引言

跳频(Frequency Hopping，FH)［1］信号因具备较强的抗干扰能力和低截获概率，在多领域得到广泛应用。跳频信号调制识别是通信侦察与频谱管理中的关键技术之一，其识别结果可为信号监测、通信侦察与干扰决策提供重要依据。

传统的调制识别方法主要包括基于似然比判决方法［2］和基于特征提取的方法［3］。但这两种方法在低信噪比或非平稳条件下鲁棒性不足，识别性能易受影响。

近年来，深度学习［4-7］方法通过端到端方式自动学习信号的高层判别特征，在调制识别领域表现出良好的性能优势。然而，深度学习模型通常依赖大量样本进行训练，而在实际应用场景中，跳频信号往往受到条件限制，有效样本数量有限，导致模型在小样本条件下性能显著下降。因此，小样本条件下跳频信号调制识别问题逐渐成为研究关注的重点。

针对样本不足引起的性能退化问题，已有研究提出了多种解决思路。一类方法通过数据增强扩展训练样本分布，例如文献［8］提出了一种基于离散余弦变换的数据增强方法，用于增强卷积神经网络的训练性能；文献［9］提出了基于旋转、翻转与加噪的数据增强方法，该方法有效扩充了训练信号样本，提升了模型在多种信噪比条件下的分类稳定性和泛化能力。然而，这类方法难以充分刻画跳频信号复杂的时频结构特征。另一类方法则改变网络结构，通过生成高质量合成样本扩充数据集。例如文献［10］提出了生成对抗网络模型框架，通过判别器与生成器的对抗性训练机制，实现了高质量数据的合成与分布拟合；文献［11］提出了一种半监督学习框架，利用未标注信号数据，通过对比学习机制学习更具判别性的信号表示，提升了小样本场景下的调制分类性能；文献［12］使用了元学习实现自动调制分类方法，学习可快速适应新任务的模型初始化参数，使模型仅需少量样本即可高效识别新的调制类型，提升了分类器在无线环境中的适应能力；文献［13］使用迁移学习实现自动调制识别，通过在源域数据上预训练模型，并将学到的通用信号特征迁移至目标域，从而利用极少量目标域样本实现高效调制分类。但这些方法大多训练过程复杂、稳定性依赖模型设计，对小样本场景下的工程应用存在一定限制。

跳频信号通过伪随机序列实现载频的快速切换，其非平稳特性使得单纯依赖时域或频域特征的识别方法难以取得理想效果。文献［14］将跳频信号转换为时频表示，并利用时频能量分布进行分析，是实现跳频信号调制识别的可行途径。但是现有方法缺乏对跨时频结构耦合特征的统一建模能力，特别是在频率跳变带来的局部纹理断裂场景下，容易造成特征提取不充分。针对上述问题，本文提出一种基于时频变换增强的跳频信号调制识别方法。该方法以跳频信号的时频灰度图为研究对象，分别从频域分解扰动与图像能量结构扰动两个层面进行样本增强：一方面，通过离散小波变换(Discrete Wavelet Transform，DWT)和短时傅里叶变换(Shorttime Fourier Transform，STFT)对时频图像进行多尺度分解，并对高频或细节成分实施扰动替换以生成增强样本；另一方面，针对时频图中能量分布稀疏的特点，设计了一种基于低能量区域扰动的图像级增强方法(EnergyMasked Image Perturbation, EMIP)，在不依赖可逆变换的情况下扩展样本分布。通过多种增强策略的组合与对比，实现训练样本的有效扩展，从而提升模型在小样本条件下的调制识别性能。

本文的主要贡献可概括为以下三个方面：

(1)构建了一种面向跳频信号调制识别的时频变换增强框架，将DWT、STFT及图像级能量扰动统一用于时频图像增强，验证了多种时频增强策略在小样本场景下的有效性；

(2)针对时频图像中主体能量结构与细节信息的不同作用，在DWT和STFT增强方法中设计了全零替换(AllZero Replacement, AZR)、随机零替换(RandomZero Replacement，RZR)和随机噪声替换(RandomNoise Replacement, RNR)三种增强策略，并系统分析了不同扰动方式对调制识别性能的影响；

(3)通过多组仿真实验与对比分析，验证了本文所提出增强策略在小样本跳频信号调制识别任务中的性能优势。

本文详细内容请下载：

https://www.chinaaet.com/resource/share/2000007089

作者信息：

王思远，刘高辉

(西安理工大学自动化与信息工程学院， 陕西西安710048)