《Scientific Data》：Cognitive Radio for Satellite TT & C System: A General Dataset Using Software-defined Radio
编辑推荐：
针对现有公开数据集偏重地面信号、难以适配空间环境的问题，本研究开发首个专用于卫星TT&C(Telemetry, Tracking, and Command)信号的深度学习开源数据集RML24，涵盖22种调制方案及真实RF链路效应，推动智能自适应卫星通信系统发展。
随着低轨卫星星座的快速扩张与星地协同网络架构的演进，现代卫星通信系统对频谱感知灵活性与链路自适应能力的要求日益严苛。认知无线电(Cognitive Radio)作为动态共享频谱的关键使能技术，理论上可大幅提升卫星测控(Telemetry, Tracking, and Command, TT&C)频段的利用效率。然而，深度学习驱动的新型信号处理方法长期面临“数据荒”——主流开放数据集多聚焦于地面蜂窝网或Wi-Fi信号特征，缺乏符合空间信道特性的卫星TT&C波形样本。这种数据域的不匹配导致算法在真实太空环境中泛化能力骤降，严重制约了智能卫星系统的工程落地。
为弥合这一鸿沟，研究团队在《Scientific Data》发表了首套面向卫星TT&C场景的开源基准数据集RML24。该工作通过软件定义无线电(Software-Defined Radio, SDR)与射频收发平台构建高保真信号采集管线，生成逾130万条包含22类典型TT&C调制制式的信号样本，并植入多径衰落、多普勒频移等模拟卫星信道损伤，使数据分布高度贴合实测空间信号特征。RML24同步释放完备的信号类别与参数标注，支撑从自动调制分类到信噪比估计等深度学习任务，为构建自适应、强鲁棒的卫星认知无线电系统提供了关键数据基石。
关键技术路径涵盖三方面：(1)依托通用SDR硬件与射频前端搭建可编程发射/接收链，覆盖L/S/C等多频段TT&C常用频带；(2)设计分层信号合成框架，逐层注入加性高斯白噪声(Additive White Gaussian Noise, AWGN)、非线性功放失真及动态时延扩展，模拟低轨至静地轨道的差异化信道条件；(3)建立标准化预处理流水线，对I/Q(In-phase/Quadrature)基带信号进行归一化与帧对齐，确保不同调制样式(BPSK, QPSK, OQPSK, GMSK, SOQPSK-TG等)的数据一致性。
Modulation Diversity Design
研究采用工业界广泛采纳的卫星遥测与指令链路调制集，覆盖恒定包络与非恒定包络波形。通过正交相移键控(QPSK)、偏移正交相移键控(OQPSK)及成形偏移正交相移键控(Shaped Offset QPSK-Telemetry Group, SOQPSK-TG)等高阶调制对比，验证数据集对不同滚降系数与脉冲成形滤波器的表征能力，为后续深度学习模型区分细微调制差异提供基础。
Channel Impairment Modeling
为逼近真实星地链路，团队在AWGN基底上叠加频率选择性衰落与时变相位噪声，模拟低轨卫星高速运动引发的多普勒展宽。特别引入非线性高功率放大器(High Power Amplifier, HPA)记忆效应模型，还原星载行波管放大器(Traveling-Wave Tube Amplifier, TWTA)导致的AM/AM与AM/PM畸变，使合成信号具备典型非线性失真与频谱再生特征。
Dataset Composition and Annotation
RML24按信噪比区间(-4 dB至18 dB)分档存储，每样本附带调制类型、符号率、中心频率偏移等结构化标签。额外标注载波相位误差与定时抖动参数，支持端到端解调与联合参数估计任务。统计显示数据集平衡覆盖各类调制，无长尾偏差，利于模型收敛稳定。
本项工作系统性解决了卫星认知无线电研究中高质量训练数据缺失的核心瓶颈。RML24数据集通过融合实测级射频缺陷与物理层信道建模，首次将深度学习研究的触角延伸至真实的卫星TT&C信号空间。实验结果证实，基于RML24训练的深度神经网络在跨信道条件下的调制识别准确率显著优于依赖传统地面数据迁移的基线模型，尤其在低信噪比与强非线性干扰场景下优势凸显。该资源不仅加速了星地智能信号处理算法的迭代验证，也为未来认知型卫星终端的自主频谱决策与自适应波形重构提供了可复现的实验基准，对推进空间通信系统向智能化、软件化转型具有重要支撑价值。
