朱政宇，陳鵬飛，王梓晅，鞏克現(xiàn)，吳迪，王忠勇

（1.鄭州大學(xué)電氣與信息工程學(xué)院，河南 鄭州 450001；2.鄭州大學(xué)河南省智能網(wǎng)絡(luò)和數(shù)據(jù)分析國(guó)際聯(lián)合實(shí)驗(yàn)室，河南 鄭州 450001；3.鄭州大學(xué)電子材料與系統(tǒng)國(guó)際聯(lián)合研究中心，河南 鄭州 450001；4.信息工程大學(xué)數(shù)據(jù)與目標(biāo)工程學(xué)院，河南 鄭州 450001）

0 引言

短波通信憑借其設(shè)備簡(jiǎn)便、通信距離遠(yuǎn)等優(yōu)點(diǎn)，廣泛應(yīng)用于多種通信場(chǎng)景中。為保證在不同通信系統(tǒng)下信息的有效傳輸，短波頻段有種類繁多的通信協(xié)議[1]。由于短波信道存在多徑衰落、多普勒頻移以及人為干擾等特點(diǎn)，識(shí)別短波信號(hào)所屬協(xié)議具有一定的難度。

目前，用于通信協(xié)議識(shí)別的傳統(tǒng)算法主要分為基于特征提取的識(shí)別算法[2-3]和基于模板匹配的識(shí)別算法[4-6]?；谔卣魈崛〉淖R(shí)別算法通過對(duì)提取的信號(hào)特征進(jìn)行分類實(shí)現(xiàn)信號(hào)協(xié)議識(shí)別，文獻(xiàn)[2]使用調(diào)制識(shí)別中的熵距離參數(shù)分離頻移鍵控（FSK,frequency shift keying）模式的110A[7]與STANAG4285[8]這2 種信號(hào)，但該算法僅適用于識(shí)別調(diào)制方式不同的信號(hào)；文獻(xiàn)[3]通過識(shí)別信號(hào)中心頻率、調(diào)制方式以及編碼方式等屬性形成信號(hào)特征向量，使用支持向量機(jī)對(duì)特征向量進(jìn)行分類實(shí)現(xiàn)信號(hào)識(shí)別，但無法解決在低信噪比（SNR,signal to noise ratio）下信號(hào)特征難以提取的問題。文獻(xiàn)[4]提出使用時(shí)域子序列匹配算法識(shí)別STANAG4285 等相移鍵控（PSK,phase shift keying）信號(hào)，并提出一種頻域波峰匹配算法識(shí)別2GALE[9]等FSK 信號(hào)；文獻(xiàn)[5]通過對(duì)待識(shí)別信號(hào)與構(gòu)造的信號(hào)頻譜模板進(jìn)行相關(guān)運(yùn)算，實(shí)現(xiàn)對(duì)未知短波協(xié)議信號(hào)的識(shí)別，但算法性能受頻偏影響較大；文獻(xiàn)[6]在頻域模板匹配算法的基礎(chǔ)上使用相位差分抑制頻偏，對(duì)特定短波信號(hào)的識(shí)別具有較好的效果；但基于模板匹配的識(shí)別算法存在判決門限難以確定、對(duì)先驗(yàn)信息需求高等缺點(diǎn)。

近年來，隨著深度學(xué)習(xí)的快速發(fā)展，神經(jīng)網(wǎng)絡(luò)算法廣泛應(yīng)用于信號(hào)處理領(lǐng)域，給通信信號(hào)識(shí)別技術(shù)帶來了新思路。在信號(hào)調(diào)制識(shí)別領(lǐng)域，文獻(xiàn)[10]使用原始同向正交信號(hào)作為輸入，設(shè)計(jì)一維卷積神經(jīng)網(wǎng)絡(luò)（CNN,convolutional neural network），能夠有效識(shí)別5 種調(diào)制方式信號(hào)。文獻(xiàn)[11]關(guān)注調(diào)制信號(hào)的時(shí)頻特性，使用時(shí)頻圖作為CNN 的輸入，對(duì)多種信號(hào)取得了較好的識(shí)別效果。針對(duì)閉集識(shí)別存在易把干擾信號(hào)識(shí)別為有效信號(hào)的問題，文獻(xiàn)[12]對(duì)神經(jīng)網(wǎng)絡(luò)中常用的Softmax 分類器加以改進(jìn)，并采用改進(jìn)的GE2E（generalized end-to-end）[13]損失函數(shù)，達(dá)到開集識(shí)別的效果。在短波信號(hào)識(shí)別領(lǐng)域，文獻(xiàn)[14]使用信號(hào)時(shí)頻圖作為ConvNet 輸入，對(duì)具有2、4、8 這3 種載波數(shù)以及窄、中、寬這3 種載波間隔的9 種模式進(jìn)行區(qū)分，但所識(shí)別的信號(hào)模式有限；文獻(xiàn)[15-16]利用特定信號(hào)在時(shí)頻圖上呈現(xiàn)的視覺特征，使用卷積神經(jīng)網(wǎng)絡(luò)對(duì)灰度時(shí)頻圖進(jìn)行特征提取和映射，實(shí)現(xiàn)信號(hào)所屬協(xié)議的識(shí)別，識(shí)別準(zhǔn)確率與傳統(tǒng)方法相比有明顯提升。CNN 感受野大小對(duì)捕捉時(shí)頻圖中的特征差異有重要作用，文獻(xiàn)[17]將ResNet[18]中的卷積核改進(jìn)為擴(kuò)張卷積核，在不增加參數(shù)量的情況下擴(kuò)大感受野，進(jìn)一步提升短波協(xié)議信號(hào)的識(shí)別率，但仍未解決CNN 中卷積層存在的感受野相對(duì)有限的問題。

Swin-Transformer[19]是一種基于自注意力機(jī)制[20]的神經(jīng)網(wǎng)絡(luò)模型，有對(duì)全局特征進(jìn)行建模的能力，可以捕捉不同短波協(xié)議信號(hào)在時(shí)頻圖上呈現(xiàn)出的視覺特征差異。基于此，本文提出一種基于 Swin-Transformer 的短波信號(hào)協(xié)議識(shí)別算法。在多種復(fù)雜信道環(huán)境下，與CNN 識(shí)別算法相比，所提算法的信號(hào)識(shí)別準(zhǔn)確率明顯提升。本文具體研究工作如下。

1) 分析了短波協(xié)議信號(hào)在時(shí)頻圖上視覺特征的成因，建立一個(gè)用于訓(xùn)練神經(jīng)網(wǎng)絡(luò)的短波信號(hào)時(shí)頻圖數(shù)據(jù)集。數(shù)據(jù)集包含9 種常見的短波協(xié)議，為了模擬真實(shí)通信環(huán)境并提高數(shù)據(jù)多樣性，在高斯白噪聲環(huán)境下進(jìn)行仿真，并對(duì)信號(hào)進(jìn)行隨機(jī)截?cái)?，模擬非合作通信無法確保從起始時(shí)刻接收信號(hào)的場(chǎng)景。

2) 研究了引入自注意力機(jī)制的Transformer 模型結(jié)構(gòu)以及Swin-Transformer 的特點(diǎn)，并分析了Swin-Transformer 可以用于短波協(xié)議信號(hào)識(shí)別的原因。提出一種基于Swin-Transformer 的短波協(xié)議信號(hào)識(shí)別算法。

3) 仿真結(jié)果驗(yàn)證了所提算法的有效性。在短波多徑時(shí)延、瑞利衰落以及強(qiáng)混疊的信道環(huán)境下，基于Swin-Transformer 的短波信號(hào)協(xié)議識(shí)別算法均具有較高的識(shí)別率。與現(xiàn)有算法相比，所提算法在識(shí)別率上明顯提升。

1 特定短波信號(hào)的時(shí)頻特性分析

不同短波通信協(xié)議規(guī)定的幀結(jié)構(gòu)、調(diào)制方式、載波中心頻率以及信號(hào)帶寬等差異較大，而這些屬性的差異導(dǎo)致信號(hào)在時(shí)頻圖呈現(xiàn)出不同的視覺特性。其中，CLOVER2000[21]是一種典型的采用多載波調(diào)制的短波協(xié)議，其采取了多種技術(shù)來適應(yīng)短波復(fù)雜信道環(huán)境，在短波通信中有廣泛應(yīng)用；LINK11[22]作為一種活躍時(shí)間較長(zhǎng)的短波協(xié)議，是LINK16 和LINK22 協(xié)議的研發(fā)基礎(chǔ)，對(duì)后續(xù)協(xié)議的研究有重要參考意義。因此，本節(jié)以CLOVER2000 和LINK11 協(xié)議為例，對(duì)短波協(xié)議信號(hào)的時(shí)頻特性做出具體分析。

時(shí)頻分析結(jié)合時(shí)域和頻域的特點(diǎn)，同時(shí)將信號(hào)的時(shí)間信息和頻率信息展示在一幅時(shí)頻圖中，對(duì)時(shí)變非平穩(wěn)信號(hào)的分析具有獨(dú)特優(yōu)勢(shì)。常用的時(shí)頻分析方法主要有短時(shí)傅里葉變換（STFT,short time Fourier transform）、Wigner-Ville 分布和小波變換等。STFT 由于計(jì)算量小、不存在交叉項(xiàng)等優(yōu)點(diǎn)被廣泛應(yīng)用[23]，本文采取基于短時(shí)傅里葉變換的時(shí)頻分析方法。

短時(shí)傅里葉變換的定義為

其中，t為時(shí)間，f為頻率，s(t)為信號(hào)，w*(·) 為窗函數(shù)。

CLOVER2000 信號(hào)的波形由8 個(gè)音頻并行組成，其中，最低頻率為625 Hz，最高頻率為2 375 Hz，相鄰音頻發(fā)送間隔為250 Hz。時(shí)域上，每個(gè)音頻的發(fā)送時(shí)序按照音頻序號(hào)從小到大間隔2 ms 依次發(fā)送。CLOVER2000 脈沖序號(hào)與頻率的對(duì)應(yīng)關(guān)系如表1 所示。

表1 CLOVER2000 脈沖序號(hào)與頻率的對(duì)應(yīng)關(guān)系

CLOVER2000 信號(hào)s(t)可以表示為

其中，P為信號(hào)的平均功率，ci,n為第i個(gè)音頻的第n個(gè)碼元，fi為第i個(gè)音頻的頻率，g(t)為成形脈沖，T s為脈沖持續(xù)時(shí)間，Δt=2 ms 為相鄰音頻的發(fā)送間隔。

對(duì)CLOVER2000 信號(hào)進(jìn)行短時(shí)傅里葉變換得到其灰度時(shí)頻圖，如圖1 所示。從圖1 可以看出，CLOVER2000信號(hào)在時(shí)頻上既呈現(xiàn)出了頻域的8個(gè)音頻，也體現(xiàn)出了每個(gè)音頻發(fā)送時(shí)序不同的特點(diǎn)。

圖1 CLOVER2000 信號(hào)灰度時(shí)頻圖

LINK11 信號(hào)共有6 種工作模式，本文以其中的網(wǎng)絡(luò)控制站報(bào)告信號(hào)為例分析LINK11 的時(shí)頻特性[22]，其幀結(jié)構(gòu)如圖2 所示。

圖2 網(wǎng)絡(luò)控制站報(bào)告信號(hào)幀結(jié)構(gòu)

圖2 中，同步序列由605 Hz 和2 915 Hz 音頻組成，605 Hz 音頻為多普勒校正音頻，其功率比2 915 Hz 的同步音頻大5～7 dB，此外，相鄰幀的同步音頻以π 進(jìn)行相移，設(shè)初始相位為0，同步序列信號(hào)可表示為

其中，A1為多普勒校正音頻幅度，A16為同步音頻幅度，f1=605 Hz，f16=2 915 Hz。

位于同步序列之后的相位參考幀、起始碼、信段以及終止碼等均由16 個(gè)音頻分量組成。除了605 Hz和2 915 Hz之外的14個(gè)音頻頻率位于935～2 365 Hz 之間，相鄰音頻頻率間隔為110 Hz。多普勒校正音頻不攜帶信息，采用四相移相鍵控（QPSK,quaternary phase shift keying）制方式，除多普勒校正音頻外的15 個(gè)音頻，每幀攜帶2 bit 信息，采用四相相對(duì)相移鍵控（QDPSK,differential QPSK）的調(diào)制方式。其信號(hào)可表示為

其中，Ai為第i個(gè)音頻的幅度，φi,n為第n幀第i個(gè)音頻的相位。圖3 給出了LINK11 信號(hào)頻譜。

圖3 LINK11 信號(hào)頻譜

對(duì)整段LINK11 信號(hào)進(jìn)行STFT，得到如圖4所示的時(shí)頻圖。

圖4 LINK11 信號(hào)時(shí)頻圖

由圖1 和圖4 可知，CLOVER2000 和LINK11信號(hào)時(shí)頻圖呈現(xiàn)出截然不同的視覺特征，這是由于不同短波協(xié)議在制定過程中，對(duì)信號(hào)調(diào)制方式、傳輸模式以及幀結(jié)構(gòu)等做出了不同設(shè)計(jì)。因此，通過對(duì)短波信號(hào)的時(shí)頻進(jìn)行視覺特征提取可以實(shí)現(xiàn)對(duì)不同短波協(xié)議信號(hào)的識(shí)別。

2 Swin-Transformer 網(wǎng)絡(luò)模型結(jié)構(gòu)

近年來，神經(jīng)網(wǎng)絡(luò)憑借其強(qiáng)大的特征提取能力在圖像處理等領(lǐng)域取得了巨大成功，其中，Vaswani等[20]提出基于編碼器解碼器框架的Transformer 網(wǎng)絡(luò)模型，該模型引入多頭自注意力（MSA,multi-head self-attention）機(jī)制，具備學(xué)習(xí)全局特征的能力，其編碼器結(jié)構(gòu)如圖5 所示。

圖5 編碼器結(jié)構(gòu)

假設(shè)輸入序列長(zhǎng)度為L(zhǎng)，batch size 大小為B，則 Transformer 編碼器的輸入張量可以表示為M∈?B×L。M首先經(jīng)過Input Embedding 映射成一個(gè)dx維的 Embedding，再與位置編碼相加得到Transformer Block 的輸入，這里的位置編碼既可以采用正弦形式，也可以是通過學(xué)習(xí)得到的參數(shù)。每個(gè)Transformer 模塊都由多頭自注意力模塊和兩層的前饋網(wǎng)絡(luò)（FFN,feed forward network）組成。其中MSA 和FFN 的輸入、輸出都采用殘差連接的方式，輸出還需要進(jìn)行層歸一化，整個(gè)Transformer Block 過程可以表示為

其中，OA為MSA 的輸出，O為Transformer 模塊的輸出，F(xiàn)1(·)和F2(·)分別為前饋網(wǎng)絡(luò)的第一層和第二層，其形式為F(x)=Wx+b。

假定MSA 有h個(gè)“頭”，則每一個(gè)“頭”的輸出Ai定義為

其中，Qi、Ki和Vi分別為

鑒于Transformer 在自然語言處理領(lǐng)域取得的成功，文獻(xiàn)[24]提出Vision Transformer，將Transformer架構(gòu)成功用于圖像處理領(lǐng)域。具體地，首先將一個(gè)224 像素×224 像素大小的圖像均分為196 個(gè)16 像素×16 像素大小的區(qū)域，其次將每個(gè)區(qū)域視為一個(gè)長(zhǎng)度為256 的向量輸入Transformer 編碼器，并增加一個(gè)分類向量來表示全局特征，最后將分類向量經(jīng)過Transformer編碼器的輸出用于Softmax進(jìn)行分類。

Swin-Transformer 在Vision Transformer 的基礎(chǔ)上引入CNN 中常用的層次化構(gòu)建方式，在不同的層次對(duì)不同大小的窗口在內(nèi)部進(jìn)行MSA 操作，大幅降低了計(jì)算復(fù)雜度。同時(shí)通過滑動(dòng)窗口操作增加窗口與窗口的信息交互，確保模型性能不會(huì)降低。具體來說，每一個(gè)Swin-Transformer 模塊均采取與Transformer 編碼器類似的架構(gòu)，但與Transformer編碼器不同的是，Swin-Transformer 模塊將普通的MSA 改進(jìn)為Window-MSA（W-MSA）以及Shift Window-MSA（SW-MSA）。SW-MSA 工作原理如圖6 所示，本文采用的Swin-Transformer 網(wǎng)絡(luò)模型具體結(jié)構(gòu)如圖7 所示。

圖6 SW-MSA 工作原理示意

圖7 Swin-Transformer 網(wǎng)絡(luò)模型具體結(jié)構(gòu)

W-MSA 模塊將輸入特征圖劃分為多個(gè)窗口，在每個(gè)窗口內(nèi)部進(jìn)行MSA 操作從而大大減少了計(jì)算量。由于淺層網(wǎng)絡(luò)的特征圖尺寸相對(duì)較大，因此淺層的W-MSA 模塊將特征圖劃分為更多的窗口，使每個(gè)窗口盡可能小，隨著網(wǎng)絡(luò)的加深，特征圖劃分的窗口相應(yīng)減少。

為了使不同的窗口間進(jìn)行信息交互，每個(gè)W-MSA 模塊后面會(huì)緊接一個(gè)SW-MSA 模塊。SW-MSA 模塊首先對(duì)特征圖重新劃分窗口，其次根據(jù)特定的規(guī)則對(duì)窗口進(jìn)行移位，對(duì)移位后的特征圖進(jìn)行窗口內(nèi)的MSA 操作，此時(shí)的一個(gè)窗口內(nèi)同時(shí)包含了多個(gè)移位前的其他窗口的特征，從而發(fā)揮出Transformer 長(zhǎng)距離感知的優(yōu)勢(shì)。

Transformer 的全局感知能力對(duì)短波協(xié)議識(shí)別具有重要意義。CLOVER2000 與2GALE 時(shí)頻圖局部和整體對(duì)比如圖8 所示。從圖8 可以看出，調(diào)制方式為8FSK 的2GALE 信號(hào)的時(shí)頻圖與具有8 個(gè)音頻的CLOVER2000 信號(hào)的時(shí)頻圖在局部具有類似的特征，但由于二者幀結(jié)構(gòu)、帶寬以及中心頻率等存在差異，因此可以憑借全局特征對(duì)2 種信號(hào)進(jìn)行分辨。綜上，對(duì)圖像具有長(zhǎng)距離感知能力的Swin-Transformer可以通過對(duì)信號(hào)在時(shí)頻圖上呈現(xiàn)出的視覺特性進(jìn)行特征提取，從而實(shí)現(xiàn)對(duì)短波信號(hào)的協(xié)議識(shí)別。

圖8 CLOVER2000 與2GALE 時(shí)頻圖局部和整體對(duì)比

3 仿真測(cè)試與分析

短波協(xié)議數(shù)量眾多，短波協(xié)議識(shí)別暫時(shí)沒有一個(gè)公開的標(biāo)準(zhǔn)數(shù)據(jù)集，因此，本文從目前常見的短波協(xié)議中選取了具有一定代表性的110A、110B[25]、2GALE、3GALE[26]、CLOVER2000、CIS-45、LINK11、PRC4+4 和STANAG4285 這9 種短波協(xié)議信號(hào)的時(shí)頻圖制作數(shù)據(jù)集。其中，CLOVER2000和LINK11 前文已有介紹；2GALE、3GALE 分別為短波第二代、第三代自動(dòng)鏈路建立協(xié)議，分別使用FSK 和PSK 波形對(duì)信道進(jìn)行探測(cè)實(shí)現(xiàn)信道評(píng)估；110A、110B、STANAG4285 為短波通信軍用標(biāo)準(zhǔn)，采用了多種糾錯(cuò)編碼、交織、加擾等技術(shù)，并且信號(hào)按照嚴(yán)格的幀結(jié)構(gòu)進(jìn)行發(fā)送，包含了多數(shù)短波協(xié)議的特點(diǎn)；CIS-45 及PRC4+4 分別為典型的采用OFDM 和多載波調(diào)制的短波協(xié)議，而正交頻分復(fù)用（OFDM,orthogonal frequency division multiplexing）和多載波調(diào)制是短波協(xié)議使用較多的調(diào)制模式。綜上，9 種信號(hào)的調(diào)制模式包含多種短波信號(hào)常用的調(diào)制模式，在短波協(xié)議中具有一定代表性。因此，本文選擇這9 種短波協(xié)議信號(hào)制作數(shù)據(jù)集，通過對(duì)這9 種信號(hào)的識(shí)別，可以說明本文算法對(duì)多種類型的短波協(xié)議信號(hào)識(shí)別具有一定的普適性。此外，為了增加數(shù)據(jù)集的可靠性和多樣性，對(duì)仿真信號(hào)及數(shù)據(jù)集做以下處理。

1) 短波信道環(huán)境惡劣，信號(hào)受噪聲影響嚴(yán)重。本文采用高斯白噪聲，且SNR 范圍為-10～10 dB。

2) 在非合作通信場(chǎng)景下，接收方無法確保接收信號(hào)的完整性，同時(shí)考慮到實(shí)時(shí)識(shí)別的要求，信號(hào)的長(zhǎng)度不宜過長(zhǎng)，因此對(duì)仿真信號(hào)隨機(jī)截取時(shí)長(zhǎng)為0.5～5 s 的子序列。

3) 考慮到閉集識(shí)別的局限性，本文使用9 種信號(hào)之外的部分短波信號(hào)以及調(diào)制方式為PSK、FSK的普通信號(hào)組成單獨(dú)的噪聲類，來提高算法對(duì)數(shù)據(jù)集中9 種信號(hào)之外的其他部分短波信號(hào)的區(qū)分能力。

基于以上3 種處理措施，訓(xùn)練集樣本由每類信號(hào)產(chǎn)生500 個(gè)灰度時(shí)頻圖樣本得到，每個(gè)樣本大小壓縮為224 像素×224 像素。數(shù)據(jù)集中9 種短波協(xié)議信號(hào)的時(shí)頻圖如圖9 所示。從圖9 中可以看出，由于不同信號(hào)在幀結(jié)構(gòu)、帶寬、中心頻率及調(diào)制模式等方面存在差異，各信號(hào)在時(shí)頻圖上呈現(xiàn)出不同的視覺特性。

圖9 數(shù)據(jù)集中的9 種短波協(xié)議信號(hào)時(shí)頻圖

本文仿真實(shí)驗(yàn)環(huán)境的硬件與軟件配置信息如表2 所示。訓(xùn)練過程的學(xué)習(xí)率設(shè)為0.000 1，batch size設(shè)置為32，epoch 最大設(shè)為20，采用AdamW 優(yōu)化器。

表2 仿真實(shí)驗(yàn)環(huán)境配置信息

圖10 給出了所提算法在高斯信道下對(duì)9 種信號(hào)的識(shí)別率，每種信號(hào)在各信噪比下的樣本數(shù)為500。從圖10 可以看出，低信噪比下各信號(hào)識(shí)別率差異較大，但當(dāng)SNR＞-4 dB 時(shí)，9 種信號(hào)的識(shí)別率均已接近100%，說明所提算法能夠?qū)? 種信號(hào)進(jìn)行有效識(shí)別。

圖10 所提算法在高斯信道下對(duì)9 種信號(hào)的識(shí)別率

理論上，基于Swin-Transformer 和基于ResNet的神經(jīng)網(wǎng)絡(luò)算法均能夠通過增加網(wǎng)絡(luò)深度實(shí)現(xiàn)性能的有限提升，但網(wǎng)絡(luò)層數(shù)的增加會(huì)導(dǎo)致算法計(jì)算量增加以及過擬合風(fēng)險(xiǎn)加大，因此本文選擇了與所提算法計(jì)算量接近的ResNet50 和ResNeXt50[27]這2 種CNN算法。此外，在非神經(jīng)網(wǎng)絡(luò)算法中，時(shí)域模板匹配算法作為一種通用的短波協(xié)議信號(hào)識(shí)別算法，事先對(duì)待識(shí)別協(xié)議信號(hào)建立模板庫(kù)，通過計(jì)算待識(shí)別信號(hào)與模板信號(hào)的相關(guān)系數(shù)來確定信號(hào)所屬類別。圖11 給出了高斯信道下4 種算法的性能對(duì)比。

由圖11 可知，神經(jīng)網(wǎng)絡(luò)算法憑借強(qiáng)大的特征提取能力，其對(duì)短波協(xié)議信號(hào)的識(shí)別性能要優(yōu)于傳統(tǒng)的時(shí)域模板匹配算法，且神經(jīng)網(wǎng)絡(luò)算法在識(shí)別過程中不需要將待識(shí)別信號(hào)與信號(hào)庫(kù)一一對(duì)比，識(shí)別流程相對(duì)更直接。此外，由于Swin-Transformer 引入了全局感知能力更強(qiáng)的自注意力機(jī)制，相比于傳統(tǒng)的CNN 具有更大的感受野，而短波協(xié)議間的差異在時(shí)頻圖呈現(xiàn)出的視覺特性差異同樣是全局性的，因此Swin-Transformer 算法在短波協(xié)議識(shí)別上比感受野相對(duì)有限的CNN 性能更好。

圖11 高斯信道下4 種算法的性能對(duì)比

另外，短波頻段頻譜資源緊張，實(shí)際接收到信號(hào)可能存在疊加干擾，因此需驗(yàn)證所提算法對(duì)存在干擾的信號(hào)識(shí)別性能。本文使用的干擾信號(hào)調(diào)制方式為8PSK，帶寬為f1，被混疊信號(hào)帶寬為f2，兩者重疊帶寬為f12，2個(gè)信號(hào)在時(shí)間上完全重疊，文獻(xiàn)[16]對(duì)頻域上干擾混疊度D的定義為

在存在疊加干擾的情形下，此時(shí)用信號(hào)干擾比（SIR,signal to interfere ratio）表示信號(hào)與干擾功率之比，單位為dB。圖12 給出了干擾混疊度及干擾信號(hào)功率對(duì)所提算法識(shí)別性能的影響。從圖12 中可以看出，在干擾信號(hào)功率較大（SIR=0）且時(shí)頻混疊程度較大的情況下（D=0.5 或D=0.7），本文所提算法性能受影響較大，因?yàn)榇藭r(shí)信號(hào)在時(shí)頻圖上呈現(xiàn)的視覺特征大部分被干擾信號(hào)所遮擋，所提算法無法提取出有效特征進(jìn)行識(shí)別。但當(dāng)SIR>10 dB，即信號(hào)功率明顯大于干擾功率時(shí)，本文所提算法對(duì)4 種混疊程度下的短波協(xié)議信號(hào)均有超過90%的識(shí)別率，說明所提算法具有較好的抗干擾能力。

圖12 疊加干擾信號(hào)下所提算法識(shí)別率

此外，Watterson 信道模型是一種經(jīng)典的短波信道模型，本文采用文獻(xiàn)[28]建議的信道參數(shù)。圖13給出了所提算法在Watterson 信道下算法的識(shí)別性能。由圖13 可知，在Watterson 信道下，當(dāng)SNR＞13 dB 時(shí)，本文所提算法在8 種信道條件下的識(shí)別率均接近100%。

圖13 Watterson 信道下所提算法識(shí)別率

4 結(jié)束語

本文針對(duì)傳統(tǒng)短波協(xié)議信號(hào)識(shí)別算法低信噪比下識(shí)別率低、識(shí)別信號(hào)單一以及對(duì)先驗(yàn)信息需求高等問題，研究了短波協(xié)議信號(hào)在時(shí)頻圖上視覺特征的原因，提出一種基于Swin-Transformer 的神經(jīng)網(wǎng)絡(luò)短波協(xié)議信號(hào)識(shí)別算法，通過對(duì)信號(hào)的灰度時(shí)頻圖進(jìn)行特征提取并映射實(shí)現(xiàn)對(duì)信號(hào)所屬協(xié)議的識(shí)別。實(shí)驗(yàn)結(jié)果表明，基于Swin-Transformer 的短波協(xié)議信號(hào)識(shí)別算法在高斯白噪聲信道、存在強(qiáng)混疊信號(hào)和Watterson 信道環(huán)境下均具有較高的識(shí)別率。