信号处理

当前目录

• 基于图注意力网络的DOA估计方法

  郑榆, 郑桂妹, 张赛宇

  波达方向估计是阵列信号处理的核心技术，在雷达探测、无线通信等领域发挥关键作用。针对传统子空间算法在低信噪比、少快拍等复杂场景下，受协方差矩阵估计精度不足影响，角度估计鲁棒性大幅下降以及现有深度学习方法通过数据驱动提升特征提取能力，却未充分融合阵列空间拓扑与复数信号的细粒度相位、幅度特征，复杂场景下性能仍有局限的问题。本文提出基于图注意力网络波达方向（Direction of Arrival，DOA）估计方法，将均匀线阵阵元建模为图节点，以阵元协方差矩阵自相关值的实部与虚部作为节点特征，相邻阵元间协方差矩阵互相关值的实部与虚部作为边特征，完整保留信号相位关联与阵元拓扑信息；借助图注意力网络的注意力机制，自主学习不同阵元在角度估计中的贡献权重，实现关键特征的聚焦，构建端到端角度回归模型。通过多组宽角度、多信噪比、不同快拍数场景对比实验，将所提方法与传统子空间算法、主流深度学习算法进行性能验证。结果表明，该方法在复杂场景下的角度估计精度与鲁棒性优于对比算法，显著提升复杂场景下的估计性能，具有高精度优势。本文方法为复杂电磁环境下高精度DOA估计提供新技术途径，丰富了图神经网络在阵列信号处理领域的应用思路，对雷达、通信、声呐等领域工程实践具有重要指导意义，兼具理论研究价值与实际应用价值。

• 基于微多普勒频移稳健估计的水下螺旋桨目标特征提取

  陈旭晖, 吴永清, 吴敏, 郝程鹏

  螺旋桨转动所产生的微多普勒频移不仅高于目标平动的多普勒频移，还蕴含了其尺寸和转速信息，是水下目标探测与识别的重要特征之一。然而，水下螺旋桨瞬时频率的估计受交错点、线目标频谱和噪声影响而存在众多外点，严重影响后续的目标特征提取。为了解决这一问题，本文首先建立水下螺旋桨目标的短脉冲点-线混合模型，进而提出一种稳健的多帧联合估计方法。该方法通过决策导向方法筛除各瞬时频率估计上包络中偏差较大的样本，继而利用其稀疏性重构对应时刻的瞬时频率，最后基于各分量准确的时频脊路径完成目标特征提取。仿真和实测数据验证所提算法具有良好的稳健性和准确性。仿真实验中，所提算法在输入信噪比4 dB以上的范围内最大频移幅值和转动频率的相对误差分别低于5%、2%，随着转速的提升这个有效范围扩展到-2 dB，并且能够完成桨叶数为2~5片条件下的特征提取。相较于同样基于瞬时频率的JMDFE算法仅能在6 dB以上，和桨叶数为2片条件下得到25%、4%左右的相对误差，所提算法的适用范围更广，准确性更高。在实测实验中，两个转动分量幅值估计的相对误差分别为3.60%和3.97%，而转动频率估计的相对误差均为0.79%。

• 基于ADMM-MFOCUSS的捷变频雷达扩展目标稀疏重构算法

  张欣媛, 张劲东, 李明杰, 唐家晖

  捷变频雷达能够对目标多个散射点进行高分辨重构。由于扩展目标散射点跨距离门分布，相邻距离门散射点的距离相位因子间相互影响，从而导致重复重构。针对上述问题，本文建立了针对扩展目标的稀疏信号处理模型，分析重复重构的产生原因与位置分布特点，进而设计了一种融合交替方向乘子法（Alternating Direction Method of Multipliers，ADMM）与多点欠定系统聚焦算法（Multi Focal Underdetermined System Solver，MFOCUSS）的稀疏重构算法，即交替方向乘子-多点欠定系统聚焦融合算法（Alternating Direction Method of Multipliers with Multi Focal Underdetermined System Solver，ADMM-MFOCUSS）。该算法通过对基于ADMM的稀疏重构解进行稀疏解的位置重复性和能量分析，抑制重复重构结果，选择可靠支撑集，在支撑集上基于MFOCUSS，对稀疏解进一步的幅度调整，实现了扩展目标的场景重构。计算机仿真实验表明，本文算法在扩展目标分散在多个距离门的情况下，能够实现捷变频雷达扩展目标的参数准确估计，与现有的正则化自适应匹配追踪算法、交替方向乘子算法和多点欠定系统聚焦算法相比，本文算法重构精度更高，虚警率更低。

• 基于CNN-NAFNet级联网络的低信噪比DOA估计方法研究

  白毓杰, 郑桂妹, 宋玉伟, 郑合, 刘方宇

  低信噪比（Signal-to-Noise Ratio， SNR）环境下的波达方向（Direction of Arrival， DOA）估计一直是阵列信号处理领域的挑战性问题，阵列信号处理中的协方差矩阵包含了信号的空间相关性和噪声分布信息，它可以被视作一个特殊的“图像”，而无论是图像去噪还是低信噪比DOA估计，核心任务都是从混杂的观测数据中提取出有用的结构化信息。现有的卷积神经网络（Convolutional Neural Network， CNN）等深度学习方法虽然能够提取协方差矩阵的空间特征，但在强噪声干扰下容易丢失细节，导致估计性能下降。受图像去噪领域前沿成果NAFNet（Nonlinear Activation Free Network）启发，本文提出了一种基于CNN-NAFNet级联混合架构的深度学习网络，通过“粗特征提取——精细化增强——全局聚合”三阶段策略来解决低信噪比下的DOA估计难题。首先，网络采用多尺度卷积对输入协方差矩阵数据进行粗粒度特征提取，通过逐层降采样和通道递进式扩张，实现从局部细节到全局整体的多尺度特征聚合，形成对信号空间的初步鲁棒表示；其次，设计NAFNet增强模块对粗特征进行精细化处理，利用SimpleGate机制和简化通道注意力（Simplified Channel Attention， SCA）机制有效抑制噪声干扰，设置多处可学习残差缩放因子，用于动态调节残差连接贡献度，防止深层网络中的梯度消失问题；最后，经过全局特征融合和全连接分类器，输出目标角度的概率分布，实现端到端的DOA估计。仿真结果表明，在低信噪比情况下，所提方法的估计性能优于现有方法，具有一定的鲁棒性和泛化性，同时可满足实际阵列信号处理系统的实时性要求。

• 基于运动模型的雷达箔条干扰回波仿真及其FPGA实现

  任宁轩, 陈展野, 万俊, 崔海涵, 徐伟

  随着现代雷达系统的飞速发展，无源干扰技术始终是一项核心挑战，是制约其性能并亟待突破的关键问题。箔条作为一种成本低廉、干扰效果显著的无源干扰手段，其核心机理在于模拟真实目标的雷达回波特性，实现对雷达信号处理系统的欺骗或压制。然而，受限于外场试验条件难以获取充分数据，研究中常采用仿真方法模拟箔条回波。现有软件仿真方法虽能实现较高精度，但面临计算量巨大、耗时长及硬件资源需求高等问题；传统硬件仿真方法多基于分布特性进行拟合，难以对箔条运动特性进行精细化建模。针对上述问题，本文提出一种基于运动模型的雷达箔条干扰回波现场可编程门阵列（Field-Programmable Gate Array， FPGA）实时生成方案，能够充分发挥FPGA在流水线运算与可重构架构方面的优势，将复杂运动模型算法映射至高效的硬件逻辑结构中。首先，提出一种融合动力学建模与电磁散射理论的混合建模方法，通过逐脉冲计算每根箔条的雷达散射截面（Radar Cross-Section， RCS），替代传统基于平均RCS的近似处理，从而显著提升了仿真精度；其次，在FPGA硬件实现中，设计了一种基于脉冲维状态迭代的并行处理结构，将箔条位置、速度等状态的时域演化映射为可流水执行的硬件数据流，以较低控制复杂度实现海量箔条在多脉冲间状态的同步并行更新；最后，针对长序列卷积运算，提出一种频域分段卷积方法，有效缓解传统方法对DSP资源的过度占用，并能够根据信号长度灵活平衡资源消耗、时延与系统复杂度间的关系。为验证所提方法的正确性与有效性，本文将FPGA与MATLAB的仿真结果与实测雷达箔条干扰回波分布并进行柯尔莫哥洛夫—斯米尔诺夫（Kolmogorov-Smirnov， KS）检验进行统计分析，结果验证了所提模型的准确性以及FPGA实现方法的有效性。

• 基于权重特征的海杂波空间重构抑制方法

  陈凯, 赵永波

  针对复杂条件下机载雷达海面目标探测效果差的问题，本文在传统MTI、MTD、捷变频非相参等处理技术的基础上，以机载方位多子阵雷达系统为对象，根据海杂波的空时特性分析并建立了该系统下海杂波的空时信号模型，采用统计协方差矩阵特征分解处理方式，获取每个信号的空间分量分布特征，在多普勒通道内利用空间差异实现杂波抑制，为降低空时联合处理的运算实时性需求，采用联合多普勒-空域自适应的空时自适应处理技术框架，提出了基于权重特征的海杂波空间重构抑制方法，创新利用特征子空间的角度和能量因子，实现子空间自适应重构，改善了传统自适应滤波器对目标检测的能量损失。将回波分为不同距离段进行距离向的局部化，用相邻的多普勒通道与子阵通道构建联合矢量，按样本选择策略实现环境的感知，实现高海况下弱小目标检测。结合本系统验证需求开展了机载挂飞试验，获取了高海况、大擦地角条件下强海杂波大、小目标的不同距离场景的回波数据，对数据进行了对比分析处理，相比现有空时处理方法，本文所提方法对目标和杂波环境适应性更好，海杂波抑制效果更佳，进一步改善了复杂海面环境下的目标检测性能，弱小目标检测概率得到提升，所提出的方法可工程化应用于机载多通道系统的对海运动目标探测方向。

• 差分谱驱动的STFT窗长自适应优化方法

  贺银辉, 李柏渝, 吴楷, 杨露, 贺智轶, 余意

  在许多领域中，对频谱测量精度的要求很高。短时傅里叶变换（Short-Time Fourier Transform， STFT）因结构简单、计算高效，成为最基础的时频分析工具之一。然而，STFT采用固定窗长，在处理非平稳信号时难以同时兼顾时间分辨率和频率分辨率，会影响频谱测量的精度。针对此问题，本文提出一种基于差分谱特征的自适应窗长调整策略（Differential spectral-driven adaptive STFT， DSD-ASTFT），用于优化时频表示（Time-Frequency Representation， TFR）的质量。该方法通过计算相邻时刻幅值谱的归一化差值谱，构建一个局部动态频率变化率评估指标，并依据该指标调整后续快速傅里叶变换（Fast Fourier Transform， FFT）的窗长参数，在频率快速变化处采用短窗以提升时间分辨率，在相对平稳段采用长窗以改善频率分辨率。最终，组合多帧FFT得到的频谱生成高质量TFR。实验结果表明，所提算法的计算复杂度接近STFT，频谱测量精度有所提高，在信噪比大于15 dB时，正弦型线性扫频信号瞬时频率的归一化均方误差趋于稳定，相较于文中所提其余ASTFT算法降低了5 dB以上。这一成果展示了其在实时ASTFT方案设计方面的潜力和可行性，并为进一步研究如何更高效、精确地分析具有复杂时频特征的非平稳信号奠定了坚实的基础。此外，该方法的有效性验证了在特定应用背景下，通过合理平衡计算效率与时频分辨率来提升信号处理性能的可能性。需指出，DSD-ASTFT方法的有效性依赖于信号局部可近似为线性调频模型这一前提，其卓越性能主要体现在处理时频结构连续变化的非平稳信号，对于频谱结构稳定或发生突变的信号，此方法的窗长调整机制可能无法被有效触发。

• 融合归因分析与注意力机制的自动调制分类可信优化方法

  王硕, 张骁议, 唐浩, 徐博

  在复杂信道环境下，无线通信中的自动调制分类任务对模型的性能和可靠性提出了更高要求。尽管深度学习方法在该任务中取得了显著进展，但其决策过程的“黑箱”特性限制了在关键场景中的应用，且现有自动调制分类模型的优化多依赖于人工经验或“黑箱”探索，缺乏可信依据来指导模型决策和优化。为此，本文提出一种融合归因分析与注意力机制的自动调制分类可信优化方法。具体而言，首先，通过集成梯度和DeepLIFT对模型进行特征归因，量化输入信号幅度/相位及同相/正交通道特征对模型输出的贡献，从而识别对分类结果具有判决力的特征区域，并结合调制信号物理特征验证归因结果的可信性。随后，将可信的归因特征作为注意力权重对原始信号进行加权优化，以提升模型对具有判决力特征区域的响应能力，实现分类性能和可解释性的同步增强。优化过程依托可信归因特征，保证物理特征与模型决策的一致，从而实现模型的可信优化。所设计的优化模块无需改变原有网络结构，保证了方法的通用性与工程可实施性。最后，本文提出了基于信号星座图的可解释性度量指标，通过归因特征与物理特征的对齐分析量化模型的解释能力。实验结果表明，该方法在不改变网络结构的情况下，使卷积神经网络与长短期记忆网络模型的分类准确率分别提升约12%和7%，并实现了关键特征与模型决策的可量化对应。

• 面向低空无人机通信的OTFS物理层密钥生成方法

  曹翀, 董郑, 周晓天

  无人机（Unmanned Aerial Vehicle， UAV）通信是实现低空网络节点信息互通的关键使能技术，确保无人机通信的安全是保障低空经济健康稳定发展的关键。物理层密钥生成技术利用无线信道的随机性与互易性动态生成共享私密密钥，可以有效提升系统安全性与隐私保护能力，在小型无人机平台等存储与计算资源受限应用场景中更具优势。然而，无人机或环境中散射体的高速运动引起的多普勒频移会导致信道呈现高时变性，进而影响双向信道估计所获得的信道随机参数的一致性。最新研究表明，采用正交时频空（Orthogonal Time-Frequency Space，OTFS）调制的系统相较于采用正交频分复用（Orthogonal Frequency Division Multiplexing，OFDM）等传统调制技术的方法能更好地在强多径多普勒信道进行信道估计和信号检测，因而特别适用于高移动场景下的通信，同时其在时延多普勒域信道统计特性也可有效用于物理层密钥生成。针对高移动性场景下的物理层密钥分发，本文提出一种基于OTFS调制的密钥生成方案。该方案能够有效应对快速时变信道，降低生成密钥的比特不一致率（Bit Disagreement Ratio，BDR）。为在时延-多普勒（Delay-Doppler， DD）域中准确获取信道参数，我们采用了基于稀疏贝叶斯学习（Sparse Bayesian Learning，SBL）的信道估计方法。传统估计方法难以应对计算复杂度高以及非整数时延与多普勒的离网问题。基于变分推断框架构建的SBL方法，有效估计了稀疏的DD域信道冲激响应，包括路径增益、时延和多普勒频移，尤其在高噪声环境下仍能保持较高的估计精度。由于OTFS域信道参数的缓变性可能导致生成密钥随机性不足、密钥熵值偏低，本文采用离散Karhunen-Loève变换（Karhunen-Loève Transform，KLT）对信道分量进行去相关处理。为进一步提高密钥生成速率，提出一种路径系数-多普勒-延迟域的联合量化算法。在发送节点的引导下，采用了一种多比特自适应量化（Multibit Adaptive Quantization， MAQ）方案，旨在确保合法用户间生成高一致性的比特序列，同时最大限度地减少信息泄露。仿真结果表明，该方案在密钥生成速率、熵特性及比特不一致率等多项关键指标上均展现出显著优势。其中，所提方案能够通过调整误比特率门限，有效调节误比特率、密钥生成速率等相关性能指标，从而实现安全性与效率的动态平衡，且生成的密钥具有更高的熵值，而这种强随机特性将显著增加攻击者实施暴力破解及其他密码攻击所需的时间与计算资源。该方案为高移动性无人机通信中的安全密钥生成提供了一种高效、轻量化的解决方案。它有效应对了DD域中信道时变性、缓变性和稀疏性带来的挑战。通过整合OTFS调制、基于SBL的信道估计、基于KLT的去相关处理以及联合多参数量化技术，本方案实现了高密钥生成速率、低比特不一致率和高熵值，从而成为提升下一代低空网络物理层安全性的有力候选方案。其核心思想也具备向未来涉及毫米波和大规模多输入多输出（Multiple-Input Multiple-Output，MIMO）系统在第六代移动通信技术（6th Generation， 6G）场景扩展的潜力。

• 重新思考自动曝光控制：一种具有语义引导的物理感知多流框架

  王超, 谭旭东, 袁家康, 陈涛

  自动曝光（Auto-Exposure， AE）作为成像系统的核心前置环节，直接决定了图像的亮度均衡性与高层视觉任务的精度。然而，现有技术仍面临严峻挑战：传统规则算法受限于“语义鸿沟”，难以应对复杂光照下的语义歧义；而端到端深度学习方案往往沦为缺乏物理约束的“黑盒”，且存在显著的时域不稳定性。针对上述问题，本文提出了一种物理感知的白盒化自动曝光框架——PhysAEC（Physical Auto-Exposure Control）。不同于传统的参数回归或图像增强策略，本文创新性地将AE核心挑战重定义为“多重目标亮度预测（Multi-Target Luma Prediction）”任务，旨在为图像信号处理器（Image Signal Processor，ISP）控制回路提供兼具语义适应性与物理可解释性的最优曝光锚点。PhysAEC采用三流解耦架构（Three-Stream Decoupled Architecture）实现异构信息的同构融合：RGB语义流提取高层场景先验以消除逆光等场景的语义歧义；Raw域的空间网格流（Grid）与全局直方图流（Histogram）则分别提供精准的局部光强分布与动态范围边界约束。此外，针对连续推断中的时域震荡难题，本文结合光度控制的迟滞特性提出容差感知损失（Tolerance-Aware Loss，TAL），通过优化目标层面的物理正则化，有效抑制了微小波动引发的参数跳变。在构建的包含 10000 组高质量样本的Balanced-AE-Dataset上的实验表明，PhysAEC 综合预测准确率高达94.05%，平均绝对误差（Mean Absolute Error，MAE）从21.12骤降至2.53；在复杂高动态场景下，重建图像的峰值信噪比（Peak Signal-to-Noise Ratio，PSNR）达到38.98 dB，结构相似性指数（Structural Similarity Index，SSIM）达到0.994。结果证明，该方法成功实现了语义理解能力与物理控制鲁棒性的有机统一，确立了ISP底层控制任务的新范式。