翟茹萍, 張書衡, 平嘉蓉

(南京航空航天大學(xué)電子信息工程學(xué)院, 江蘇 南京 210016)

0 引 言

無人機(jī)集群因高協(xié)調(diào)性、多功能性、強(qiáng)抗毀性等優(yōu)勢在軍事作戰(zhàn)領(lǐng)域的地位愈加突出,其威脅態(tài)勢日趨嚴(yán)峻。因此,研究無人機(jī)集群通信波形識別技術(shù)具有重要意義。隨著通信技術(shù)發(fā)展,信號的調(diào)制類型和復(fù)雜性不斷增加,傳統(tǒng)的調(diào)制識別方法[1-2]因其通用性差、復(fù)雜度高,難以滿足識別需求,基于深度學(xué)習(xí)的調(diào)制識別方法應(yīng)運(yùn)而生。

基于深度學(xué)習(xí)的調(diào)制識別方法,除直接將基帶信號輸入神經(jīng)網(wǎng)絡(luò),還可提取信號的特征輸入神經(jīng)網(wǎng)絡(luò),如時(shí)頻圖、星座圖、高階累積量等。Kumar等[3]基于高斯信道生成信號星座密度矩陣,采用圖像的方式利用殘差神經(jīng)網(wǎng)絡(luò)實(shí)現(xiàn)了8種調(diào)制信號的識別。Xie等[4]在高斯信道下利用高階累積量特征和深度神經(jīng)網(wǎng)絡(luò)(deep neural network,DNN)實(shí)現(xiàn)了6種數(shù)字調(diào)制信號的識別。郝云飛[5]基于稀疏自編碼(sparse autoencoder,SAE)網(wǎng)絡(luò)和生成對抗網(wǎng)絡(luò)提出重構(gòu)判別網(wǎng)絡(luò),結(jié)合高階譜在高斯信道下實(shí)現(xiàn)了3種無人機(jī)調(diào)制信號的開集識別。王自維等[6]將無人機(jī)遙控信號的時(shí)頻圖輸入LeNet-5模型,在低信噪比下實(shí)現(xiàn)了相移鍵控(phase shift keying, PSK)、頻移鍵控(frequency-shift keying, FSK)、正交振幅調(diào)制(quadrature amplitude modulation, QAM)信號的類間識別和類內(nèi)識別。然而,上述基于深度學(xué)習(xí)的調(diào)制識別方法存在以下問題:計(jì)算量較大,如提取信號時(shí)頻圖特征時(shí)計(jì)算量較大[7-9];考慮的信道條件過于理想,通常在高斯信道下[5,10-13];低信噪比下識別性能較差[3,14-15]。

無人機(jī)集群通信電磁環(huán)境復(fù)雜,不可避免地會出現(xiàn)時(shí)延、頻移、用戶干擾等現(xiàn)象。目前國內(nèi)外針對無人機(jī)集群通信波形識別的研究極少,而現(xiàn)有的調(diào)制識別算法因其存在信道條件過于理想、信噪比低、魯棒性差等問題,難以滿足無人機(jī)集群通信波形識別的要求,因此本文提出了一種復(fù)雜多徑環(huán)境下的無人機(jī)集群通信波形識別算法。該算法在低信噪比下抗干擾能力強(qiáng),在戰(zhàn)場環(huán)境下,尤其是敵方采用小功率發(fā)射機(jī)或信號傳播損耗較大的場景下具備應(yīng)用價(jià)值。本文第1部分為引言;第2部分為系統(tǒng)模型,建立了Alpha脈沖干擾下無人機(jī)集群通信多徑衰落信道;第3部分基于廣義循環(huán)平穩(wěn)特征建立了復(fù)雜多徑環(huán)境下的無人機(jī)集群通信波形特征矩陣;第4部分建立了SAE網(wǎng)絡(luò)無人機(jī)集群通信波形識別模型;第5部分為仿真結(jié)果與分析;第6部分為結(jié)論。

1 系統(tǒng)模型

本文考慮的無人機(jī)集群通信場景如圖1所示,集群內(nèi)的多個(gè)用戶利用正交的方式進(jìn)行通信,如當(dāng)集群內(nèi)的用戶U1和U2進(jìn)行通信時(shí),偵收機(jī)可分別獲得兩個(gè)用戶發(fā)送的信號。集群內(nèi)所有用戶采用同種調(diào)制方式,包括二進(jìn)制PSK(binary PSK, BPSK)、正交PSK(quadrature PSK, QPSK)、2FSK、4FSK、二進(jìn)制幅度鍵控(2 amplitude shift keying, 2ASK)、4ASK、最小頻移鍵控(minimum shift keying, MSK)。

圖1 集群通信場景Fig.1 Swarm communication scenario

無人機(jī)集群通信的電磁環(huán)境復(fù)雜,不可避免地會產(chǎn)生多徑衰落、時(shí)延、頻移和用戶間干擾等現(xiàn)象。本文采用經(jīng)典的抽頭延遲線(tapped delay line,TDL)信道模型,其中無人機(jī)多徑衰落信道基于3GPP TR 901.38無線電信道模型規(guī)范[16]設(shè)置信道參數(shù),用戶間干擾采用Alpha脈沖噪聲。

1.1 多徑衰落信道

無人機(jī)多徑衰落信道的沖激響應(yīng)可表示為

(1)

式中:Pl、τl和Jl(t)分別為第l條多徑所對應(yīng)的抽頭功率、時(shí)延和平坦衰落信號發(fā)生器的輸出(通過Jakes模型[17]實(shí)現(xiàn)),且0≤l≤L-1,L為多徑信道的可分辨路徑數(shù)。

3GPP TR 901.38規(guī)范根據(jù)實(shí)測數(shù)據(jù)提供了5種TDL信道模型參數(shù),分別適用于非視距(non-line of sight,NLOS)場景和視距(line of sight,LOS)場景。該報(bào)告規(guī)定可通過調(diào)節(jié)均方根(root mean square,RMS)時(shí)延擴(kuò)展獲得指定場景下的抽頭時(shí)延:

τl=τl,model·DSdesired

(2)

式中:τl,model為TDL模型中第l個(gè)抽頭所對應(yīng)的標(biāo)準(zhǔn)化時(shí)延; DSdesired[ns]為特定場景下的RMS時(shí)延擴(kuò)展。對于含LOS徑的信道模型,用戶可通過調(diào)節(jié)K因子獲得指定的Kdesired[dB]。在調(diào)節(jié)K因子后,該模型每個(gè)抽頭對應(yīng)的功率將調(diào)節(jié)為

Pl=Pl,model-Kdesired+Kmodel

(3)

式中:Pl,model為TDL模型中第l個(gè)抽頭所對應(yīng)的功率;Kdesired為特定場景下的K因子值;Kmodel為該模型現(xiàn)在的K因子值。

1.2 Alpha脈沖干擾

本文采用Alpha穩(wěn)定分布脈沖噪聲描述用戶間的干擾[18]:

?(t)=exp{jυn-γ|t|α[1+jβsgn(t)χ(t,α)]}

(4)

(5)

式中:α為特征指數(shù);γ為分散系數(shù);β為偏斜參數(shù);υ為位置參數(shù);sgn(t)為符號函數(shù)。本文采用α=1.5,β=0,γ=1,υ=0的對稱Alpha穩(wěn)定分布噪聲,定義混合信噪比(mixed signal to noise,MSNR)為

(6)

1.3 接收信號處理流程

偵收機(jī)截獲的無人機(jī)通信信號可表示為

(7)

式中:x(t)為發(fā)送的調(diào)制信號;n(t)為Alpha脈沖干擾。圖2為無人機(jī)集群通信波形識別的系統(tǒng)框圖,調(diào)制信號在經(jīng)過Alpha脈沖干擾下的多徑衰落信道后被偵收機(jī)截獲;隨后,提取信號的廣義循環(huán)均值和廣義循環(huán)譜特征,并構(gòu)建無人機(jī)集群通信波形特征矩陣;最終,通過SAE神經(jīng)網(wǎng)絡(luò)識別無人機(jī)集群通信波形,輸出實(shí)時(shí)分類結(jié)果。

圖2 無人機(jī)集群通信波形識別系統(tǒng)框圖Fig.2 System block diagram of the unmanned aerial vehicle swarm communication waveform recognition

2 特征矩陣構(gòu)建

2.1 無人機(jī)集群通信波形特征

在無線移動通信中,數(shù)字信號經(jīng)采樣、調(diào)制、編碼等預(yù)處理過程后,其循環(huán)均值和循環(huán)譜特征通常會隨時(shí)間呈周期性變化。定義接收信號r(t)的循環(huán)均值為

(8)

(9)

(10)

當(dāng)ε=0時(shí),循環(huán)譜密度退化為功率譜密度。

由于Alpha穩(wěn)定分布噪聲的二階及以上各階統(tǒng)計(jì)量趨于無窮,需對接收信號進(jìn)行非線性變換,將噪聲無窮的幅值限制在有限的區(qū)間內(nèi),以獲得有效的信號特征。經(jīng)非線性變換[20]后的信號為

(11)

式中:Δ=1時(shí),Alpha的噪聲抑制效果較好。信號經(jīng)非線性處理后的特征被稱為廣義循環(huán)均值和廣義循環(huán)譜。表1為不同調(diào)制類型信號循環(huán)均值與循環(huán)譜特征離散峰值所對應(yīng)的循環(huán)頻率。其中,fc為中心頻率,Rb為碼元速率。

表1 不同調(diào)制信號循環(huán)平穩(wěn)特征Table 1 Cyclostationary features of different modulation signals

2.2 集群通信波形特征矩陣

根據(jù)表1,選擇神經(jīng)網(wǎng)絡(luò)的輸入特征參數(shù):對于不同調(diào)制信號的循環(huán)均值特征,以循環(huán)均值的離散峰值個(gè)數(shù)ρ1、平均循環(huán)均值ρ2和最大離散峰值ρ3作為特征參數(shù);對于不同調(diào)制信號的循環(huán)譜特征,以f=0截面且ε>0時(shí)的離散峰值ρ4～ρ8作為特征參數(shù),即ε=2fc,ε=2fc±Rb和ε=2fc±Rb/2處的循環(huán)譜密度峰值。

本文中無人機(jī)通信頻率為5.8 GHz,此時(shí)大氣損耗極小,可認(rèn)為電磁波在自由空間傳播?？紤]無人機(jī)集群內(nèi)存在N個(gè)正在通信的用戶,其發(fā)射功率、接收功率和載波頻率均相同,無人機(jī)用戶U1～UN分別距偵收機(jī)d1～dNkm,則集群內(nèi)任意用戶Un相對于無人機(jī)用戶U1的接收信號功率差ΔP(dB)定義為

(12)

式中:Δhp為由時(shí)變信道導(dǎo)致的接收信號功率差;ΔLp為由兩用戶距偵收機(jī)的距離不同而導(dǎo)致的路徑損耗差。以無人機(jī)用戶1的混合信噪比M為標(biāo)準(zhǔn),定義M下的無人機(jī)集群通信波形特征矩陣為

(13)

3 基于SAE的集群通信波形識別

本文采用具有稀疏特性的DNN模型的自編碼器——SAE[21]完成無人機(jī)集群信號的調(diào)制識別。與循環(huán)神經(jīng)網(wǎng)絡(luò)和卷積神經(jīng)網(wǎng)絡(luò)等較為經(jīng)典的網(wǎng)絡(luò)相比,SAE網(wǎng)絡(luò)的隱藏層含有稀疏系數(shù),可以減小過擬合風(fēng)險(xiǎn),加速網(wǎng)絡(luò)的訓(xùn)練和部署。

假設(shè)自編碼器的輸入數(shù)據(jù)集為{m1,m2,…,mk},其中k為樣本個(gè)數(shù)。自編碼器的損失函數(shù)可以表示為

(14)

(15)

(16)

式中:aj表示隱藏層第j個(gè)神經(jīng)元的激活函數(shù),則稀疏約束后的總損失函數(shù)可表示為

(17)

4 仿真結(jié)果與分析

本部分以Matlab為仿真平臺,分別對無人機(jī)集群多徑衰落信道、無人機(jī)通信波形循環(huán)平穩(wěn)特征、7種無人機(jī)集群通信波形的識別進(jìn)行仿真。

4.1 仿真1

仿真1為無人機(jī)集群多徑衰落信道的仿真,信道模型參數(shù)參考3GPP TR 38.901,以TDL-A和TDL-D兩種信道場景為例,其中TDL-A為NLOS場景,TDL-D為LOS場景。

考慮NLOS場景,無人機(jī)通信的載波頻率為5.8 GHz,無人機(jī)飛行速率為60 m/s,此時(shí)的最大多普勒頻移為1 160 Hz。采用TDL-A模型參數(shù),根據(jù)上述內(nèi)容,設(shè)置RMS時(shí)延擴(kuò)展為100 ns,樣本點(diǎn)數(shù)為8 000 samples,采樣速率fs為16Msample/s。圖3為TDL-A模型路徑增益隨樣本時(shí)間和路徑個(gè)數(shù)變換的三維圖,該模型共有23條可分辨路徑。

圖3 TDL-A模型的路徑增益Fig.3 Path gain of TDL-A model

圖4 TDL-D模型的路徑增益Fig.4 Path gain of TDL-D model

4.2 仿真2

仿真2為調(diào)制信號經(jīng)Alpha脈沖干擾及多徑衰落信道后的廣義循環(huán)平穩(wěn)特征,圖5和圖6分別為2ASK的廣義循環(huán)均值特征和BPSK的廣義循環(huán)譜特征。

圖5 信號2ASK廣義循環(huán)均值Fig.5 Generalized cyclic mean of signal 2ASK

圖6 信號BPSK廣義循環(huán)譜Fig.6 Generalized cyclic spectrum of signal BPSK

信道模型參數(shù)與仿真1中的TDL-D相同,其他仿真參數(shù)如下:符號個(gè)數(shù)1 000 symbol,碼元速率Rb為2Msymbol/s,升余弦脈沖成型的滾降系數(shù)為0.5,混合信噪比為0 dB。由于接收信號載波頻率為5.8 GHz,為降低射頻采樣成本,將信號下變頻至140 MHz,再進(jìn)行帶通采樣。以BPSK信號為例,接收信號rBPSK(x)帶寬為3 MHz。經(jīng)帶通采樣后,其信號功率譜以采樣速率fs為周期進(jìn)行延拓,低通濾波后,信號中心頻率搬移至4 MHz。

4.3 仿真3

仿真3為基于SAE網(wǎng)絡(luò)的無人機(jī)集群通信波形的識別。考慮集群內(nèi)存在兩無人機(jī)用戶正在通信,通信頻率為5.8 GHz,其參數(shù)設(shè)置如表2所示。集群內(nèi)用戶可能采用的調(diào)制方式類型包括BPSK、QPSK、2FSK、4FSK、2ASK、4ASK、MSK。

表2 信道及無人機(jī)參數(shù)配置1Table 2 Channel and unmanned aerial vehicle parameter configuration 1

本研究以2 dB為步長,分別生成混合信噪比為-20～0 dB的數(shù)據(jù)集。根據(jù)表2設(shè)置無人機(jī)及信道參數(shù),并生成每種調(diào)制方式下的無人機(jī)用戶1和用戶2的信號樣本各1 000個(gè),提取每個(gè)樣本的特征,根據(jù)式(13)構(gòu)造無人機(jī)集群波形特征矩陣。本文所建立的SAE網(wǎng)絡(luò)集群波形識別模型包括1個(gè)輸入層、2個(gè)隱藏層和1個(gè)輸出層,表3為SAE網(wǎng)絡(luò)結(jié)構(gòu)的參數(shù)配置。

表3 SAE網(wǎng)絡(luò)結(jié)構(gòu)參數(shù)配置Table 3 SAE network structure parameter configuration

續(xù)表3Continued Table 3

其中,SAE網(wǎng)絡(luò)中訓(xùn)練集與測試集大小比例為7∶3?？紤]其路徑損耗差ΔLp分別為0 dB和3 dB的場景,對應(yīng)地,兩無人機(jī)用戶相對于偵收機(jī)的距離比分別為0.71和1。圖7為不同信道條件下的集群通信波形識別性能曲線,其中TDL-A(0 dB,Alpha)表示路徑損耗差為0 dB時(shí),信號經(jīng)TDL-A信道且受Alpha脈沖干擾的情況。

圖7 無人機(jī)集群通信波形識別性能曲線Fig.7 Unmanned aerial vehicle swarm communication waveform recognition performance curve

整體上看,無人機(jī)集群通信波形的識別準(zhǔn)確率隨MSNR增大而遞增,且本文提取的特征在低信噪比下魯棒性強(qiáng)。從信道上分析,TDL-A信道下的識別準(zhǔn)確率優(yōu)于TDL-D信道?？紤]Alpha干擾下路徑損耗差為3 dB的情況,當(dāng)MSNR為-16 dB時(shí),TDL-D信道下的識別準(zhǔn)確率為95.52%,優(yōu)于TDL-A信道下約2.5 dB,這是由于TDL-D信道存在LOS徑。從噪聲干擾上分析,集群通信波形的識別準(zhǔn)確率在Alpha干擾下比在AWGN噪聲下的性能好?？紤]TDL-A信道下路徑損耗差為3 dB的情況,當(dāng)MSNR為-14 dB時(shí),受Alpha脈沖干擾的識別準(zhǔn)確率為86.43%,優(yōu)于AWGN噪聲下約3.5 dB,說明本文提取的特征雖適用于AWGN噪聲,但在Alpha干擾下穩(wěn)健性更好。從路徑損耗差分析,路徑損耗差越大,其無人機(jī)集群通信波形的識別準(zhǔn)確率越低?？紤]Alpha干擾下信號經(jīng)TDL-A信道的情況,當(dāng)MSNR為-14 dB時(shí),路徑損耗差為0 dB的識別準(zhǔn)確率為85.17%,當(dāng)路徑損耗差為3 dB時(shí),識別準(zhǔn)確率為79.61%。

4.4 仿真4

仿真4分析了影響無人機(jī)集群通信波形識別性能的因素,分別從識別方法、集群內(nèi)通信用戶數(shù)目、多普勒頻移大小3方面進(jìn)行了分析。

4.4.1 不同識別方法對識別性能的影響

1）智慧城市規(guī)劃設(shè)計(jì)需要先進(jìn)行初步的定位，在對當(dāng)前城市現(xiàn)階段的環(huán)境質(zhì)量、資源、地理地質(zhì)條件、氣候條件以及產(chǎn)業(yè)與信息化發(fā)展等情況做出準(zhǔn)確的分析之后，便可以明確其總體定位；

本文選用分類算法中較為經(jīng)典的K最近鄰(Knearest neighbor, KNN)算法和決策樹算法作比較。以TDL-A信道模型為例,考慮集群內(nèi)存在兩架正在通信的無人機(jī)用戶,且兩用戶之間的路徑損耗差為0 dB,其他參數(shù)參考表2。其中,基于KNN的識別方法采用歐式距離作為距離度量,K值設(shè)置為10;基于決策樹的識別方法采用基尼多樣性指數(shù)作為分裂準(zhǔn)則,最大分裂數(shù)設(shè)置為8;基于SAE網(wǎng)絡(luò)的識別方法參數(shù)與仿真3相同。

圖8為TDL-A信道下采用不同識別方法后的集群通信波形識別性能曲線。當(dāng)MSNR為-8 dB時(shí),3種識別方法的識別準(zhǔn)確率幾乎達(dá)100%,說明本文提取的廣義循環(huán)平穩(wěn)特征穩(wěn)健性好、易于識別。同時(shí),基于SAE網(wǎng)絡(luò)的識別方法識別性能整體優(yōu)于KNN算法和決策樹算法,當(dāng)MSNR為-14 dB時(shí),基于SAE的識別方法識別準(zhǔn)確率為91.81%,優(yōu)于KNN算法約1 dB,優(yōu)于決策樹算法約2 dB。

圖8 不同方法下集群通信波形識別性能曲線Fig.8 Swarm communication waveform recognition performance curve under different methods

圖9～圖11是MSNR為-14 dB時(shí),不同方法下的混淆矩陣。此時(shí),SAE算法、KNN算法、決策樹算法對應(yīng)的平均識別準(zhǔn)確率分別為91.81%、89.43%、86.10%。混淆矩陣可以反映每個(gè)算法對7種波形的識別性能和誤判情況,其橫坐標(biāo)為預(yù)測類別,縱坐標(biāo)為真實(shí)類別,對角線上的元素值表示某波形的識別準(zhǔn)確率。顏色越深,識別準(zhǔn)確率越高。

圖9 MSNR為-14 dB時(shí)的混淆矩陣(SAE算法)Fig.9 Confusion matrices when MSNR of -14 dB (SAE algorithm)

圖10 MSNR為-14 dB時(shí)的混淆矩陣(KNN算法)Fig.10 Confusion matrices when MSNR of -14 dB (KNN algorithm)

圖11 MSNR為-14 dB時(shí)的混淆矩陣(決策樹算法)Fig.11 Confusion matrices when MSNR of -14 dB (decision tree algorithm)

4.4.2 集群內(nèi)通信用戶數(shù)目對識別性能的影響

本部分研究集群內(nèi)正在的通信用戶數(shù)目對識別性能的影響,分別考慮集群內(nèi)通信用戶數(shù)目為1、2、4這3種情況。通信用戶與偵收機(jī)的距離分布如圖12所示,以偵收機(jī)位置為圓心,用戶1、3和用戶2、4分別位于半徑相同圓上。仿真以TDL-A信道為模型,用戶2～4相對于用戶1的路徑損耗差分別為3 dB,0 dB和3 dB,用戶的其他參數(shù)設(shè)置如表4所示。

圖12 通信用戶與偵收機(jī)位置分布Fig.12 Location distribution of communication users and reconnaissance machine

表4 信道及無人機(jī)參數(shù)配置2Table 4 Channel and unmanned aerial vehicle parameter configuration 2

圖13為TDL-A信道下不同通信用戶數(shù)目的集群波形識別性能曲線,其中單機(jī)場景表示集群中僅存在一個(gè)通信用戶U1,雙機(jī)場景表示集群內(nèi)的通信用戶為U1和U3,四機(jī)場景表示集群內(nèi)的通信用戶為U1～U4。

圖13 不同通信用戶數(shù)下集群通信波形識別性能曲線Fig.13 Swarm communication waveform recognition performance curve with different number of users

由圖13可知,隨著集群內(nèi)通信用戶數(shù)目的增多,集群通信波形的識別準(zhǔn)確率有所提升。當(dāng)MSNR為-18 dB時(shí),集群內(nèi)通信用戶數(shù)目為1、2、4時(shí),所對應(yīng)的識別準(zhǔn)確率分別為60.43%、66.5%、72.43%,這是由于集群內(nèi)通信用戶數(shù)越多,偵收機(jī)截獲的信號樣本越豐富,提取的特征數(shù)量越多。

4.4.3 多普勒頻移大小對識別性能的影響

無人機(jī)的飛行速度會影響最大多普勒頻移的數(shù)值,從而影響無人機(jī)集群波形的識別準(zhǔn)確率?？紤]兩無人機(jī)用戶的路徑損耗差ΔLp為3 dB的場景,采用TDL-A模型,無人機(jī)通信頻率為5.8 GHz,其他參數(shù)參考表5。

表5 信道及無人機(jī)參數(shù)配置3Table 5 Channel and unmanned aerial vehicle parameter configuration 3

圖14為TDL-A信道下不同場景的無人機(jī)集群波形識別性能曲線。由圖14可知,隨著無人機(jī)飛行速度和多普勒頻移的增大,無人機(jī)集群通信波形識別的準(zhǔn)確率下降。當(dāng)MSNR為-14 dB時(shí),場景1的識別準(zhǔn)確率為96.29%,場景2的識別準(zhǔn)確率為94.62%,場景3的識別準(zhǔn)確率為86.43%,場景4的識別準(zhǔn)確率為72.33%。

圖14 不同場景下集群通信波形識別性能曲線Fig.14 Swarm communication waveform recognition performance curve under different scenes

5 結(jié) 論

本文提出了一種復(fù)雜多徑環(huán)境下的無人機(jī)集群通信波形識別算法,該算法充分考慮了無人機(jī)通信過程中存在的多徑衰落、時(shí)延、頻偏、干擾等問題,實(shí)現(xiàn)了7種無人機(jī)集群通信波形的識別,包括BPSK、QPSK、2FSK、4FSK、2ASK、4ASK、MSK。仿真結(jié)果表明:所構(gòu)造的無人機(jī)集群通信波形特征向量在多普勒頻移、多徑時(shí)延和Alpha脈沖干擾存在的環(huán)境下具備良好的魯棒性,所建立的SAE無人機(jī)集群通信波形識別模型性能優(yōu)于傳統(tǒng)的KNN算法和決策樹算法。同時(shí),本文提出的無人機(jī)集群通信波形識別算法在低信噪比下的識別準(zhǔn)確率較高,在信噪比為-10 dB時(shí)仍能保證80%以上的識別準(zhǔn)確率。