面向城市作戰的無人機多域信息融合體系設計

中圖分類號：E917 文獻標志碼：A DOI：10.3969/j.issn.1673-3819.2025.04.008

引用格式：，李飛，韓順利.面向城市作戰的無人機多域信息融合體系設計[J].指揮控制與仿真，2025，47（4）：49-55.

Abstract：Urban warfare hasbecomeanimportantformof warfare thatcannot beavoided inmodernwar，andthebattle spacehaschanged tomulti-domainwarfare，cross-domain warfareandall-domainwarfare.Inordertofullyobtainmulti-domainandmulti-dimensionalinformationof urbanenvironment，effectivelysupporturbancombatdecision-makingandmultiarmscoordinatedcommand，amulti-domaininformation fusiontechnologysystemofUAVsforurbancombatisproposed.The keytechnologiesof UAVclustercolaborative deploymentand networking，autonomous colection ofcomplex urbanenvironmental data，informationfusionandspectrumcompletionacross physical space and electromagnetic space，andmulti-domain jointspectrum situation evolutionpredictionareanalyzed.Itcanprovide integrated\"physicalspace+electromagneticspace\" intelligentvisual servicesforurban combat，urbanspectrum inteligent management，andurban wide-area electromagnetic situationassessmentandecision-making，effectivelyancetheintellgentlvelofo-omaininformationfusionrepresentationincomplexurbanenvironments，andprovide technicalsupportforurbanmilitaryandcivilianelectromagnetic situationinteligent monitoring，electromagnetic space cognition and control.

KeyWords：urban warfare；electromagnetic spectrum；UAV；3D reconstruction；data fusion

在智能化時代背景下，城市是支撐人類生存發展及承載生產、生活活動的主要功能區，已成為現代戰爭中爭奪與控制的重要戰術目標。據聯合國統計，2050年，全世界將有2/3的人口涌入城市地區，形成超大城市群落。世界局部戰爭俄烏沖突、以哈戰爭表明，城市作戰地位重要、作用突出，是現代戰爭不容回避的重要作戰形式[1]。由于城市地區街巷縱橫，工程設施復雜，并且各種電磁信號時、頻、空、能混疊交織[2]，導致城市作戰呈現物理環境立體延伸、復雜電磁信號密集多變等特點，城市戰場存在通信指揮協同困難、裝備優勢發揮受限、態勢評估不靈活等作戰難點和痛點。

為準確獲取戰場實時信息和感知戰場綜合態勢，需要在物理空間、電磁空間、網絡空間等跨域多維一體化捕獲數據，其中，物理空間和電磁空間的感知研究最為廣泛和深入，也是驅散戰場信息“迷霧”奪取絕對制勝權最基本和最重要的途徑。而傳統感知手段主要存在以下問題：（1）物理空間信息與電磁空間信息不能有效融合。電磁頻譜態勢是電磁波與物理世界相互作用的產物，目前，物理空間感知與電磁空間感知基本處于孤立狀態，需要通過跨域數據融合技術探究跨域信息的關聯機制。（2）城市戰場信息平臺缺乏通用性。首先表現為數據格式不兼容，物理空間信息系統和電磁空間信息系統分屬不同操作平臺，信息在平臺之間傳遞存在障礙；其次，功能側重點差異大，指戰員需要同時參考地形圖和頻譜圖，在多平臺人工對比分析，效率和準確率受限較大。（3）信號接收設備部署模式固化。傳統接收機/頻譜儀采用箱式結構設計，重量大，部署難，移動性差，難以適應多樣化的應用場景，如移動監測、無人機監測等。（4）城市戰場信息感知智能化不足。復雜的城市戰場環境產生了海量數據，指揮人員很難快速地從繁雜冗余、互相關聯的感知數據中抓取關鍵信息，短時間內無法形成合理判斷與決策[3，亟須從根本上提升戰場多域、多維信息立體感知與融合技術的智能化、自主化水平。

針對以上問題，本文提出了面向城市作戰的無人機多域信息立體融合體系研究框架，實現城市戰場跨域信息智能化深度融合與可視化表征，為作戰行動提供高效、全面、清晰的決策依據。

1能力需求與技術現狀

1.1 能力需求分析

借助無人系統靈活布設、隱蔽偵察的優勢，結合復雜電磁環境多域多維信息感知需求，構建基于無人機的戰場多域信息智能感知融合系統，形成“物理空間 + 電磁空間”的協同智能服務，將滿足多方面的實際需求。（1）城市戰場海量數據協同探測與高效采集需求。傳統的戰場環境數據采集模式與新形勢下數據決策、數據指揮、數據制勝要求不相適應。因此，亟須開展大規模無人裝備數據自主智能采集技術研究，借助無人機靈活布設、動態可控4優勢，實現海量數據分布式協同探測與高效采集。（2）城市戰場物理空間與電磁空間信息智能融合需求。戰場多域信息復雜交織，而目前針對戰場物理空間和電磁空間的感知研究處于割裂狀態，指戰員需在多平臺人工對比地形圖和頻譜圖。因此，亟須開展物理空間與電磁空間信息智能融合技術研究，探究跨域信息關聯機制。（3）城市戰場電磁頻譜態勢演化預測需求。傳統的頻譜態勢預測方法難以利用站點間的時域、頻域、空域特征關聯給出多節點的電磁強度預測結果，因此，亟須開展多域聯合的電磁頻譜態勢演化預測技術研究，前瞻性地把握戰場頻譜態勢發展規律，對于開展電磁兼容設計[5]和掌握制電磁權有重要意義。

1.2 技術研究現狀

國外針對戰場態勢感知尤其是電磁頻譜態勢感知的研究，主要圍繞頻譜態勢圖的繪制以及頻譜數據庫的建立。美軍方依據網絡中心戰理念大力推動第二代戰場態勢感知系統建設，從時域、頻域、空域三個維度繪制射頻地圖。典型的系統和平臺有美國DAPRA先進頻率無線電地圖系統（A）美國EMBM-J聯合電磁作戰管理系統（B）美國HawkEye360天基頻譜監測衛星系統（C）、澳大利亞KleosSpace電磁頻譜監測衛星系統（D）等。國內在該方向的研究起步較晚，但領域內的相關企業、高等院校等積極開展技術研究，初步形成了整套的頻譜監測系統。目前，已有的代表性成果如蘇州恩巨瀕譜地圖云平臺（E）、南京航空航天大學三維頻譜數據采集和測繪系統[（F）、西安電子科技大學頻譜檢測管理系列軟硬件系統[7（G）等。

縱觀國內外現狀可知，目前，針對城市作戰戰場綜合態勢感知的研究重點是電磁頻譜態勢感知以及可視化，未有效綜合考慮城市環境的物理實體狀態，未將精細化的地理坐標、樓宇位置等與狀態多變的電磁態勢對齊及補齊。因此，為滿足精細化、多視角、多功能的全息展現戰場態勢需求，亟須構建多域信息感知融合、表征、利用系統，深挖海量數據蘊藏的深層價值。

2城市作戰物理空間與電磁空間感知融合體系框架

本文所構建的城市作戰物理空間與電磁空間感知融合平臺，是對城市戰場的精準映射，通過硬件驅動、數據支撐、模型定義、軟件集成的方式，分層、分類描述戰場態勢，從而實現可視化。該平臺以高維時空張量為基礎，將跨域多維信息格式化后匯集展示，地理數據采用建筑白模形式表示城市空間的三維結構，頻譜數據采用熱力值的形式表示空間點處的接收信號強度RSS（receivedsignalstrength，RSS），使用人員按不同功能需求進行搜索查詢、增刪修改、分析處理等操作，由此形成“物理空間 + 電磁空間”的智能協同交互服務。

圖1展示了城市作戰多無人機物理空間與電磁空間感知融合技術框架，分為4個層次：數據采集層、算法處理層、可視化交互層、智能服務層。數據采集層以搭載全向天線、小型機載頻譜儀、激光雷達、RTK定位模塊等多載荷的無人機集群為主力單元進行空間環境數據采集與傳輸；算法處理層分別處理點云數據和頻譜數據，實現環境理解與重建、電磁頻譜態勢生成，將地理數據和頻譜數據按空間定位坐標進行匹配，以高維張量網格形式組織和管理數據；可視化交互層集成了多種可視化人機交互服務與應用功能，實現可演示、可查詢、可生成、可推演、可分析、可交互等效果；智能服務層以各類上層用戶軟件為依托，提供城市作戰戰場綜合態勢實時感知與決策輔助、城市作戰戰場海量數據協同探測與高效獲取、智慧城市場景電磁頻譜實時監測與綜合管理等服務。

表1從數據來源、可視信息、主要功能以及應用場景4個層面對比了國內外現有系統/技術與本文所提技術體系。在數據來源層面，相較于天基頻譜監測衛星和地基固定式/半固定式頻譜監測設備，無人機集群機載式頻譜監測方案更加靈活快捷，更適應于精細化、分布式、智能化的應用需求。在可視信息層面，融合多源多維異構數據，包括頻譜數據、數字地圖、裝備實體等，依托地理信息系統全景展示戰場多域態勢。在主要功能層面，涵蓋頻譜監測、測繪、管理、推演等全流程的解決方案，因此，能夠適用于更廣泛的軍用和民用場景。綜上所述，本文所提技術體系相較于現有系統/技術能夠展現獨特的優勢和創新性。

3城市作戰物理空間與電磁空間感知融合關鍵技術

本文結合技術框架體系，提出了無人機集群協同部署與組網、復雜城市環境數據自主采集、跨物理空間與電磁空間的信息融合與頻譜數據補全、多域聯合的頻譜態勢演化預測等亟待突破的關鍵技術及實現思路。

3.1無人機集群協同部署與組網技術

選取頻譜數據最優采樣位置是實現無人機集群部署的前提，更是提升頻譜地圖精度的重要手段。在限定采樣數量的前提下，選定感興趣區域，確保頻譜態勢變化劇烈的區域（如通信基站附近、地形起伏區域、障礙物遮擋區域等）比平穩區域進行更多的數據采樣以獲得更多的頻譜態勢信息。然后，多架無人機以編隊形式執行對地面和空中的數據采集及傳輸任務并有效規避干擾區域。如圖2所示，在數據采集階段，無人機集群通過優化位置部署，尋找最優覆蓋路徑8，規避干擾區域的同時，最大限度地提高數據采集量。在組網階段，無人機集群形成聯盟子網，同一聯盟內的無人機將各自采集的數據傳輸給簇頭無人機。最后，在數據上傳階段，簇頭無人機將匯總數據傳輸到鄰近的升空平臺。

圖2無人機集群協同感知部署方案 Fig.2Collaborative sensing deployment schemeofUAVcluster

3.2復雜城市環境數據自主采集技術

為有效解決復雜環境下數據自主、快速采集問題，基于模塊化、層次化設計思想，研制無人機自主數據采集系統，整體設計如圖3所示。空中部分包括無人機平臺及其搭載的頻譜采集單元、環境感知單元、定位單元、控制與傳輸單元等其他可擴展模塊。頻譜采集單元包含全向天線、小型頻譜分析儀等設備，實時接收信號數據。環境感知單元實時獲取環境點云數據和圖像數據，并輔助自主避障。控制與傳輸單元包含機載計算機、數據傳輸鏈路（機載端）、飛控等設備。其中，機載計算機為小型處理器，接收地面控制指令，負責將信號數據、無人機導航和狀態信息等進行時間統一處理并發送給數據鏈；數據傳輸鏈路支持多無人機節點組網，可實現星型網、鏈式網、網格網等拓撲結構的網絡互聯；飛控實時接收地面控制指令，包括對無人機飛行姿態、頻譜儀、激光雷達等的控制。地面部分具有無人機地面站的基本功能，顯示無人機狀態、航跡等信息，控制無人機飛行模式，作為地面中繼站嵌入可視化物理空間與電磁空間感知融合平臺，傳輸原始的頻譜數據、點云數據、位置、時間戳數據等。

圖3無人機環境數據自主采集技術方案

Fig.3Environmental data autonomous acquisition technology scheme based on UAV

3.3跨物理空間與電磁空間的信息融合與頻譜補全技術

獲取無人機采集的環境數據后，首先解決多源異構物理一電磁信息數據融合問題。戰場空間被劃分為規則網格，三維點云數據配準拼接后可直接按照位置關系映射在網格中，電磁信息也需以柵格形式進行分層、逐格描述，形成電磁信息時域、頻域和空域的編碼與關聯方法，從而達到戰場態勢信息“統一組織、智能表征、高效計算”的目的[9。受限于傳感器數量、數據計算、存儲和通信資源的約束，很難對每個地理空間位置部署傳感器采集樣本數據[10]，通常情況下利用少量、關鍵樣本數據基于缺失值恢復的方法重構全局頻譜態勢圖，即頻譜補全。而面對輻射源信息未知、數據大尺度缺失、頻譜時空多域相關的情況，頻譜數據補全成為涉及多維度的復雜問題。模型驅動方法[\"]補全精度高，但實際情況下先驗信息獲取困難且對計算資源的要求高[12-13]。由于我們已在頻譜數據采集階段設置了稀疏采樣感興趣區域，相比之下數據驅動[14-16]的補全方法更適用。為了提高補全效率并且充分利用采樣數據信息，對三維頻譜空間進行切片，獲得多個含有采樣數據的二維頻譜數據矩陣，然后，根據地理環境重構結果檢測物理不可達區域（如建筑物、基站及其他障礙區域）邊緣并實現邊緣數據預填充，最后完成整個三維頻譜空間部分空缺位置的補全。多階段頻譜態勢數據補全方法的實現過程如圖4所示。

3.4多域聯合的頻譜態勢演化預測技術

頻譜態勢預測通過捕捉歷史頻譜數據的潛在演化規律，提前獲取未來頻譜情況。現有的頻譜預測研究大多只挖掘單域特征如時域、頻域、空域特征并集中在挖掘時域特征或兩種特征[17-20]的組合，忽略了電磁信號時-頻-空特征之間的互補性和相關性，限制了電磁頻譜預測模型的性能。為解決上述問題，基于多域聯合的頻譜態勢演化預測技術[2I-22]得以研究，相較于單一時間序列預測方法和時空預測方法，其取得了更精確的預測效果。因此，為構建高效率、智能化的電磁頻譜態勢預測模型，將時間、頻率和空間維度信息同時納入預測器，實現頻譜特征“單域到跨域”的躍升。將頻譜數據轉換為圖像格式，構造頻譜圖集合，利用深度學習模型基于長短時記憶網絡（longshorttermmemory，LSTM）挖掘隱藏的三域聯合特征，實現高效、可靠的頻譜預測。基于多域聯合的頻譜態勢演化預測模型框架如圖5所示。

圖5基于多域聯合的頻譜態勢演化預測技術框架 Fig.5Spectrum situation evolution prediction technology frameworkbasedonmulti-domainassociation

4 應用前景

物理空間與電磁空間感知融合技術，通過高度靈敏的傳感器、多類型的采集手段和智能的信號處理方法實時感知空間綜合態勢，具有良好的應用前景。（1）助力戰場數據采集處理及可視化展示[23]。實時獲取廣域電磁環境中的頻譜數據和物理空間中的地形、建筑等數據，篩選關鍵信息，為軍方提供更精準的目標情報。通過三維地圖、高維表格、張量模型等可視化手段，系統地將復雜的態勢信息以結構化形式直觀展現出來，有助于指揮官準確把握戰場形勢，提高作戰決策的實時性和有效性。（2）推動戰場環境動態交互式模擬仿真。戰場物理空間與電磁空間感知融合平臺可通過對兵力部署、作戰能力、動態目標、戰場環境等要素的綜合運用實現作戰環節的動態交互式仿真推演以及對戰場態勢的直觀、多角度評估，從而輔助用戶指揮決策，提升對抗實戰化水平。（3）引領城市級電磁安全態勢感知產業發展。為實時、全方位把控城市級電磁頻譜態勢，持續為城市電磁安全監測賦能，搭建智慧城市電磁安全態勢感知平臺，實現全天候監測、威脅分析、溯源定位、協同控制、應急響應、數據共享等功能，形成城市全域、全時、全要素的電磁頻譜態勢數據采集、分析處理、動態呈現能力，打造城市級電磁安全態勢感知標桿，引領城市級電磁安全態勢感知產業發展。

4.1城市作戰戰場綜合態勢實時感知與決策輔助

為從根本上提升戰場綜合態勢感知、利用的智能化水平，需要構建一個城市戰場智能信息感知融合表征系統，發展基于戰場高維張量網絡的智能態勢感知技術體系，研究異域異構數據融合解析、電磁頻譜態勢可視化、地形地貌全息展示等技術，實現“數據測繪一集群，戰場態勢一張圖”的目標，從以下方面支持城市作戰：（1）智能物理空間：高精度的地理信息系統具備地形展示、地點查詢、作戰要素部署等功能；（2）智能頻譜空間：具備全區域輻射功率標記、電磁場強渲染、輻射源定位、頻譜數據預測等功能；（3）智能數據空間：具備海量數據集中存儲、管理、訪問等功能。

4.2城市作戰戰場海量數據協同探測與高效獲取

戰場環境數據類型多樣，數據量極其龐大，達到EB級別，如何將這些龐大、零散、獨立的數據快速融合聚集是提取數據知識的首要前提。為滿足復雜未知環境下城市作戰對海量數據的利用需求，借助無人機靈活布設、動態可控優勢，構建大規模無人機集群協作感知網絡，并具備以下功能：（1）集群行為控制：可實現所有感知模塊無人機的起飛、航行、返航動作的控制，保障飛行安全；（2）集群任務規劃：可實現所有感知模塊無人機的分布式編隊仿真、任務分配、路徑規劃功能；（3）數據采傳保障：數據通信鏈路保障控制指令正常收發、采集數據快速回傳，具備抗干擾、抗侵入、抗欺騙能力；（4）集群統一管理：可實現模塊內所有無人機的狀態管理，包括位置監控、適航檢測、故障告警、應急處置等。

4.3智慧城市場景電磁頻譜實時監測與綜合管理

復雜電磁環境下的頻譜秩序安全管控已成為影響國家和社會安全的重要課題。“十四五”期間，我國提出實現全球實時電磁感知的設想，維護空中電波秩序與安全，提升智能化、精細化、無人化頻譜監管能力。因此，為應對復雜電磁環境，以電磁空間態勢為核心，獲取各類電磁目標要素信息，并加以分析和預測，幫助用頻人員理解與決策，對確保重大安保活動頻譜安全、開展電磁兼容設計以及掌握重要戰略方向的制電磁權有重要意義。從以下方面服務智慧城市建設：（1）非法輻射源標記：繪制和展示輻射源電磁場分布圖，幫助查找非法輻射源；（2）無線通信設備管理：實現各類無線通信設備的有效管理，確保重大公共活動的頻譜安全；（3）頻譜態勢預測：收集頻譜使用規律并建立頻譜態勢，從而提高頻譜利用率。

5 結束語

本文面向城市作戰對多域信息全面獲取與精準分析的需求，提出了多無人機物理空間與電磁空間感知融合體系，通過跨域信息智能化深度融合，解決城市戰場復雜態勢信息的智能化表征問題，提供高效及時的戰場環境計算框架和全面的多維數據映射模型，將孤立、分散、靜態、未經關聯的頻譜數據與多層次、立體化、動態性、海量的地理空間數據整合成一個整體、動態、關聯、多維、可視的異構數據集合，通過可視化技術全面展示戰場實時信息，為電子對抗指揮員的決策部署工作提供細粒度參考信息的同時，能夠有效提高針對性決策效率，為城市作戰或城市管理中頻譜資源監測、管理和利用奠定數據和技術基礎。

參考文獻：

[1]WUH，WUKG，YANG X，et al.Analysis on the operation mode of UAV swarm in urban combat[C]//International Conference on Autonomous Unmanned Systems， Singapore： Springer Nature Singapore，2022： 2 781- 2 788.

[2]FENG Y T，LI B，ZHENG Q B，et al. Electromagnetic situation analysis and judgment based on deep learning [J].IETCommunications，2021，15（11）：1455-1466.

[3］王海，潘越，郭繼光，等.基于人機智能融合技術的態 勢感知應用研究［J]．中國電子科學研究院學報， 2023，18（12）： 1 100-1 112. WANGH，PANY，GUOJG，etal.Application research ofsituationawarenessbasedonhuman-machine intelligence fusion technology[J]. Journal of China Academy of Electronics and Information Technology，2O23，18 （12）：1 100-1 112.

[4]LIL，LI W，WANGJ，et al.UAV trajectory optimization for spectrum cartography： A PPO approach[J]. IEEE Communications Leters，2023，27（6）：1 575-1 579.

［5］王楠，陳貴齊，趙延安，等.城市環境電磁態勢計算中 的并行UTD方法[J].西安電子科技大學學報，2023， 50（3） ： 171-181. WANGN，CHEN GQ，ZHAO Y A，et al. Parallel UTD method for calculation of electromagnetic problems in city environments[J].Journal of Xidian University，2023，50 （3）：171-181.

[6]朱秋明，杜孝夫，吳啟暉，等.傳播模型驅動的三維頻 譜地圖測繪研究[J].宇航總體技術，2021，5（6）：1- 11， 19. ZHUQ M，DU XF，WUQH，et al.Research of 3D spectrum mapping driven by propagation model[J]. Astronautical Systems Engineering Technology，2O21，5（6）： 1-11， 19.

［7］西安電子科技大學.西安電子科技大學電磁認知與管 控團隊[EB/OL].（2023-03-05）[2024-10-10].https：// znybtx.xidian.edu.cn/info/1007/1054.htm Xidian University. Electromagnetic cognition and control teamof Xidian University［EB/OL].（2023-03-05） [2024-10-1o]. https：//znybtx.xidian.edu.cn/info/1007/ 1054.htm.

[8］沈驍，趙彤洲.基于DDQN的無人機區域覆蓋路徑規 劃策略[J].電子測量技術，2023，46（14）：30-36. SHEN X， ZHAO T Z. UAV regional coverage path planning strategy based on DDQN[J]. Electronic Measurement Technology，2023，46（14）：30-36.

[9]方勝良，胡豪杰.智能電磁空間構建與應用[J].太赫 茲科學與電子信息學報，2023，21（6）：713-724，744. FANG S L，HU H J. Construction and application of smart electromagnetic space[J]. Journal of Terahertz Science and Electronic Information Technology，2023，21（6）： 713-724， 744.

[10］陳智博，胡景明，張邦寧，等.基于張量Tucker分解的 頻譜地圖構建算法[J].電子與信息學報，2023，45 （11）：4161-4 169. CHEN Z B， HU J M， ZHANG B N， et al. Spectrum map constructionalgorithmbasedontensortucker decomposition[J].Journal of Electronics amp; Information Technology，2023，45（11）：4161-4 169.

[11］郭嘉琦，趙友平.一種射線跟蹤信道仿真的電磁參數 選取方法[J].電波科學學報，2022，37（1）：99-105. GUO JQ， ZHAO Y P. A method of electromagnetic parameters selection for ray-tracing channel simulation[J]. Chinese Journal of Radio Science，2022，37（1）： 99-105.

[12］沈鋒，丁國如，李婕，等.電磁頻譜多維態勢壓縮測繪 技術研究進展[J].通信學報，2023，44（11）：25-42. SHENF，DING G R，LI J， et al. Research progress on electromagnetic spectrum multidimensional situation compressed mapping technology[J]. Journal on Communications，2023，44（11）：25-42.

[13］胡田鈺，吳啟暉，黃洋.基于生成對抗網絡的三維頻 譜態勢補全[J].數據采集與處理，2021，36（6）：1 104-1 116. HU TY，WU Q H，HUANG Y. Three-dimensional spectrum situation completion based on generative adversarial networks[J]. Journal of Data Acquisition and Processing， 2021，36（6）： 1 104-1 116.

[14]徐浩然，王紅軍，趙文元.電磁頻譜地圖構建中的空間 插值方法綜述[J/OL].電訊技術．https：//doi.org/ 10.20079/j.issn.1001-893x.240501002. XU HR，WANG HJ， ZHAO W Y. Survey on the electromagnetic spectrum map construction based on spatial interpolation methods[J/OL]. Telecommunication Engineering. https：//doi.org/10.20079/j.issn. 1001- 893x.240501002.

[15] GUO L T， LIU Y C， LI Y Q，et al. High-precision reconstruction method based on MTS-GAN for electromagnetic environment data in SAGIoT[J].EURASIP Journal on Advances in Signal Processing，2023，2023（1） ： 125.

[16] TEGANYA Y， ROMERO D. Data-driven spectrum cartography via deep completion autoencoders[C]//ICC 2020- 2020 IEEE International Conference on Communications （ICC），Dublin，2020：1-7.

[17]WANG L，HU J， JIANG R D，et al.A deep long-term joint temporal-spectral network for spectrum prediction [J].Sensors，2024，24（5）：1 498.

[18]LI K H，LI C， CHEN J M， et al. Boost spectrum predictionwith temporal-frequency fusion network via transfer learning［J].IEEE Transactions on Mobile Computing， 2023，22（6）：3 209-3 223.

[19]LIS，SUN YX，HANY，et al.A novel joint time-frequency spectrum resources sustainable risk prediction algorithm based on TFBRL network for the electromagnetic environment[J]. Sustainability，2023，15（6）：4 777.

[20]REN X Y，MOSAVAT-JAHROMI H，CAI L，et al. Spatio-temporalspectrumloadpredictionusing convolutional neural network and ResNet[J]. IEEE Transactions on Cognitive Communications and Networking， 2022，8（2）：502-513.

[21]WEN X M， FANG S L， XU Z J， et al. Joint multidimensional pattern for spectrum prediction using GNN[J]. Sensors，2023，23（21） ：8 883.

[22]PAN G L，WU Q H， DING G R， et al. Deep stacked autoencoder-based long-term spectrum prediction using realworld data[J]. IEEE Transactions on Cognitive Communications and Networking，2023，9（3）： 534-548.

[23]JIANGBW，JIANGQB，QISJ，et al.Visualization of integrated electromagnetic situation in battle[C]//2017 International Conferenceon Algorithms，Methodology， Modelsand Applications in Emerging Technologies （ICAMMAET），Chennai，2017.

（責任編輯：張培培）