【信号识别】JCCM：联合Conformer与CNN模型用于重叠无线电信号识别【附MATLAB】-深圳市維司達科技有限公司

题目

JCCM：联合Conformer与CNN模型用于重叠无线电信号识别

摘要

随着无线电技术的发展和广泛应用，重叠无线电信号识别受到了越来越多的关注。当同时考虑无线电传播效应和低信噪比（SNR）场景时，传统的盲信号分离（BSS）方法大多效果不佳。本文提出了一种联合Conformer与CNN模型（JCCM），用于分离和识别监测节点未知的重叠无线电信号。该模型利用Conformer的注意力机制将信号频谱编码为特征图，并通过卷积神经网络（CNN）感知全局和局部特征，将特征图解码为信号分量占比。此外，设计了包含最小池化（MinPool）和平均池化（AvgPool）层的信号预处理模块，用于信号去噪。从信号分离、尺度保持和主信号分类三个方面对JCCM进行了评估，结果表明，该模型具有更优的性能，尤其在低信噪比条件下表现突出。

引言

识别重叠无线电信号对于高效频谱管理、干扰抑制、无线系统共存、信号识别以及合规监管至关重要。通过识别重叠信号，能够确定和分类特定环境中存在的不同类型信号。了解重叠信号的构成，可为网络规划、频谱监测和无线电安全提供有价值的参考。

盲信号分离（BSS）技术旨在在无需了解信号源先验知识的情况下，将混合信号分离为各个原始分量。独立成分分析（ICA）和非负矩阵分解（NMF）等BSS算法可用于分离重叠无线电信号并提取单个分量，进而实现信号的识别与分析。然而，ICA通常难以准确确定信号源的数量及信号的适当尺度；尽管NMF在处理信号识别和分离任务时展现出强大的尺度保持能力，但在低信噪比条件下，面对经历复杂无线电传播的重叠信号时，其分离和识别效果仍面临挑战。

该场景下的核心挑战可总结为两点：（1）低信噪比环境中，重叠信号的频谱特征被噪声严重掩盖，导致识别精度下降；（2）无线信号传播过程中，重叠信号的各个分量会经历不同的传播损耗，使得各分量间存在较大的尺度差异，增加了尺度保持的难度。

近年来，调制识别（MR）领域采用多种集成机器学习方法开展了大量研究。随着深度学习的发展，卷积神经网络（CNN）和循环神经网络（RNN）进一步提升了调制识别性能，相关研究还提出了融合时间和频率维度的复合注意力机制以应对无线电通信环境的挑战，但上述注意力机制主要用于单信号调制分类。

鉴于此，本文针对各无线电信号经历复杂传播且监测节点未知的场景，研究重叠无线电信号识别问题，提出了联合Conformer与CNN模型（JCCM），实现重叠无线电信号的分离、识别及尺度保持。该模型采用结合信号预处理单元与Conformer的编码架构，以提升低信噪比下无线电信号的识别性能。通过重叠无线电信号识别和主信号分类实验验证，JCCM展现出优越的性能。

方法简介

1. 系统模型

监测区域内随机分布N个未知无线电信号源（URSs），位于区域中心的监测节点（MN）无任何关于信号源的先验信息（如类别、位置、发射功率等），但能检测到各信号源的接收功率高于其接收灵敏度。t时刻监测节点接收的信号为各信号源发射信号经功率衰减和信道增益后的叠加，同时包含高斯噪声。采用短时傅里叶变换（STFT）将时域信号转换至时频域，获取功率谱密度（PSD），基于此实现各信号源的分离与识别。

2. JCCM模型结构

JCCM由信号预处理（SP）模块、Conformer编码器、CNN解码器和分量归一化（CN）模块组成，采用“编码器-解码器”联合架构，结合多头自注意力机制和卷积操作进行特征提取。

信号预处理模块：由MinPool1D和AvgPool1D层堆叠而成，通过滑动窗口操作过滤加性高斯白噪声，减少噪声对信号的影响，提升特征表示的一致性，为后续编码和解码提供优质输入。
Conformer编码器：融合CNN和Transformer的优势，包含卷积下采样、线性投影和Conformer层三部分。Conformer层由多个Conformer块组成，每个块包含两个类马卡龙结构的前馈网络，中间夹着多头自注意力（MHSA）和卷积模块，最终输出编码后的特征图。
CNN解码器：将编码器输出的特征图扩展维度后，经三层3×3核Conv2d层、3×3核MaxPool2D层处理， flatten后输入全连接层，通过Sigmoid函数激活，输出不同类别信号的特征值。
分量归一化模块：对解码器输出的特征值进行归一化处理，避免因数值过小导致的计算误差，最终得到各信号分量的占比。

3. 网络参数与训练设置

模型输入为维度1×5000的信号PSD序列，经预处理后折叠为50×100的向量输入编码器；Conformer层包含4个Conformer块，编码器维度为32；CNN解码器输出维度为1×8（对应8类信号）；采用Adam优化器最小化均方误差（MSE）损失函数，训练批大小为B。

4. 数据集与实验设置

实验采用Anritsu MG3710A信号发生器发射、Rohde&Schwarz FSW26频谱分析仪接收的8类真实无线电信号数据集（802.11a、802.11b、802.11g、TD-LTE、FDD-LTE、WCDMA、CDMA2000、GLONASS），所有信号中心频率统一设置为2.4GHz，模拟50-200m距离范围内的大规模传播衰落。数据集按9:1:1划分训练集、验证集和测试集，基于PyTorch框架和NVIDIA TESLA P4 GPU训练；采用余弦相似度评估信号分离效果，准确率评估主信号分类性能，并与NMF、SVR、Lasso、ResNet18等多种模型进行对比。

结论

本文提出了一种结合信号预处理模块的JCCM模型，用于重叠无线电信号的分离、尺度保持与识别。该模型利用Conformer的多头自注意力机制进行特征提取生成特征图，借助CNN对全局和局部特征的感知能力完成解码，实现了重叠无线电信号分离、尺度保持与主信号分类的同步完成。实验结果表明，JCCM在低信噪比条件下表现出显著优势，信号分离的余弦相似度和主信号分类准确率均优于对比模型；信号预处理模块通过减少噪声影响、提升特征提取的一致性，进一步增强了模型性能。