專題:智能頻譜監(jiān)測(cè)

特邀策劃人

北京郵電大學(xué)信息與通信工程學(xué)院副教授,博士生導(dǎo)師,香港科技大學(xué)訪問(wèn)學(xué)者。主要從事認(rèn)知無(wú)線電、頻譜監(jiān)測(cè)和干擾建模研究。主持和參與國(guó)家自然科學(xué)基金、國(guó)家重點(diǎn)研發(fā)計(jì)劃、北京市自然科學(xué)基金、企業(yè)橫向項(xiàng)目等科研項(xiàng)目10余項(xiàng),發(fā)表SCI/EI檢索論文20余篇,授權(quán)國(guó)家發(fā)明專利5項(xiàng)。獲得第一屆全國(guó)高校電子信息類專業(yè)課程實(shí)驗(yàn)教學(xué)案例設(shè)計(jì)競(jìng)賽“全國(guó)特等獎(jiǎng)”,首屆全國(guó)高校教師教學(xué)創(chuàng)新大賽“一等獎(jiǎng)”“教學(xué)活動(dòng)創(chuàng)新獎(jiǎng)”。

尹 良

內(nèi)容導(dǎo)讀

隨著5G、物聯(lián)網(wǎng)、車聯(lián)網(wǎng)和低軌衛(wèi)星互聯(lián)網(wǎng)等依賴無(wú)線電資源業(yè)務(wù)的快速發(fā)展,對(duì)頻譜的需求日益增加。越來(lái)越多的無(wú)線電業(yè)務(wù)會(huì)在一個(gè)頻段上共存,頻率的共享會(huì)導(dǎo)致復(fù)雜的干擾問(wèn)題,需要對(duì)頻譜進(jìn)行監(jiān)測(cè)以保證多個(gè)業(yè)務(wù)的有序運(yùn)行。頻譜監(jiān)測(cè)是保證無(wú)線電業(yè)務(wù)正常運(yùn)行的有效技術(shù)監(jiān)管手段?，F(xiàn)有的頻譜監(jiān)測(cè)會(huì)獲得大量的時(shí)域、頻域、空域等維度數(shù)據(jù),傳統(tǒng)的頻譜數(shù)據(jù)處理方法限制了數(shù)據(jù)驅(qū)動(dòng)下精細(xì)頻譜管理能力的發(fā)揮。

對(duì)頻譜監(jiān)測(cè)獲得的大數(shù)據(jù)進(jìn)行智能分析可以得到異常頻譜事件、用頻規(guī)律和頻譜態(tài)勢(shì)等信息,進(jìn)而實(shí)現(xiàn)更好的無(wú)線電管理。為集中展現(xiàn)智能頻譜監(jiān)測(cè)領(lǐng)域的最新研究成果,《無(wú)線電工程》第12期推出“智能頻譜監(jiān)測(cè)”專題。專題采用公開(kāi)征稿的方式組織稿件,在所有通過(guò)專家評(píng)審的稿件中,最終確定錄用稿件4篇。專題主要展示了衛(wèi)星地球探測(cè)業(yè)務(wù)頻譜監(jiān)測(cè)方法、物聯(lián)網(wǎng)信號(hào)智能檢測(cè)、雷達(dá)通信一體化信號(hào)接收分離方法以及空間譜測(cè)向的抗多徑性能等研究成果。

在衛(wèi)星地球探測(cè)業(yè)務(wù)頻譜監(jiān)測(cè)方法方面收錄 1篇論文。劉明星等提出基于頻率特征分類用于衛(wèi)星地球探測(cè)業(yè)務(wù)的頻譜監(jiān)測(cè)方法,針對(duì)頻率劃分和頻率使用分析監(jiān)測(cè)需求,構(gòu)建基于該方法的監(jiān)測(cè)平臺(tái)技術(shù)參考模型,為面向通信導(dǎo)航遙感一體復(fù)雜星座的衛(wèi)星監(jiān)測(cè)系統(tǒng)設(shè)計(jì)提供參考依據(jù)。

在物聯(lián)網(wǎng)信號(hào)智能檢測(cè)方面收錄1篇論文。物聯(lián)網(wǎng)信號(hào)具有種類多、功率低、帶寬窄和突發(fā)傳輸?shù)奶攸c(diǎn),使得復(fù)雜電磁環(huán)境下對(duì)其精確檢測(cè)面臨挑戰(zhàn)。孟水仙等提出使用信號(hào)模板智能匹配算法對(duì)LoRa信號(hào)進(jìn)行檢測(cè)識(shí)別,搭建了LoRa信號(hào)發(fā)射和檢測(cè)的半實(shí)物仿真平臺(tái),并在無(wú)干擾、低信噪比和高信噪比3種情況下進(jìn)行算法驗(yàn)證仿真。實(shí)驗(yàn)結(jié)果證明頻譜監(jiān)測(cè)中使用信號(hào)模板匹配算法對(duì)于LoRa信號(hào)的智能檢測(cè)是可行的。

在雷達(dá)通信一體化信號(hào)接收分離算法方面收錄1篇論文。齊振鵬等提出一種低信噪比下雷達(dá)通信一體化信號(hào)接收分離算法,提出一種DACNN(Denoising Attention Convolutional Neural Network)去噪網(wǎng)絡(luò),與傳統(tǒng)的網(wǎng)絡(luò)相比,融入通道注意力機(jī)制來(lái)增強(qiáng)其對(duì)不同通道間特征的學(xué)習(xí)總結(jié)能力;然后對(duì)去噪后的信號(hào)采用改進(jìn)的具有三階收斂的快速獨(dú)立成分分析(FastICA)算法進(jìn)行分離。仿真實(shí)驗(yàn)表明,提出的分離算法相較于傳統(tǒng)的信號(hào)盲源分離算法在觀測(cè)信號(hào)含噪情況下仍能具有較好的分離效果。

在空間譜測(cè)向方法方面收錄1篇論文。崔宏等提出任意陣列流型空間譜估計(jì)算法來(lái)對(duì)抗信號(hào)的多徑效應(yīng),并重點(diǎn)針對(duì)圓陣和隨機(jī)陣列布局,通過(guò)仿真驗(yàn)證了多徑傳播下的性能,并定量評(píng)估不同時(shí)延和徑數(shù)對(duì)多徑測(cè)向的影響。該項(xiàng)工作為在實(shí)際復(fù)雜場(chǎng)景下高效、可靠地開(kāi)展測(cè)向工作做出了有益的探索。

綜上所述,專題收錄的4篇文章,分別針對(duì)特定的研究問(wèn)題,從多個(gè)視角,一定程度上展示了當(dāng)前人工智能技術(shù)在頻譜監(jiān)測(cè)領(lǐng)域的進(jìn)展,得到了有意義的研究結(jié)論,能夠給他人提供較好的參考作用。當(dāng)然,這些文章也不能窮盡智能頻譜監(jiān)測(cè)領(lǐng)域各方面的進(jìn)展,希望通過(guò)這些文章的刊出,讓更多的專家學(xué)者和研究人員關(guān)注該領(lǐng)域的發(fā)展,從而促進(jìn)產(chǎn)生更多的研究成果。

最后,感謝參與稿件評(píng)審的各位專家學(xué)者的辛勤工作,衷心希望專題的出版能夠?qū)χ悄茴l譜監(jiān)測(cè)的研究起到有益的作用。