩＥＥＥ Ｔｒａｎｓａｃｔｉｏｎｓ ｏｎ ＣｏｇｎｉｔｉｖｅＣｏｍｍｕｎｉｃａｔｉｏｎｓ ａｎｄ Ｎｅｔｗｏｒｋｉｎｇ，２０２１，８（２）：６８３－６９３．

［３０］ ＲＥＮ Ｊ，ＬＩ Ｓ，ＳＯＮＧ Ｙ Ｈ，ｅｔ ａｌ． Ｄｅｅｐ Ｌｅａｒｎｉｎｇ ＢａｓｅｄＩｄｅｎｔｉｆｉｃａｔｉｏｎ Ｍｅｔｈｏｄ ｆｏｒ Ｓｉｇｎａｌｌｅｖｅｌ Ｗｉｒｅｌｅｓｓ Ｐｒｏｔｏｃｏｌ［Ｊ］． ＩＥＥＥ Ａｃｃｅｓｓ，２０２２，１０：１１８１８７－１１８１９７．

［３１］ ＷＵ Ｚ Ｌ，ＣＨＥＮ Ｈ，ＬＥＩ Ｙ Ｋ，ｅｔ ａｌ． Ｒｅｃｏｇｎｉｚｉｎｇ ＡｕｔｏｍａｔｉｃＬｉｎｋ Ｅｓｔａｂｌｉｓｈｍｅｎｔ Ｂｅｈａｖｉｏｒｓ ｏｆ ａ Ｓｈｏｒｔｗａｖｅ ＲａｄｉｏＳｔａｔｉｏｎ ｂｙ ａｎ Ｉｍｐｒｏｖｅｄ Ｕｎｉｄｉｍｅｎｓｉｏｎａｌ ＤｅｎｓｅＮｅｔ ［Ｊ］．ＩＥＥＥ Ａｃｃｅｓｓ，２０２０，８：９６０５５－９６０６４．

［３２］ ＷＵ Ｚ Ｌ，ＣＨＥＮ Ｈ，ＬＥＩ Ｙ Ｋ． Ｒｅｃｏｇｎｉｚｉｎｇ Ｎｏｎｃｏｌｌａｂｏｒａｔｉｖｅ Ｒａｄｉｏ Ｓｔａｔｉｏｎ Ｃｏｍｍｕｎｉｃａｔｉｏｎ Ｂｅｈａｖｉｏｒｓ Ｕｓｉｎｇａｎ Ａｍｅｌｉｏｒａｔｅｄ ＬｅＮｅｔ［Ｊ］． Ｓｅｎｓｏｒｓ，２０２０，２０（１５）：４３２０．

［３３］ ＷＩＬＬＩＡＭＳ Ｍ Ｋ Ｄ，ＭＵＮＮＳ Ｓ Ａ，ＴＥＭＰＬＥ Ｍ Ａ，ｅｔ ａｌ． ＲＦＤＮＡ Ｆｉｎｇｅｒｐｒｉｎｔｉｎｇ ｆｏｒ Ａｉｒｐｏｒｔ Ｗｉｍａｘ Ｃｏｍｍｕｎｉｃａｔｉｏｎｓ Ｓｅｃｕｒｉｔｙ［Ｃ］∥２０１０ Ｆｏｕｒｔｈ Ｉｎｔｅｒｎａｔｉｏｎａｌ Ｃｏｎｆｅｒｅｎｃｅ ｏｎ Ｎｅｔｗｏｒｋ ａｎｄＳｙｓｔｅｍ Ｓｅｃｕｒｉｔｙ． Ｍｅｌｂｏｕｒｎｅ：ＩＥＥＥ，２０１０：３２－３９．

［３４］ ＹＵＡＮ Ｙ Ｊ，ＨＵＡＮＧ Ｚ Ｔ，ＷＵ Ｈ，ｅｔ ａｌ． Ｓｐｅｃｉｆｉｃ ＥｍｉｔｔｅｒＩｄｅｎｔｉｆｉｃａｔｉｏｎ Ｂａｓｅｄ ｏｎ ＨｉｌｂｅｒｔＨｕａｎｇ ＴｒａｎｓｆｏｒｍｂａｓｅｄＴｉｍｅｆｒｅｑｕｅｎｃｙｅｎｅｒｇｙ Ｄｉｓｔｒｉｂｕｔｉｏｎ Ｆｅａｔｕｒｅｓ ［Ｊ ］． ＩＥＴＣｏｍｍｕｎｉｃａｔｉｏｎｓ，２０１４，８（１３）：２４０４－２４１２．

［３５］ ＲＥＩＳＩＮＧ Ｄ Ｒ，ＴＥＭＰＬＥ Ｍ Ａ． ＷｉＭＡＸ Ｍｏｂｉｌｅ ＳｕｂｓｃｒｉｂｅｒＶｅｒｉｆｉｃａｔｉｏｎ Ｕｓｉｎｇ Ｇａｂｏｒｂａｓｅｄ ＲＦＤＮＡ Ｆｉｎｇｅｒｐｒｉｎｔｓ［Ｃ］∥２０１２ ＩＥＥＥ Ｉｎｔｅｒｎａｔｉｏｎａｌ Ｃｏｎｆｅｒｅｎｃｅ ｏｎ Ｃｏｍｍｕｎｉｃａｔｉｏｎｓ（ＩＣＣ）． Ｏｔｔａｗａ：ＩＥＥＥ，２０１２：１００５－１０１０．

［３６］ ＳＣＨＭＩＤＴ Ｒ． Ｍｕｌｔｉｐｌｅ Ｅｍｉｔｔｅｒ Ｌｏｃａｔｉｏｎ ａｎｄ Ｓｉｇｎａｌ Ｐａｒａｍｅｔｅｒ Ｅｓｔｉｍａｔｉｏｎ ［Ｊ］． ＩＥＥＥ Ｔｒａｎｓａｃｔｉｏｎｓ ｏｎ Ａｎｔｅｎｎａｓａｎｄ Ｐｒｏｐａｇａｔｉｏｎ，１９８６，３４（３）：２７６－２８０．

［３７］ ＲＯＹ Ｒ，ＫＡＩＬＡＴＨ Ｔ． ＥＳＰＲＩＴｅｓｔｉｍａｔｉｏｎ ｏｆ Ｓｉｇｎａｌ Ｐａｒａｍｅｔｅｒｓ ｖｉａ Ｒｏｔａｔｉｏｎａｌ Ｉｎｖａｒｉａｎｃｅ Ｔｅｃｈｎｉｑｕｅｓ［Ｊ］． ＩＥＥＥＴｒａｎｓａｃｔｉｏｎｓ ｏｎ Ａｃｏｕｓｔｉｃｓ，Ｓｐｅｅｃｈ，ａｎｄ Ｓｉｇｎａｌ Ｐｒｏｃｅｓｓｉｎｇ，１９８９，３７（７）：９８４－９９５．

［３８］ ＤＩＮＧ Ｌ Ｄ，ＷＡＮＧ Ｓ Ｌ，ＷＡＮＧ Ｆ Ｇ，ｅｔ ａｌ． ＳｐｅｃｉｆｉｃＥｍｉｔｔｅｒ Ｉｄｅｎｔｉｆｉｃａｔｉｏｎ ｖｉａ Ｃｏｎｖｏｌｕｔｉｏｎａｌ Ｎｅｕｒａｌ Ｎｅｔｗｏｒｋｓ［Ｊ ］． ＩＥＥＥ Ｃｏｍｍｕｎｉｃａｔｉｏｎｓ Ｌｅｔｔｅｒｓ，２０１８，２２ （１２ ）：２５９１－２５９４．

［３９］ ＬＩＵ Ｘ Ｙ，ＹＡＮＧ Ｄ Ｙ，ＥＬ ＧＡＭＡＬ Ａ． Ｄｅｅｐ Ｎｅｕｒａｌ ＮｅｔｗｏｒｋＡｒｃｈｉｔｅｃｔｕｒｅｓ ｆｏｒ Ｍｏｄｕｌａｔｉｏｎ Ｃｌａｓｓｉｆｉｃａｔｉｏｎ［Ｃ］∥２０１７ ５１ｓｔＡｓｉｌｏｍａｒ Ｃｏｎｆｅｒｅｎｃｅ ｏｎ Ｓｉｇｎａｌｓ，Ｓｙｓｔｅｍｓ，ａｎｄ Ｃｏｍｐｕｔｅｒｓ．Ｐａｃｉｆｉｃ Ｇｒｏｖｅ：ＩＥＥＥ，２０１７：９１５－９１９．

［４０］ ＭＥＲＣＨＡＮＴ Ｋ，ＲＥＶＡＹ Ｓ，ＳＴＡＮＴＣＨＥＶ Ｇ，ｅｔ ａｌ． ＤｅｅｐＬｅａｒｎｉｎｇ ｆｏｒ ＲＦ Ｄｅｖｉｃｅ Ｆｉｎｇｅｒｐｒｉｎｔｉｎｇ ｉｎ Ｃｏｇｎｉｔｉｖｅ Ｃｏｍｍｕｎｉｃａｔｉｏｎ Ｎｅｔｗｏｒｋｓ［Ｊ］． ＩＥＥＥ Ｊｏｕｒｎａｌ ｏｆ Ｓｅｌｅｃｔｅｄ Ｔｏｐｉｃｓｉｎ Ｓｉｇｎａｌ Ｐｒｏｃｅｓｓｉｎｇ，２０１８，１２（１）：１６０－１６７．

［４１］ ＨＵＡＮＧ Ｓ，ＬＩＮ Ｃ Ｓ，ＸＵ Ｗ Ｊ，ｅｔ ａｌ． Ｉｄｅｎｔｉｆｉｃａｔｉｏｎ ｏｆＡｃｔｉｖｅ Ａｔｔａｃｋｓ ｉｎ Ｉｎｔｅｒｎｅｔ ｏｆ Ｔｈｉｎｇｓ：Ｊｏｉｎｔ Ｍｏｄｅｌ ａｎｄＤａｔａｄｒｉｖｅｎ Ａｕｔｏｍａｔｉｃ Ｍｏｄｕｌａｔｉｏｎ Ｃｌａｓｓｉｆｉｃａｔｉｏｎ Ａｐｐｒｏａｃｈ［Ｊ ］． ＩＥＥＥ Ｉｎｔｅｒｎｅｔ ｏｆ Ｔｈｉｎｇｓ Ｊｏｕｒｎａｌ，２０２１，８ （３ ）：２０５１－２０６５．

［４２］ Ｏ’ＢＲＩＥＮ Ｂ，ＤＯＯＬＥＹ Ｊ，ＢＲＡＺＩＬ Ｔ Ｊ． ＲＦ Ｐｏｗｅｒ ＡｍｐｌｉｆｉｅｒＢｅｈａｖｉｏｒａｌ Ｍｏｄｅｌｉｎｇ Ｕｓｉｎｇ ａ Ｇｌｏｂａｌｌｙ Ｒｅｃｕｒｒｅｎｔ Ｎｅｕｒａｌ Ｎｅｔｗｏｒｋ［Ｃ］∥２００６ ＩＥＥＥ ＭＴＴＳ Ｉｎｔｅｒｎａｔｉｏｎａｌ Ｍｉｃｒｏｗａｖｅ Ｓｙｍｐｏｓｉｕｍ Ｄｉｇｅｓｔ． Ｓａｎ Ｆｒａｎｃｉｓｃｏ：ＩＥＥＥ，２００６：１０８９－１０９２．

［４３］ ＰＯＬＡＫ Ａ Ｃ，ＧＯＥＣＫＥＬＤ Ｌ． Ｗｉｒｅｌｅｓｓ Ｄｅｖｉｃｅ ＩｄｅｎｔｉｆｉｃａｔｉｏｎＢａｓｅｄ ｏｎ ＲＦ Ｏｓｃｉｌｌａｔｏｒ Ｉｍｐｅｒｆｅｃｔｉｏｎｓ［Ｊ］． ＩＥＥＥ Ｔｒａｎｓａｃｔｉｏｎｓｏｎ Ｉｎｆｏｒｍａｔｉｏｎ Ｆｏｒｅｎｓｉｃｓ ａｎｄ Ｓｅｃｕｒｉｔｙ，２０１５，１０ （１２ ）：２４９２－２５０１．

［４４］ ＨＵ Ｃ，ＤＡＩ Ｌ Ｌ，ＭＩＲ Ｔ，ｅｔ ａｌ． Ｓｕｐｅｒｒｅｓｏｌｕｔｉｏｎ ＣｈａｎｎｅｌＥｓｔｉｍａｔｉｏｎ ｆｏｒ ｍｍＷａｖｅ Ｍａｓｓｉｖｅ ＭＩＭＯ ｗｉｔｈ Ｈｙｂｒｉｄ Ｐｒｅｃｏｄｉｎｇ［Ｊ］． ＩＥＥＥ Ｔｒａｎｓａｃｔｉｏｎｓ ｏｎ Ｖｅｈｉｃｕｌａｒ Ｔｅｃｈｎｏｌｏｇｙ，２０１８，６７（９）：８９５４－８９５８．

［４５］ ＧＡＯ Ｚ，ＤＡＩ Ｌ Ｌ，ＷＡＮＧ Ｚ Ｌ． Ｓｐａｔｉａｌｌｙ Ｃｏｍｍｏｎ ＳｐａｒｓｉｔｙＢａｓｅｄ Ａｄａｐｔｉｖｅ Ｃｈａｎｎｅｌ Ｅｓｔｉｍａｔｉｏｎ ａｎｄ Ｆｅｅｄｂａｃｋ ｆｏｒＦＤＤ Ｍａｓｓｉｖｅ ＭＩＭＯ ［Ｊ］． ＩＥＥＥ Ｔｒａｍｃｏｃｔｉｏｎｓ ｏｎ ＳｉｇｎａｌＰｒｏｃｅｓｓｉｎｇ，２０１５，６３（２３）：６１６９－６１８３．

［４６］ ＱＩＮ Ｑ Ｂ，ＧＵＩ Ｌ，ＣＨＥＮＧ Ｐ，ｅｔ ａｌ． Ｔｉｍｅｖａｒｙｉｎｇ ＣｈａｎｎｅｌＥｓｔｉｍａｔｉｏｎ ｆｏｒ Ｍｉｌｌｉｍｅｔｅｒ Ｗａｖｅ Ｍｕｌｔｉｕｓｅｒ ＭＩＭＯ Ｓｙｓｔｅｍｓ［Ｊ］． ＩＥＥＥ Ｔｒａｎｓａｃｔｉｏｎｓ ｏｎ Ｖｅｈｉｃｕｌａｒ Ｔｅｃｈｎｏｌｏｇｙ，２０１８，６７（１０）：９４３５－９４４８．

［４７］ ＭＥＨＲＡＢＩ Ｍ，ＭＯＨＡＭＭＡＤＫＡＲＩＭＩ Ｍ，ＡＲＤＡＫＡＮＩ Ｍ，ｅｔ ａｌ． Ｄｅｃｉｓｉｏｎ Ｄｉｒｅｃｔｅｄ Ｃｈａｎｎｅｌ Ｅｓｔｉｍａｔｉｏｎ Ｂａｓｅｄ ｏｎＤｅｅｐ Ｎｅｕｒａｌ Ｎｅｔｗｏｒｋ ｓｔｅｐ Ｐｒｅｄｉｃｔｏｒ ｆｏｒ ＭＩＭＯ Ｃｏｍｍｕｎｉｃａｔｉｏｎｓ ｉｎ ５Ｇ ［Ｊ］． ＩＥＥＥ Ｊｏｕｒｎａｌ ｏｎ Ｓｅｌｅｃｔｅｄ Ａｒｅａｓ ｉｎＣｏｍｍｕｎｉｃａｔｉｏｎｓ，２０１９，３７（１１）：２４４３－２４５６．

［４８］ ＷＡＮＧ Ｘ Ｍ，ＨＵＡ Ｈ，ＸＵ Ｙ Ｙ． Ｐｉｌｏｔａｓｓｉｓｔｅｄ Ｃｈａｎｎｅｌ Ｅｓｔｉｍａｔｉｏｎ ａｎｄ Ｓｉｇｎａｌ Ｄｅｔｅｃｔｉｏｎ ｉｎ Ｕｐｌｉｎｋ Ｍｕｌｔｉｕｓｅｒ ＭＩＭＯＳｙｓｔｅｍｓ ｗｉｔｈ Ｄｅｅｐ Ｌｅａｒｎｉｎｇ［Ｊ］． ＩＥＥＥ Ａｃｃｅｓｓ，２０２０，８：４４９３６－４４９４６．

［４９］ ＢＡＩ Ｑ Ｂ，ＷＡＮＧ Ｊ Ｔ，ＺＨＡＮＧ Ｙ，ｅｔ ａｌ． Ｄｅｅｐ Ｌｅａｒｎｉｎｇｂａｓｅｄ Ｃｈａｎｎｅｌ Ｅｓｔｉｍａｔｉｏｎ Ａｌｇｏｒｉｔｈｍ ｏｖｅｒ Ｔｉｍｅ ＳｅｌｅｃｔｉｖｅＦａｄｉｎｇ Ｃｈａｎｎｅｌｓ ［Ｊ ］． ＩＥＥＥ Ｔｒａｎｓａｃｔｉｏｎｓ ｏｎ ＣｏｇｎｉｔｉｖｅＣｏｍｍｕｎｉｃａｔｉｏｎｓ ａｎｄ Ｎｅｔｗｏｒｋｉｎｇ，２０１９，６（１）：１２５－１３４．

［５０］ ＺＨＡＮＧ Ｋ，ＺＵＯ Ｗ Ｍ，ＣＨＥＮ Ｙ Ｊ，ｅｔ ａｌ． Ｂｅｙｏｎｄ ａ Ｇａｕｓｓｉａｎ Ｄｅｎｏｉｓｅｒ：Ｒｅｓｉｄｕａｌ Ｌｅａｒｎｉｎｇ ｏｆ Ｄｅｅｐ ＣＮＮ ｆｏｒ ＩｍａｇｅＤｅｎｏｉｓｉｎｇ［Ｊ］． ＩＥＥＥ Ｔｒａｎｓａｃｔｉｏｎｓ ｏｎ Ｉｍａｇｅ Ｐｒｏｃｅｓｓｉｎｇ，２０１７，２６（７）：３１４２－３１５５．

［５１］ ＨＵＡＮＧ Ｓ，ＺＨＡＮＧ Ｍ，ＧＡＯ Ｙ Ｃ，ｅｔ ａｌ． ＭＩＭＯ ＲａｄａｒＡｉｄｅｄ ｍｍＷａｖｅ Ｔｉｍｅｖａｒｙｉｎｇ Ｃｈａｎｎｅｌ Ｅｓｔｉｍａｔｉｏｎ ｉｎ ＭＵＭＩＭＯ Ｖ２Ｘ Ｃｏｍｍｕｎｉｃａｔｉｏｎｓ ［Ｊ］． ＩＥＥＥ Ｔｒａｎｓａｃｔｉｏｎｓ ｏｎＷｉｒｅｌｅｓｓ Ｃｏｍｍｕｎｉｃａｔｉｏｎｓ，２０２１，２０（１１）：７５８１－７５９４．

［５２］ ＨＥ Ｒ Ｓ，ＡＩ Ｂ，ＷＡＮＧ Ｇ Ｐ，ｅｔ ａｌ． Ｐｒｏｐａｇａｔｉｏｎ Ｃｈａｎｎｅｌｓ ｏｆ５Ｇ Ｍｉｌｌｉｍｅｔｅｒｗａｖｅ ＶｅｈｉｃｌｅｔｏＶｅｈｉｃｌｅ Ｃｏｍｍｕｎｉｃａｔｉｏｎｓ：Ｒｅｃｅｎｔ Ａｄｖａｎｃｅｓ ａｎｄ Ｆｕｔｕｒｅ Ｃｈａｌｌｅｎｇｅｓ［Ｊ］． ＩＥＥＥ Ｖｅｈｉｃｕｌａｒ Ｔｅｃｈｎｏｌｏｇｙ Ｍａｇａｚｉｎｅ，２０２０，１５（１）：１６－２６．

［５３］ ＶＥＧＡ Ｆ Ｊ Ｍ，ＴＯＲＲＥＳ Ｍ Ｃ Ａ，ＧＯＭＥＺ Ｇ，ｅｔ ａｌ． ＫｅｙＴｅｃｈｎｏｌｏｇｉｅｓ，Ｍｏｄｅｌｉｎｇ Ａｐｐｒｏａｃｈｅｓ，ａｎｄ Ｃｈａｌｌｅｎｇｅｓ ｆｏｒＭｉｌｌｉｍｅｔｅｒｗａｖｅ Ｖｅｈｉｃｕｌａｒ Ｃｏｍｍｕｎｉｃａｔｉｏｎｓ ［Ｊ ］． ＩＥＥＥＣｏｍｍｕｎｉｃａｔｉｏｎｓ Ｍａｇａｚｉｎｅ，２０１８，５６（１０）：２８－３５．

［５４］ ＤＩＡＳ Ｍ，ＫＬＡＵＴＡＵ Ａ，ＧＯＮＺ？ＬＥＺＰＲＥＬＣＩＣ Ｎ，ｅｔ ａｌ．Ｐｏｓｉｔｉｏｎ ａｎｄ ＬＩＤＡＲａｉｄｅｄ ｍｍＷａｖｅ Ｂｅａｍ ＳｅｌｅｃｔｉｏｎＵｓｉｎｇ Ｄｅｅｐ Ｌｅａｒｎｉｎｇ［Ｃ］∥２０１９ ＩＥＥＥ ２０ｔｈ ＩｎｔｅｒｎａｔｉｏｎａｌＷｏｒｋｓｈｏｐ ｏｎ Ｓｉｇｎａｌ Ｐｒｏｃｅｓｓｉｎｇ Ａｄｖａｎｃｅｓ ｉｎ ＷｉｒｅｌｅｓｓＣｏｍｍｕｎｉｃａｔｉｏｎｓ （ＳＰＡＷＣ）． Ｃａｎｎｅｓ：ＩＥＥＥ，２０１９：１－５．

［５５］ ＧＯＮＺ？ＬＥＺＰＲＥＬＣＩＣ Ｎ，ＡＬＩ Ａ，ＶＡ Ｖ，ｅｔ ａｌ． Ｍｉｌｌｉｍｅｔｅｒｗａｖｅ Ｃｏｍｍｕｎｉｃａｔｉｏｎ ｗｉｔｈ Ｏｕｔｏｆｂａｎｄ Ｉｎｆｏｒｍａｔｉｏｎ ［Ｊ］．ＩＥＥＥ Ｃｏｍｍｕｎｉｃａｔｉｏｎｓ Ｍａｇａｚｉｎｅ，２０１７，５５（１２）：１４０－１４６．

［５６］ ＡＬＩ Ａ，ＧＯＮＺ？ＬＥＺＰＲＥＬＣＩＣ Ｎ，ＨＥＡＴＨ Ｒ Ｗ． ＭｉｌｌｉｍｅｔｅｒＷａｖｅ Ｂｅａｍｓｅｌｅｃｔｉｏｎ Ｕｓｉｎｇ Ｏｕｔｏｆｂａｎｄ Ｓｐａｔｉａｌ Ｉｎｆｏｒｍａｔｉｏｎ［Ｊ］． ＩＥＥＥ Ｔｒａｎｓａｃｔｉｏｎｓ ｏｎ Ｗｉｒｅｌｅｓｓ Ｃｏｍｍｕｎｉｃａｔｉｏｎｓ，２０１８，１７（２）：１０３８－１０５２．

［５７］ ＺＨＡＮＧ Ｑ Ｘ，ＳＵＮ Ｈ，ＷＥＩ Ｚ Ｑ，ｅｔ ａｌ． Ｓｅｎｓｉｎｇ ａｎｄ Ｃｏｍｍｕｎｉｃａｔｉｏｎ Ｉｎｔｅｇｒａｔｅｄ Ｓｙｓｔｅｍ ｆｏｒ Ａｕｔｏｎｏｍｏｕｓ Ｄｒｉｖｉｎｇ Ｖｅｈｉｃｌｅｓ［Ｃ］∥ ＩＥＥＥ ＩＮＦＯＣＯＭ ２０２０ＩＥＥＥ Ｃｏｎｆｅｒｅｎｃｅ ｏｎＣｏｍｐｕｔｅｒ Ｃｏｍｍｕｎｉｃａｔｉｏｎｓ Ｗｏｒｋｓｈｏｐｓ （ＩＮＦＯＣＯＭ ＷＫＳＨＰＳ）． Ｔｏｒｏｎｔｏ：ＩＥＥＥ，２０２０：１２７８－１２７９．

［５８］ ＦＥＮＧ Ｙ Ｊ，ＷＡＮＧ Ｊ Ｈ，ＨＥ Ｄ Ｚ，ｅｔ ａｌ． Ｂｅａｍ Ｄｅｓｉｇｎ ｆｏｒ Ｖ２ＶＣｏｍｍｕｎｉｃａｔｉｏｎｓ ｗｉｔｈ Ｉｎａｃｃｕｒａｔｅ Ｐｏｓｉｔｉｏｎｉｎｇ Ｂａｓｅｄ ｏｎ Ｍｉｌｌｉｍｅｔｅｒ Ｗａｖｅ ［Ｃ］∥２０１９ ＩＥＥＥ ９０ｔｈ Ｖｅｈｉｃｕｌａｒ ＴｅｃｈｎｏｌｏｇｙＣｏｎｆｅｒｅｎｃｅ （ＶＴＣ２０１９Ｆａｌｌ）． Ｈｏｎｏｌｕｌｕ：ＩＥＥＥ，２０１９：１－５．

［５９］ ＺＨＡＮＧ Ｑ Ｘ，ＪＩ Ｋ Ｊ，ＦＥＮＧ Ｚ Ｙ，ｅｔ ａｌ． Ｖｅｈｉｃｌｅ Ｂｅｈａｖｉｏｒｃｏｇｎｉｔｉｏｎｂａｓｅｄ Ｐａｒｔｉｃｌｅｆｉｌｔｅｒｅｎａｂｌｅｄ ｍｍＷａｖｅ ＢｅａｍＴｒａｃｋｉｎｇ ｆｏｒ Ｃｏｎｎｅｃｔｅｄ Ａｕｔｏｍａｔｅｄ Ｖｅｈｉｃｌｅｓ ［Ｊ］． ＩＥＥＥＩｎｔｅｒｎｅｔ ｏｆ Ｔｈｉｎｇｓ Ｊｏｕｒｎａｌ，２０２２，９（２１）：２１２９２－２１３０４．

作者簡介

黃 賽 男，（１９８９—），博士，副教授，博士生導師。主要研究方向：基于機器學習的智能信號處理、通用無線信號快速檢測與深度識別。

馮志勇 女，（１９７１—），博士，教授，博士生導師。主要研究方向：無線網(wǎng)絡架構設計、通信－感知－計算一體化技術。

王文遠 男，（２０００—），碩士研究生。主要研究方向：語義通信、圖像壓縮、深度學習。

路長鑫 男，（１９９７—），碩士研究生。主要研究方向：４Ｇ ／ ５Ｇ 協(xié)議解析、通信系統(tǒng)優(yōu)化、語義通信算法。

許霽松 男，（２０００—），碩士研究生。主要研究方向：圖像語義通信、無蜂窩大規(guī)模ＭＩＭＯ、深度強化學習。

王朝煒 男，（１９８２—），博士，副教授。主要研究方向：下一代移動通信技術、無線傳感器與物聯(lián)網(wǎng)技術。

郭冬倩 女，（１９９８—），碩士，工程師。主要研究方向：４Ｇ ／ ５Ｇ 協(xié)議解析、無線信號處理、通信專網(wǎng)設計、射頻測試。

基金項目：國家自然科學基金面上項目（６２１７１０４５）