全頻譜深度認(rèn)知理論與方法

摘 要：深入研究了全頻譜認(rèn)知與智能利用領(lǐng)域，強(qiáng)調(diào)了現(xiàn)有認(rèn)知無線電理論和無線電監(jiān)測(cè)技術(shù)在特定環(huán)境中的優(yōu)勢(shì)，指出在面對(duì)寬帶、瞬變、未知、復(fù)雜的電磁環(huán)境時(shí)存在“認(rèn)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(rèn)知作為未來的發(fā)展方向，從信號(hào)多維特征與個(gè)體本征屬性雙重維度對(duì)輻射源目標(biāo)進(jìn)行精準(zhǔn)認(rèn)知。通過探索輻射源目標(biāo)信號(hào)的多域特征，構(gòu)建輻射源完備表征數(shù)據(jù)庫，實(shí)現(xiàn)通信終端的本征屬性認(rèn)知，可以更全面地理解和利用頻譜資源。分析了調(diào)制域、協(xié)議域中信號(hào)的調(diào)制識(shí)別以及協(xié)議解析等研究現(xiàn)狀；高速目標(biāo)信號(hào)識(shí)別和空域定向認(rèn)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(chǔ)。

關(guān)鍵詞：全頻譜深度認(rèn)知；信號(hào)識(shí)別；通信協(xié)議解析；空域定向認(rèn)知

中圖分類號(hào)：ＴＮ９２７＋． ２ 文獻(xiàn)標(biāo)志碼：Ａ 開放科學(xué)（資源服務(wù)）標(biāo)識(shí)碼（ＯＳＩＤ）：

文章編號(hào)：１００３－３１０６（２０２４）０７－１５８９－１３

０ 引言

隨著無線通信技術(shù)的快速發(fā)展與國(guó)家國(guó)際化戰(zhàn)略的推進(jìn)，信息通信領(lǐng)域向著空天地海一體化方向不斷創(chuàng)新，對(duì)在該領(lǐng)域的創(chuàng)新研究提出了更高的需求。如今無線設(shè)備及其應(yīng)用呈現(xiàn)指數(shù)級(jí)增長(zhǎng)，各種無線技術(shù)的出現(xiàn)使得電磁頻譜環(huán)境呈現(xiàn)環(huán)境多域、態(tài)勢(shì)多維、應(yīng)用多樣、行為多變、信號(hào)密集的復(fù)雜特性。現(xiàn)代化戰(zhàn)爭(zhēng)中，電磁頻譜空間已逐步演化為第六維作戰(zhàn)空間，實(shí)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(quán)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(shù)旨在更有效地利用和管理無線頻譜資源，使設(shè)備能夠?qū)崟r(shí)地認(rèn)知和分析當(dāng)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(shè)備并優(yōu)化自己的性能。這種技術(shù)對(duì)于提高無線通信系統(tǒng)的效率、增強(qiáng)頻譜利用率以及促進(jìn)不同無線設(shè)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(cè)從地面擴(kuò)展到高空、近海乃至深海，對(duì)非本土、陌生的新無線頻譜環(huán)境的主動(dòng)快速感知和深度認(rèn)知是保證國(guó)家電磁頻譜安全、制電磁權(quán)以及通信產(chǎn)業(yè)經(jīng)濟(jì)發(fā)展的關(guān)鍵［２］。

基于頻譜感知技術(shù)對(duì)頻譜上電磁活動(dòng)的監(jiān)控，得以快速檢測(cè)出存在的電磁信號(hào)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(zhì)和特征，對(duì)輻射源目標(biāo)進(jìn)行精準(zhǔn)識(shí)別以及全面認(rèn)知對(duì)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(guān)鍵作用。輻射源目標(biāo)識(shí)別任務(wù)是基于接收輻射源發(fā)射的信號(hào)來完成的，輻射的信號(hào)主要受兩方面因素影響：一是輻射源個(gè)體本征屬性，二是輻射源目標(biāo)信號(hào)參數(shù)。

對(duì)于輻射源的個(gè)體本征屬性，其與信號(hào)參數(shù)內(nèi)容無關(guān)，僅與輻射源個(gè)體相關(guān)，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(gè)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(yùn)動(dòng)速度屬性，表征參量包括相對(duì)速度、相對(duì)加速度以及運(yùn)動(dòng)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(diǎn)研究的內(nèi)容。其次，對(duì)于輻射源的信號(hào)多維特征，受工作模式、協(xié)議約束來設(shè)定，并受輻射源本征屬性影響，包括調(diào)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(diào)制信息，表征參量包括調(diào)制進(jìn)制數(shù)、調(diào)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(dá)、衛(wèi)星、移動(dòng)通信等），還包括所屬協(xié)議的協(xié)議級(jí)參數(shù)（如移動(dòng)通信系統(tǒng)中的位置區(qū)編碼（Ｌｏｃａｔｉｏｎ Ａｒｅａ Ｃｏｄｅ，ＬＡＣ）、移動(dòng)設(shè)備網(wǎng)絡(luò)碼（Ｍｏｂｉｌｅ Ｎｅｔｗｏｒｋ Ｃｏｄｅ，ＭＮＣ）、小區(qū)ＩＤ 等），雷達(dá)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(shí)長(zhǎng)和中心頻點(diǎn)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(cè)領(lǐng)域發(fā)展面臨的復(fù)雜電磁頻譜感知與分析問題，本文首先介紹全頻譜認(rèn)知技術(shù)新的發(fā)展方向，并擴(kuò)展到對(duì)輻射源目標(biāo)的全面識(shí)別，將認(rèn)知維度深入到時(shí)－頻－空－變換－參數(shù)等多域，提出了從信號(hào)多維特征與個(gè)體本征屬性雙重維度對(duì)輻射源目標(biāo)進(jìn)行精準(zhǔn)認(rèn)知的技術(shù)路線。然后介紹調(diào)制識(shí)別、信號(hào)協(xié)議解析和輻射源識(shí)別３ 種信號(hào)識(shí)別方式。最后介紹空域定向認(rèn)知技術(shù)，還對(duì)未來可能的研究方向做了展望。

１ 全頻譜深度認(rèn)知概述

輻射源目標(biāo)本征屬性和信號(hào)特征與其表征參量如圖１ 所示，說明了影響輻射源目標(biāo)信號(hào)的兩大類內(nèi)容及其表征參量。現(xiàn)有的認(rèn)知無線電理論和無線電監(jiān)測(cè)技術(shù)方法對(duì)已知特定環(huán)境的電磁環(huán)境監(jiān)測(cè)具有較好的基礎(chǔ)，目前已有很多科研團(tuán)隊(duì)對(duì)頻譜感知與輻射源目標(biāo)識(shí)別進(jìn)行了創(chuàng)新型研究。文獻(xiàn)［３］提出了基于頻譜壓縮感知的稀疏貝葉斯學(xué)習(xí)算法，具有更高的檢測(cè)精度與更小的重構(gòu)誤差。文獻(xiàn)［４］針對(duì)多頻、寬帶電磁輻射源的識(shí)別困難，提出了一種基于盲源分離（Ｂｌｉｎｄ Ｓｉｇｎａｌ Ｓｅｐａｒａｔｉｏｎ，ＢＳＳ）和深度特征學(xué)習(xí)網(wǎng)絡(luò)（Ｄｅｅｐ Ｆｅａｔｕｒｅ Ｌｅａｒｎｉｎｇ Ｎｅｔｗｏｒｋ，ＤＦＬＮ）的深度神經(jīng)網(wǎng)絡(luò)（Ｄｅｅｐ Ｎｅｕｒａｌ Ｎｅｔｗｏｒｋ，ＤＮＮ）模型，提升了輻射源識(shí)別準(zhǔn)確率。文獻(xiàn)［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(luò)（ＤｅｅｐＲｅｓｉｄｕａｌ Ｓｈｒｉｎｋａｇｅ Ｎｅｔｗｏｒｋ，ＤＲＳＮ）相結(jié)合的特定輻射源特征提取與識(shí)別方法，有效提高了低信噪比（Ｓｉｇｎａｌ ｔｏ Ｎｏｉｓｅ Ｒａｔｉｏ，ＳＮＲ）下的分類準(zhǔn)確率。這些研究不斷提高著頻譜感知與輻射源目標(biāo)識(shí)別的精度與速度，不斷向著“測(cè)得快”“測(cè)得準(zhǔn)”“測(cè)得寬”發(fā)展。

近年來，基于機(jī)器學(xué)習(xí)的頻譜智能感知技術(shù)研究取得了顯著進(jìn)展。機(jī)器學(xué)習(xí)技術(shù)能夠利用大量數(shù)據(jù)來訓(xùn)練模型，使得感知系統(tǒng)在不斷學(xué)習(xí)的過程中提高準(zhǔn)確性，更精確地對(duì)信號(hào)源進(jìn)行識(shí)別和分類。這種方法還可以識(shí)別復(fù)雜信號(hào)模式和特征，提供更智能、更自適應(yīng)的感知能力。文獻(xiàn)［６］提出了一種基于深度強(qiáng)化學(xué)習(xí)的協(xié)同頻譜感知算法，減少了網(wǎng)絡(luò)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(qiáng)魯棒性。文獻(xiàn)［７］提出了一種電磁頻譜空間機(jī)器學(xué)習(xí)新范式———認(rèn)知學(xué)習(xí)，設(shè)計(jì)了一種面向干擾識(shí)別的認(rèn)知學(xué)習(xí)方案，能適應(yīng)動(dòng)態(tài)變化的環(huán)境和任務(wù)，通過自學(xué)習(xí)提升性能并緩解錯(cuò)誤標(biāo)記樣本的影響，對(duì)電磁頻譜空間機(jī)器學(xué)習(xí)的發(fā)展具有啟發(fā)式意義。文獻(xiàn)［８］利用不同深度的神經(jīng)網(wǎng)絡(luò)對(duì)通用軟件無線電設(shè)備（Ｕｎｉｖｅｒｓａｌ ＳｏｆｔｗａｒｅＲａｄｉｏ Ｐｅｒｉｐｈｅｒａｌ，ＵＳＲＰ）和ＬａｂＶＩＥＷ 采集到的不同輻射源的信號(hào)數(shù)據(jù)進(jìn)行訓(xùn)練，通過優(yōu)化網(wǎng)絡(luò)參數(shù)和結(jié)構(gòu)，達(dá)到了更高的識(shí)別率。

雖然目前的頻譜感知技術(shù)已經(jīng)取得了較大突破，在識(shí)別速率、識(shí)別準(zhǔn)確率等方面已經(jīng)有了較大提升，但面對(duì)寬帶、瞬變、未知、復(fù)雜的電磁環(huán)境仍存在“認(rèn)不深”的問題［２］。現(xiàn)代頻譜感知與輻射源目標(biāo)識(shí)別需要更深入、更全面地表征信號(hào)的各種特征和屬性，對(duì)無線電監(jiān)測(cè)與管理提出了新的要求和挑戰(zhàn)，研發(fā)具有對(duì)多變無線環(huán)境的主動(dòng)快速感知和深度認(rèn)知能力的理論和關(guān)鍵技術(shù)具有重大意義。

多維度的深度頻譜認(rèn)知被認(rèn)為是頻譜感知技術(shù)發(fā)展的新方向。探索輻射源信號(hào)的多域特征，并基于這些特征構(gòu)建泛用信號(hào)特征數(shù)據(jù)庫以實(shí)現(xiàn)通信終端的本征屬性認(rèn)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(rèn)知中，將格外關(guān)注信號(hào)的多域?qū)傩裕瑥母鱾€(gè)維度對(duì)輻射源目標(biāo)信號(hào)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?qū)傩园ǖ幌抻跁r(shí)域、頻域、空域、變換域與參數(shù)域等。

為了解決基于信號(hào)特征的輻射源識(shí)別方法無法適配軟件無線電技術(shù)發(fā)展帶來的參數(shù)靈活變化問題，可從信號(hào)多維特征與個(gè)體本征屬性雙重維度對(duì)輻射源目標(biāo)進(jìn)行精準(zhǔn)認(rèn)知。該方案可以劃分為三方面的內(nèi)容，如圖３ 所示。首先，大量獲取各類輻射源個(gè)體輻射數(shù)據(jù)，對(duì)輻射源目標(biāo)本征屬性與多維信號(hào)原始參數(shù)集合以及其表征參量進(jìn)行梳理，并重點(diǎn)研究基于生成對(duì)抗網(wǎng)絡(luò)的輻射源個(gè)體非線性表征方法；其次，研究并構(gòu)建時(shí)－頻－空－參數(shù)－變換５ 域輻射源目標(biāo)完備表征范式，實(shí)現(xiàn)對(duì)輻射源目標(biāo)信號(hào)特征與個(gè)體本征屬性雙維度完備表征，構(gòu)建起泛用輻射源目標(biāo)時(shí)－頻－空－參數(shù)－變換５ 域表征數(shù)據(jù)庫；最后，設(shè)計(jì)面向５ 域表征范式的多枝神經(jīng)網(wǎng)絡(luò)分類器，針對(duì)輻射源目標(biāo)多域維度之間的關(guān)聯(lián)性與差異性進(jìn)行分析，完成對(duì)輻射源目標(biāo)５ 域表征特征的動(dòng)態(tài)排序、高效選擇以及分類決策任務(wù)。

２ 調(diào)制識(shí)別

信號(hào)調(diào)制是無線通信系統(tǒng)中的一個(gè)重要過程。調(diào)制識(shí)別任務(wù)通常用于信號(hào)檢測(cè)和解調(diào)。只有信號(hào)接收器正確解調(diào)信號(hào)，信號(hào)傳輸才能順利進(jìn)行。然而，隨著無線通信技術(shù)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(diào)制方法和參數(shù)的數(shù)量正在迅速增加。如何準(zhǔn)確識(shí)別調(diào)制方式的問題因此變得更具挑戰(zhàn)性。

自適應(yīng)調(diào)制識(shí)別（Ａｕｔｏｍａｔｉｃ Ｍｏｄｕｌａｔｉｏｎ Ｃｌａｓｓｉｆｉ-ｃａｔｉｏｎ，ＡＭＣ）技術(shù)可以根據(jù)通信的具體要求和信道狀態(tài)，識(shí)別信號(hào)類別并選擇合適的調(diào)制和解調(diào)方式，實(shí)現(xiàn)傳輸可靠性和數(shù)據(jù)傳輸速率最優(yōu)化，同時(shí)提高頻譜的利用率。可以理解為信號(hào)調(diào)制樣式的識(shí)別本質(zhì)上是一個(gè)多分類模式識(shí)別問題，根據(jù)識(shí)別過程和分類方法的不同，分為基于決策理論的識(shí)別方法、基于特征提取的識(shí)別方法和基于深度學(xué)習(xí)的識(shí)別方法。

２． １ 基于決策理論的識(shí)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(hào)的數(shù)學(xué)模型，然后采用概率論和假設(shè)檢驗(yàn)理論推導(dǎo)出相關(guān)的分類決策規(guī)則［９］。但在實(shí)際物理場(chǎng)景中，基于決策理論的識(shí)別方法存在計(jì)算復(fù)雜度高、精度低等問題，且對(duì)信道先驗(yàn)知識(shí)儲(chǔ)備要求較高。

文獻(xiàn)［１０］提出了一種使用準(zhǔn)對(duì)數(shù)似然比規(guī)則的分類器，實(shí)驗(yàn)分析表明，在低ＳＮＲ 條件下，該分類器對(duì)ＢＰＳＫ ／ ＱＰＳＫ 信號(hào)的識(shí)別性能明顯優(yōu)于其他識(shí)別方法。文獻(xiàn)［１１］提出了一種基于廣義似然比檢驗(yàn)和平均似然比檢驗(yàn)混合的分類器，可以針對(duì)不同進(jìn)制的ＰＳＫ 信號(hào)進(jìn)行分類識(shí)別，該方法的優(yōu)點(diǎn)在于不需要信號(hào)幅度和噪聲方差等先驗(yàn)知識(shí)，且當(dāng)觀察數(shù)據(jù)序列邊長(zhǎng)時(shí)，分類精度也會(huì)增加，而算法復(fù)雜度成線性增加。

２． ２ 基于特征提取的識(shí)別方法

基于特征提取的識(shí)別方法，從經(jīng)過預(yù)處理的信號(hào)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(shí)別信號(hào)的調(diào)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(zhǔn)則，通常采用機(jī)器學(xué)習(xí)或深度學(xué)習(xí)算法作為分類方法輸出識(shí)別結(jié)果［１２］。常用的專家特征包括瞬時(shí)幅度、高階累積量、循環(huán)譜和ＣＤ 等。

在衛(wèi)星通信領(lǐng)域，文獻(xiàn)［１３］將信號(hào)ＣＤ 形狀作為判決標(biāo)志，對(duì)接收信號(hào)進(jìn)行信道盲均衡，然后采用聚類算法逐步減少聚類簇進(jìn)而判斷調(diào)制樣式階數(shù)，最終采用最大似然法選擇合適的調(diào)制樣式。該方法在ＳＮＲ 大于１４ ｄＢ 時(shí)對(duì)所有調(diào)制樣式的識(shí)別率達(dá)到９０％ 以上，但其可識(shí)別的調(diào)制樣式維數(shù)局限在３２以內(nèi)，此外對(duì)ＳＮＲ 要求也比較高。文獻(xiàn)［９］利用信號(hào)的ＣＤ 和卷積神經(jīng)網(wǎng)絡(luò)（Ｃｏｎｖｏｌｕｔｉｏｎａｌ Ｎｅｕｒａｌ Ｎｅｔ-ｗｏｒｋ，ＣＮＮ）相結(jié)合對(duì)信號(hào)進(jìn)行識(shí)別，在ＳＮＲ 大于５ ｄＢ 時(shí)識(shí)別率達(dá)到９７． ９９％ 。文獻(xiàn)［１４］使用ＣＤ 與二值化ＤＮＮ 對(duì)信號(hào)調(diào)制樣式進(jìn)行識(shí)別，ＳＮＲ 在－６ ～ ６ ｄＢ 噪聲條件下的綜合識(shí)別率達(dá)到９６． １％ 。

基于特征提取的識(shí)別方法核心在于提取能夠有效表征信號(hào)調(diào)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(duì)專家特征庫的要求極高，需要專業(yè)人員耗費(fèi)大量時(shí)間精力對(duì)通信場(chǎng)景、基礎(chǔ)信號(hào)以及分類器等進(jìn)行大量細(xì)致的分析研究，缺少一個(gè)系統(tǒng)的解決方案。

２． ３ 基于深度學(xué)習(xí)的識(shí)別方法

基于深度學(xué)習(xí)的識(shí)別方法，使用ＣＮＮ、長(zhǎng)短期記憶網(wǎng)絡(luò)（Ｌｏｎｇ Ｓｈｏｒｔ-Ｔｅｒｍ Ｍｅｍｏｒｙ，ＬＳＴＭ）或其他類型的神經(jīng)網(wǎng)絡(luò)直接從原始信號(hào)提取特征并實(shí)現(xiàn)分類識(shí)別，能夠?qū)π盘?hào)調(diào)制樣式進(jìn)行端到端的識(shí)別。

ＤＮＮ 在視頻、語音和圖像處理的研究領(lǐng)域發(fā)揮了重要作用。同樣可以將ＣＮＮ 應(yīng)用于無線電調(diào)制識(shí)別任務(wù)，進(jìn)而將深度學(xué)習(xí)的理念引入通信領(lǐng)域。已經(jīng)有很多深度學(xué)習(xí)模型成功應(yīng)用于ＡＭＣ 任務(wù)［１５］。文獻(xiàn)［１６］采用ＬＳＴＭ 對(duì)１０ 種調(diào)制樣式信號(hào)記性識(shí)別，在ＳＮＲ 大于５ ｄＢ 時(shí)，平均識(shí)別準(zhǔn)確率達(dá)到９５％ 。文獻(xiàn)［１７］利用循環(huán)神經(jīng)網(wǎng)絡(luò)（ＲｅｃｕｒｒｅｎｔＮｅｕｒａｌ Ｎｅｔｗｏｒｋ，ＲＮＮ）對(duì)４ 種衛(wèi)星幅相信號(hào)調(diào)制識(shí)別，在ＳＮＲ 為６ ｄＢ 時(shí)，信號(hào)識(shí)別率接近９８％ 。文獻(xiàn)［１８］利用ＣＮＮ 與ＬＳＴＭ 結(jié)合的網(wǎng)絡(luò)模型對(duì)多種調(diào)制樣式信號(hào)進(jìn)行分類識(shí)別，利用了２ 種網(wǎng)絡(luò)在建模能力上的互補(bǔ)性。

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

文獻(xiàn)［１９］在衛(wèi)星通信場(chǎng)景下提出一種新的特征提取方案，稱為時(shí)隙ＣＤ，將采樣時(shí)間窗口劃分為連續(xù)的時(shí)隙，并將采樣的ＩＱ 信號(hào)轉(zhuǎn)換為二維灰度圖像，可以通過捕獲每個(gè)時(shí)隙內(nèi)ＣＤ 的旋轉(zhuǎn)和縮放軌跡以及連續(xù)圖像之間的演變來實(shí)現(xiàn)更好的分類，在慢衰落和快衰落信道中均實(shí)現(xiàn)了較高的分類準(zhǔn)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(dòng)大的難題。

文獻(xiàn)［２０］提出一種先進(jìn)的深度學(xué)習(xí)模型———ＭＣＢＬＤＮ，由多個(gè)ＣＮＮ、一個(gè)雙向長(zhǎng)短期記憶網(wǎng)絡(luò)（Ｂｉｄｉｒｅｃｔｉｏｎａｌ Ｌｏｎｇ Ｓｈｏｒｔ-Ｔｅｒｍ Ｍｅｍｏｒｙ，ＢＬＳＴＭ）和一個(gè)ＤＮＮ 結(jié)構(gòu)組成，是一種針對(duì)時(shí)變通道中ＡＭＣ 任務(wù)的高級(jí)深度學(xué)習(xí)模型。在ＭＣＢＬＤＮ 中的時(shí)隙ＣＤ方案，將接收信號(hào)采樣序列分為Ｌ 個(gè)時(shí)隙，每個(gè)時(shí)隙生成一個(gè)ＣＤ。最后，Ｌ 個(gè)時(shí)隙ＣＤ 被轉(zhuǎn)換為一系列灰度子圖像作為ＭＣＢＬＤＮ 的輸入。時(shí)隙ＣＤ 方案的優(yōu)點(diǎn)是ＭＣＢＬＤＮ 由于信道變化而獲得了ＣＤ 的時(shí)間演化特征。盡管ＭＣＢＬＤＮ 算法取得了良好的分類性能，但在實(shí)際應(yīng)用中卻存在以下２ 個(gè)缺點(diǎn)：

① Ｌ 個(gè)時(shí)隙ＣＤ 生成的Ｌ 個(gè)灰度子圖像是ＭＣＢＬＤＮ 的輸入，并由Ｌ 個(gè)不同的ＣＮＮ 使用“ｆｏｒ”循環(huán)進(jìn)行串行處理。具體來說，每個(gè)循環(huán)都會(huì)重建一個(gè)ＣＮＮ，并使用該ＣＮＮ 來處理灰度子圖像。因此，ＭＣＢＬＤＮ 由于多ＣＮＮ 結(jié)構(gòu)而被過度參數(shù)化，并且由于串行數(shù)據(jù)處理而耗時(shí)。

② 時(shí)變通道引入的頻率偏移和相位偏移引起ＣＤ 旋轉(zhuǎn)，這在ＭＣＢＬＤＮ 中被忽略。然而，ＣＤ 旋轉(zhuǎn)會(huì)影響分類性能并降低ＭＣＢＬＤＮ 的魯棒性。

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

① 輕量級(jí)ＣＮＮ。將多個(gè)具有相同結(jié)構(gòu)的ＣＮＮ縮減為一個(gè)。

② 數(shù)據(jù)重排。對(duì)多ＣＮＮ 網(wǎng)絡(luò)進(jìn)行裁剪后，對(duì)輸入數(shù)據(jù)進(jìn)行重新排列，然后使用輕量級(jí)ＣＮＮ 對(duì)輸入數(shù)據(jù)實(shí)行并行處理。ＳＬＣＢＤＮ 中的計(jì)算復(fù)雜度不會(huì)因數(shù)據(jù)重新排列而改變，而ＳＬＣＢＤＮ 的計(jì)算速度明顯快于ＭＣＢＬＤＮ。

③ ＳＴＮ。引入ＳＴＮ 來糾正ＣＤ 旋轉(zhuǎn)，以提高分類精度。

ＳＴＮ 是一種無監(jiān)督學(xué)習(xí)模型，允許神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)如何對(duì)輸入圖像進(jìn)行空間變換，例如縮放、平移、旋轉(zhuǎn)和裁剪，可以增強(qiáng)模型的幾何不變性。因此，文獻(xiàn)［２０］利用ＳＴＮ 來校正有頻率偏移和相位偏移引起的ＣＤ 旋轉(zhuǎn)。

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(hào)參數(shù)以及調(diào)制參數(shù)等，接收方無法直接對(duì)信號(hào)進(jìn)行解調(diào)從而獲取信息，所以識(shí)別信號(hào)調(diào)制樣式仍然是未來研究方向的重難點(diǎn)。本文梳理了目前對(duì)信號(hào)識(shí)別和分類的一些方法，并重點(diǎn)關(guān)注基于深度學(xué)習(xí)識(shí)別方法的研究進(jìn)展，總結(jié)各類方法的優(yōu)勢(shì)特點(diǎn)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(rèn)知領(lǐng)域的不斷發(fā)展，信號(hào)的協(xié)議解析作為提高輻射源目標(biāo)識(shí)別準(zhǔn)確率與效率的關(guān)鍵環(huán)節(jié)，其重要性日益凸顯。協(xié)議解析是不依賴先驗(yàn)知識(shí)為條件，以分析系統(tǒng)行為、數(shù)據(jù)片段特點(diǎn)為方法對(duì)捕獲的信號(hào)數(shù)據(jù)進(jìn)行深入分析，獲取協(xié)議字段邊界與語義的過程，以識(shí)別和理解其中的協(xié)議信息［２１］。這包括識(shí)別信號(hào)的調(diào)制類型、編碼方式、工作模式及其他相關(guān)參數(shù)，如頻率、波特率和幀結(jié)構(gòu)等。協(xié)議解析能夠?yàn)樾盘?hào)分析、輻射源識(shí)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(shù)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(nèi)容的協(xié)議解析。基于協(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(guān)信息推斷協(xié)議格式。基于數(shù)據(jù)內(nèi)容的協(xié)議解析方法通過分析協(xié)議數(shù)據(jù)內(nèi)容、協(xié)議數(shù)據(jù)特點(diǎn)，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(diǎn)，基于數(shù)據(jù)的協(xié)議解析方法使用范圍廣。當(dāng)前研究主要采用字段挖掘的方式，通過字段頻率、設(shè)備行為和字段關(guān)系等方式推斷協(xié)議的字段語義。文獻(xiàn)［２３］挖掘協(xié)議數(shù)據(jù)間的信息熵構(gòu)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(jié)構(gòu)特點(diǎn)對(duì)應(yīng)，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(xiàn)［２４］提出了多級(jí)協(xié)議處理方案，解析完畢后采用數(shù)據(jù)校驗(yàn)的方式修正不足。該方法將解析與驗(yàn)證分離，采用了多級(jí)協(xié)作的解析方法。文獻(xiàn)［２５］針對(duì)協(xié)議解析精度低的問題提出了基于字段狀態(tài)的多級(jí)協(xié)議解析算法，使用字段特點(diǎn)將字段分為特殊和非特殊狀態(tài)，采用統(tǒng)計(jì)方法推測(cè)特殊狀態(tài)的字段語義，通過改變統(tǒng)計(jì)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(shí)現(xiàn)狀態(tài)不變字段的邊界劃分與語義推斷，采用校驗(yàn)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(xiàn)［２６］設(shè)計(jì)了一套移動(dòng)通信系統(tǒng)評(píng)估系統(tǒng)用于解析下行數(shù)據(jù)中的協(xié)議級(jí)指標(biāo)與業(yè)務(wù)級(jí)指標(biāo)。系統(tǒng)協(xié)議解析與業(yè)務(wù)評(píng)估架構(gòu)如圖５ 所示。

下行數(shù)據(jù)進(jìn)入該評(píng)估系統(tǒng)后，先對(duì)其進(jìn)行配置搜索，如果該數(shù)據(jù)屬于上一個(gè)曾經(jīng)解析過的小區(qū)，那么在配置信息庫中應(yīng)該保存了其配置信息，只需要從數(shù)據(jù)庫中調(diào)取配置信息進(jìn)行應(yīng)用即可。如果這是一個(gè)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(jìn)行解析。

在文獻(xiàn)［２６］中，下行數(shù)據(jù)信號(hào)經(jīng)同步模塊、信號(hào)解調(diào)模塊、協(xié)議解析模塊、業(yè)務(wù)數(shù)據(jù)跟蹤模塊以及業(yè)務(wù)評(píng)估模塊完成協(xié)議級(jí)指標(biāo)與業(yè)務(wù)級(jí)指標(biāo)的提取。本文基于此解析流程，并針對(duì)具有不同物理層幀結(jié)構(gòu)的２Ｇ、３Ｇ、４Ｇ 系統(tǒng)，完成了對(duì)ＧＳＭ、ＷＣＤＭＡ、ＬＴＥ 系統(tǒng)的協(xié)議棧解析。其中針對(duì)ＬＴＥ系統(tǒng)的協(xié)議棧解析流程如圖６ 所示。基帶采樣信號(hào)經(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(jí)指標(biāo)參數(shù)。

文獻(xiàn)［２７］針對(duì)現(xiàn)有的電磁環(huán)境認(rèn)知技術(shù)無法在非合作的條件下區(qū)分信號(hào)內(nèi)用戶、評(píng)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(jì)方法，如圖７ 所示。該方法將對(duì)整個(gè)小區(qū)的分析拆分為對(duì)空間中波束的分析，對(duì)于監(jiān)測(cè)設(shè)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(nèi)所有用戶的無線網(wǎng)絡(luò)臨時(shí)標(biāo)識(shí)與下行控制信息（Ｄｏｗｎｌｉｎｋ Ｃｏｎｔｒｏｌ Ｉｎｆｏｒ-ｍａｔｉｏｎ，ＤＣＩ），以此統(tǒng)計(jì)波束內(nèi)用戶數(shù)，從而推算小區(qū)內(nèi)用戶數(shù)。除此之外，基于ＤＣＩ 解析結(jié)果以及共享信道解調(diào)參考信號(hào)（Ｄｅｍｏｄｕｌａｔｉｏｎ ＲｅｆｅｒｅｎｃｅＳｉｇｎａｌ，ＤＭＲＳ）映射位置，計(jì)算目標(biāo)用戶共享信道數(shù)據(jù)塊中承載著業(yè)務(wù)數(shù)據(jù)的資源元素?cái)?shù)量，結(jié)合其調(diào)制編碼方案計(jì)算傳輸塊大小，估計(jì)用戶用頻時(shí)長(zhǎng)以及物理層上下行吞吐率，進(jìn)而推測(cè)用戶用頻意圖、感知用戶用頻行為。對(duì)用頻行為異常的用戶進(jìn)一步獲取上行業(yè)務(wù)的物理層比特流。

隨著深度學(xué)習(xí)的廣泛應(yīng)用，基于深度學(xué)習(xí)的協(xié)議解析方案不斷推出。文獻(xiàn)［２８ －３０］利用ＣＮＮ 對(duì)協(xié)議進(jìn)行識(shí)別與解析。文獻(xiàn)［２８－２９］將采樣數(shù)據(jù)轉(zhuǎn)換為頻譜圖的形式，提出了一種將ＣＮＮ 與頻譜圖相結(jié)合的圖形方案，并在文獻(xiàn)［２９］中進(jìn)一步開發(fā)基于擠壓和激勵(lì)機(jī)制的介質(zhì)訪問控制（Ｍｅｄｉｕｍ ＡｃｃｅｓｓＣｏｎｔｒａｌ，ＭＡＣ）協(xié)議解析方法，該方法將信道關(guān)注機(jī)制插入到了經(jīng)典ＣＮＮ 中以提高精度。文獻(xiàn)［３０］開發(fā)了一種基于多維ＣＮＮ 的信號(hào)級(jí)協(xié)議特征提取方法，引入了一種用于變長(zhǎng)協(xié)議識(shí)別的空間池ＣＮＮ。文獻(xiàn)［３１－３２］在未知通信協(xié)議的非合作式條件下，監(jiān)測(cè)獲取用戶物理層用頻行為數(shù)據(jù)，使用改進(jìn)的ＤｅｎｓｅＮｅｔ 模型［３１］以及改進(jìn)的Ｌｅｎｅｔ 模型［３２］識(shí)別短波電臺(tái)的通信行為。此類方法具有在復(fù)雜環(huán)境中識(shí)別與特征提取能力強(qiáng)的優(yōu)點(diǎn)，可以應(yīng)對(duì)數(shù)據(jù)稀缺和先驗(yàn)知識(shí)不足的問題，但要以大規(guī)模的訓(xùn)練樣本為代價(jià)，且在應(yīng)用中存在知識(shí)、數(shù)據(jù)條件與模型復(fù)雜度之間的匹配問題［２７］。

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

４ 輻射源識(shí)別

隨著軟件無線電與集成電路技術(shù)的發(fā)展，輻射源的種類和復(fù)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(duì)輻射源目標(biāo)的認(rèn)知和識(shí)別仍面臨多重挑戰(zhàn)。一方面，輻射源目標(biāo)的基礎(chǔ)數(shù)據(jù)庫建設(shè)并不完善，尤其是海上輻射源目標(biāo)數(shù)據(jù)庫建設(shè)相對(duì)滯后，導(dǎo)致先驗(yàn)信息的嚴(yán)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(hào)的特征提取，但對(duì)于目標(biāo)本征屬性及其關(guān)鍵表征參量的理解仍顯不足，這限制了對(duì)未知輻射源的精準(zhǔn)識(shí)別能力。

在輻射源目標(biāo)信號(hào)特征提取方面，研究者們已經(jīng)開展了大量工作。文獻(xiàn)［３３］對(duì)機(jī)場(chǎng)ＷｉＭａｘ 信號(hào)進(jìn)行大量采集并分析研究，通過提取穩(wěn)態(tài)信號(hào)的瞬時(shí)幅度、相位以及頻率等特征，結(jié)合統(tǒng)計(jì)量計(jì)算，如二階量均值、方差以及三階量峰度等，實(shí)現(xiàn)了對(duì)不同ＷｉＭａｘ 設(shè)備的有效辨識(shí)。文獻(xiàn)［３４］基于時(shí)－頻能量分布特征，結(jié)合希爾伯特－黃變換等方法，進(jìn)一步增強(qiáng)了不同ＧＳＭ 發(fā)射機(jī)個(gè)體間的特征差異性，從而提高了識(shí)別準(zhǔn)確率。文獻(xiàn)［３５］針對(duì)８０２． １６ｅ ＷｉＭａｘ暫態(tài)信號(hào)，采用離散Ｇａｂｏｒ 變換來提取不同個(gè)體的變換域特征差異，在－３ ｄＢ ＳＮＲ 條件下達(dá)到了９０％的識(shí)別準(zhǔn)確率。但需要指出的是，變換域特征提取過程中存在對(duì)變換基函數(shù)選擇的主觀性，這可能對(duì)識(shí)別結(jié)果產(chǎn)生較大影響，因此在實(shí)際應(yīng)用中需謹(jǐn)慎選擇。

除了信號(hào)特征提取外，輻射源目標(biāo)識(shí)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(gè)數(shù)、調(diào)制方式、協(xié)議類型和天線極化參數(shù)等構(gòu)成的參數(shù)域特征。這些特征的獲取和處理對(duì)于提高識(shí)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(diǎn)聯(lián)合獲取的方法來實(shí)現(xiàn)，其中ＭＵＳＩＣ 算法［３６］和旋轉(zhuǎn)矢量不變法［３７］等經(jīng)典算法在實(shí)際應(yīng)用中具有廣泛的適用性。然而，對(duì)于海洋輻射源目標(biāo)而言，由于其參數(shù)可靈活調(diào)整的特點(diǎn)，參數(shù)域方法往往只能提供必要但非充分的識(shí)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(biāo)本征屬性及其關(guān)鍵表征參量，以便為未知輻射源的精準(zhǔn)識(shí)別提供更加有效的支持。

上述基于統(tǒng)計(jì)特征判決的方法，大多假設(shè)環(huán)境、噪聲信息穩(wěn)定，對(duì)如海洋這類復(fù)雜多變場(chǎng)景魯棒性不佳。因此，國(guó)內(nèi)外研究者結(jié)合強(qiáng)表征能力的機(jī)器學(xué)習(xí)方法，開展了信號(hào)特征結(jié)合數(shù)據(jù)驅(qū)動(dòng)模型的輻射源識(shí)別研究。基于對(duì)上述信號(hào)特征的梳理以及對(duì)神經(jīng)網(wǎng)絡(luò)輸入理解，將信號(hào)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(jì)特征和調(diào)制、極化、協(xié)議參數(shù)）。在圖特征方面，文獻(xiàn)［３８］基于輻射源穩(wěn)態(tài)信號(hào)提取的雙譜特征，結(jié)合ＣＮＮ 實(shí)現(xiàn)對(duì)１０ 個(gè)不同輻射源的個(gè)體識(shí)別任務(wù)，在２０ ｄＢ ＳＮＲ 情況下，可達(dá)到９２％ 的識(shí)別準(zhǔn)確率。在流特征方面，文獻(xiàn)［３９］對(duì)７ 層ＣＮＮ、７ 層殘差網(wǎng)絡(luò)、７ 層ＤｅｎｓｅＮｅｔ網(wǎng)絡(luò)和卷積長(zhǎng)短期深度神經(jīng)網(wǎng)絡(luò)（ＣｏｎｖｏｌｕｔｉｏｎａｌＬｏｎｇ Ｓｈｏｒｔ-Ｔｅｒｍ Ｍｅｍｏｒｙ Ｆｕｌｌｙ Ｃｏｎｎｅｃｔｅｄ Ｄｅｅｐ ＮｅｕｒａｌＮｅｔｗｏｒｋ，ＣＬＤＮＮ）在同一個(gè)數(shù)據(jù)集內(nèi)進(jìn)行了評(píng)估，發(fā)現(xiàn)ＣＬＤＮＮ 是處理Ｉ ／ Ｑ 格式的最合適的框架。文獻(xiàn)［４０］針對(duì)２． ４ ＧＨｚ 商用ＺｉｇＢｅｅ 輻射源，單獨(dú)使用Ｉ 路與Ｑ 路數(shù)據(jù)流，結(jié)合ＣＮＮ 實(shí)現(xiàn)７ 個(gè)輻射源個(gè)體識(shí)別，可達(dá)到９２． ２９％ 識(shí)別準(zhǔn)確率。在集合特征方面，文獻(xiàn)［４１］提出結(jié)合循環(huán)熵譜與長(zhǎng)－短期記憶密集連接網(wǎng)絡(luò)的識(shí)別方法，表現(xiàn)出了對(duì)噪聲的魯棒性。然而，現(xiàn)有方法大多針對(duì)單一類型特征進(jìn)行分類器設(shè)計(jì)，忽略了不同類型特征之間的互補(bǔ)性。考慮到某些場(chǎng)景中如海上環(huán)境的復(fù)雜性和動(dòng)態(tài)性，將圖形特征、數(shù)據(jù)流特征和集合特征進(jìn)行融合的分類器設(shè)計(jì)是一種可行的技術(shù)思路，可以利用不同類型特征的聯(lián)合優(yōu)勢(shì)，提高輻射源識(shí)別的準(zhǔn)確性和魯棒性。

此外，現(xiàn)有方法對(duì)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?jī)H局限于對(duì)輻射源單個(gè)器件的建模分析。在功放建模方面，受非線性預(yù)失真技術(shù)發(fā)展的影響，已有多種模型被提出，如Ｓａｌｅｈ 模型、Ｖｏｌｔｅｒｒａ 級(jí)數(shù)模型、無記憶多項(xiàng)式模型、Ｗｉｅｎｅｒ 模型和神經(jīng)網(wǎng)絡(luò)模型及其各種變種模型等［４２］。文獻(xiàn)［４３］基于晶振鎖相環(huán)輸出的自相關(guān)函數(shù)樣本的包絡(luò)分布對(duì)輻射源晶振進(jìn)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(shí)別方法的設(shè)計(jì)，對(duì)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(shí)別性能，在未來的研究中，可以從發(fā)射機(jī)的整體本征非線性角度出發(fā)，結(jié)合多維信號(hào)表征特征來探索新的方法。同時(shí)，考慮到海洋環(huán)境的復(fù)雜性和未知性，使用具有強(qiáng)泛化能力的集成學(xué)習(xí)分類器是實(shí)現(xiàn)未知輻射源目標(biāo)識(shí)別的可行解決方案之一。

５ 空域定向認(rèn)知

傳統(tǒng)的靜態(tài)或準(zhǔn)靜態(tài)場(chǎng)景，使用基于能量檢測(cè)的遍歷和迭代窄波束搜索，如圖８ 所示。基站等首先使用覆蓋范圍較大的波束，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(duì)準(zhǔn)難和對(duì)準(zhǔn)非最優(yōu)等缺點(diǎn)。在衛(wèi)星網(wǎng)絡(luò)中，衛(wèi)星和地面目標(biāo)之間相對(duì)高速移動(dòng)，窄波束難以實(shí)現(xiàn)快速、方向性對(duì)準(zhǔn)，所以如何實(shí)現(xiàn)空域定向認(rèn)知成為一個(gè)問題。一方面使用波束賦形技術(shù)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(guān)鍵技術(shù)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(shí)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(shí)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(jié)合的關(guān)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(jìn)行毫米波信道估計(jì)，特別是在大規(guī)模ＭＩＭＯ 系統(tǒng)中。用于毫米波通信的ＣＳＩ 估計(jì)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(xué)習(xí)的信道估計(jì)方法等。ＬＳ 的優(yōu)點(diǎn)在于復(fù)雜度低，但估計(jì)誤差較大。ＬＭＭＳＥ 具有較高的估計(jì)精度，但需要信道統(tǒng)計(jì)和噪聲方差作為先驗(yàn)信息，限制了其在實(shí)際中的應(yīng)用。在毫米波頻段角域的稀疏假設(shè)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(xiàn)［４４］提出了一種高復(fù)雜度的超高分辨率估計(jì)算法。針對(duì)頻分雙工（Ｆｒｅｑｕｅｎｃｙ Ｄｕｐｌｅｘｉｎｇ Ｄｉｖｉｓｉｏｎ，ＦＤＤ）系統(tǒng)，文獻(xiàn)［４５］提出了一種非正交導(dǎo)頻設(shè)計(jì)方案，并使用分布式稀疏度自適應(yīng)匹配追蹤算法（Ｓｐａｒｓｉｔｙ ＡｄａｐｔｉｖｅＭａｔｃｈｉｎｇ Ｐｕｒｓｕｉｔ，ＳＡＭＰ）來聯(lián)合估計(jì)多個(gè)子載波，但該方案需要反饋，增加了訓(xùn)練開銷和估計(jì)延遲。

隨著衛(wèi)星等高移動(dòng)通信領(lǐng)域的快速發(fā)展，移動(dòng)條件下信道估計(jì)算法的需求逐漸增加。文獻(xiàn)［４６］提出了一種新穎的傳輸幀結(jié)構(gòu)，將時(shí)變信道的估計(jì)分為２ 個(gè)階段。通過自適應(yīng)算法來估計(jì)角度，作為塊稀疏恢復(fù)問題，然而ＣＳ 固有的量化誤差仍然存在，并且訓(xùn)練開銷也很大。深度學(xué)習(xí)因其自學(xué)習(xí)能力和硬件計(jì)算能力的增強(qiáng)而受到廣泛關(guān)注。在此基礎(chǔ)上，深度學(xué)習(xí)滲透到無線通信領(lǐng)域，如信道編解碼、信道信息反饋、波束搜索、波束成形、調(diào)制識(shí)別和信道估計(jì)等［４７－４９］。文獻(xiàn)［４７］針對(duì)高動(dòng)態(tài)車輛場(chǎng)景，利用ＤＮＮ 對(duì)空時(shí)分組碼進(jìn)行ｋ 步信道預(yù)測(cè)，然后提出面向決策的信道估計(jì)算法，而無需進(jìn)行信道多普勒頻移估計(jì)。文獻(xiàn)［４８］提出了２ 種不同的信道估計(jì)方案：一種是數(shù)據(jù)驅(qū)動(dòng)的端到端信道估計(jì)器；另一種是結(jié)合通信知識(shí)和少量訓(xùn)練參數(shù)的模型驅(qū)動(dòng)的信道估計(jì)器。針對(duì)瑞利衰落信道的特點(diǎn)，文獻(xiàn)［４９］提出了一種將ＲＮＮ 結(jié)構(gòu)與滑動(dòng)窗口相結(jié)合的估計(jì)器———ＳＢＧＲＵ。然而，這２ 種方案需要大量訓(xùn)練數(shù)據(jù)，導(dǎo)致額外的訓(xùn)練成本。值得注意的是，文獻(xiàn)［４９］中的毫米波信道模型僅可以獲得沒有到達(dá)角（Ａｎｇｌｅ ｏｆ Ａｒｒｉｖａｌ，ＡｏＡ）／ 離去角（Ａｎｇｌｅ ｏｆ Ｄｅｐａｒ-ｔｕｒｅ，ＡｏＤ）估計(jì)和信道增益的信道矩陣。

此外，通過去噪來優(yōu)化信號(hào)也是提高估計(jì)精度的有效方法。殘差學(xué)習(xí)在圖像分類和識(shí)別領(lǐng)域被廣泛采用。與一般ＣＮＮ 不同的是，殘差網(wǎng)絡(luò)只需要通過“捷徑”結(jié)構(gòu)直接學(xué)習(xí)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(xué)習(xí)的難度。此外，它還緩解了ＣＮＮ 深度增加導(dǎo)致的梯度消失。對(duì)于圖像恢復(fù)，文獻(xiàn)［５０］設(shè)計(jì)了一種前饋去噪ＣＮＮ（Ｄｅｎｏｉｓｉｎｇ Ｃｏｎｖｏｌｕｔｉｏｎａｌ Ｎｅｕｒａｌ Ｎｅｔｗｏｒｋ，ＤｎＣＮＮ），其中利用殘差學(xué)習(xí)和批量歸一化來提高去噪性能。隨著ＣＮＮ 的發(fā)展，殘差學(xué)習(xí)在文本和語音處理中也表現(xiàn)出了類似的表現(xiàn)。

ＭＩＭＯ 雷達(dá)可以全天候、全天時(shí)、長(zhǎng)距離檢測(cè)和定位目標(biāo)。與傳統(tǒng)相控陣?yán)走_(dá)（Ｐｈａｓｅｄ ＡｒｒａｙＲａｄａｒ，ＰＡＲ）相比，ＭＩＭＯ 雷達(dá)通過空間中并行多通道獲取信息，實(shí)現(xiàn)對(duì)多個(gè)目標(biāo)的參數(shù)估計(jì)。由于接收機(jī)的移動(dòng)性，信道的狀態(tài)在時(shí)域上不斷變化。在這種情況下，ＭＩＭＯ 雷達(dá)的快速檢測(cè)特性可以發(fā)揮其優(yōu)勢(shì)，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(jì)精度。對(duì)于ＭＩＭＯ 雷達(dá)，存在多種ＤｏＡ 估計(jì)方法，例如Ｃａｐｏｎ、ＭＵＳＩＣ、ＥＳＰＲＩＴ、稀疏貝葉斯學(xué)習(xí)等。上述工作中的陣列模型是在陣列單元被精確校準(zhǔn)的假設(shè)下進(jìn)行的。然而，實(shí)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(dǎo)致估計(jì)性能下降。

為了解決上述問題，文獻(xiàn)［５１］提出了一種使用深度學(xué)習(xí)的ＭＩＭＯ 雷達(dá)輔助信道估計(jì)方案，用于上行鏈路毫米波多用戶ＭＩＭＯ 通信。為了合理分配導(dǎo)頻資源，設(shè)計(jì)了聯(lián)合雷達(dá)模塊和通信模塊的傳輸幀結(jié)構(gòu)，將估計(jì)方案分為２ 個(gè)階段，即ＡｏＡ ／ ＡｏＤ 估計(jì)階段和增益估計(jì)階段。針對(duì)實(shí)際陣元的缺陷，提出一種在ＡｏＡ ／ ＡｏＤ 估計(jì)階段基于子空間重構(gòu)的ＡｏＡ ／ＡｏＤ 估計(jì)算法，即２ 步角度估計(jì)（Ｔｗｏ-Ｓｔｅｐ Ａｎｇｌｅ Ｅｓｔｉｍａｔｉｏｎ，ＴＳＡＥ）算法。在增益估計(jì)階段，設(shè)計(jì)了基于深度學(xué)習(xí)的信道增益估計(jì)器。提出了一種結(jié)合殘差結(jié)構(gòu)的自動(dòng)編碼器，稱為殘差去噪自動(dòng)編碼器（Ｒｅｓｉｄｕａｌ Ｄｅｎｏｉｓｉｎｇ Ａｕｔｏｅｎｃｏｄｅｒ，ＲＤＡＥ）來消除無線信號(hào)上的噪聲，并將其傳遞到ＬＳ 估計(jì)模塊以獲得增益。仿真結(jié)果表明，ＭＩＭＯ 雷達(dá)輔助和基于深度學(xué)習(xí)的信道估計(jì)器能夠以更少的訓(xùn)練資源提供高移動(dòng)毫米波信道的高效估計(jì)性能。

毫米波鏈路建立和維護(hù)的主要困難是如何在移動(dòng)條件下實(shí)現(xiàn)快速、魯棒的波束跟蹤［５２］。特別是在發(fā)射機(jī)和接收機(jī)的高度動(dòng)態(tài)場(chǎng)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(yīng)對(duì)這些挑戰(zhàn)，迫切需要快速、準(zhǔn)確地基于預(yù)測(cè)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(chǎng)景中得到了較為深入的研究。在毫米波支持的Ｖ２Ｉ 通信場(chǎng)景中，已經(jīng)提出了幾種基于位置的波束跟蹤算法。文獻(xiàn)［５３］說明，基于位置的波束搜索算法在失準(zhǔn)概率和訓(xùn)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(xùn)練算法，以一些給定的輸入數(shù)據(jù)為先決條件。文獻(xiàn)［５４］深度ＣＮＮ 經(jīng)過離線訓(xùn)練，以實(shí)現(xiàn)基于激光雷達(dá)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(guān)注，這對(duì)于提高波束跟蹤的魯棒性和效率以及即使在未經(jīng)訓(xùn)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(guān)重要，無需訓(xùn)練成本即可更新觀察集。為了減少波束搜索開銷，文獻(xiàn)［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(quán)空間信息來輔助毫米波波束對(duì)準(zhǔn)，其中分析了毫米波和Ｓｕｂ６ ＧＨｚ 頻段之間的空間一致性。在文獻(xiàn)［５６］中，與僅使用帶內(nèi)信息的方法相比，加權(quán)稀疏恢復(fù)方法使用帶外信息顯著減少了波束訓(xùn)練開銷。文獻(xiàn)［５７］提出了基于智能加權(quán)網(wǎng)格搜索的快速波束對(duì)準(zhǔn)和波束跟蹤算法，并通過開發(fā)的硬件測(cè)試臺(tái)在２８ ＧＨｚ 頻段進(jìn)行了評(píng)估。然而，波束角度變化過程被假設(shè)為具有恒定方差的平穩(wěn)隨機(jī)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(shè)，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(chǎng)景中快速準(zhǔn)確的波束跟蹤問題。此外，文獻(xiàn)［５８］提出了一種基于不準(zhǔn)確位置的波束對(duì)準(zhǔn)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(xiàn)［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(rèn)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(dòng)性和車輛通信的信道模型，基于ＣＡＶ 中車輛行為認(rèn)知的波束變化率和位置偏航信息來預(yù)測(cè)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(rèn)知來設(shè)計(jì)粒子權(quán)重更新方案，以避免粒子發(fā)散和誤差累積。仿真和硬件測(cè)試結(jié)果驗(yàn)證了所提出的ＶＢＣ-ＰＦ 算法的準(zhǔn)確性和效率優(yōu)于傳統(tǒng)粒子濾波器和擴(kuò)展卡爾曼濾波器算法。

使用深度學(xué)習(xí)技術(shù)進(jìn)行信道估計(jì)，提高波束賦形精度；設(shè)計(jì)波束追蹤算法，提升波束搜索和跟蹤能力，是空域定向認(rèn)知的發(fā)展方向。

６ 結(jié)束語

本文通過對(duì)近年來相關(guān)研究的綜合分析和對(duì)比，總結(jié)了全頻譜多維屬性深度認(rèn)知的概念、預(yù)期目標(biāo)和主要方法。從頻譜感知出發(fā)，介紹了頻譜感知技術(shù)的重要性，然后拓展到對(duì)輻射源目標(biāo)全面識(shí)別范疇，構(gòu)建了輻射源目標(biāo)多維完備表征數(shù)據(jù)庫，提出了從信號(hào)多維特征與個(gè)體本征屬性雙重維度對(duì)輻射源目標(biāo)進(jìn)行精準(zhǔn)認(rèn)知的技術(shù)路線。基于信號(hào)的多維屬性，本文分析了調(diào)制域、協(xié)議域中信號(hào)的調(diào)制識(shí)別以及協(xié)議解析等研究現(xiàn)狀，然后以衛(wèi)星信號(hào)識(shí)別和無人駕駛汽車空域定位為例，講解了高速移動(dòng)目標(biāo)信號(hào)識(shí)別和空域定向認(rèn)知的研究現(xiàn)狀和主要研究方向。在未來研究中，結(jié)合現(xiàn)有技術(shù)的瓶頸和短板，研究例如將ＡＭＣ 與大規(guī)模ＭＩＭＯ 結(jié)合，使用可解釋性人工智能（Ｅｘｐｌａｉｎａｂｌｅ Ａｒｔｉｆｉｃｉａｌ Ｉｎｔｅｌｌｉｇｅｎｃｅ，ＸＡＩ）技術(shù)來克服深度學(xué)習(xí)的黑盒特性和可解釋性方面的問題，從而讓全頻譜認(rèn)知達(dá)到“測(cè)得快”“測(cè)得準(zhǔn)”“測(cè)得寬”的目標(biāo)。

參考文獻(xiàn)

［１］ 李京華，丁國(guó)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(fù)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(xué)，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(rèn)知學(xué)習(xí)：電磁頻譜空間機(jī)器學(xué)習(xí)新范式［Ｊ ］． 電子學(xué)報(bào)，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(luò)的調(diào)制樣式識(shí)別研究［Ｊ］． 信息技術(shù)，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(diào)制方式識(shí)別［Ｊ］．通信學(xué)報(bào)，２００４（６）：１６６－１７３．

［１４］ 張思成，林云，涂涯，等． 基于輕量級(jí)深度神經(jīng)網(wǎng)絡(luò)的電磁信號(hào)調(diào)制識(shí)別技術(shù)［Ｊ］． 通信學(xué)報(bào)，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(hào)調(diào)制識(shí)別算法［Ｊ］． 現(xiàn)代計(jì)算機(jī)，２０２０（１６）：３－７．

［１７］ 查雄，彭華，秦鑫，等． 基于循環(huán)神經(jīng)網(wǎng)絡(luò)的衛(wèi)星幅相信號(hào)調(diào)制識(shí)別與解調(diào)算法［Ｊ］． 電子學(xué)報(bào)，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(shí)別與解析方法研究及系統(tǒng)實(shí)現(xiàn)［Ｄ］． 西安：西安電子科技大學(xué)，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(dòng)通信系統(tǒng)下行信號(hào)分析與評(píng)估［Ｄ］． 北京：北京郵電大學(xué)，２０１９．

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

黃 賽 男，（１９８９—），博士，副教授，博士生導(dǎo)師。主要研究方向：基于機(jī)器學(xué)習(xí)的智能信號(hào)處理、通用無線信號(hào)快速檢測(cè)與深度識(shí)別。

馮志勇 女，（１９７１—），博士，教授，博士生導(dǎo)師。主要研究方向：無線網(wǎng)絡(luò)架構(gòu)設(shè)計(jì)、通信－感知－計(jì)算一體化技術(shù)。

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

路長(zhǎng)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(qiáng)化學(xué)習(xí)。

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

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(hào)處理、通信專網(wǎng)設(shè)計(jì)、射頻測(cè)試。

基金項(xiàng)目：國(guó)家自然科學(xué)基金面上項(xiàng)目（６２１７１０４５）