引言

跳頻(Frequency Hopping，FH)［1］信號因具備較強的抗干擾能力和低截獲概率，在多領域得到廣泛應用。跳頻信號調制識別是通信偵察與頻譜管理中的關鍵技術之一，其識別結果可為信號監測、通信偵察與干擾決策提供重要依據。

傳統的調制識別方法主要包括基于似然比判決方法［2］和基于特征提取的方法［3］。但這兩種方法在低信噪比或非平穩條件下魯棒性不足，識別性能易受影響。

近年來，深度學習［4-7］方法通過端到端方式自動學習信號的高層判別特征，在調制識別領域表現出良好的性能優勢。然而，深度學習模型通常依賴大量樣本進行訓練，而在實際應用場景中，跳頻信號往往受到條件限制，有效樣本數量有限，導致模型在小樣本條件下性能顯著下降。因此，小樣本條件下跳頻信號調制識別問題逐漸成為研究關注的重點。

針對樣本不足引起的性能退化問題，已有研究提出了多種解決思路。一類方法通過數據增強擴展訓練樣本分布，例如文獻［8］提出了一種基于離散余弦變換的數據增強方法，用于增強卷積神經網絡的訓練性能；文獻［9］提出了基于旋轉、翻轉與加噪的數據增強方法，該方法有效擴充了訓練信號樣本，提升了模型在多種信噪比條件下的分類穩定性和泛化能力。然而，這類方法難以充分刻畫跳頻信號復雜的時頻結構特征。另一類方法則改變網絡結構，通過生成高質量合成樣本擴充數據集。例如文獻［10］提出了生成對抗網絡模型框架，通過判別器與生成器的對抗性訓練機制，實現了高質量數據的合成與分布擬合；文獻［11］提出了一種半監督學習框架，利用未標注信號數據，通過對比學習機制學習更具判別性的信號表示，提升了小樣本場景下的調制分類性能；文獻［12］使用了元學習實現自動調制分類方法，學習可快速適應新任務的模型初始化參數，使模型僅需少量樣本即可高效識別新的調制類型，提升了分類器在無線環境中的適應能力；文獻［13］使用遷移學習實現自動調制識別，通過在源域數據上預訓練模型，并將學到的通用信號特征遷移至目標域，從而利用極少量目標域樣本實現高效調制分類。但這些方法大多訓練過程復雜、穩定性依賴模型設計，對小樣本場景下的工程應用存在一定限制。

跳頻信號通過偽隨機序列實現載頻的快速切換，其非平穩特性使得單純依賴時域或頻域特征的識別方法難以取得理想效果。文獻［14］將跳頻信號轉換為時頻表示，并利用時頻能量分布進行分析，是實現跳頻信號調制識別的可行途徑。但是現有方法缺乏對跨時頻結構耦合特征的統一建模能力，特別是在頻率跳變帶來的局部紋理斷裂場景下，容易造成特征提取不充分。針對上述問題，本文提出一種基于時頻變換增強的跳頻信號調制識別方法。該方法以跳頻信號的時頻灰度圖為研究對象，分別從頻域分解擾動與圖像能量結構擾動兩個層面進行樣本增強：一方面，通過離散小波變換(Discrete Wavelet Transform，DWT)和短時傅里葉變換(Shorttime Fourier Transform，STFT)對時頻圖像進行多尺度分解，并對高頻或細節成分實施擾動替換以生成增強樣本；另一方面，針對時頻圖中能量分布稀疏的特點，設計了一種基于低能量區域擾動的圖像級增強方法(EnergyMasked Image Perturbation, EMIP)，在不依賴可逆變換的情況下擴展樣本分布。通過多種增強策略的組合與對比，實現訓練樣本的有效擴展，從而提升模型在小樣本條件下的調制識別性能。

本文的主要貢獻可概括為以下三個方面：

(1)構建了一種面向跳頻信號調制識別的時頻變換增強框架，將DWT、STFT及圖像級能量擾動統一用于時頻圖像增強，驗證了多種時頻增強策略在小樣本場景下的有效性；

(2)針對時頻圖像中主體能量結構與細節信息的不同作用，在DWT和STFT增強方法中設計了全零替換(AllZero Replacement, AZR)、隨機零替換(RandomZero Replacement，RZR)和隨機噪聲替換(RandomNoise Replacement, RNR)三種增強策略，并系統分析了不同擾動方式對調制識別性能的影響；

(3)通過多組仿真實驗與對比分析，驗證了本文所提出增強策略在小樣本跳頻信號調制識別任務中的性能優勢。

本文詳細內容請下載：

http://m.tom3567.com/resource/share/2000007089

作者信息：

王思遠，劉高輝

(西安理工大學自動化與信息工程學院， 陜西西安710048)