基于鏡像填充譜與LA-ResNet50的超短波衛星信道分類識別算法

吳尚，沈雷，王李軍,3，張如栩，胡鑫

研究與開發

基于鏡像填充譜與LA-ResNet50的超短波衛星信道分類識別算法

吳尚1,2，沈雷1，王李軍1,2,3，張如栩1，胡鑫1

（1.杭州電子科技大學通信工程學院，浙江 杭州 310018；2.中國電子科技集團公司第三十六研究所，浙江 嘉興 314000；3.通信信息控制和安全技術重點實驗室，浙江 嘉興 314000）

針對超短波頻段中存在的5 kHz信道、25 kHz信道、寬帶干擾信道、窄帶干擾信道和單音干擾信道的分類識別問題，提出了一種基于鏡像填充譜與局部二值模式的注意力機制殘差網絡（LBP attention ResNet50，LA-ResNet50）的超短波信道分類識別方法，有效解決了低信噪比下衛星信道與底噪難以區分，信號信道與特征相近的干擾信道識別困難的問題。首先，所提方法對超短波的頻譜進行鏡像對稱并填充，同時對頻譜邊緣進行描黑處理，構成鏡像填充譜，提高不同類型信道頻譜圖的區分度；然后，在ResNet50中引入通道注意力機制，使網絡模型關注度集中在信道上；最后，提出了基于交叉熵和局部二值模式（local binary pattern，LBP）的損失函數，提高對信號信道和干擾信道圖像邊緣細微紋理特征的提取效果。所提基于鏡像填充譜和LA-ResNet50的方法，對比利用快速傅里葉變換（fast Fourier transform，FFT）頻譜門限閾值分類的傳統方法與基于鏡像填充譜的YOLOv5s目標檢測分類法，以及基于鏡像填充譜的注意力機制殘差網絡（Attention-ResNet50）、Transformer網絡方法，在10 dB信噪比下對超短波信道的分類識別率分別提高了19.8%、8.2%、1.8%、0.8%。

超短波信道；注意力機制；分類識別；ResNet50

0 引言

超短波通信具有優異的性能，其優點包括通信簡單可靠、機動靈活、抗毀性較強等[1]。超短波頻段是通信系統的常用頻段，一方面由于超短波有一定的繞射能力，能夠在城市、山區等復雜場景下提供遠距離傳輸；另一方面，與短波相比，超短波可提供較大帶寬進行信息傳輸[2]。隨著無線通信技術的不斷發展，工業、生活中電子通信設備的廣泛應用，電磁環境變得越來越復雜，電磁環境日益惡劣，通信可靠性和穩定性受到嚴重影響，使得超短波頻段中存在各類異常干擾[3]。超短波衛星信道分類識別不僅要對目標信道識別，也要對非法占用頻譜資源的異常干擾信道分類識別[4]。同時超短波頻譜易受地形、天線、天氣等影響，底噪起伏不定，存在信噪比降低的情況，給信道分類識別帶來困難。

傳統方法中，信道分類識別通常從頻譜能量和形狀特征上出發，通過頻譜中能量起伏結合信道帶寬形狀在頻域上判斷信道有無，計算量較低，實現較為簡單，有利于工程部署。在穩定的底噪環境中，文獻[5]和文獻[6]研究了一種新型的能量雙門限聯合頻譜的信道分類方法，與傳統的單一地利用頻譜能量特征的分類識別方法相比，顯著提高了識別率。文獻[7]研究了基于頻譜上信號能量的分類識別技術，提出了改進型頻譜能量檢測算法，在能量檢測器和能量比檢測器的基礎上，提出了一種混合頻譜能量檢測算法，該算法不僅考慮了噪聲不確定性對系統性能的影響，而且有效克服了傳統頻譜能量探測器的感知故障和大計算問題。文獻[8]研究了不同信噪比信號下的最優相關窗口尺寸和最優譜相關比，提出了一種自適應相關窗口頻譜能量檢測算法，可以解決檢測低信噪比信號時檢測性能差的問題，但是，以上傳統方法大多是判斷信道的有無，針對信號信道在異常干擾信道存在的情況，傳統的分類識別方法難以區分信號信道和干擾信道，且超短波信道能量波動受天線以及環境影響較大，分類識別性能對環境以及噪聲較為敏感，在低信噪比下適用性較低。

深度學習方法給傳統的調制方式識別問題帶來了新的解決方案，可以利用深度學習訓練這些信號頻譜圖來獲得自動分類識別調制方式的能力。文獻[9]通過信號短時傅里葉變換的時頻圖與卷積神經網絡相結合的超短波特定信號識別方法，自動依據信號特征進行調制方式分類識別，但低信噪比下特征不明顯，識別率較低。文獻[10]提出了一種利用ResNet-50深度學習模型，基于星座密度矩陣的調制分類識別算法，在調制方式識別上有較好的效果。文獻[11]提出了一種將時域和頻域進行壓縮構成頻譜圖的方法，使圖片有更豐富的信號特征，再將圖片輸入卷積神經網絡進行調制方式的分類識別，有效地提高了識別率。

目標檢測是深度學習領域的一個基礎任務和研究熱點，YOLO的網絡模型將目標檢測概括為一個回歸問題，實現端到端的訓練和檢測，由于其良好的速度－精度平衡，近幾年一直處于目標檢測領域的領先地位，被成功地研究、改進運用到超短波信道的目標檢測中[12]。文獻[13]提出基于頻譜疊加的處理方式構成頻譜圖，突出頻譜與噪聲的差異，從而擴充圖片中的信道特征，再通過YOLOv5s網絡模型分類識別寬帶頻譜中不同的信道類型，但頻譜疊加處理需要大量的數據，計算量較大。

近年來Transformer網絡的改進利用給分類識別帶來了巨大的優勢，文獻[14]提出了一種采用基于注意力機制的Transformer網絡對信號進行進一步的特征提取并分類。針對任意形狀的場景文本檢測與識別，均表現出了優秀的性能。文獻[15]提出了一種融合Transformer編碼器和變分自編碼器的隨機Transformer多維時間序列異常檢測模型，該網絡模型對分類檢測的時間效率具有一定的優勢，但是，Transformer網絡在全局特征的融合上具有較好的能力，但忽視了局部特征的處理，因此在信道分類識別上性能略有不足。

圖1 基于鏡像填充譜與LA-ResNet50的超短波信道分類識別方法流程

綜上所述，目前深度學習的方法在超短波信道的分類上使用較少，多集中在調制方式上，而忽視了信號信道以及干擾信道的分類識別，同時存在低信噪比下頻譜特征不明顯導致深度學習方法分類識別率較低的問題。

本文在殘差網絡的基礎上提出了一種基于鏡像填充譜與LA-ResNet50網絡超短波信道分類識別方法，將傳統的超短波信道分類識別問題，轉化為圖像分類處理問題，可以得到較好的分類識別效果。所提算法首先通過快速傅里葉變換處理天線采集的超短波寬帶信號，將處理后得到的頻譜進行鏡像對稱并填充，同時對頻譜外部邊緣做描黑處理，構成鏡像填充譜，擴大圖片中信道信息部分相對背景底色的占比。接著，利用YOLOv5s網絡模型對超短波寬帶鏡像填充譜上的信號信道以及干擾信道進行檢測獲取目標圖片，最后通過LA-ResNet50網絡進行分類識別訓練。

LA-ResNet50在ResNet50中引入通道注意力機制，注意力機制顯式地建模特征通道之間的相互依賴關系，通過學習的方式獲取每個通道的重要程度，對各個通道上的鏡像填充頻譜圖像特征進行加權，從而突出超短波頻譜中信道特征而減少對底噪特征的關注度，解決低信噪比下噪聲和信號信道以及干擾信道區分不明顯的問題。同時提出一種通過基于交叉熵和局部二值模式（local binary pattern，LBP）的損失函數度量和提取鏡像填充頻譜圖中信道的局部紋理信息，提高對不同類型信道特征差異的提取效果，從而提升分類識別率。

1 基于LA-ResNet50的超短波信道分類識別算法

超短波天線接收到的目標衛星頻段中主要存在5 kHz信道、25 kHz信道、寬帶干擾信道、窄帶干擾信道、單音干擾信道。通過本文提出的基于鏡像填充譜與LA-ResNet50的超短波信道分類識別方法，對上述5類信道進行分類識別，其流程如圖1所示。

首先，通過超短波天線采集目標衛星信號數據，信號數據通過快速傅里葉變換后得到超短波信號寬帶頻譜，并對頻譜進行上下對稱翻轉，通過顏色填充空白區域部分，將對稱的頻譜邊緣進行描黑處理得到寬帶鏡像填充譜；然后，利用YOLOv5s目標檢測模型獲取寬帶鏡像填充譜中的5類信道，制作圖片數據集；再次，構建引入通道注意力機制并采用交叉熵和LBP損失函數的殘差網絡模型，構成本文提出的LA-ResNet50；最后，將獲取的不同信道類型的鏡像填充譜數據集輸入LA-ResNet50得到分類識別結果。

1.1 超短波信號接收處理

目標衛星超短波信號通過雙單元螺旋天線和超短波接收機實地采集并進行處理。天線采用圓極化方式，增益為15 dBi。采集的超短波信號通過接收機對目標頻段濾波，得到中心頻率為255 MHz、帶寬為40.96 MHz的寬帶超短波信號數據。天線架設地點為浙江省杭州市杭州電子科技大學，具體方位為東經120°20′24″，北緯30°18′52″。天線采集超短波信號來自兩個方向的同步軌道衛星，一是太平洋方向，具體位置為東經78.5°；二是印度洋方向，具體位置為東經172°。

1.2 鏡像填充譜圖片生成

3種類型頻譜圖對比如圖2所示。傳統的方式通過快速傅里葉變換（fast Fourier transform，FFT）得到頻譜圖片，信號頻譜數據占比整張圖片面積較少，相對而言，大部分面積為無效的白色底色背景信息，如圖2（a）所示，為此提出通過對原始頻譜進行上下反轉對稱處理，豐富圖片信息，得到對稱頻譜，如圖2（b）所示。再對上下翻轉后的鏡像譜線間通過填充的方式覆蓋白色底色背景，進一步增大了頻譜信息占比面積，同時對填充以后的上下譜線邊緣通過描黑的處理方式，勾勒出頻譜邊緣信息得到鏡像填充譜，如圖2（c）所示。

圖2 3種類型頻譜圖對比

通過以上圖片處理方式得到的鏡像填充譜，頻譜信息占比擴大到原始頻譜的兩倍以上，進一步提高了5類不同信道的圖片特征，同時通過邊緣勾勒描黑處理，把頻譜中存在的信道與底噪邊緣信息體現出來，有效地增加了噪聲與信道的區分度，有利于后續卷積神經網絡對圖片中的特征提取。

1.3 使用YOLOv5s進行信道捕獲且歸一化處理

為了獲取超短波信號中存在的5類不同信道，采用了YOLOv5s目標檢測模型，標記并檢測寬帶鏡像填充譜中存在的信道，對信號信道以及干擾信道特征圖片進行獲取。由于捕獲后得到的圖片尺寸大小不一致，為了保證數據的一致性和可比性，統一將圖像分辨率歸一化為三通道224 pixel× 224 pixel大小，捕獲后不同類型信道鏡像填充譜如圖3所示。

圖3 捕獲后不同類型信道鏡像填充譜

捕獲且歸一化后得到的5類信道圖片，有效頻譜面積得到放大，無效底色背景信息占比較少，信道特征更加明顯。

1.4 LA-ResNet50框架結構

LA-ResNet50結構見表1。

表1 LA-ResNet50結構

圖4 殘差塊內部網絡結構

其中，5-代表5種不同類型的輸入圖片，輸入經過3個不同大小的卷積層和激活函數ReLU映射后，再經過殘差函數()和通道注意力機制的計算與原輸入相加后得到殘差塊的輸出。網絡中通過多個殘差塊的反饋計算有效地提高網絡模型的性能[16]。LA-ResNet50采用殘差模塊避免了堆疊網絡層數帶來的網絡梯度消失和網絡退化問題[17]，具有較好的特征提取和分類識別能力。

1.5 通道注意力機制

加入通道注意力機制使網絡模型更傾向于關注圖片中信號信道與干擾信道的鏡像填充譜特征而非背景底噪區域，有利于網絡模型的特征提取[18]，解決低信噪比下信道特征不明顯特征提取能力較差的問題。通道注意力機制示意圖如圖5所示。

圖5 通道注意力機制示意圖

圖5中，通道注意力機制模塊包含3個部分：壓縮、激勵以及加權操作。假設輸入特征圖為，其尺寸為××。第一步是壓縮操作，對輸入進行全局平均池化，將每個通道上的特征值空間特征均壓縮為一個實數，此時，特征圖尺寸變為1×1×，每一個實數均代表各自通道上具備全局感受野的全局特征；第二步為激勵操作，包含兩個全連接層，第一個全連接層對壓縮操作的輸出進行降維，達到減少參數量的目的，第二個全連接層用來恢復原始維度，學習不同特征通道之間的非線性關系并得到表示每個通道重要性的權重矩陣；第三步是加權操作，將激勵操作輸出的通道重要性權重矩陣與輸入特征圖對應通道相乘進行加權，從而實現對重要特征的增強和對無用特征的抑制[19]。

1.6 交叉熵和LBP損失函數設計

為了增強網絡模型對底噪和信號信道以及干擾信道的區分度上差異的關注，提高不同類型圖像在細微邊緣的對比度，本文提出了交叉熵損失和LBP損失對網絡模型進行約束。損失函數表達式如式（1）所示。

為了關注信道中信號起伏毛刺的精細紋理特征，添加了LBP損失作為網絡模型的紋理損失約束。lbp的計算式如式（3）所示。

2 實驗與結果分析

實驗服務器GPU為NVIDIA TITAN RTX 3090，使用的深度學習框架為Pytorch。輸入圖像分辨率為224 pixel×224 pixel的3通道的圖像，模型訓練使用批處理大小為64，訓練迭代次數為50，初始學習率為3×10-4，每次訓練的學習率衰減系數為0.7，模型解凍參數為2，正則化項的系數為8。

2.1 實驗數據集

由于當前沒有公開的超短波信道分類的數據集可以使用，故本實驗數據集來自實驗室的超短波雙單元螺旋天線采集。實際每類圖片通過Matlab 2022a添加加性高斯白噪聲，信噪比為?10～25 dB，跨度為5 dB，5類不同類型信道，8種不同的信噪比的圖片數據，圖片訓練集合每種類型不同信噪比下4 000張，驗證集合每種類型不同信噪比下1 000張。訓練測試信號樣本數據見表2。

2.2 模型性能評價指標

本文將模型提取的超短波信道頻譜特征進行可視化，從可視化的特征圖中可以直觀看出模型對于圖像的關注點，以及模型是否學習到頻譜中不同于底噪的信道特征。

本文也使用相同信噪比下不同類型信道的識別準確率，以及不同信噪比下各個網絡模型平均識別準確率的曲線圖比較模型性能。識別率通過Top1排序統計比較，比較當前識別結果與正確結果進行驗證，將驗證圖像與模板和類外圖像進行比對，統計模板排序為第一的比例。各個模型準確率通過統計5類信號識別準確率的平均值繪制曲線圖直觀反映各個模型的性能效果。

表2 訓練測試信號樣本數據

2.3 特征圖可視化

使用ResNet50、Attention-ResNet50和LA- ResNet50 3種不同的網絡框架模型分別對15 dB下5 kHz信道、25 kHz信道以及3種不同帶寬的干擾信道圖像進行測試，通過可視化模型分別提取特征，并繪制可視化熱力圖。分類識別特征圖可視化如圖6所示，熱力圖中的深色區域是模型學習到的超短波頻譜中不同類別信道的特征，即模型在識別時關注的區域。

圖6（a）中分別為5 kHz信道、25 kHz信道、寬帶干擾信道、窄帶干擾信道以及單音干擾信道的鏡像填充頻譜圖片。通過在3種不同網絡模型下提取特征的可視化熱力圖對比得到各個網絡模型對信道的關注度。從圖6（b）、圖6（c）、圖6（d）中矩形框區域可以明顯看出針對5類信道不同網絡模型的效果。在原始的ResNet50中模型關注度發生偏移且集中在信道邊緣部分，還存在關注區域錯誤的問題，如圖6（b）所示。在Attention-ResNet50中，模型關注區域得到有效擴大，但是存在關注較少且分散、關注區域不夠集中的問題，如圖6（c）所示。本文提出的LA-ResNet50中，有效地增大了網絡模型對信道的關注區域，且關注區域集中在信道上，減少了存在關注偏移、錯誤的問題，如圖6（d）所示。LA-ResNet50大幅度提高對目標信道的關注效果，而不關注背景以及底噪的無效信息，從而能更加準確地關注目標圖像中的信道特征。

2.4 信道分類識別性能仿真分析

對比基于頻譜門限閾值的傳統方法、YOLOv5s、ResNet50、Attention-ResNet50、Tansformer以及LA-ResNet50 5種算法在信噪比為15 dB的數據集上進行的分類識別仿真測試，統計每種類別信道的識別準確率，不同算法在數據集上的性能對比見表3。

從表3可以看出，在15 dB下，相對于傳統基于頻譜門限閾值的算法，基于深度學習的分類識別算法在各個類別信道下均有8%以上的提高。本文提出的方法相較于基于頻譜門限閾值的傳統方法平均識別率提高了15.4%，相比YOLOv5s目標檢測網絡模型提高了4.14%，對比經典ResNet50提高了3.24%，相比僅加入通道注意機制的Attention-ResNet50提高1.8%，相比于Transformer網絡識別率提高了0.31%。同時本文方法在每種類型信道上對比原始經典的ResNet50方法對5 kHz信道識別率提高了2.9%，對25 kHz信道提高了2.6%，對寬帶干擾信道提高4.9%，對窄帶干擾信道提高2.5%，對單音干擾信道提高3.3%。

圖6 分類識別特征圖可視化

表3 不同算法在數據集上的性能對比

2.5 不同信噪比下分類識別能仿真分析

使用本文提出的超短波信道分類識別算法（LA-ResNet50）、基于頻譜門限閾值的傳統算法、YOLOv5s目標檢測分類算法、經典ResNet50算法和Attention-ResNet50算法，在5類不同信道類型的測試集中仿真，分別測試在不同信噪比下的分類識別效果，統計5類不同信號下的平均識別率。

不同信噪比下各個方法平均識別率如圖7所示。相比于傳統算法，基于深度學習的分類識別方法在不同信噪比下均有很大提升，在低信噪比下基于深度學習的方法相比于傳統方法有明顯的提高。信噪比為0的情況下本文提出的方法平均分類識別率相比基于頻譜門限閾值的方法提高了26.4%，相比YOLOv5s目標檢測網絡提高了8.9%，相比原始ResNet50提高了4.0%，相比Attention-ResNet50提高了1.8%，相比經典的Transformer網絡提高了1.3%，且在15 dB以上的高信噪比下本文提出的方法能達到95%以上的分類識別率。

圖7 不同信噪比下各個方法平均識別率

2.6 鏡像填充譜與原始頻譜分類識別效果仿真分析

采用本文提出的鏡像填充譜對比原始頻譜，分別在YOLOv5s、ResNet50和本文提出的LA-ResNet50模型中對測試集中5類不同的信號類型，在不同信噪比下進行仿真測試分類識別效果，統計5類不同信號的平均識別率。

原始頻譜和鏡像填充譜在不同網絡模型下平均識別率如圖8所示，采用原始信號頻譜圖片作為輸入對比本文提出的鏡像填充譜作為輸入網絡的圖片，在不同的信噪比下鏡像填充譜對不同的網絡識別效果均有一定程度的提升。在10 dB的信噪比下使用本文提出的鏡像填充譜，在YOLOv5s目標檢測網絡中提高了2.5%，在ResNet50中提高了3.0%，在LA-ResNet50算法中提高了3.0%。

圖8 原始頻譜和鏡像填充譜在不同網絡模型下平均識別率

3 結束語

本文提出了一種基于鏡像填充頻譜與LA-ResNet50的超短波信道的分類識別算法，利用鏡像填充譜有效提高了圖片中有效信息占比，提高了后續網絡模型訓練時對圖片中信道的特征提取效果。LA-ResNet50模型構建時在主干網絡ResNet50中引入通道注意力機制，在各個通道上的頻譜圖像進行加權提取特征，增強關注信道的特征而非背景特征。同時在訓練模型時提出交叉熵和LBP加權損失函數，增強網絡模型對底噪、信道以及干擾的鏡像填充譜圖像特征的差異提取能力，提高不同類型信號圖像在細微邊緣的計算度量效果。實驗結果表明，本文方法相比傳統基于頻譜門限閾值方法、YOLOv5s目標檢測網絡方法，以及經典的ResNet50方法分類識別率均有較大提升。

[1] 張洋, 毛忠陽, 劉錫國, 等. 海上超短波超視距對流層散射信道模型研究[J]. 電波科學學報, 2022, 37(2): 238-243.

ZHANG Y, MAO Z Y, LIU X G, et al. Study on tropospheric scattering channel model of ultra short wave over the horizon at sea[J]. Chinese Journal of Radio Science, 2022, 37(2): 238-243.

[2] 孔凌勁, 劉月玲, 張校晨, 等. 超短波頻段復雜城區場景的信道測量與建模[J]. 電波科學學報, 2020, 35(4): 542-550.

KONG L J, LIU Y L, ZHANG X C, et al. Channel measurement and modeling for VHF bands in typical urban scenarios[J]. Chinese Journal of Radio Science, 2020, 35(4): 542-550.

[3] 陳柯威, 劉宏波, 馬俊凱. 超短波信道模型的仿真與分析[J]. 艦船電子工程, 2022, 42(2): 87-90, 129.

CHEN K W, LIU H B, MA J K. Simulation and analysis of ultrashort wave channel model[J]. Ship Electronic Engineering, 2022, 42(2): 87-90, 129.

[4] 張玉波, 李志達, 沈延峰. 虛擬短波/超短波通信系統的關鍵技術研究[J]. 中國新通信, 2016, 18(7): 92.

ZHANG Y B, LI Z D, SHEN Y F. Research on key technologies of virtual shortwave/ultrashort wave communication system[J]. China New Telecommunications, 2016, 18(7): 92.

[5] 黃超. 無線射頻信號的能量檢測與特征識別[D]. 北京: 北京郵電大學, 2016.

HUANG C. Energy detection and feature recognition of radio frequency signals[D]. Beijing: Beijing University of Posts and Telecommunications, 2016.

[6] SMRITI, CHHAGAN C. Double threshold-based energy detection spectrum sensing scheme by considering the sensing history in confusion region[C]//Proceedings of 2018 5th International Conference on Signal Processing and Integrated Networks (SPIN). Piscataway: IEEE Press, 2018: 518-521.

[7] WANG W Y, WANG J M, LI C Q. A signal detection method based on hybrid energy detection[C]//Proceedings of 2022 4th International Conference on Intelligent Control, Measurement and Signal Processing (ICMSP). Piscataway: IEEE Press, 2022: 695-700.

[8] LI P J, HOU D Y, ZHAO J, et al. Research on adaptive energy detection technology based on correlation window[C]//Proceedings of 2021 IEEE 5th Information Technology, Networking, Electronic and Automation Control Conference (ITNEC). Piscataway: IEEE Press, 2021: 836-840.

[9] 姚朋. 基于頻譜特征的深度學習信號檢測方法研究[D]. 武漢: 華中科技大學, 2019.

YAO P. Research on deep learning signal detection method based on spectral features[D]. Wuhan: Huazhong University of Science and Technology, 2019.

[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] BHATTI F A, KHAN M J, SELIM A, et al. Shared spectrum monitoring using deep learning[J]. IEEE Transactions on Cognitive Communications and Networking, 2021, 7(4): 1171-1185.

[12] 邵延華, 張鐸, 楚紅雨, 等. 基于深度學習的YOLO目標檢測綜述[J]. 電子與信息學報, 2022, 44(10): 3697-3708.

SHAO Y H, ZHANG D, CHU H Y, et al. A review of YOLO object detection based on deep learning[J]. Journal of Electronics & Information Technology, 2022, 44(10): 3697-3708.

[13] 周宇航, 侯進, 李嘉新, 等. 基于頻域疊加和深度學習的頻譜信號識別[J]. 計算機應用研究, 2023, 40(3): 874-879.

ZHOU Y H, HOU J, LI J X, et al. Spectrum signal identification based on frequency-domain superposition and deep learning[J]. Application Research of Computers, 2023, 40(3): 874-879.

[14] 鄭金志, 汲如意, 張立波, 等. 基于Transformer解碼的端到端場景文本檢測與識別算法[J]. 通信學報, 2023, 44(5): 64-78.

ZHENG J Z, JI R Y, ZHANG L B, et al. End-to-end scene text detection and recognition algorithm based on Transformer decoders[J]. Journal on Communications, 2023, 44(5): 64-78.

[15] 霍緯綱, 梁銳, 李永華. 基于隨機Transformer的多維時間序列異常檢測模型[J]. 通信學報, 2023, 44(2): 94-103.

HUO W G, LIANG R, LI Y H. Anomaly detection model for multivariate time series based on stochastic Transformer[J]. Journal on Communications, 2023, 44(2): 94-103.

[16] 李寶奇. 深度卷積神經網絡及其在地面圖像目標識別中的應用[D]. 西安: 西北工業大學, 2019.

LI B Q. Depth convolution neural network and its application in ground image target recognition[D]. Xi’an: Northwestern Polytechnical University, 2019.

[17] HE K M, ZHANG X Y, REN S Q, et al. Deep residual learning for image recognition[C]//Proceedings of 2016 IEEE Conference on Computer Vision and Pattern Recognition (CVPR). Piscataway: IEEE Press, 2016: 770-778.

[18] HU J, SHEN L, SUN G. Squeeze-and-excitation networks[C]// Proceedings of 2018 IEEE/CVF Conference on Computer Vision and Pattern Recognition. Piscataway: IEEE Press, 2018: 7132-7141.

[19] 徐文貴. 基于融合全局與局部特征網絡的指靜脈識別算法及其輕量化研究[D]. 杭州: 杭州電子科技大學, 2022.

XU W G. Finger vein identification algorithm based on global and local feature networks and its lightweight research[D]. Hangzhou: Hangzhou Dianzi University, 2022.

Ultrashort wave satellite channel classification and recognition algorithm based on mirror filled spectrum and LA-ResNet50

WU Shang1,2, SHEN Lei1, WANG Lijun1,2,3, ZHANG Ruxu1, HU Xin1

1. School of Communication Engineering, Hangzhou Dianzi University, Hangzhou 310018，China 2. The 36th Research Institute of China Electronics Technology Corporation, Jiaxing 314000, China 3. Key Laboratory of Communication Information Control and Security Technology, Jiaxing 314000, China

In response to the classification and identification problems of 5 kHz channels, 25 kHz channels, broadband interference channels, narrowband interference channels, and single tone interference channels in the ultrashort wave frequency band, a classification and identification method for ultrashort wave channels based on mirror filled spectrum and LA-ResNet50 (LBP attention ResNet50) was proposed. The problem of difficulty in distinguishing between satellite channels and background noise under low signal-to-noise ratio, as well as the identification of signal channels and interference channels with similar characteristics, has been effectively solved. Firstly, the proposed method performs mirror symmetry on the ultrashort wave spectrum and fills it in, while blackening the edges of the spectrum to construct a mirror-filled spectrum, which improves the discrimination of different types of channel spectra. Then, channel attention was introduced into ResNet50 to focus the attention of the network model on the channel. Finally, a loss function based on cross entropy and local binary pattern (LBP) was proposed to improve the extraction effect of subtle texture features on signal channels and interference channels images. The proposed method based on mirror-filled spectrum and LA-ResNet50 has shown an improvement of 19.8%, 8.2%, 1.8%, and 0.8% in classification accuracy for ultrashort wave channels compared to the traditional method utilizing fast Fourier transform (FFT) spectrum thresholding, the YOLOv5s target detection and classification method based on mirror-filled spectrum, the Attention-ResNet50 method with attention mechanism based on mirror-filled spectrum, and the Transformer network method under a signal-to-noise ratio (SNR) of 10 dB.

ultrashort wave channel, attention mechanism, classification and identification, ResNet50

The National Natural Science Foundation of China (No.62072121), The “Pioneer” and “Leading Goose” Research and development Program of Zhejiang (No.2023C01143)

TN911.73

A

10.11959/j.issn.1000?0801.2023185

2023?06?08；

2023?10?10

國家自然科學基金資助項目（No.62072121）；浙江省尖兵領雁項目（No.2023C01143）

吳尚（1997? ），男，杭州電子科技大學通信工程學院碩士生，中國電子科技集團公司第三十六研究所聯合培養碩士生，主要研究方向為數字信號圖像處理。

沈雷（1979? ），男，博士，杭州電子科技大學教授、博士生導師，主要研究方向為數字圖像處理、模式識別。

王李軍（1978? ），男，博士，杭州電子科技大學碩士生導師，中國電子科技集團公司第三十六研究所博士后工作站研究員，通信信息控制和安全技術重點實驗室常務副主任，主要研究方向為衛星導航技術、信號與信息處理。

張如栩（1999? ），男，杭州電子科技大學通信工程學院碩士生，主要研究方向為數字信號處理。

胡鑫（1999? ），男，杭州電子科技大學通信工程學院碩士生，主要研究方向為數字信號處理。