基于软阈值去噪的面向小样本场景的环境自适应无人机信号调制识别

《Drones》：Soft Threshold Denoising-Based Environmental Adaptive UAV Signal Modulation Recognition for Small-Sample Scenarios Fang Jin, Yang Shao, Yunhong He, Zhihao Ye, Fangmin He, Zhipeng Lin and Han Xiao

　　

作为无线信号识别的关键技术，调制识别在无人机（Unmanned Aerial Vehicle, UAV）通信、低空频谱管理等领域发挥着重要作用。然而，在样本量少且噪声干扰严重的情况下，调制识别的精度往往难以保证。本文提出了一种基于小样本增强和软阈值去噪的UAV信号智能调制识别方法。研究人员首先提出了一种结合UAV空地信道传播模型与接收数据样本的新型双驱动数据集扩展方法。接着，构建了一个基于背景学习的长短期记忆（Background Learning-based Long Short-Term Memory, BL-LSTM）模型，以提取嵌入在UAV信号中的环境背景特征，包括视距（Line-of-Sight, LoS）状态、多尺度衰落参数和多普勒频移特性。研究人员将环境背景信息整合到数据训练模型中，并优化数据分布的真实性，从而增强了模型的适应性。最后，构建了一个基于软阈值函数（Soft Threshold Function, STF）的深度残差收缩网络（Deep Residual Shrinkage Network, DRSN，即STF-DRSN）。通过利用软阈值抗噪声干扰的能力，将其集成到深度残差收缩网络的每个残差块中。仿真结果表明，与现有技术相比，该方法能够在小样本场景下提高UAV信号的调制识别精度。

随着无线通信的快速发展，调制识别（Modulation Recognition）在现代无线通信系统中变得至关重要。随着低空经济的兴起，无人机（Unmanned Aerial Vehicle, UAV）空地通信在民用和工业场景中得到广泛应用，使自动调制识别（Automatic Modulation Recognition, AMR）成为保障UAV系统安全运行和低空电磁频谱规范化治理的核心技术支撑。准确识别UAV信号调制方式，对于避免UAV间电磁干扰、维护低空通信环境秩序也至关重要。AMR常应用于电子战和军用软件定义无线电中，能够精确分析敌方通信UAV信号参数，为电子对抗和目标定位提供关键情报支持。在电磁频谱管理领域，AMR可以识别非法UAV信号、恶意干扰源和未经授权的频谱占用行为，为频谱资源的合规调度、安全防护和高效利用提供核心技术支撑，已成为电磁频谱治理体系的重要组成部分。在多尺度衰落和LoS/NLoS（Non-Line-of-Sight）切换等复杂低空传播环境下的UAV空地信号处理与识别任务中，数据质量和算法鲁棒性直接影响AMR的性能。因此，提高调制识别精度一直是当前研究的重点。

传统的调制识别核心操作模式严重依赖人工干预，识别过程完全依赖操作人员，这严重限制了其在复杂通信场景中的应用有效性。识别结果的准确性和可靠性高度依赖于专家的认知水平和主观判断倾向。不同操作人员在专业知识储备、信号特征解读能力及经验积累程度上的个体差异，进一步放大了识别结果的不稳定性。与此同时，随着通信技术的快速迭代和调制类型的指数级增长，传统的人工经验体系难以实现全面覆盖。更关键的是，在样本数量稀缺的场景下，人工方法缺乏足够的数据支持来提取通用的识别规律，也无法应对信号特征在不同场景下的变化模式，导致识别精度呈断崖式下降。这个问题在低信噪比（Signal-to-Noise Ratio, SNR）且叠加多重干扰的环境中尤为突出。

近年来，基于深度学习的调制识别被广泛应用。研究者将生成对抗网络（Generative Adversarial Networks, GANs）应用于数据分类和识别，在调制识别中可用于生成多样化的调制信号数据，以解决高质量数据稀缺的问题并增强模型的泛化能力。有研究提出了一种用于小样本调制识别的混合域特征融合网络（Mixed-Domain Feature Fusion Network, MDFNet），该网络能够有效融合信号的时域和频域特征，在信号特征传输中实现一定的降噪效果，并增强了模型捕获有效信息的能力。还有研究设计了一种基于迁移学习的信号识别（Signal Identification, SEI）方法，该方法冻结了在源域训练的复值神经网络（Complex-Valued Neural Network, CVNN）的部分层，将学习到的可迁移通用特征泛化到新的调制信号识别任务中，并使用最大均值差异（Maximum Mean Discrepancy, MMD）度量作为监督学习的正则化，以减少源域和目标域在潜在空间中的分布差异。此外，有框架结合了多域对比学习与强化学习，通过信号的多域表示增强特征的丰富性，而对比学习与强化学习的集成架构能够提取深度特征用于分类。值得注意的是，大多数深度学习方法专注于提取信号本身的内在特征，如时域和频域特征，而忽略了对环境背景特征的系统性挖掘和建模。环境背景特征（例如UAV空地信道LoS/NLoS状态、多尺度衰落参数（Rice因子/Nakagami参数）、路径损耗系数、多径传播时延以及由UAV低空飞行引起的多普勒频移强度）直接影响信号的传播特性和最终表现形式。然而，现有方法通常将这些环境特征视为纯粹的干扰冗余，而不是将其作为可解释且有价值的辅助判别信息整合到模型训练中。这种对背景分析的不足，阻碍了模型区分信号内在特征与环境导致的伪特征的能力，导致在动态复杂电磁环境中的适应性较弱，并且更加依赖大规模标记样本。

在基于深度学习的调制识别领域，研究人员已提出多种具体方法来解决特征提取和精度提升等关键问题。有研究提出了一种结合高阶循环累积量与神经网络的正交频分复用（Orthogonal Frequency Division Multiplexing, OFDM）信号调制模式识别方法，使用神经网络学习手动提取的特征表示，从而在降低特征工程复杂度的同时提高了识别精度和鲁棒性。另有研究提出了一种基于Transformer上下文广播（Transformer-Context Broadcasting, TCB）模型的AMR方法，将Transformer模型引入AMR以提取信号的全局相关特征；通过手动插入统一注意力来增加信号密度，从而实现更高的分类精度。还有研究提出了一种基于快速傅里叶变换窗组（Fast Fourier Transform Window Banks, FWBs）的卷积神经网络（Convolutional Neural Network, CNN）模型，用于提取OFDM中有用的符号长度，这些符号长度作为识别每种基于OFDM的无线通信技术的指标。在提取出有用的OFDM符号长度后，提出了一种基于深度学习（Deep Learning, DL）的自动调制分类（Automatic Modulation Classification, AMC）系统，该系统将FWB与同相和正交相位信号相结合，同时对OFDM符号长度和单载波调制方案进行分类。然而，主流深度学习模型在复杂信道环境中的泛化能力有限。

为解决这些问题，研究人员提出了一种基于小样本增强和软阈值去噪的新型智能调制识别方法。如图1所示，所提出的STF-DRSN框架遵循四阶段流程：（1）UAV信号数据集收集，（2）模型-数据双驱动数据集扩展以缓解小样本稀缺，（3）基于BL-LSTM的环境背景学习以捕获信号上下文特征，以及（4）基于STF-DRSN的信号特征估计与调制识别。该方法与现有基于深度学习的AMR方法在核心方面不同，其采用模型-数据双驱动策略进行小样本处理，嵌入BL-LSTM模块以提高环境适应性，并采用带有自适应软阈值的STF-DRSN，以在低SNR下实现稳定、高精度的识别。本文的主要贡献总结如下：

首先，研究人员提出了一种基于UAV信号传播模型和接收数据样本的双驱动数据集扩展方法。与大多数仅依赖实测数据增强或纯模型仿真的现有方法不同，该方法结合了UAV信号传播模型与实测数据增强。因此，能够准确扩展训练样本数量，并保持扩展数据集与原始数据集之间的高度特征一致性。

其次，研究人员构建了一个基于背景学习的长短期记忆（BL-LSTM）模型，用于复杂电磁场景下的自适应调制识别。与仅提取信号时序特征而忽略环境背景信息的传统LSTM识别模型不同，该模型将环境特征挖掘深度整合到基础网络中。通过将UAV空地信道环境背景信息整合到数据训练模型中，并优化数据分布的真实性，可以增强所提出的调制识别方法对动态空地传播场景的环境适应性。

最后，研究人员构建了一个新的基于软阈值函数的深度残差收缩网络（STF-DRSN）。其改进在于将软阈值函数集成到深度残差收缩网络的每个残差块中，实现自适应去噪和特征增强。该结构确保所提出方法的调制识别精度在不同场景下不会发生显著变化。仿真结果表明，所提出的STF-DRSN在低SNR条件下的平均估计精度超过95%，优于现有的基于残差网络的方法。

接下来，研究人员介绍了系统模型，包括UAV空地信号传播模型、空地信道衰落与噪声模型、问题建模以及技术实现。然后，在第3节完成了基于模型-数据双驱动的数据集扩展。第4节提出了基于环境背景信息的增强数据集训练技术。第5节完成了UAV信号特征的估计，并在第6节进行了仿真以获得结果。最后，第7节提供了研究结论。

在数据集扩展方面，研究人员采用了复合衰落信道模型，其中阴影衰落功率遵循对数正态分布，并采用了瑞利（Rayleigh）和莱斯（Rice）衰落模型。为适应非理想NLoS场景下UAV空地信道的复杂小尺度衰落特性，还采用了Nakagami衰落模型。接收到的空地信号是多簇路径信号的叠加，每条路径经历不同的环境。通过射线追踪（Ray Tracing, RT）技术进行三维低空场景重建，结合谐波叠加原理生成具有多普勒频移特性的时变小尺度衰落，模拟生成对数正态（阴影衰落）、瑞利和莱斯随机过程。模拟生成的信道数据与实测的空地通信数据相结合，形成模型-数据双驱动的扩展数据集，既弥补了原始实测样本的不足，又保留了与原始样本的核心特征一致性。

在基于环境背景信息的数据集训练方面，研究人员构建了面向UAV空地信道环境背景信息学习的BL-LSTM网络模型。该模型的输入层整合了空地信道场景特征（UAV飞行高度、传播距离）和信道状态特征（LoS/NLoS状态、衰落参数标签）。BL-LSTM网络主要由输入门、遗忘门、细胞状态和输出门组成，通过这种门控机制和记忆细胞设计，能够有效捕获长序列中事件的相关依赖关系。利用构建的BL-LSTM网络对扩展数据集进行背景信息提取和SNR估计，提取出的背景信息包括噪声、信道时变衰落模型等，并据此估计出信号的SNR和空地信道衰落参数（Rice因子K/Nakagami参数m），将这些环境背景信息输入后续的调制方案估计网络，以提高在动态低空传播场景下的识别精度。

在基于深度学习的信号特征估计方面，研究人员在深度残差收缩网络中构建了信道阈值函数。输入UAV空地调制信号r后，通过两个卷积神经网络提取信号的四通道特征，包括原始的三个时频特征和一个额外的UAV空地信道衰落特征通道（LoS/NLoS状态和衰落参数特征）。将三通道特征与背景信息拼接，进行全局池化生成全局均值。将其输入一个包含线性激活和sigmoid激活函数的两层全连接网络，获得对应于每个全局均值的缩放因子。将缩放因子进行二维扩展，然后与全局均值相乘，得到最终的信道阈值函数。同时，网络中应用了注意力机制，对提取的四通道特征进行全局池化，并基于空地信道衰落的严重程度进行自适应权重分配，通过全连接层和批归一化等操作输出权重系数，进而生成对应于每个特征的阈值。研究人员构建了结合深度残差网络梯度优化能力和信道阈值噪声抑制特性的信号调制估计网络结构，在每个残差块中引入残差收缩模块单元，并将深度学习注意力机制与信道阈值函数结合，形成动态的信道阈值更新结构，用于更新特征值。

仿真与结果分析部分，研究人员首先介绍了仿真设置，实验平台包括Intel Xeon Gold 6240R CPU、NVIDIA RTX 3090 24 GB GPU等，软件环境为Ubuntu 20.04 LTS、Python 3.8、PyTorch 1.13.1等。采用了覆盖三个典型场景的实测空地（Air-to-Ground, A2G）信道数据集，选取了UAV通信中六种典型调制方案（ASK, FSK, BPSK, FM, MSK, QPSK）。

在数据集增强前后的性能对比中，研究人员计算了增强前后核心特征的一致性，包括信号调制特征和空地信道衰落特征。结果显示，在10倍、20倍和30倍扩展倍数条件下，扩展数据与原始数据的特征匹配度稳定保持在99%以上。训练损失曲线显示，增强后的STF-DRSN初始损失更低，仅需60个周期即收敛至0.28的稳定状态，收敛速度显著快于未增强的模型。混淆矩阵显示，扩展前的整体识别精度为90.83%，扩展后提升至97.83%，提高了7%。

在噪声变化前后的性能对比中，研究人员将扩展数据集的背景环境SNR降低了5 dB，以模拟严重噪声的复杂低空传播环境。结果显示，所提出方法在高SNR下表现稳健，但当SNR降低5 dB时，其精度显著下降，表现出明显的信噪比依赖性。在SNR=15 dB条件下进行的消融实验表明，完整的STF-DRSN模型在所有信号类型上均实现了最高的识别精度。将自适应软阈值机制替换为固定阈值会导致最显著的性能下降，降幅达6.27%。

在分类算法对识别性能的影响方面，研究人员将所提出的STF-DRSN与七种基准方法（MDFEN, TO-RFD, DFLNET, ZLSR, RESNET, GANs, Transformer）进行了比较。结果显示，在不同训练样本规模下，STF-DRSN均实现了最高的识别精度，并在超小样本条件（如每类30和50组）下保持了惊人的稳定性能。在不同SNR下，STF-DRSN始终保持着领先优势，在0 dB时以92%的高基准起步，在30 dB时收敛至98%。与其他七个模型在低SNR条件下特征提取能力受到严重抑制不同，所提出的STF-DRSN即使在信号被环境干扰严重扭曲时也能保持高保真度的识别精度。

在UAV动态移动场景下的鲁棒性验证中，研究人员评估了所提方案对UAV动态移动引起的时变信道干扰的鲁棒性。在固定SNR=15 dB条件下，测试了所提出的STF-DRSN在典型UAV移动速度（0 m/s至40 m/s）下的调制识别精度，并与三种代表性基线方法（独立的BL-LSTM模型、基于GANs的AMC方法、基于Transformer的AMC方法）进行了比较。结果显示，所有方法的调制识别精度都随UAV移动速度增加而逐渐下降，但STF-DRSN模型在所有移动速度场景下均保持了最高的识别精度，精度下降幅度仅为4.37%，显著优于三种基线方法。

在复杂度分析方面，研究人员评估了所提出的STF-DRSN在资源受限的UAV机载平台上工程部署的可行性。模型复杂度通过可训练参数量和单次推理浮点运算次数（Floating Point Operations, FLOPs）来衡量。实时推理性能通过端到端单样本推理时间量化。定量测试结果显示，所提出方法在所有评估维度上均实现了最低的内存占用和最短的执行延迟，在服务器端和机载嵌入式部署上均保持了高效性能。

研究人员总结指出，本文针对UAV低空空地通信场景中小样本、强噪声和多尺度衰落的痛点，提出了一种聚焦于小样本增强和软阈值去噪的增强型UAV信号调制估计方法。首先，通过融合电磁传播物理模型与实测数据，开发了一种模型-数据双驱动的数据集扩展方法，保持了超过99%的核心特征一致性，能够准确重现UAV空地信道的LoS/NLoS动态切换和多普勒频移特性。接着，设计了一个在包含环境信息的增强数据集上训练的BL-LSTM网络，实现了UAV空地信道背景特征的准确提取和实时SNR估计。最后，提出了STF-DRSN；通过整合软阈值抗干扰能力和注意力驱动的阈值结构，该网络抑制了噪声并增强了特征提取能力，从而确保了UAV动态飞行场景下调制识别精度的稳定性。实验结果表明，所提出的STF-DRSN在UAV信号调制估计精度上比现有最先进算法高出2%以上，并在具有严重空地信道衰落的低SNR条件下达到了超过95%的平均识别精度。未来，研究人员的工作将扩展到更复杂的UAV通信信号调制类型，并优化网络复杂度以适应UAV机载终端的实时处理需求。