摘 要：針對頻譜監(jiān)測領域頻帶較寬、接收機采樣步進受限而造成的寬帶頻譜信號難以識別的問題，提出了一種頻域疊加預處理和目標檢測相結合的頻譜信號識別方法。該方法利用頻域疊加對頻譜數據進行多幀疊加來突出頻譜中的弱信號，將疊加處理后的頻譜圖像送入改進的目標檢測網絡中進行信號類型的識別。經過實驗證明，此方法能夠有效地識別7種類型的頻譜信號，提出的頻域疊加預處理能夠提升目標檢測算法的精度，并提高頻譜中弱信號的識別能力，在信噪比為6 dB時，算法能夠達到89.7%的平均識別率。

關鍵詞：寬帶頻譜檢測；頻域疊加；卷積神經網絡；目標檢測

中圖分類號：TP393.04 文獻標志碼：A

文章編號：1001－3695（2023）03－038－0874－06

doi：10.19734/j.issn.1001-3695.2022.07.0386

Spectrum signal identification based on frequency-domain

superposition and deep learning

Zhou Yuhanga，b，Hou Jina，b，Li Jiaxina，b，Li Huisena，b

（a.IPSOM Laboratory of School of Information Science amp; Technology，b.National Engineering Laboratory of Integrated Transportation Big Data Application Technology，Southwest Jiaotong University，Chengdu 611756，China）

Abstract：In the field of spectrum monitoring，it is difficult to identify wideband spectrum signals because of wide frequency band and limited receiver sampling steps.This paper proposed a spectrum signal identification method combining frequency-domain superposition preprocessing and object detection.The domain superposition method accumulated multiple frames of spectrum data to highlight weak signals in the spectrum，then sent the spectrum images to the improved object detection network for signal type identification.Experiments show that the proposed method can effectively identify 7 kinds of spectrum signals.The proposed frequency-domain superposition preprocessing can improve the accuracy of the object detection algorithm and improve the identification ability of weak signals in the spectrum.When the signal-to-noise ratio is 6 dB，the algorithm can achieve an average recognition rate of 89.7%.

Key words：wideband spectrum detection；frequency-domain superposition；convolution neural network；object detection

0 引言

隨著通信技術的快速發(fā)展，頻譜數據在信號監(jiān)管方面變得愈加重要［1］，對頻譜數據的快速解讀能夠監(jiān)測該區(qū)域的黑廣播、無人機、偽基站等非法信號，并對它們進行管控和處理。頻譜信號的采集主要分為窄帶頻譜信號采集和寬帶頻譜信號采集。由于頻譜信號的分布較為分散，需要先進行寬帶頻譜數據的采集，采集過程中龐大的數據會使接收機的采集分辨率較低，即采樣點的間隔較大，進而使寬帶頻譜包含的信號信息較少［2］，只能從寬帶頻譜上推測出某個頻段可能存在信號。若要獲取更多信息，則需要再次對這個頻段進行窄帶數據采集獲得信號的其他信息，例如信號類型、信號帶寬等。整個過程中寬帶數據由于采樣間隔大且干擾較多，沒有得到較好的使用。

信號類型判斷的方法有很多，主要分為基于似然統(tǒng)計的方法和基于特征的方法［3～5］?；谒迫唤y(tǒng)計的方法通過對比待檢信號與已知信號的概率密度函數的分布差異判斷信號的類型，但這種方法需要提前獲取信號的先驗概率，在實際情況中較為困難且計算量普遍較大?；谔卣鞯姆椒ㄊ菑拇龣z信號中提取典型特征并通過判別器來判別信號類型，例如時頻圖分析［6，7］、循環(huán)譜分析［8，9］、星座圖分析［10，11］等。

隨著深度學習技術的高速發(fā)展，深度學習在越來越多的領域得以廣泛應用，例如計算機視覺、自然語言處理、無人駕駛等。近年來也有研究者將深度學習技術應用到通信領域中，如信號調制識別［12，13］、信道估計［14，15］、端到端無線通信［16，17］等。

Liu等人［18］提出了一種基于深度學習的單幀頻譜信號識別方法，該方法利用深度卷積神經網絡實現對單幀頻譜信號的識別。為了解決單幀頻譜的信息稀缺問題，引入了增強的輸入數據表示方式，為神經網絡提供額外的輸入信息。由于只使用了單幀頻譜的信息，該方法存在對突發(fā)信號和弱信號識別能力較差的問題。Kulin等人［19］提出了一種基于神經網絡的頻譜復雜無線電信號檢測識別方法，該方法在一個端到端過程中訓練無線電信號分類器，能夠從簡單的無線電信號中自動學習特征，而無須提取其他復雜特征。該方法使用的數據集為計算機生成的數據，在實際場景中會出現精度下降的問題，并且未考慮實際場景中的弱信號問題。Selim等人［20］提出一種卷積神經網絡的頻譜識別框架，該框架可以在頻譜共享場景中識別雷達信號，當雷達信號與其他干擾源產生重疊時也能有較好的識別效果。該方法能夠識別的信號類型有限，主要考慮的是雷達信號。文獻［21］提出了一種名為Q-頻譜圖的頻譜圖表示方法，該頻譜圖能夠將時域信息和頻域信息進行壓縮，從而具有更豐富的信號特征，并利用卷積神經網絡識別Q-頻譜圖來區(qū)分不同類型的無線電信號。該方法對雷達信號這類突發(fā)信號具有較好的識別效果。但Q-頻譜圖需要壓縮和拼接頻譜圖像，多次的傅里葉變換會帶來較多的計算量，所以并不適合寬帶頻譜信號識別這種數據量極大的場景。文獻［22］提出了一種基于卷積神經網絡的信號識別方法，該方法通過識別頻域數據或I、Q數據來實現無線網絡（Wi-Fi）信號和長期演進技術（long term evolution，LTE）的識別，并通過實驗證明了頻域數據的識別效果優(yōu)于I、Q數據。該方法主要針對無線網絡信號，對其他類型的信號考慮較少，不一定適合寬帶頻譜識別這種信號類型較多的場景。文獻［23］提出了一種基于卷積神經網絡的無線網絡的模式識別方法，模型的訓練數據集為時域或時頻域圖像，能夠在一定噪聲干擾下保持較好的識別效果。該方法的訓練數據集采用了合成的方式，在實際場景中會出現識別精度下降的問題，并且實驗結果沒有充分考慮信噪比對結果的影響。

以上的頻譜信號研究方法在實驗過程中使用了較多仿真數據，仿真數據存在采樣步進較小的特點，而在寬帶頻譜檢測場景中采樣步進往往較大，這會導致頻譜圖像特征不一致的問題，所以在實際場景中可能會出現識別精度降低的現象。此外，上述部分研究未考慮真實環(huán)境下頻譜中存在較多干擾和弱信號的問題，沒有針對提高弱信號的識別率進行研究，并且沒有充分利用寬帶頻譜數據。本文通過接收機在實際場景中采集信號數據，數據中包含受干擾和添加衰減的部分。利用真實場景的數據進行訓練和測試，使實驗結果更具普遍性和真實性。為了提高頻譜中弱信號的識別率并提高對寬帶頻譜數據的利用，本文提出了頻域疊加預處理和目標檢測相結合的方法。該方法可以在寬帶頻譜數據中直接判斷信號類型，避免對信號進行多次窄帶采樣的工作，并能夠較好地識別頻譜中的弱信號。在實際的工程場景中具有較好的應用價值，對解決頻譜信號難以監(jiān)管的問題有一定的參考價值。

1 特定信號的頻譜圖像

本文主要研究的信號為頻譜信號，該信號是由計算機通過離散傅里葉變換（discrete Fourier transform，DFT）將采樣數據轉換為頻譜數據得到的。其中DFT變化公式如下：

用于訓練的頻譜圖像生成過程如下：首先利用頻譜接收機采集所處區(qū)域的寬帶頻譜數據，頻譜數據存儲了每個采樣點的幅值參數；再根據信號在頻譜上出現的特定頻段，從寬帶頻譜數據中截取這些頻段的頻譜數據；最后根據信號的帶寬長度選擇所需的采樣點數，寬信號以信號帶寬兩倍的采樣點數生成圖像，窄信號以信號帶寬八倍的采樣點數生成圖像，窄信號和寬信號的判斷閾值設置為200 kHz帶寬。頻譜信號圖像的生成過程如圖1所示。

不同調制類型和通信協(xié)議的信號在頻譜上有各自獨特的形狀，通過分辨頻譜信號的形狀可以判別信號的類型。下面以幾種常見的信號為例，展示不同類型信號在頻譜上的圖像。圖2是正交頻分復用（orthogonal frequency division multiplexing，OFDM）信號、全球移動通信（global system for mobile communications，GSM）信號、無線網絡信號和調頻（frequency modulation，FM）信號的頻譜圖像。

2 本文方法

本文的信號識別思路為：將采集得到的I、Q數據經過DFT變換得到頻譜數據，利用頻域疊加法來削弱頻譜噪聲并突出弱信號，將頻譜數據繪制成頻譜圖像，將圖像送入改進的目標檢測網絡中進行識別，進而輸出信號類型。

2.1 頻域疊加預處理

對存在信號的頻段進行處理，將該頻段的多幀頻譜數據進行疊加，噪聲部分由于自身的統(tǒng)計特性會被逐漸削弱［24］，而信號部分會在疊加過程中逐漸突出，進而提高信號的信噪比。頻域疊加法的疊加結果Xm（k）的計算過程如下：

其中：M為頻域疊加的次數；xm（n）為第m次累加的結果；N為離散傅里葉變換的點數；W為周期復指數序列；n為序列的序號；WknN為旋轉因子。但在寬帶頻譜信號識別過程中，頻譜數據較長，多次的頻域疊加會消耗較長的時間，需要通過實驗來確定頻域疊加法的使用次數M。取頻譜數據300個點來進行疊加處理實驗，頻域疊加處理的結果如圖3所示。

通過頻域疊加處理，能夠不斷突出頻域中的弱信號。在疊加次數為10次時，頻譜圖像中較難區(qū)分信號和周圍的噪聲；當疊加次數逐漸增多，信號會愈加明顯并從噪聲中凸顯出來。

如果直接對寬帶頻譜數據進行頻域疊加處理會占用計算機大量的內存和計算能力，將會較大地降低信號的識別速度。所以將寬帶頻譜數據分割成多段頻譜數據，對存在信號的頻譜數據子段進行頻域疊加處理，避免全段頻譜數據疊加，能夠極大地降低對內存的占用并提升信號的識別速度。寬帶頻譜數據的分段流程如下所示：

其中：X為寬帶頻譜數據；xi為分段的頻譜數據；T（m）為間隔為m的采樣函數；xit為分段頻譜數據經過抽樣后得到的頻譜數據。抽樣是為了減少后續(xù)方差估計的計算量。分段頻譜數據的均方差計算如下所示：

其中：k為xit頻譜數據的長度；μ為xit頻譜數據的均值估計值；σ為xit頻譜數據的均方差估計。利用均方差與閾值來估計頻段內是否存在信號。如果方差指標超過閾值，則判斷該區(qū)域存在信號，并進行頻域疊加，如果未超過閾值則丟棄該段數據。閾值需要根據實際場景來決定，若實際場景中對信號噪聲敏感，則提高判斷閾值，對信號噪聲不敏感，則降低判斷閾值。頻域疊加預處理的過程如圖4所示。

2.2 基于深度學習的信號識別

2.2.1 改進的目標檢測模型

本文在YOLOv5［25］算法的基礎上進行改進，提出的YOLOv5-Radio網絡結構如圖5所示。其中圖像是以640×640的三通道顏色矩陣的形式輸入。

YOLOv5-Radio網絡的改進思路為在YOLOv5的backbone中引入ShuffleNet模塊來減少模型訓練時引入的計算參數，減小訓練模型的大小，將引入的ShuffleNet模塊與neck部分的上采樣金字塔結構進行concat操作來實現不同分辨率下的特征融合，并在neck部分插入改進的注意力機制模塊CBAM-Light。

2.2.2 輕量化模塊

在網絡中使用輕量化模塊能夠提升模型的檢測速度［26］，本文利用ShuffleNet模塊［27］對YOLOv5網絡的backbone進行改進。ShuffleNet是一種輕量化模塊，使用通道混洗對特征圖的通道進行重組，能夠完成不同組特征圖的信息交換，增強網絡對圖像特征的提取，并利用深度卷積來減少計算量。其網絡結構如圖6所示。

其中：DWConv為深度卷積；channel shuffle為通道混洗。輕量化模塊能使目標檢測算法具有更快的識別速度，并且降低對系統(tǒng)硬件的依賴程度。

將YOLOv5網絡的backbone的部分卷積模塊用ShuffleNet模塊來代替。網絡結構的改進圖如圖7所示。

2.2.3 注意力機制模塊

使用注意力機制訓練好的模型會更加關注圖像的主要特征，而忽視圖像的次要特征，進而提升模型的精確度。本文對CBAM注意力模塊［28］的channel attention部分進行改進，提出了CBAM-Light模塊。CBAM-Light降低了CBAM注意力模塊的計算量，能夠在提升網絡檢測精度的同時沒有過多增加網絡的計算量。CBAM-Light模塊channel attention部分的結構如圖8所示。

其中：F為輸入的中間特征圖；F′為經過通道注意力結構后的特征圖；F″為最終輸出的特征圖；MC（F）為經過通道注意力結構后得到的權重；MS（F′）為經過空間注意力結構后得到的權重。MC（F）的算法原理如下所示：

本文提出的CBAM-Light移除了MC（F）的最大池化操作來減少計算量。其中σ為sigmoid激活函數，Fcavg為平均池化操作，W1、W0為多層感知機（multi-layer perceptron，MLP）的權值。MS（F）的算法原理如下所示：

3 實驗

對本文提出的基于頻域疊加預處理和目標檢測相結合的頻譜信號識別算法進行實驗，對FM、AM、GSM、QPSK、OFDM、WiFi-OFDM、WiFi-DSSS七種信號進行測試。

測試數據為實際采集的本地數據和異地數據，異地采集區(qū)域分別為黑龍江、四川、貴州、廣西和山西。接收機的采樣范圍為30～6 000 MHz。將采樣得到的頻譜數據生成圖像輸入到檢測網絡中進行檢測。

本文的實驗環(huán)境是在Linux系統(tǒng)下，調用PyTorch深度學習庫來實現，使用的編程語言為Python，CPU為Intel Core i7-8700K，GPU為NVIDIA GeForce GTX 1080Ti，計算機內存為32 GB。在本文中，定義的性能評價指標為識別率，其定義為

識別率=（正確識別的信號樣本數／測試的信號樣本數）×100%（10）

3.1 頻譜信號數據集

本文所使用的數據集、測試集均為真實采集數據，根據不同信號所處的頻帶區(qū)間，有針對地采集該信號的頻譜數據，并生成相應的頻譜圖像。此外測試集的數據從多個不同區(qū)域進行采集，以證明訓練模型識別效果的可靠性和泛化性。

利用接收機以3.125 kHz的采樣步進采集模型訓練需要的頻譜數據。七種信號各有1 600張訓練集圖片和200張驗證集圖片，訓練集和驗證集比例為8：1。生成的頻譜圖像尺寸為640×640，頻譜圖像數據集的具體信息如表1所示。

3.2 改進的目標檢測算法

對本文改進的目標檢測算法進行實驗和測試，以每秒浮點運算次數（floating point operations per second，FLOPS）、模型大小和參數量作為比較參數，將YOLOv5算法和本文提出的YOLOv5-Radio改進算法的參數對比列入表2，可見改進后的模型大小僅為原算法的23.6%，浮點運算量為原算法的53%，參數量為原算法的7.2%。數據之間的對比證明，改進算法較高地提升了識別速度并降低了訓練模型的大小。

3.3 消融實驗

對本文算法添加消融實驗，證明添加模塊的有效性。消融實驗的測試對象為YOLOv5、YOLOv5+ShuffleNet、YOLOv5+CBAM-Light和YOLOv5-Radio。

測試上述模型在同一測試集（七類目標信號，各100張圖像）下的識別率和單張圖片耗時，測試結果如表3所示。

從表3中可以發(fā)現，本文YOLOv5-Radio算法在提升識別速度的同時并沒有過多降低識別精度，較快的識別速度更能滿足實際場景中大量數據待檢的需求。

3.4 不同信噪比的識別效果

為了驗證提出算法的抗干擾能力，在頻譜數據中添加白噪聲，白噪聲具有功率譜密度在頻域中為常數的特征。測試本文算法（未添加頻域疊加處理）在不同信噪比（signal-to-noise ratio，SNR）下的識別率，測試頻譜信號分別在2 dB、4 dB、6 dB、8 dB、10 dB、12 dB、14 dB、16 dB下的識別結果，測試的頻譜數據的采樣步進為3.125 kHz。在測試結果中以WiFi-A、WiFi-B來代替WiFi-OFDM和WiFi-DSSS，下同。測試結果如圖9所示。

由圖可知，本文算法在信噪比為6 dB時的平均識別率可以達到87.4%，在信噪比為12 dB時的平均識別率可以達到92.7%。在高信噪比情況下，Wi-Fi信號的識別率無法提高的原因是Wi-Fi信號存在頻率跳變特性，在頻譜上會出現信號不連續(xù)的現象。

為了探究信號在目標檢測過程中出現的誤檢情況，圖10中給出了本文模型在采樣步進為3.125 kHz、信噪比為6 dB情況下的信號分類混淆矩陣，用于比較分類結果和實際預測結果。

混淆矩陣給出了各個信號易被誤檢的信號類型。發(fā)現誤檢主要出現在OFDM信號中，該信號易被誤檢為WiFi-OFDM信號，其他類型信號出現誤檢的情況較低。經后續(xù)的分析發(fā)現，OFDM信號易被誤檢的原因是在頻譜中OFDM信號與部分WiFi-OFDM信號的頻譜較為類似，導致了小概率的誤檢情況。

3.5 頻域疊加預處理

使用頻域疊加處理能夠更好地識別頻譜弱信號，并能夠一定程度地降低頻譜中的隨機噪聲。添加頻域疊加處理前后的識別圖像如圖11所示。

從圖11可以看出，頻譜中無法識別的OFDM、AM弱信號，在經過疊加處理后能夠正確被目標檢測網絡識別。在不同信噪比條件下，測試頻域疊加處理對模型識別精度的提升情況，設置疊加次數為15次。添加疊加處理前后的識別結果如表4所示。由表4可見，頻域疊加處理能夠提升部分弱信號的識別率，但對強信號的識別率提升較小。

3.6 不同采樣步進的識別結果

為了測試算法對不同采樣步進的頻譜數據的識別效果，將接收機的采樣步進設置為3.125 kHz、6.25 kHz、12.5 kHz，信噪比設置為2 dB、6 dB、10 dB、14 dB。測試結果如表5所示。

當采樣步進為3.125 kHz時模型的識別效果最好，隨著頻譜數據采樣步進的增大，識別率逐漸降低，其中頻域帶寬較窄的AM、FM、GSM信號識別率受到的影響較大。這是因為頻譜數據的不同采樣步進會影響信號的圖像特征，對信號帶寬較窄的信號影響較大。

3.7 算法對比

將本文算法與文獻［29～31］進行對比。文獻［29］提出改進的目標檢測算法RadioImageDet，通過檢測信號的頻譜瀑布圖來識別信號；文獻［30］利用改進的YOLOv3算法，在頻譜圖像中識別信號類型并檢測異常頻譜；文獻［31］使用改進了損失函數的YOLO算法，該算法能夠在寬帶頻譜中識別射頻信號。

在采樣步進為3.125 kHz、不同信噪比的情況下，給出了算法識別率的對比，如圖12所示。

從圖中可知，在不同信噪比下，本文算法的識別率均高于三種對比算法。原因在于頻譜疊加預處理能夠幫助本文算法更好地檢測頻譜中的弱信號，并且本文改進YOLOv5目標檢測算法相較于對比算法中的目標檢測算法具有更高的識別精度。

4 結束語

由于不同類型的頻譜信號具有獨特的圖像特征，提出一種頻域疊加預處理與目標檢測相結合的頻譜信號識別方法。 該方法可以更好地識別頻譜中的弱信號并消除頻譜中的噪聲，能更有效地利用寬帶頻譜數據。本文中的實驗均基于真實采集的數據，所以實驗結果更加真實可靠。當信噪比高于6 dB時，算法的平均識別率可以達到90%以上。模型大小僅為4.84 MB，具有較快的識別速度，在實際場景中更有應用價值。理論上講，本文方法能夠識別的信號類型不僅限于七類，只要頻譜信號具有獨特的圖像特征，就可以考慮本文方法。增加模型可以識別的信號類型數量將是未來的工作。

參考文獻：

［1］Manesh M R，Subramaniam S，Reyes H，et al.Real-time spectrum occupancy monitoring using a probabilistic model［J］.Computer Networks，2017，124：87－96.

［2］閆盛楠，劉洺辛.基于支撐集融合的分布式協(xié)作壓縮頻譜檢測方法［J］.系統(tǒng)工程與電子技術，2020，42（2）：466－472.（Yan Shengnan，Liu Mingxin.Distributed cooperative compressed spectrum sensing scheme based on support set fusion［J］.Systems Enginee-ring and Electronics，2020，42（2）：466－472.）

［3］Huang Sai，Xao Yuanuan，Xiao Yan，et al.Cumulant based maximum likelihood classification for overlapped signals［J］.Electronics Letters，2016，52（21）：1761-1763.

［4］Dobre O A.Signal identification for emerging intelligent radios：classical problems and new challenges［J］.IEEE Instrumentation amp; Measurement Magazine，2015，18（2）：11-18.

［5］Xie Lijin，Wan Qun.Automatic modulation recognition for phase shift keying signals with compressive measurements［J］.IEEE Wireless Communications Letters，2018，7（2）：194-197.

［6］Zhang Haijian，Yu Lei，Xia Guisong.Iterative time-frequency filtering of sinusoidal signals with updated frequency estimation［J］.IEEE Signal Processing Letters，2016，23（1）：139-143.

［7］Xiao Zhiling，Yan Zhenya.Radar emitter identification based on novel time-frequency spectrum and convolutional neural network［J］.IEEE Communications Letters，2021，25（8）：2634－2638.

［8］Dobre O A，Oner M，Rajan S，et al.Cyclostationarity-based robust algorithms for QAM signal identification［J］.IEEE Communications Letters，2012，16（1）：12-15.

［9］Yan Xiao，Liu Guannan，Wu H C，et al.New automatic modulation classifier using cyclic-spectrum graphs with optimal training features［J］.IEEE Communications Letters，2018，22（6）：1204-1207.

［10］Kumar Y，Sheoran M，Jajoo G，et al.Automatic modulation classification based on constellation density using deep learning［J］.IEEE Communications Letters，2020，24（6）：1275-1278.

［11］Peng Shengliang，Jiang Hanyu，Wang Huaxia，et al.Modulation classification based on signal constellation diagrams and deep learning［J］.IEEE Trans on Neural Networks and Learning Systems，2019，30（3）：718-727.

［12］Yuan Shibo，Wu Bin，Li Peng.Intra-pulse modulation classification of radar emitter signals based on a 1-D selective kernel convolutional neural network［J］.Remote Sensing，2021，13（14）：2799.

［13］Mao Yu，Zhu M L，Sun Ting，et al.Automatic modulation classification based on SNR estimation via two-stage convolutional neural networks［C］//Proc of the 6th International Conference on Intelligent Computing and Signal Processing.Piscataway，NJ：IEEE Press，2021：294－298.

［14］He Hengtao，Wen C K，Jin Shi，et al.Deep learning-based channel estimation for beamspace mmWave massive MIMO systems［J］.IEEE Wireless Communications Letters，2018，7（5）：852－855.

［15］Neumann D，Wiese T，Utschick W.Learning the MMSE channel estimator［J］.IEEE Trans on Signal Processing，2018，66（11）：2905－2917.

［16］Ye Hao，Liang Le，Li G Y，et al.Deep learning-based end-to-end wireless communication systems with conditional GANs as unknown channels［J］.IEEE Trans on Wireless Communications，2020，19（5）：3133－3143.

［17］Drner S，Cammerer S，Hoydis J，et al.Deep learning based communication over the air［J］.IEEE Journal of Selected Topics in Signal Processing，2018，12（1）：132-143.

［18］Liu Depeng，Xu Jianhua，Xiang Changbo，et al.A single frame spectrum signal detection approach based on deep learning［C］//Proc of the 5th Information Technology and Mechatronics Engineering Confe-rence.Piscataway，NJ：IEEE Press，2020：726-731.

［19］Kulin M，Kazaz T，Moerman I，et al.End-to-end learning from spectrum data：a deep learning approach for wireless signal identification in spectrum monitoring applications［J］.IEEE Access，2018，6：18484-18501.

［20］Selim A，Paisana F，Arokkiam J A，et al.Spectrum monitoring for radar bands using deep convolutional neural networks［C］//Proc of IEEE Global Communications Conference.Piscataway，NJ：IEEE Press，2017：1－6.

［21］Bhatti F A，Khan M J，Selim A，et al.Shared spectrum monitoring using deep learning［J］.IEEE Trans on Cognitive Communications and Networking，2020，7（4）：1171-1185.

［22］Maglogiannis V，Shahid A，Naudts D，et al.Enhancing the coexistence of LTE and Wi-Fi in unlicensed spectrum through convolutional neural networks［J］.IEEE Access，2019，7：28464-28477.

［23］De Schepper T，Camelo M，Famaey J，et al.Traffic classification at the radio spectrum level using deep learning models trained with synthetic data［J］.International Journal of Network Management，2020，30（4）：e2100.

［24］Nayebi E，Dayal P，Song K B.Adaptive IQ mismatch compensation in time-domain using frequency-domain observations［J］.IEEE Trans on Signal Processing，2021，69：655－668.

［25］Zhou Junchi，Jiang Ping，Zou Airu，et al.Ship target detection algorithm based on improved YOLOv5［J］.Journal of Marine Science and Engineering，2021，9（8）：908.

［26］Kim S H，Kim J W，Doan V S，et al.Lightweight deep learning model for automatic modulation classification in cognitive radio networks［J］.IEEE Access，2020，8：197532-197541.

［27］Zhang Xiangyu，Zhou Xinyu，Lin Mengxiao，et al.ShuffleNet：an extremely efficient convolutional neural network for mobile devices［C］//Proc of IEEE/CVF Conference on Computer Vision and Pattern Recognition.Piscataway，NJ：IEEE Press，2018：6848－6856.

［28］Woo S，Park J，Lee J Y，et al.CBAM：convolutional block attention module［C］//Proc of European Conference on Computer Vision.Cham：Springer，2018：3-19.

［29］周鑫，何曉新，鄭昌文.基于圖像深度學習的無線電信號識別［J］.通信學報，2019，40（7）：114-125.（Zhou Xin，He Xiaoxin，Zheng Changwen.Radio signal recognition based on image deep lear-ning［J］.Journal on Communications，2019，40（7）：114-125.）

［30］朱文登.基于計算機視覺的衛(wèi)星頻譜信號識別研究［D］.南京：南京郵電大學，2020.（Zhu Wendeng.Research on satellite spectrum signal recognition based on computer vision［D］.Nanjing：Nanjing University of Posts and Telecommunications，2020.）

［31］Vagollari A，Schram V，Wicke W，et al.Joint detection and classification of RF signals using deep learning［C］//Proc of the 93rd Vehicular Technology Conference.Piscataway，NJ：IEEE Press，2021：1-7.

收稿日期：2022－07－12；修回日期：2022－09－11 基金項目：國家重點研發(fā)計劃資助項目（2020YFB1711902）；四川省科技計劃資助項目（2020SYSY0016）

作者簡介：周宇航（1998－），男，四川成都人，碩士研究生，主要研究方向為深度學習、信號處理；侯進（1969－），女（通信作者），重慶人，副教授，博士，主要研究方向為深度學習、圖像處理、信號處理（jhou@swjtu.edu.cn）；李嘉新（2001－），女，甘肅定西人，碩士研究生，主要研究方向為深度學習、信號處理；李惠森（1998－），男，廣西梧州人，碩士研究生，主要研究方向為深度學習、信號處理．