摘要： 針對無線通信信道易受到蓄意射頻信號干擾問題，提出了一種從混合信號中識別干擾類型的方法。通過改進經(jīng)典Transformer結構，形成新型網(wǎng)絡模型Multidomain-former，以提取多域特征和識別信號干擾類型。首先，通過特定的序列劃分機制對輸入頻譜進行預處理，并通過線性嵌入和位置編碼保留原始順序特征;其次，設計了逆傅氏變換和傅氏變換結合的編碼模塊，使Multidomain-former能同時提取頻域和時域特征。使用通用儀器和收發(fā)天線搭建了無線收發(fā)信道，在不同干信比條件下對混合信號頻譜進行采集，得到訓練集和測試集。干擾對比實驗通過所提Multidomain-former網(wǎng)絡模型完成，并將經(jīng)典的Transformer結構和其他常見的深度學習模型與所提網(wǎng)絡模型進行了對比。對比實驗結果表明，在干信比小于10 dB時，所提模型性能相較于經(jīng)典Transformer在識別正確率方面有2%～3%的提升;在干信比等于-5 dB時，所提模型以最少參數(shù)量和次低計算復雜度獲得了比另外5種基準網(wǎng)絡高3.0%～9.3%的識別率。

關鍵詞： 混合信號; 多域特征提取; 干擾識別; Transformer; 干信比

中圖分類號： TN 973.1

文獻標志碼： A

DOI：10.12305/j.issn.1001-506X.2024.06.32

Interference identification based on mixed signal multidomain feature and Transformer framework

YANG Pengfei¹， HE Ling^1，2， WANG Qian^1，2，*， WANG Ruidi¹， ZHANG Mingzhi¹

（1. School of Aeronautics and Astronautics， University of Electronic Science and Technology of China， Chengdu 611731， China; 2. Aircraft Swarm Intelligent Sensing and Cooperative Control Key Laboratory of Sichuan Province， Chengdu 611731， China）

Abstract： Aiming at the vulnerability of wireless communication channels to interference from intentional radio frequercy signals， a method of interference identification from mixed signals is presented. In this work， a novel Transformer model named Multidomain-former is devised to serve as the multidomain features extractor and jamming types recognizer. The proposed model is built with the following characteristics： the original spectral data is firstly preprocessed by a specific sequence partitioning mechanism. Meanwhile， the initial sequence features are reserved by linear embedding and position coding. Secondly， an encoding module which jointly adopting inverse Fourier transform and Fourier transform is designed， by this means Multidomain-former can obtain both frequency domain and time domain features. A real wireless transceiver channel is established utilizing universal instruments and transceiver antennas， and the mixed signal spectrum is collected subject to different jamming-to-signal ratios （JSR） to form training and test data sets. The interference classification experiments are carried out sequentially by the proposed Multidomain-former， in comparison with the classic Transformer and other popular deep learning networks as well. It is shown that Multidomain-former achieves the best performance with the least number of parameters and lower complexity. With the condition of the JSR is less than 10 dB， the probability for correct classification of Multidomain-former is 2%～3% higher than that of classic Transformer. When the JSR is equal to -5 dB， the performance of Multidomain-former is proofed to increase by 3.0%～9.3% on correct classification rate compared with other benchmarks.

Keywords： mixed signal; multidomain feature extraction; interference identification; Transformer; jamming-to-signal ratio （JSR）

0 引 言

無線通信被廣泛應用于移動通信、物聯(lián)網(wǎng)、衛(wèi)星通信等領域。信道的開放性使無線通信極易受到各種蓄意射頻干擾，為保障通信質(zhì)量，通常需要針對性地采取各種抗干擾手段。因此，快速、準確地識別干擾類型是有效抑制干擾的重要前提。

在干擾信號識別領域，基于特征（包括但不限于統(tǒng)計特征、頻譜分布、時域或頻域特征等）的方法是近年來的主流研究方向和熱點。一些代表性解決方案包括：文獻［1］通過小波包分解重構將干擾信號劃分為不同頻段，然后提取三階累積量切片特征構造特征矩陣，并用奇異值分解對特征進行降維，最后通過稀疏表示分類在不同頻段上對干擾信號進行分類識別;文獻［2］從頻域數(shù)據(jù)中提取3個關鍵頻域特征（占用帶寬、中心頻率和接收信號功率譜密度（power spectral density， PSD），使用貝葉斯分類器進行干擾分類;文獻［3］運用核密度估計提取頻域特征，然后通過樸素貝葉斯分類算法進行分類，在干噪比（jamming-to-noise ratio， JNR）為0 dB的條件下對6種有意干擾的識別率達到了100%;文獻［4］通過分析時變干擾信號的PSD實現(xiàn)干擾分類。上述方法的有效性主要依賴于特征的人為選擇及其提取，通常計算復雜度高。

基于深度學習的特征提取方法在很大程度上解放了對人工的倚重，使信號識別應用更加普及。運用于干擾分類問題的深度學習特征提取方案包括：文獻［5］將干擾信號的時域同相和正交分量（in-phase and quadrature modulation，IQ）數(shù)據(jù)直接輸入卷積神經(jīng)網(wǎng)絡（convolutional neural network，CNN）中，并根據(jù)樣本數(shù)量分別設計不同的CNN用于識別;文獻［6］將干擾信號時域IQ轉(zhuǎn)換為瀑布圖，然后通過改進的CNN進行圖像識別;文獻［7］將信號經(jīng)短時傅里葉變換（short time Fourier transform，STFT）后的時頻圖像作為輸入，提出一種以倒殘差結構為主體的CNN架構，并引入聯(lián)合時頻通道注意力機制模塊，從時頻圖像中同時提取時頻域和通道域的聯(lián)合特征，在JNR等于-8 dB時實現(xiàn)了對8類干擾類型的100%的識別率;文獻［8］提出一種基于CNN的融合特征提取方法：使用一維CNN提取原始干擾信號的一維特征，同時對干擾信號進行STFT得到時頻圖，再用二維CNN提取深度時頻特征，應用融合網(wǎng)絡對上述CNN提取的特征進行深度融合，最后利用Softmax完成干擾信號分類;文獻［9］則提出了一種基于長短時記憶（long short term memory，LSTM）網(wǎng)絡并與殘差網(wǎng)絡相結合的雷達有源干擾識別方法，在JNR等于0 dB時對4類干擾信號的識別準確率均高于98.3%。但是，這一類方法在工程應用中面臨挑戰(zhàn)：實際的電磁對抗場景通常都會根據(jù)偵查結果采用瞄準式干擾策略，即同頻干擾信號會和被干擾的有用信號（signal of interest， SOI）同時出現(xiàn)。而上述基于深度學習的干擾分類識別方法均只考慮了干擾信號單獨存在的場景，所用仿真驗證也限于各種JNR條件，既缺乏針對SOI與干擾并存的混合信號的解決方案，更鮮見在不同干信比（jamming-to-signal ratio， JSR）或信干噪比（signal-to-interference-plus-noise ratio， SINR）條件下的試驗。究其原因，主要在于CNN或LSTM等網(wǎng)絡對特征的提取聚焦于某種單一信號的局部細節(jié)，而對混合信號及其變換形式的全局特征則學習困難。

總體而言，傳統(tǒng)方法的分類識別性能主要依賴于特征集選擇及其提取方法，耗時且需經(jīng)驗輔助，尤其是變換域特征提取所需的運算量大，致使常規(guī)分類器性能提升空間有限;CNN的優(yōu)異非線性處理能力使其能夠有效抽取高維數(shù)據(jù)的隱藏特征，LSTM可以學習到歷史信息因而更適合于處理有序序列，但因這些網(wǎng)絡模型在全局信息的學習能力方面有欠缺，使得現(xiàn)有研究均未對同時含有SOI和干擾信號的混合信號進行干擾識別。實驗表明，對于同時存在SOI和干擾信號（尤其是SOI與干擾信號功率相當）的場景，無論特征提取、CNN還是LSTM方法，都難以獲得理想的識別效果，因而不能滿足實際需求。

1 混合信號模型

設接收機接收到的混合信號為

r（t）=s（t）+J（t）+n（t） （1）

式中：s（t）為SOI;J（t）為有意干擾信號;n（t）為高斯白噪聲。

對于SOI，工程中通常采用具有一定抗干擾能力的通信體制，本文采用直序擴頻-跳頻混合體制的s（t），其表達式為

s（t）=∑+∞k=－∞d（t）c（t）cos（2πf_kt+φ_k）g_Tc（t－kT_c）（2）

式中：d（t）為編碼后的基帶信息;c（t）為直序擴頻碼;f_k為跳頻載波頻率;φ_k為載波初始相位;g_Tc（t-kT_c）為高為1、底邊寬為T_c（T_c為擴頻碼碼元寬度）的閘門函數(shù)，定義如下：

g_Tc（t）=1， |t|≤T_c2

0， |t|gt;T_c2 （3）

設發(fā)射機頻率綜合器的載波頻率數(shù)為M，載波頻率分別為f₀，f₁，…，f_M-1，則f_k可通過下式得到：

f_k=f₀+C_kf_d（4）

式中：C_k為對應于跳頻圖案的一組自然數(shù)，C_k∈{0，1，2，…，M-1};f_d為跳頻頻率間隔。

常見的無線通信干擾信號J（t）^［10］包括單音干擾（continuous wave jamming， CWJ）、多音干擾（multi-tone jamming， MTJ）、脈沖干擾（pulse jamming， PJ）、掃頻干擾（li-near frequency modulation jamming， LFMJ）、部分頻帶寬帶噪聲干擾（partial band wide jamming， PBWJ）和部分頻帶窄帶噪聲干擾（partial band narrow jamming， PBNJ）。信號模型分別介紹如下。

CWJ信號的表達式為

J（t）=P_Jexp［j（2πf_Jt+φ_J）］（5）

式中：P_J為干擾信號的功率;f_J為干擾信號的中心頻率;φ_J∈［0，2π］為干擾信號的初始相位。CWJ對式（2）所示信號的干擾效果有限，可通過常見濾波手段達到抑制效果，在此不作為重點。

MTJ信號的表達式為

J（t）=∑N_Tk=1P_T（k）exp［j（2πf_T（k）t+φ_k）］（6）

式中：N_T為MTJ的音頻數(shù)目;P_T（k）為第k個音頻的功率;f_T（k）為第k個音頻的中心頻率;φ_k∈［0，2π］為第k個音頻的初始相位。

PJ的表達式為

J（t）=A_P∑∞k=-∞ut+kT+τ2－ut+kT－τ2，k∈Z（7）

式中：A_p為矩形脈沖的幅度;T為脈沖重復周期;τ為單周期內(nèi)的脈沖寬度;u（t）為單位階躍函數(shù)。

LFMJ信號的表達式為

式中：T_sw為掃頻干擾持續(xù)時間;f_L、f_H分別為掃頻干擾信號的起始頻率和終止頻率。

將高斯白噪聲信號輸入帶通濾波器，可生成不同的部分頻帶噪聲干擾信號。通過設置干擾因子α（0＜α＜1）的大小，即可改變?yōu)V波器參數(shù)。部分頻帶噪聲干擾信號的數(shù)學表達式為

J（t）=∫^∞_-∞U_n（t）w（t－τ）dτ（9）

式中：U_n（t）為高斯白噪聲信號;w（t）表示帶通濾波器，其頻率響應W（jω）可表示為

W（jω）=1， |ω－ω_c|lt;αω_all

0， 其他 （10）

式中：ω_c表示帶通濾波器的截止頻率，ω_all表示SOI的工作頻段帶寬?？芍寒敻蓴_因子α gt; 0.3時，式（8）表示PBWJ;當α ≤ 0.3時，式（8）表示PBNJ。

因干擾效能更顯見于頻域，常用頻譜分析儀對混合信號進行觀測。以固定采樣率f_s對混合信號r（t）進行時域采樣，并通過K點離散傅氏變換將離散時域信號轉(zhuǎn)換為復頻域數(shù)據(jù)X（k）（k=0，1，…，K-1），由此作為后續(xù)特征提取及識別部分的輸入信號。

2 基于特定Transformer結構的混合信號多域特征提取

2.1 可提取信號多域特征的Multidomain-former框架

通過混合信號頻譜識別其中存在的干擾類型，亦可理解為在全局信息中提取位置敏感特征，這種應用需求正好契合Transformer擁有全局信息的特點^［11］。本文基于Transformer模型進行干擾識別，一方面期望獲得盡可能精確的識別結果，另一方面可借助并行訓練實現(xiàn)低延遲。

本文在經(jīng)典Transformer結構的基礎上，根據(jù)應用需要改進形成一種特定的網(wǎng)絡模型——Multidomain-former，其框架如圖1所示。

相較于經(jīng)典Transformer結構，本文所提Multidomain-former結構在以下方面進行了全新設計：

首先通過一種類似于滑動幀的序列劃分方法，對原始頻域數(shù)據(jù)進行預處理，將頻譜轉(zhuǎn)換為適用于Transformer的序列，并通過線性嵌入和位置編碼保留了原始數(shù)據(jù)的順序特征;

其次，經(jīng)典Transformer結構中編碼器encoder的核心是多頭注意力（multi-head attention，MHA），對于輸入Transformer的頻域序列，如直接采用未加改造的MHA機制，只能學習到混合信號的頻域特征（事實上，如果輸入Transformer的是時域序列，MHA也同樣只能學習到時域特征）;而多域特征的融合無疑會提高識別率。本文為此專門設計了一種基于逆傅里葉變換（inverse fast Fourier transform，IFFT）和快速傅里葉變換（fast Fourier transform，F(xiàn)FT）的方案——IFFT-FFT編碼模塊，目的是通過IFFT引入時域信息。以IFFT-FFT編碼模塊替換經(jīng)典Transformer encoder中的MHA，并與經(jīng)典Transformer encoder搭配使用，從而使構造的Multidomain-former具有同時提取頻域和時域特征的能力。

2.2 輸入數(shù)據(jù)預處理

2.2.1 原始頻域序列劃分

一般地，通用Transformer模型使用卷積層實現(xiàn)對輸入序列的劃分。卷積操作提取的是截斷的局部特征，而本文研究的長為K的混合信號頻域序列X（k）對每個頻域樣點位置敏感，不同樣點出現(xiàn)的位置代表著干擾信號對SOI的不同影響，即隱含了干擾類型相關信息，因此不能直接將頻域序列X（k）應用于Transformer。為使序列處理具有前后關聯(lián)性，本文提出了一種類似滑動幀的序列劃分方法，以此克服卷積操作只能學習局部特征的局限。

以L為頻域數(shù)據(jù)子幀長，以μ為滑動步長，將FFT后的頻域數(shù)據(jù)劃分為M個子幀，如圖2所示。參數(shù)L、μ、M與離散傅氏變換點數(shù)K有如下關系：M=（K-L）/μ+1。由此，得到一個M×L維復數(shù)矩陣X：

式中：X_m∈R^1×L（m=0，1，…，M-1）表示劃分后得到的第m個子幀數(shù)據(jù)。

2.2.2 線性嵌入和位置編碼

鑒于Transformer使用注意力機制而不是順序結構，丟失X∈R^M×L的位置信息將會導致識別率下降，因此還需要在輸入Transformer之前對序列X進行線性嵌入和位置編碼，使順序特征得以保留。該操作的數(shù)學表達如下：

X_IN=C

XE+E_pos（12）

式中：X_IN∈R^（M+1）×L為嵌入向量序列;C∈R^1×L為類標記;E∈R^L×L為線性嵌入矩陣;E_pos∈R^（M+1）×L為位置編碼矩陣。

在這個過程中，一維線性矩陣C、E均為隨機初始化的可學習參數(shù)。類標記C在預訓練時通過1個隱藏的多層感知器（multi-layer perception， MLP）實現(xiàn)，在微調(diào)時則通過1個線性層實現(xiàn);線性嵌入矩陣E用來保留位置信息，所得嵌入向量序列X_IN作為Transformer編碼器的輸入^［12］。

2.3 Transformer編碼模塊

Transformer編碼模塊的結構由LN（LayerNorm）層、MHA和MLP組成。

LN用于緩解因神經(jīng)網(wǎng)絡深度導致的梯度消失問題。第n個（n=1，2，…，N。本文中N=3）Transformer encoder的輸入Zⁿ為（M+1）×L矩陣;第1個LN層的輸出Zⁿ_LN1∈R^（M+1）×L可表示為

Zⁿ_LN1=LayerNorm（Zⁿ） （13）

LN層之后為MHA。以h表示在MHA中執(zhí)行多頭注意力操作的次數(shù)（本文中h=4），則MHA的計算步驟如下。

步驟 1 對末級LN層輸出進行特征嵌入，得到中間矩陣Qⁿ、Kⁿ、Vⁿ。

Qⁿ=Kⁿ=Vⁿ=Zⁿ_LN1Rⁿ（14）

式中：Rⁿ∈R^L×L為嵌入矩陣。

步驟 2 分別計算查詢矩陣Qⁿ_i、鍵矩陣Kⁿ_i和值矩陣Vⁿ_i。

Qⁿ_i=QⁿR^Q_i

Kⁿ_i=KⁿR^K_i

Vⁿ_i=VⁿR^V_i（15）

式中：R^Q_i，R^K_i，R^V_i為L×d_p維參數(shù)矩陣，其中d_p=L/h，i=1，2，…，h。

步驟 3 通過注意力機制Attention（·），計算head_i值。

head_i=Attention（Qⁿ_i，Kⁿ_i，Vⁿ_i）=Softmax

Qⁿ_i（Kⁿ_i）^Td_p（16）

步驟 4 將多個head_i拼接起來并乘以可學習矩陣Rⁿ_O，計算多頭注意力Multiheadⁿ。

Multiheadⁿ=［head₁ head₂ … head_h］Rⁿ_O（17）

式中：Rⁿ_O∈R^d_p^h×L。

步驟 5 將Multiheadⁿ與Zⁿ_LN1相加形成殘差結構，得到MHA的輸出Zⁿ_MHA。

Zⁿ_MHA=Multiheadⁿ+Zⁿ_LN1（18）

在MHA之后進入MLP。MLP由2個線性層和1個激活層組成，可知Transformer encoder的輸出Zⁿ_Out∈R^（M+1）×L為

Zⁿ_MLP=Linear（max（0，Linear（LayerNorm（Zⁿ_MHA）））

Zⁿ_Out=Zⁿ_MHA+Zⁿ_MLP（19）

2.4 IFFT-FFT編碼模塊

IFFT-FFT編碼模塊依次由LN層、IFFT-FFT結構和MLP組成。

其中，IFFT-FFT encoder的LN層與Transformer encoder類似，第n個（n={1，2，3}）IFFT-FFT encoder的輸入Zⁿ_out也是（M+1）×L矩陣;第1個LN層的輸出Xⁿ_LN1∈R^（M+1）×L可表示為

Xⁿ_LN1=LayerNorm（Zⁿ_out）（20）

此時，Xⁿ_LN1仍然只含頻域特征。為了提取時域特征，需將Xⁿ_LN1進行IFFT操作，與1個可學習的權值參數(shù)矩陣Wⁿ_C進行點乘，再通過FFT還原到頻域Xⁿ_T。這個過程可表示如下：

Xⁿ_T=FFT（IFFT（Xⁿ_LN1）*Wⁿ_C）（21）

式中：Wⁿ_C∈R^（M+1）×L。

FFT之后，使用與Transformer encoder中相同的MLP結構對Xⁿ_T進行線性變換和激活處理。最后與輸入Zⁿ_Out相加，形成殘差結構，得到IFFT-FFT encoder的輸出Xⁿ_Out∈R^（M+1）×L：

Xⁿ_MLP=Linear（max（0，Linear（LayerNorm（Xⁿ_T）））

Xⁿ_Out=Zⁿ_Out+Xⁿ_MLP（22）

由式（22）可見，Xⁿ_Out中既包含經(jīng)過Transformer encoder處理的頻域數(shù)據(jù)Zⁿ_out，也包含體現(xiàn)了時域特征的Xⁿ_T。對Xⁿ_Out進一步做線性變換和Softmax多分類，完成基于時、頻域聯(lián)合特征的干擾信號類型識別。

3 實驗驗證

3.1 實驗環(huán)境搭建與數(shù)據(jù)集獲取

為驗證所提Multidomain-former模型對混合信號多域特征提取及干擾識別的有效性，本文使用天線和通用測試儀器搭建了無線收發(fā)場景并進行實驗。場景圖如圖3所示，儀器設備信息如表1所示。其中：CF表示中心頻率，BW表示帶寬，Span表示頻率跨度，RBW表示分辨率帶寬，VBW為視頻帶寬。混合信號模擬所需的參數(shù)配置如表2所示。

實驗主要關注不同JSR下的干擾類型識別情況，JSR變化（范圍為-5～20 dB，步進為5 dB）通過改變干擾信號功率實現(xiàn)，而SOI功率保持不變，因此可視為信噪比保持不變。在不同的JSR條件下，使用頻譜儀N9030B對表2所述SOI與5種干擾信號形成的混合信號分別采集200次頻域數(shù)據(jù)，然后按照3∶1的比例劃分得到訓練數(shù)據(jù)集和測試數(shù)據(jù)集。

在前文所述的原始數(shù)據(jù)劃分方法中，子幀長度L和步進μ均為可調(diào)參數(shù)。當步進固定為μ=0.5L時，表3給出了在JSR等于-5 dB條件下不同子幀長度值對所提Multidomain-former模型的網(wǎng)絡參數(shù)量、代表計算復雜度的每秒浮點運算次數(shù)（floating-point operations per second，F(xiàn)LOPS）和平均識別率的影響。

由表3可知，當子幀長度L小于64時，平均識別率隨著L的增加而略有提高;當L大于80時，平均識別率反而下降。權衡之后選擇L=64，以獲得各項性能的折中。

3.2 實驗結果分析

本文所提網(wǎng)絡模型Multidomain-former以及其他對比用的基準網(wǎng)絡模型的訓練和測試均基于Windows 11環(huán)境、Python 3.10平臺設計實現(xiàn)，具體配置如下。

CPU：AMD Ryzen， 5800H with Radeon Graphics。

GPU：NVIDIA GeForce RTX3060 Laptop GPU。

神經(jīng)網(wǎng)絡訓練框架：Pytorch 1.21.1。

網(wǎng)絡優(yōu)化器：Adam，學習率固定為0.000 1，批量樣本數(shù)為16，訓練回合數(shù)為30。

圖4給出了Multidomain-former與經(jīng)典Transformer網(wǎng)絡在不同JSR下對混合信號中的干擾進行識別的表現(xiàn)，其中經(jīng)典模型中的Transformer encoder的識別數(shù)為N=6;圖中，縱軸表示正確分類概率（probability for correct classification， PCC）。由圖4可見，由于專門構造的Multidomain-former具有多域特征提取能力，在低JSR條件下（JSR小于10 dB）對5種干擾信號的平均識別率比僅能提取頻域特征的經(jīng)典Transformer獲得了2%～3%的提升。

為進一步驗證Multidomain-former的全局學習能力，本文選擇了另外5種基準網(wǎng)絡模型SqueezeNet^［13］、Shuffle-NetV2^［14］、MobileNetV3^［15］、EfficientNetV2^［16］和LSTM^［17］，使用相同的混合信號數(shù)據(jù)集進行干擾識別。各基準網(wǎng)絡模型與所提Multidomain-former網(wǎng)絡模型的參數(shù)量和FLOPS對比如表4所示;5種基準網(wǎng)絡模型與Multidomain-former對混合信號的識別情況對比如圖5所示。由表4可知，本文所提Multidomain-former網(wǎng)絡模型具有最少的參數(shù)量和次低的計算復雜度。相較于復雜度最低的基準網(wǎng)絡模型LSTM，所提Multidomain-former模型以稍高的復雜度換來較大的識別性能提升，如圖5所示。

由圖5對比可知，在JSR等于-5 dB的條件下，Multidomain-former的識別率相較于SqueezeNet、ShuffleNetV2、MobileNetV3、EfficientNetV2和LSTM分別提高了9.3%、5.7%、4.7%、3.0%和4.0%;另外，Multidomain-former在JSR等于5 dB的條件下PCC可達100%，而SqueezeNet在JSR等于15 dB時PCC才能達到100%?？梢姡琈ultidomain-former相較于傳統(tǒng)CNN和有全局學習能力但不具備多域?qū)W習能力的LSTM都有較明顯的優(yōu)勢。

為進一步說明Multidomain-former對于多種干擾類型的同時分辨能力，圖6給出了在JSR=0 dB條件下的混淆矩陣。圖6中，1為PBWJ;2為MTJ;3為PBNJ;4為PJ;5為LFMJ。由圖6可知，在干擾信號與SOI功率相當時，Multidomain-former對全部干擾類型的識別率可達100%。

4 結束語

在干擾類型識別領域中，面向干擾信號與SOI混合的實際場景，基于特征的傳統(tǒng)分類識別方法過于倚重人工選取特征集，且運算量大;基于常見網(wǎng)絡模型（如CNN、LSTM等）的深度學習方法因不具備全局信息的學習能力，也不滿足混合信號認知需求。為解決現(xiàn)有方法存在的問題，本文基于Transformer結構設計了一種名為Multidomain-former的新的網(wǎng)絡模型，用以實現(xiàn)混合信號多域特征提取和干擾分類。為了驗證所提Multidomain-former的有效性，本文利用通用儀器和收發(fā)天線建立了真實的無線傳輸信道，在不同JSR下采集了混合信號頻譜，從而形成訓練集和測試集。最后通過Python代碼設計實現(xiàn)，對Multidomain-former、經(jīng)典Transformer以及另外5種深度學習網(wǎng)絡進行了干擾識別對比實驗。實驗結果表明，所提Multidomain-former在參數(shù)數(shù)量最少、計算復雜度較低的情況下，獲得了最高的正確識別概率。

針對實際應用，仍有一些關鍵問題有待深入討論，如進行多種干擾與SOI共存情況下的信號分選及多干擾類型識別研究;目前的混合信號建模將n（t）假定為高斯白噪聲，下一步將進行在其他噪聲分布下及采用不同信道模型的Multidomain-former性能研究，以驗證本文方案和算法的魯棒性等。

參考文獻

［1］周紅平， 馬明輝， 吳若無， 等. 基于稀疏表示分類的雷達欺騙干擾識別方法［J］. 系統(tǒng)工程與電子技術， 2022， 44（9）： 2791-2799.

ZHOU H P， MA M H， WU R W，et al. Deception jamming recog-nition of radar based on sparse representation classification［J］. Systems Engineering and Electronics， 2022， 44（9）： 2791-2799.

［2］MUGHAL M O， KIM S. Signal classification and jamming detection in wide-band radios using Naive Bayes classifier［J］. IEEE Communications Letters， 2018， 22（7）： 1398-1401.

［3］SHI Y X， LU X J， NIU Y T， et al. Efficient jamming identification in wireless communication： using small sample data driven Naive Bayes classifier［J］. IEEE Wireless Communications Letters， 2021， 10（7）： 1375-1379.

［4］ZHANG L， REN J， LI T T. Time-varying jamming modeling and classification［J］. IEEE Trans.on Signal Processing， 2012， 60（7）： 3902-3907.

［5］SHAO G Q， CHEN Y S， WEI Y S. Convolutional neural network-based radar jamming signal classification with sufficient and limited samples［J］. IEEE Access， 2020， 8： 80588-80598.

［6］HAN H， LI W， FENA Z B， et al. Proceed from known to unknown： jamming pattern recognition under open-set setting［J］. IEEE Wireless Communications Letters， 2022， 11（4）： 693-697.

［7］靳增源， 張曉瀛， 譚思源， 等. 基于集成時頻通道注意力的倒殘差神經(jīng)網(wǎng)絡干擾識別［J］. 信號處理， 2023， 39（2）： 343-355.

JIN Z Y， ZHANG X Y， TAN S Y， et al. Jamming identification based on inverse residual neural network with integrated time-frequency channel attention［J］. Journal of Signal Processing， 2023， 39（2）： 343-355.

［8］SHAO G G， CHEN Y S， WEI Y S. Deep fusion for radar jamming signal classification based on CNN［J］. IEEE Access， 2020， 8： 117236-117244.

［9］邵正途， 許登榮， 徐文利， 等. 基于LSTM和殘差網(wǎng)絡的雷達有源干擾識別［J］. 系統(tǒng)工程與電子技術， 2023， 45（2）： 416-423.

SHAO Z T， XU D R， XU W L， et al. Radar active jamming recognition based on LSTM and residual network［J］.Systems Engineering and Electronics， 2023， 45（2）： 416-423.

［10］王李靜. 航天測控鏈路干擾多維感知及決策研究［D］. 成都： 電子科技大學， 2020.

WANG L J.Research on multidimensional perception and decision-marking of interference in space TTamp;C links［D］. Chengdu：University of Electronic Science and Technology of China，

2020.

［11］VASWANI A， SHAZEER N， PARMAR N， et al. Attention is all you need［C］∥Proc.of the Advances in Neural Information Processing Systems， 2017.

［12］DOSOVITSHIY A， BEYER L， KOLESNIKOV A， et al. An image is worth 16×16 words： transformers for image recognition at scale［EB/OL］. ［2023-05-10］. https：∥arxiv.org/abs/2010.11929.

［13］IANDOLA F N， HAN S， MOSKEWICZ M W， et al. SqueezeNet： AlexNet-level accuracy with 50x fewer parameters and lt;0. 5 MB model size［EB/OL］. ［2023-05-10］. https：∥arxiv.org/abs/1602.07360.

［14］MA N， ZHANG X， ZHENG H T， et al. Shufflenet v2： practical guidelines for efficient CNN architecture design［C］∥Proc.of the European conference on computer vision， 2018： 116-131.

［15］HOWARD A， SANDLER M， CHU G， et al. Searching for MobileNetV3［C］∥Proc.of the IEEE/CVF International Conference on Computer Vision， 2019： 1314-1324.

［16］TAN M X， LE Q. EfficientNetV2： Smaller models and faster training［C］∥Proc.of the International Conference on Machine Learning， 2021： 10096-10106.

［17］HOCHREITER S， SCHMIDHUBER J. Long short-term memory［J］. Neural Computation， 1997， 9（8）： 1735-1780.

作者簡介

陽鵬飛（1999—），男，碩士研究生，主要研究方向為復合調(diào)制信號識別、干擾信號識別、智能抗干擾決策。

何 羚（1972—），女，副教授，碩士，主要研究方向為測控通信鏈路安全防護、信號感知與處理。

王 茜（1984—），女，副教授，博士，主要研究方向為信號檢測、時頻分析。

王睿笛（1998—），男，碩士研究生，主要研究方向為多域自適應抗干擾算法。

張明志（2000—），男，碩士研究生，主要研究方向為二進制偏移載波調(diào)制信號仿真與實現(xiàn)。