低軌電磁監(jiān)測智能處理框架與關(guān)鍵技術(shù)綜述

夏 瑞，王敬超，鄧博于，薛 超

1) 軍事科學(xué)院系統(tǒng)工程研究院，北京 100141 2) 鵬城實驗室數(shù)學(xué)與理論部，深圳 518055 3) 天津人工智能創(chuàng)新中心，天津 300457

低軌星座是由多顆衛(wèi)星在低地球軌道構(gòu)成的衛(wèi)星系統(tǒng)，相較于中高軌星座，低軌星座距地表更近，能夠快速獲取信號.同時，依托微納衛(wèi)星高集成度、低費效比、短研制周期等優(yōu)勢[1]，低軌星座能夠快速實施部署與構(gòu)建，實現(xiàn)全球覆蓋.依據(jù)上述優(yōu)勢打造星座系統(tǒng)的核心應(yīng)用是低軌星座發(fā)展需要考慮的首要因素，目前國際上已取得進展的包括銥星的全球通信系統(tǒng)[2]、OneWeb的全球?qū)拵Х?wù)系統(tǒng)[3]和虹云的“通信-導(dǎo)航-遙感一體化”綜合服務(wù)系統(tǒng)等[4].此外，依托低軌星座實現(xiàn)全球電磁頻譜管理，也是一條極具潛力的重大應(yīng)用.

全球電磁頻譜管理基于電磁頻譜的頻率、空域、時域和極化這四維特性，加之法律、行政、技術(shù)和經(jīng)濟手段，能實現(xiàn)全球電磁頻譜資源統(tǒng)一的規(guī)劃和控制.其中的技術(shù)手段有兩個基本的任務(wù)，一是得到電磁頻譜并發(fā)現(xiàn)異常的頻率信號，二是維護頻率秩序并剔除異常的頻率信號.在基于低軌星座實現(xiàn)的全球電磁頻譜管理系統(tǒng)（低軌電磁監(jiān)測系統(tǒng)）中，任務(wù)一的實現(xiàn)方式為對星座采集的輻射源上行信號中各頻段是否存在信號進行判斷和異常檢查，任務(wù)二的實現(xiàn)方式為對發(fā)射異常信號的輻射源進行定位.

基于上述兩個基本任務(wù)在低軌電磁監(jiān)測系統(tǒng)的實現(xiàn)，中國航天科工集團[1]、美國的HawkEye 360、盧森堡的Kleos Space和法國的UnseenLabs均給出了各自的方案[5].上述四個系統(tǒng)均采用了星上處理的監(jiān)測架構(gòu)，衛(wèi)星將處理結(jié)果回傳至地面，該架構(gòu)雖然會減少星地鏈路的傳輸壓力，但極大增加了衛(wèi)星的計算負擔(dān).為此需要提高單個衛(wèi)星載荷的性能，以適應(yīng)更復(fù)雜的電磁環(huán)境，如Hawkeye 360發(fā)射的二代衛(wèi)星較一代衛(wèi)星在單星載荷性能方面就有較大的提升[6].但這種方法涉及衛(wèi)星硬件系統(tǒng)升級，成本較高，且空間系統(tǒng)作為能量受限系統(tǒng)，性能難以大幅提升，難以適應(yīng)多變的電磁環(huán)境.為提升低軌電磁監(jiān)測系統(tǒng)對復(fù)雜多變電磁環(huán)境的適應(yīng)能力，本文提出了低軌電磁監(jiān)測系統(tǒng)智能處理框架.該框架將主要的計算任務(wù)卸載至地面，衛(wèi)星作為數(shù)據(jù)中轉(zhuǎn)站，負責(zé)次要的計算任務(wù)，以此來降低單星載荷性能對星座整體性能的限制，提高系統(tǒng)對復(fù)雜電磁環(huán)境的適應(yīng)能力.

新的架構(gòu)能夠給地面帶來海量的電磁數(shù)據(jù)，該數(shù)據(jù)具有規(guī)模大、類型雜和價值高但密度低等特點[7]，難以采用傳統(tǒng)技術(shù)手段對其進行高效處理.近年來，深度學(xué)習(xí)（Deep learning，DL）依靠海量數(shù)據(jù)與強大的計算資源支持，在圖像識別[8]、語音識別[9]和自然語言處理[10]等領(lǐng)域中，處理速度和精度方面均取得了較傳統(tǒng)方法階段性的研究進展.究其原因是DL在訓(xùn)練時擁有優(yōu)異的特征學(xué)習(xí)能力，在測試時擁有較快的推理速度.鑒于此，研究學(xué)者將DL的優(yōu)勢應(yīng)用到了低軌電磁監(jiān)測系統(tǒng)智能處理框架的關(guān)鍵技術(shù)中，在實現(xiàn)數(shù)據(jù)的高效處理方面，較傳統(tǒng)方法獲得了一些研究進展.

本文首先梳理了低軌電磁監(jiān)測系統(tǒng)兩個基本任務(wù)對應(yīng)的關(guān)鍵技術(shù)，隨后基于“采集與處理分離”的思路和DL的優(yōu)點，引出了低軌電磁監(jiān)測系統(tǒng)智能處理框架及關(guān)鍵技術(shù)，討論了所提框架關(guān)鍵技術(shù)近幾年的研究現(xiàn)狀，最后對其進行了總結(jié)與展望.

1 低軌電磁監(jiān)測系統(tǒng)智能處理框架

1.1 低軌電磁監(jiān)測系統(tǒng)

低軌電磁監(jiān)測系統(tǒng)可分為星座段與地面段兩個部分，地面段又可分為地面站和地面數(shù)據(jù)中心.在傳統(tǒng)的系統(tǒng)框架中（圖1），星座段負責(zé)全球上行電磁信號的采集與處理，地面段的地面站負責(zé)接收星座段的處理結(jié)果，并將其轉(zhuǎn)發(fā)至地面數(shù)據(jù)中心做進一步處理.整個流程所涉及的關(guān)鍵技術(shù)可根據(jù)全球電磁頻譜管理技術(shù)手段中的兩個基本的任務(wù)進行簡要劃分.基本任務(wù)一要求系統(tǒng)能夠獲得電磁頻譜并發(fā)現(xiàn)異常的頻率信號，這實際上與認知無線電中頻譜感知技術(shù)的目標(biāo)相契合；基本任務(wù)二要求系統(tǒng)能夠維護頻率秩序并剔除異常的頻率信號，需要系統(tǒng)能夠?qū)Ψ呛献鳟惓５男盘栠M行地理空間的定位，與輻射源定位技術(shù)中無源定位技術(shù)的目標(biāo)相契合.由于低軌星座廣域的監(jiān)測范圍和日益復(fù)雜的電磁環(huán)境，衛(wèi)星所接收到的信號普遍存在多信號混疊問題，這會使得無源定位性能大大降低.為解決此問題，同時增加系統(tǒng)對獨立信號深層次分析功能的可擴展性，定位前的混疊信號分離工作極為重要.由于在大多數(shù)情況下，系統(tǒng)對原始未混疊的信號未知，同時對混疊的過程未知，盲源分離技術(shù)成為了解決該問題的首選.綜上，本文確定了低軌電磁監(jiān)測系統(tǒng)的三個關(guān)鍵技術(shù)：頻譜感知、盲源分離和無源定位，如圖2所示.

圖1 低軌電磁監(jiān)測系統(tǒng)的具體實現(xiàn).(a) 中國航天科工集團[1]; (b) 美國的HawkEye 360[5]; (c) 盧森堡的Kleos Space[5]; (d) 法國的UnseenLabs[5]Fig.1 Concrete implementation of a LEO-based ESM system: (a) China Aerospace Science and Industry Corporation[1]; (b) HawkEye 360 of the United States[5]; (c) Kleos Space of Luxembourg[5]; (d) Unseenlabs of France[5]

圖2 低軌電磁監(jiān)測系統(tǒng)關(guān)鍵技術(shù)Fig.2 Key technologies of LEO constellation electromagnetic spectrum monitoring systems

1.2 智能處理框架

由于傳統(tǒng)系統(tǒng)框架處理性能受限于單星載荷的性能和電源，難以適應(yīng)復(fù)雜多變的電磁環(huán)境，單靠升級單星的性能來適應(yīng)環(huán)境成本昂貴且性能提升有限.針對上述問題，本文在傳統(tǒng)框架基礎(chǔ)上，基于計算任務(wù)轉(zhuǎn)移的思路，提出了如圖3所示的低軌電磁監(jiān)測系統(tǒng)智能處理框架.在該框架中，星座段被視為多個傳感器（Sensor），不承擔(dān)或承擔(dān)少許的計算任務(wù)，主要負責(zé)上行電磁數(shù)據(jù)的采集與轉(zhuǎn)發(fā)，電磁數(shù)據(jù)的主要處理任務(wù)則由地面段完成.其中，地面站仍負責(zé)接收并轉(zhuǎn)發(fā)星座段的處理結(jié)果，地面數(shù)據(jù)中心則作為電磁數(shù)據(jù)轉(zhuǎn)發(fā)的末端負責(zé)對其進行后續(xù)處理.此框架下，地面數(shù)據(jù)中心依托服務(wù)器強大的計算資源，能夠更好地適應(yīng)日益增長的電磁信息.基于上述系統(tǒng)框架，地面數(shù)據(jù)中心能夠獲得規(guī)模大、類型雜和價值高但密度低等特點的電磁數(shù)據(jù).傳統(tǒng)方法已難以針對此類型的數(shù)據(jù)進行高效處理， DL給出了更好的解決方案.

圖3 低軌電磁監(jiān)測系統(tǒng)智能處理框架Fig.3 Intelligent processing framework of LEO constellation electromagnetic spectrum monitoring system

DL能夠?qū)W習(xí)到對數(shù)據(jù)有更本質(zhì)刻畫的特征[11].概括來說，DL有如下兩個優(yōu)點.（1）優(yōu)異的特征提取能力：DL的實質(zhì)是利用具有多隱層的機器學(xué)習(xí)模型和海量數(shù)據(jù)獲取優(yōu)于人工構(gòu)造的特征，從而提升模型的準確性.（2）快速的前向推理能力：DL在應(yīng)用時分為模型訓(xùn)練與模型測試兩個獨立的步驟，因此能在訓(xùn)練時以時間代價將問題求解過程內(nèi)化為模型參數(shù)的優(yōu)化，在測試時直接利用模型參數(shù)對數(shù)據(jù)進行前向推理，從而以簡單的計算實現(xiàn)對數(shù)據(jù)的快速處理.

基于上述優(yōu)點，DL在各個領(lǐng)域的應(yīng)用均取得了不錯的效果.根據(jù)適用場景的不同，典型的DL網(wǎng)絡(luò)可分為：全連接神經(jīng)網(wǎng)絡(luò)[12]（Fully connected neural network，F(xiàn)CNN）、卷積神經(jīng)網(wǎng)絡(luò)[13]（Convolu-tional neural network，CNN）、循環(huán)神經(jīng)網(wǎng)絡(luò)（Recurrent neural network，RNN）[14]和 Transformer[15]，基本網(wǎng)絡(luò)結(jié)構(gòu)如圖4所示.其中，F(xiàn)CNN適用于較少信息即可描述樣本的數(shù)據(jù).CNN適用于大量信息才可描述的樣本數(shù)據(jù)，如圖片數(shù)據(jù)、視頻數(shù)據(jù).RNN和Transformer適用于前后有關(guān)聯(lián)的序列數(shù)據(jù)，如語音數(shù)據(jù)、文本數(shù)據(jù).在電磁信號處理領(lǐng)域中，信號識別、參數(shù)估計和信號預(yù)測等不同任務(wù)均有CNN和RNN的身影[16].同樣，針對低軌電磁監(jiān)測系統(tǒng)中，地面數(shù)據(jù)中心規(guī)模大、類型雜和價值高但密度低等特點的電磁數(shù)據(jù)，DL的兩個優(yōu)點也給系統(tǒng)架構(gòu)中頻譜感知、盲源分離和無源定位三個技術(shù)的高效實現(xiàn)提供了更好的解決方案，如圖5所示.

圖4 神經(jīng)網(wǎng)絡(luò)基本結(jié)構(gòu).(a)全連接神經(jīng)網(wǎng)絡(luò); (b)卷積神經(jīng)網(wǎng)絡(luò); (c)循環(huán)神經(jīng)網(wǎng)絡(luò); (d) transformerFig.4 Basic structure of neural network: (a) fully connected neural network; (b) convolutional neural network; (c) recurrent neural network;(d) transformer

圖5 低軌電磁監(jiān)測系統(tǒng)智能處理關(guān)鍵技術(shù)Fig.5 Key technologies of LEO constellation electromagnetic spectrum monitoring intelligent processing framework

基于DL的電磁信號處理包括三個步驟：（1）模型的選擇；（2）模型的訓(xùn)練；（3）模型的應(yīng)用.其中，模型的選擇主要根據(jù)目標(biāo)任務(wù)（頻譜感知、盲源分離和無源定位）而定.在實際應(yīng)用中，通?？梢允褂靡恍?shù)據(jù)預(yù)處理的手段，使得同一數(shù)據(jù)能夠適用不同類型的DL網(wǎng)絡(luò).模型的訓(xùn)練則主要依賴星座段下傳的數(shù)據(jù)，這會使模型消耗較多的計算資源與時間去構(gòu)建不同任務(wù)的不同特征.但這是可以接受的，因為當(dāng)模型完成訓(xùn)練后，在模型的應(yīng)用階段，基于訓(xùn)練好的模型參數(shù)，可以直接進行高效的特征提取，獲得任務(wù)結(jié)果.綜上所述，低軌電磁監(jiān)測系統(tǒng)智能處理關(guān)鍵技術(shù)就是DL支撐下的頻譜感知、盲源分離和無源定位技術(shù).

2 關(guān)鍵技術(shù)研究進展

2.1 基于 DL 的頻譜感知

頻譜感知（Spectrum sensing）是認知用戶（Secondary user，SU）通過感知主用戶（Primary user，PU）在時域、頻域和空域的頻段使用狀態(tài)的技術(shù)[17]，主要分為單點頻譜感知和協(xié)作頻譜感知.常見的單點頻譜感知方法包括能量檢測[18]、循環(huán)平穩(wěn)特征檢測[19]、匹配濾波檢測[20]和協(xié)方差矩陣特征值檢測[21].由于單節(jié)點的感知性能不可靠，漏檢率較高，且無法有效利用衛(wèi)星集群數(shù)量多和覆蓋面積廣的優(yōu)勢，目前適用于低軌電磁監(jiān)測系統(tǒng)中的頻譜感知一般為協(xié)作頻譜感知.協(xié)作頻譜感知是根據(jù)一定規(guī)則對各SU單點感知結(jié)果的進一步處理，主要的規(guī)則為硬數(shù)據(jù)融合[22]、量化數(shù)據(jù)融合[23]和軟數(shù)據(jù)融合[24]三種.典型的協(xié)作頻譜感知可分為集中式和分布式兩種[25]，介于兩者之間的還有中繼式和分簇式，如圖6所示.在集中式協(xié)作感知中，每個 SU只與融合中心（Fusion center，F(xiàn)C）進行數(shù)據(jù)交互，對SU自身性能的要求較低.在分布式協(xié)作感知中，各SU之間進行數(shù)據(jù)交互，對SU自身性能的要求較高.中繼式能夠在SU無法與FC直接通信時，尋找另一個能夠與FC通信的SU作為中繼節(jié)點，從而將感知結(jié)果傳輸至FC.分簇式則是多個SU獨自組成一個簇，簇內(nèi)融合產(chǎn)生結(jié)果后由簇頭統(tǒng)一發(fā)送至FC.基于本文所提系統(tǒng)架構(gòu)對衛(wèi)星性能的低要求，集中式協(xié)作頻譜感知是最優(yōu)的選擇.但由于無法在全球布設(shè)基站，且星座衛(wèi)星較多，所以整個系統(tǒng)偏向于“區(qū)域性的集中式”和“整體性的分簇中繼式”雜糅的感知結(jié)構(gòu).無論是哪種協(xié)作感知結(jié)構(gòu)，都離不開對單點感知與融合規(guī)則的依賴，而傳統(tǒng)的方法在感知精度與感知速度上往往不如人意.

圖6 協(xié)作感知類型.(a) 分布式; (b) 中繼式; (c) 分簇式; (d) 集中式Fig.6 Types of collaborative sensing: (a) distributed; (b) relayed; (c) clustered; (d) centralized

針對上述問題，近年來，研究人員采用DL實現(xiàn)的方法獲得了不錯的研究進展，主要可分為對單點感知的研究和對融合規(guī)則的研究.

2.1.1 單點頻譜感知

Pan等[26]為有效提高頻譜感知的性能，將CNN應(yīng)用于正交頻分復(fù)用（Orthogonal frequency division multiplex，OFDM）信號的頻譜感知，提出了一種基于DL和周期譜的頻譜感知方法.該方法首先分析OFDM信號的循環(huán)自相關(guān)性得到循環(huán)頻譜歸一化的灰度圖像，然后利用CNN（改進的LeNet-5模型）逐層學(xué)習(xí)提取的深層特征.該方法可以利用周期頻譜完成頻譜感知任務(wù)，在低信噪比下，對OFDM信號具有比傳統(tǒng)的單點感知方法更好的頻譜感知性能.

Liu等[27]針對傳統(tǒng)單點感知的方法所依賴的能量或特征值作為統(tǒng)計量難以準確描述真實環(huán)境的問題.提出使用深度神經(jīng)網(wǎng)絡(luò)（Deep neural network，DNN）自動確定統(tǒng)計量的通用框架，推導(dǎo)了基于DNN的似然比檢驗（DNN-LRT），以保證得到最優(yōu)的統(tǒng)計量.在實現(xiàn)時，采用CNN作為DNN的實現(xiàn)，提出了一種基于協(xié)方差矩陣感知CNN的頻譜感知算法，該算法以信號的協(xié)方差矩陣作為網(wǎng)絡(luò)的輸入以實現(xiàn)高性能的頻譜感知.同時，對所提的方法進行了理論分析.仿真實驗證明了所提的方法能夠達到最優(yōu)檢測器幾乎相同的性能.

Zhao等[28]針對目前的大多數(shù)方法在非高斯噪聲條件下往往會出現(xiàn)性能下降的問題，利用分數(shù)階低階統(tǒng)計量（Fractional lower order statistics，F(xiàn)LOS）在解決非高斯噪聲下感知性能退化方面的強大能力，提出了一種基于FLOS和CNN相結(jié)合的頻譜感知算法.該方法對具有分數(shù)低階矩陣（Fractional low-order moments， FLOM）的觀測數(shù)據(jù)進行處理后，獲得FLOM的協(xié)方差矩陣作為CNN的輸入，利用CNN提取的特征作為進一步?jīng)Q策的依據(jù).

Uvaydov等[29]針對大范圍的寬頻帶低延遲頻譜感知問題，提出了基于深度網(wǎng)絡(luò)的實時寬帶頻譜感知的軟件/硬件框架（DeepSense），該架構(gòu)通過將DL算法緊密集成到收發(fā)器的基帶處理邏輯中來檢測和利用未利用的頻譜.在實現(xiàn)時，Deep-Sense基于在無線平臺硬件結(jié)構(gòu)中實現(xiàn)的CNN來分析一小部分未處理的基帶波形，以最少的I/Q樣本自動提取最多的信息.

Chen等[30]提出了一種基于短時傅里葉變換（Short time Fourier transform， STFT）和 CNN的頻譜感知方法.該方法首先對接收到的信號進行STFT得到時頻圖，然后將歸一化的時頻圖作為CNN的輸入，將頻譜感知問題轉(zhuǎn)換為凸顯識別問題，實現(xiàn)了頻譜感知.同時，為提高算法的性能，作者探尋了最佳的STFT時頻分辨率.該方法無需PU的任何先驗知識.

以上方法都是基于有監(jiān)督的學(xué)習(xí)，而在實際應(yīng)用中，有監(jiān)督學(xué)習(xí)對樣本標(biāo)簽有依賴性.針對此問題，Xie等[31]提出了基于無監(jiān)督學(xué)習(xí)的頻譜感知方法（Unsupervised deep spectrum sensing，UDSS）.該方法利用變分自編碼高斯混合模型（Variational auto-encoder gaussian mixture model，VAE-GMM）返回的屬于某一特定聚類的后驗概率，作為頻譜感知的檢驗統(tǒng)計量而不是傳統(tǒng)的能量或特征值.VAE-GMM的參數(shù)在訓(xùn)練階段利用無標(biāo)簽的數(shù)據(jù)進行迭代優(yōu)化，隨后利用少量的標(biāo)記數(shù)據(jù)對聚類結(jié)果賦予物理意義后，在測試階段則可以直接使用網(wǎng)絡(luò)生成的統(tǒng)計量進行實時頻譜感知.實驗結(jié)果驗證了所提方法的性能能夠接近有監(jiān)督學(xué)習(xí)的方法.

2.1.2 融合規(guī)則的研究

Lee等[32]提出了一種基于CNN的協(xié)作頻譜感知框架（Deep cooperative sensing，DCS），在此框架中，F(xiàn)C的融合策略通過訓(xùn)練感知樣本自主確定，可自動實現(xiàn)數(shù)據(jù)硬融合和軟融合，同時考慮了通道的空間和光譜相關(guān)性，無需明確的公式推導(dǎo).該方法首先利用能量檢測[18]來獲得各SU的各頻段的單點感知結(jié)果，隨后各SU不同頻段的感知結(jié)果排列為一個二維數(shù)組作為CNN的輸入，對網(wǎng)絡(luò)進行訓(xùn)練.

Cai等[33]針對認知無線電網(wǎng)絡(luò)中相關(guān)衰落下的協(xié)作頻譜感知問題進行了建模，提出了采用分布式強化學(xué)習(xí)（Deep reinforcement learning，DRL）的方法學(xué)習(xí)最優(yōu)的協(xié)作策略.同時，為了降低大型網(wǎng)絡(luò)解空間的維數(shù)，提出利用協(xié)作圖（Coordination graph）將問題分解為一個max-plus問題，并采用消息傳遞的方法依次求得最優(yōu)策略.

Chen等[34]針對一般的基于DL的融合算法需要占用大量傳輸通道將訓(xùn)練數(shù)據(jù)發(fā)送到FC的問題，將聯(lián)邦學(xué)習(xí)框架引入到協(xié)作頻譜感知中，提出了一種基于聯(lián)邦學(xué)習(xí)的頻譜感知算法（Federated learning-based cooperative spectrum sensing，F(xiàn)LSS）.在該框架中，不需要將數(shù)據(jù)收集在一起.每個SU利用局部數(shù)據(jù)訓(xùn)練神經(jīng)網(wǎng)絡(luò)模型，并將梯度發(fā)送到FC進行參數(shù)集成，大大降低SU和FC之間的流量負載，在保證本地數(shù)據(jù)隱私的同時進行協(xié)同訓(xùn)練.該框架在訓(xùn)練時，采用了ShufflenetV2網(wǎng)絡(luò)模型，用以減少參數(shù)數(shù)量和提高訓(xùn)練效率.最后，作者從理論上分析了所提方法的信道消耗情況，證明了所提方法的通道占用率較低.

Sarikhani與Keynia[35]針對大部分方法中協(xié)作頻譜感知需要得到所有SU的感知結(jié)果進行協(xié)作感知的問題，提出了利用DRL來自動選擇合適的SU進行協(xié)作.被選擇中SU利用能量檢測獲得單點感知的結(jié)果，F(xiàn)C利用CNN對結(jié)果進行融合感知，做出最終的判斷.該方法降低了協(xié)作頻譜感知的網(wǎng)絡(luò)流量和協(xié)作用戶數(shù)量.

2.2 基于 DL 的盲源分離

盲源分離（Blind source separation，BSS）是一種在源信號和信號傳輸通道都未知的情況下，僅根據(jù)觀測得到的混合信號分離出源信號的技術(shù)[36].根據(jù)信道混合方式的不同，可分為線性混合模型與非線性混合模型.按照信號源與傳感器的數(shù)量大小又可分為超定、正定和欠定盲源分離，如圖7所示.針對低軌電磁監(jiān)測系統(tǒng)而言，由于衛(wèi)星的數(shù)量往往占少數(shù)，且因為高度原因不易受到信號多徑效應(yīng)的影響，往往適用于欠定情況下的線性混合模型.該模型廣泛的解法為兩步法[37]，即混合矩陣的估計[37-39]和源信號的估計[37,40-41].但傳統(tǒng)的方法往往分離性能不佳，分離速度也較慢.

圖7 盲源分離類型.(a) 超定盲源分離; (b) 正定盲源分離; (c) 欠定盲源分離Fig.7 Blind source separation type: (a) over-determined blind source separation; (b) positive-determined blind source separation; (c) under-determined blind source separation

針對上述問題，基于DL的欠定盲源分離技術(shù)研究成為了研究者們關(guān)注的重點.目前的研究大多是對兩步法的實現(xiàn)，分為理想掩膜的估計與源信號的估計兩步.在此之上，近幾年流行的方法可分為基于深度聚類（Deep clustering，DC）的方法、基于深度吸引子網(wǎng)絡(luò)（Deep attractor network，DANet）的方法和其他方法.

2.2.1 基于DC的方法

Hershey等[42]針對傳統(tǒng)網(wǎng)絡(luò)分離方法難以處理任意源信號數(shù)量的問題和信號的排列問題，通過將雙向長短時記憶網(wǎng)絡(luò)（Bi-directional long shortterm memory，BLSTM）（RNN的一種）與譜聚類方法相結(jié)合提出了DC來估計說話人的理想二進制掩碼（Idea binary mask，IBM）.該方法以獨立信號的IBM作為訓(xùn)練標(biāo)簽，利用神經(jīng)網(wǎng)絡(luò)獲得混合信號的時頻點高維嵌入（Embeddings）表示后，利用K-means算法對其進行聚類來獲得IBM，再將IBM與混合信號的時頻圖相乘獲得分離的信號.同時，實驗指出，該方法基于兩個源混合訓(xùn)練的模型能夠直接分離三個源的混合信號.

Wang等[43]對針對實時語音信號提取問題，對Hershey等[42]提出的算法進行了改進.為實現(xiàn)對每一幀的信號進行實時處理，舍棄了原先的BLSTM，將長-短期記憶網(wǎng)絡(luò)（Long short-term memory，簡稱LSTM，是RNN的一種）作為深度網(wǎng)絡(luò)，提出了一種在線處理的DC算法.該方法在混合信號的前段時間內(nèi)，用K-means聚類算法估計混合信號中與出現(xiàn)的說話人相對應(yīng)的聚類中心，在混合信號的其余時間實現(xiàn)在線處理，通過類分配得到每個說話人的掩模.

2.2.2 基于 DANet的方法

由于DC方法中的聚類算法無法訓(xùn)練， DC不是一個端到端的網(wǎng)絡(luò)，針對此問題，Chen等[44]擴展了Hershey等[42]提出的DC方法，通過將聚類步驟納入網(wǎng)絡(luò)，提出了DANet.該方法首先在聲信號的高維嵌入空間中創(chuàng)建吸引點，再將對應(yīng)于每個源的時頻點與吸引子計算相似度以生成時頻掩碼，與混合信號的時頻圖相乘實現(xiàn)單通道語音分離信號.網(wǎng)絡(luò)訓(xùn)練的目標(biāo)為最小化分離信號與標(biāo)簽信號的差.為實現(xiàn)端到端的學(xué)習(xí)，該方法在訓(xùn)練時，利用數(shù)據(jù)標(biāo)簽在信號源嵌入空間中的質(zhì)心來創(chuàng)建吸引子點，在測試時通過K-means算法生成吸引子.

Han等[45]針對實時語音分離問題，擴展了DANet，提出了在線深度吸引子網(wǎng)絡(luò)（Online deep attractor network，ODANet）.DANet為全局的語音信號估計吸引點，而ODANet為每個時間步長估計吸引點，并使用一個只有因果信息的動態(tài)加權(quán)函數(shù)跟蹤他們，使得ODANet生成的嵌入向量表示更加穩(wěn)定.仿真實驗結(jié)果從標(biāo)度不變信噪比（Scale-invariant source-to-noise ratio， SI-SNR）、信號失真比（Signalto-distortion ratio， SDR）和語音質(zhì)量感知評分（Perceptual evaluation of speech quality score，PESQ）三個方面與DANet進行了對比，結(jié)果顯示，ODANet在兩人和三人的語音分離問題中能夠達到與DANet相似的精度，并能達到實時處理.

Drude 等[46]通過引入分段批模型，將基于DL的單通道批量模型推廣到多通道塊的在線處理中，實現(xiàn)了多通道的DANet在線處理.同時，為解決由此產(chǎn)生的頻率排列問題與塊排列問題，提出了空間和光譜特征聯(lián)合建模的方法.

Kinoshita等[47]針對DC與DANet需要預(yù)先確定分離源個數(shù)的問題，提出了一種基于純神經(jīng)網(wǎng)絡(luò)的掩模估計器，它可以處理任意數(shù)量的源，同時估計測試信號中的源數(shù)量.該方法將多信號的分離問題轉(zhuǎn)換為一個遞歸多路源提取問題，根據(jù)輸入信號，利用RNN自動學(xué)習(xí)并確定有多少迭代步驟，完成任意數(shù)量源的分離.該方法通過在每次迭代中輸出特定的源對應(yīng)的掩碼實現(xiàn)信號的分離，通過輸出停止標(biāo)志判斷是否處理完所有信號.該方法以目標(biāo)掩碼與停止標(biāo)志作為訓(xùn)練目標(biāo)完成網(wǎng)絡(luò)的訓(xùn)練.

2.2.3 其他

Brunner 等[48]提出了一種基于殘差網(wǎng)絡(luò)（Res-Net）和CNN的自動編碼器的深度神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)，證明了不需要專門復(fù)雜的結(jié)構(gòu)就能實現(xiàn)最好的性能.該方法將混合信號的短時傅里葉變換作為網(wǎng)絡(luò)的輸入，以純凈的信號作為標(biāo)簽對網(wǎng)絡(luò)進行訓(xùn)練.首先將混合信號的時頻圖通過CNN編碼為低維的潛在表示，并通過ResNet對潛在的表示進行信號的分離，得到潛在的分離源信號，再通過CNN將潛在的分離源信號解碼，以獲得獨立源信號的時頻圖，實現(xiàn)信號的分離.

Luo等[49]針對傳統(tǒng)方法利用時頻表示分離信號存在的信號相位和幅值的解耦難、語音分離時頻表示的次優(yōu)性以及整個系統(tǒng)的長延遲等問題，提出了全卷積時域語音分離網(wǎng)絡(luò)（Fully-convolutional time-domain audio separation network，Conv-TasNet）.該方法使用時域的混合信號作為網(wǎng)絡(luò)的輸入，利用一維卷積作為編碼器生成語音信號的編碼表示，替換了傳統(tǒng)利用短時傅里葉變換的編碼表示，然后通過由一系列串聯(lián)的一維卷積層組成的分離網(wǎng)絡(luò)生成時頻掩碼，最終與編碼的信號相乘后通過一維卷積解碼，得到分離的信號.該方法利用純凈的分離信號作為訓(xùn)練目標(biāo)，使用SISNR作為損失函數(shù)，可實現(xiàn)端到端的訓(xùn)練.

趙孟晨等[50]將Luo等[49]的工作應(yīng)用到地面基站對常見調(diào)制方式的通信信號盲源分離中，取得了比傳統(tǒng)的非負矩陣分解（Non-negative matrix factorization，NMF）與獨立分量分析（Independent component analysis，ICA）更好的效果，驗證了該方法具有更高的泛化能力、魯棒性和更低的處理延時.

以上所提模型都是單通道的分離模型，針對多通道的分離，Togami[51]提出了一種多通道協(xié)方差矩陣估計的方法框架，首先利用局部高斯模型（Local Gaussian modeling，LGM）估計多通道空間濾波器的參數(shù)獲得濾波后的信號，再將各通道濾波后的信號和通道之間的相位差的余弦和正弦值作為BLSTM的輸入，將BLSTM作為時頻掩碼估計器從而獲得協(xié)方差矩陣，完成對混合信號的分離工作.

Watanabe等[52]為實現(xiàn)實時的多通道信號分離, 提出了一種將傳統(tǒng)算法與簡單的FCNN相結(jié)合的新框架.在提出的框架中，常規(guī)方法的頻域計算僅在信號窄帶范圍中使用，然后將所有頻域的混合觀測值和分離的窄帶源分量均作為FCNN輸入，以預(yù)測其他頻段分離源的分量并完成各頻段信號的融合，完成信號的分離.

以上所提的模型都是基于有監(jiān)督學(xué)習(xí)的方法，Drude等[53]為實現(xiàn)無監(jiān)督的信號分離，引入無監(jiān)督的空間譜聚類方法作為DC的“指導(dǎo)老師”輔助訓(xùn)練.該方法利用復(fù)角中心高斯混合模型（Complex angular-central Gaussian mixture model，cACGMM）空間聚類方法生成IBM作為DC的目標(biāo)進行訓(xùn)練.證明了粗糙的無監(jiān)督空間聚類方法足以指導(dǎo)DC的訓(xùn)練.

2.3 基于 DL 的無源定位

無源定位（Passive positioning）技術(shù)是一種自身不發(fā)射電磁信號，僅利用單個或多個接收站截獲的信號，確定輻射源位置的技術(shù)[54].根據(jù)定位步驟，可將無源定位技術(shù)分為兩步法[54]與直接法（Direction position determination，DPD）[55]，如圖8 所示.兩步法分為定位參數(shù)估計與方程建立求解兩步.常見定位參數(shù)為到達時差（Time difference of arrival，TDOA）[56-58]、到達頻差（Frequency difference of arrival，F(xiàn)DOA）[59-60]、多普勒變化率（Doppler rate）[61-62]、信號到達方向（Direction of arrival，DOA）[63]和接收信號強度（Received signal strength，RSS）[64]等，常用的參數(shù)估計方法為互模糊函數(shù)法.第二步是利用上述提取的定位參數(shù)建立方程，通過窮盡搜索等方法進行求解.DPD則直接對信號本身進行計算，通?；跇O大似然估計（Maximum likelihood estimate，MLE）構(gòu)建僅與輻射源位置相關(guān)的代價函數(shù)，通過窮盡搜索等優(yōu)化算法實現(xiàn)定位[55].兩步法發(fā)展成熟，理論模型完善，計算量相對較小，但是不能自動關(guān)聯(lián)不同的定位參數(shù)，在低信噪比（Signal to noise，SNR）情況下往往精度較低[65].DPD則能夠自動關(guān)聯(lián)不同的定位參數(shù)，提高低SNR下的定位精度，但由于直接法直接對信號本身進行計算，往往計算量很大，難以同時滿足低軌電磁監(jiān)測系統(tǒng)對定位高精度與低耗時的要求.

圖8 無源定位方法.(a) 兩步法; (b) 直接法Fig.8 Passive positioning methods: (a) two-step positioning; (b) direct position determination

針對上述問題，研究學(xué)者們在DL與無源定位技術(shù)相結(jié)合的技術(shù)路線中取得了一些不錯的成果，主要可分為對傳統(tǒng)兩步法與DPD的實現(xiàn).

2.3.1 針對DPD的實現(xiàn)

針對DPD的實現(xiàn)類似的研究最早有2018年Chen等[66]提出的利用徑向基網(wǎng)絡(luò)（Radial basis function neural network，RBFNN）實現(xiàn)快速的無源定位，該方法首先通過陣列天線獲得接收信號具有統(tǒng)計特性的協(xié)方差矩陣，再根據(jù)協(xié)方差矩陣關(guān)于對角線對稱的特點，將其上三角部分的元素展平為一維向量，最后將其歸一化后作為網(wǎng)絡(luò)的輸入對網(wǎng)絡(luò)進行訓(xùn)練，輸出發(fā)射機的位置坐標(biāo)，實現(xiàn)了快速的無源定位.

Zhao與Zhao[67]通過定位場景的網(wǎng)格劃分，將定位問題轉(zhuǎn)化為了分類問題，通過陣列天線對信號的響應(yīng)建立了接收信號模型，推導(dǎo)了利用RNN實現(xiàn)無源定位參數(shù)設(shè)置條件，以此改進了RNN，實現(xiàn)了快速的DPD.

2.3.2 針對兩步法的實現(xiàn)

Pak等[68]針對多基地?zé)o源雷達定位問題，提出了一種基于FCNN的兩步法無源定位技術(shù)，首先通過交叉模糊函數(shù)給出信號間的TDOA估計，再將估計的TDOA作為FCNN的輸入對其進行訓(xùn)練，輸出發(fā)射機的位置坐標(biāo)，實現(xiàn)無源定位.仿真結(jié)果從定位均方誤差（Mean squared error，MSE）這一指標(biāo)與理想情況下的兩步法進行了對比，驗證了該方法的性能.

Liu等[69]針對室內(nèi)無線網(wǎng)絡(luò)傳感器定位問題，提出了一種新的基于FCNN的室內(nèi)目標(biāo)定位和跟蹤方案，利用傳播信道模擬器來模擬接收信號的強度（Receiving signal strength，RSS）作為 FCNN 的輸入數(shù)據(jù)，通過在室內(nèi)劃分子區(qū)域，將目標(biāo)的定位問題轉(zhuǎn)換為了分類問題，以發(fā)射機的真實位置對應(yīng)的區(qū)域作為標(biāo)簽對網(wǎng)絡(luò)進行訓(xùn)練，實現(xiàn)對目標(biāo)的定位.

Wang等[70]針對三維低空戰(zhàn)場環(huán)境中的實時無源定位問題，提出了利用FCNN求解兩步法中第二步方程求解的方法，實現(xiàn)方程的快速求解.仿真實驗結(jié)果從RMSE、方程求解時間和算法魯棒性三個方面與兩階段加權(quán)最小二乘（Two-stage weighted least-squares，TSWLS）方法進行了對比.同時，給出了RMSE的克拉美-羅下界（Cramer-Rao lower bound，CRLB）對比，驗證了算法的性能.

除了針對無源定位問題本身的研究外，其他的問題中，也有類似的研究，如Gotsis等[71]針對異步直接碼分多址(Direct sequence code division multiple access，DS-CDMA)問題，提出了利用 FCNN估計信號DOA的方法.該方法假設(shè)信號同時到達，通過陣列天線獲得各波束的功率對FCNN進行訓(xùn)練，得到各信號的DOA.

3 展望

綜上所述，將DL技術(shù)應(yīng)用于低軌電磁監(jiān)測系統(tǒng)中，為系統(tǒng)實現(xiàn)海量電磁頻譜數(shù)據(jù)的高效處理提供了新的途徑.然而對于這一研究方向，目前仍有一些問題亟待突破，具體如下：

由于低軌星座相較地面設(shè)備存在諸多差異，會導(dǎo)致各類基于地面系統(tǒng)的方法遷移到低軌星座時出現(xiàn)適用性問題.具體來說，在本文所提的低軌電磁監(jiān)測系統(tǒng)智能處理框架中，衛(wèi)星被視為Sensor，整個星座便是一個Sensor網(wǎng)絡(luò)，但這種由衛(wèi)星Sensor構(gòu)成的網(wǎng)絡(luò)與傳統(tǒng)地面Sensor構(gòu)成的網(wǎng)絡(luò)相比具有極大的不同，具體表現(xiàn)在：（1）衛(wèi)星距輻射源遠；（2）衛(wèi)星速度快；（3）衛(wèi)星之間呈現(xiàn)長距離的分布；（4）星座的拓撲結(jié)構(gòu)一直處于高速動態(tài)變化中.其中，（1）會導(dǎo)致星座接收的信號極大地受到傳播過程中空間各種因素的影響，造成信號不同程度的衰減，這使得在基于DL的無源定位中，RSS定位參數(shù)變得不可信，針對該定位參數(shù)研究的內(nèi)容將在低軌星座中失效，研究基于其他定位參數(shù)的方法是下一步的研究方向；（2）會造成輻射源相對于衛(wèi)星處于快速的動態(tài)變化中，而目前基于DL的頻譜感知方法都考慮的是PU為靜態(tài)的場景，針對動態(tài)場景的研究是后續(xù)的研究方向；（2）和（3）會造成各衛(wèi)星所接收的數(shù)據(jù)之間同時具有較大的時延和頻延，而基于DL的盲源分離方法大多針對于語音和音樂等不用同時考慮時頻延的信號，針對同時具備時頻延電磁信號的研究空白，如何將這同時多出來的時頻延特征有效利用，結(jié)合多顆衛(wèi)星的協(xié)同來提高信號分離的效果值得進一步研究；（4）會使星座成為一個大感知范圍情況下多種感知結(jié)構(gòu)雜糅并快速變化的系統(tǒng)，而目前基于DL的頻譜感知中融合策略的研究多為針對單一結(jié)構(gòu)的研究，針對低軌電磁監(jiān)測星座特殊結(jié)構(gòu)下的融合策略值得進一步研究.

此外，核心技術(shù)的突破也至關(guān)重要，具體如下：（1）在基于DL的無源定位問題研究中，針對兩步法的研究多以傳統(tǒng)的步驟劃分，沒有形成一個端到端的網(wǎng)絡(luò)架構(gòu)，不利于網(wǎng)絡(luò)的訓(xùn)練.針對DPD的研究與兩步法相比，缺少理論依據(jù)，方法可解釋性較差，不利于方法的更迭；（2）目前沒有針對低軌電磁監(jiān)測系統(tǒng)DL方法研究的電磁信號數(shù)據(jù)集，難以統(tǒng)一檢驗該系統(tǒng)架構(gòu)下各DL方法的有效性，使得研究工作的開展難度加大，也不利于方法的快速迭代；（3）由于低軌電磁監(jiān)測系統(tǒng)采集的數(shù)據(jù)往往較難獲得任務(wù)目標(biāo)的標(biāo)簽，基于有監(jiān)督學(xué)習(xí)的DL方法將會面臨模型向真實數(shù)據(jù)遷移對性能造成的影響，深入半監(jiān)督學(xué)習(xí)和無監(jiān)督學(xué)習(xí)的研究，提升方法的泛化能力與實際應(yīng)用效果是下一步的研究方向.（4）多衛(wèi)星接收的混合信號的空間特征實際上可以與無源定位中的定位參數(shù)相互對應(yīng)，在這種特性下可以研究盲源分離與無源定位相結(jié)合的方法，以形成統(tǒng)一計算框架，提高計算效率.更進一步，由于本文所提出的系統(tǒng)框架僅將地面段納入了DL，實際上是一個半智能的處理框架，如何有效地將星座段與地面段作為一個整體納入DL，形成一個DL緊密型的智能低軌電磁監(jiān)測系統(tǒng)，進一步提高系統(tǒng)的處理能力，也是一個值得思考和深入研究的方面.

4 總結(jié)

傳統(tǒng)低軌電磁監(jiān)測系統(tǒng)采用星上處理的方式導(dǎo)致性能受限于單星載荷.針對此提出采集與處理分離的低軌電磁監(jiān)測系統(tǒng)智能處理框架.該框架的性能能夠脫離單星載荷限制，并給地面帶來海量數(shù)據(jù).為實現(xiàn)海量電磁數(shù)據(jù)的高效處理，重點梳理了智能處理框架的三大關(guān)鍵技術(shù)：基于深度學(xué)習(xí)的頻譜感知、盲源分離和無源定位，并就當(dāng)前技術(shù)向低軌電磁監(jiān)測系統(tǒng)遷移的適用性問題做出了討論，給出了下一步的研究方向，最后對各技術(shù)核心的突破方向進行了討論.