面试 Java 基础八股文十问十答第十四期
2026/1/18 20:21:16
TFMix：时频域融合赋能特定辐射源识别，领域泛化性能再突破
一、文章题目
TFMix：一种用于特定辐射源识别领域泛化的鲁棒时频混合方法
二、摘要
特定辐射源识别（SEI）是基于辐射源个体差异在射频信号中体现的固有特征进行识别的技术。深度学习（DL）方法已成为SEI的主要手段，广泛应用于无线设备识别与认证。然而，不同环境下电磁信号的差异性导致模型在未见过的领域中性能显著下降，传统深度学习方法难以应对这一挑战。为此，领域泛化（DG）成为解决该问题的关键途径。为缓解不同场景下SEI性能受限的问题，本文提出一种混合增强方法TFMix，融合时域与频域数据增强技术。具体而言，TFMix首先通过时域插值（TDI）生成增强样本，随后进行傅里叶变换；在频域中，该方法进行幅度插值混合并引入可控的相位扰动，最后通过逆傅里叶变换重构出更具鲁棒性的信号样本。这种混合策略通过生成多样化且含丰富信息的训练样本，有效提升了模型的泛化能力。为验证TFMix的有效性，本文在不同场景的数据集上开展评估，实验结果表明，TFMix在跨场景泛化性能上显著优于现有DG方法，展现出在SEI任务中卓越的鲁棒性和泛化能力。
三、引言
近年来，信息技术的快速发展使得无线设备的种类和数量激增，无线网络已深度融入移动通信、物联网（IoT）等多个领域。然而，无线信道的开放性和复杂性使网络面临信号劫持、干扰、欺骗攻击等严重安全风险，保障无线通信的安全性和可靠性变得愈发重要，这也对无线设备的有效识别与认证提出了更高要求。
特定辐射源识别（SEI）通过分析难以复制的微弱信号特征区分不同辐射源，在民用和军事领域均有广泛应用。基于深度学习的SEI技术能够自动从信号中提取特征，大幅提升了识别精度。但这些方法通常假设数据满足独立同分布（i.i.d.），而现实环境中该条件往往不成立，数据分布的偏移会导致模型性能下降。
近年来，迁移学习尤其是领域自适应（DA）在SEI中取得了显著进展。DA技术通过将源域标记数据的知识迁移到目标域未标记数据，学习两域差异以提升目标域识别性能。例如，Ye等人提出基于Wasserstein距离的对抗性DA方法用于无监督SEI，Shi等人提出领域对抗多约束的跨域SEI算法，Wan等人则引入基于全局和局部语义一致性的半监督DA方法处理信道变化。然而，这些DA方法普遍存在局限性：多数需要训练时获取目标域数据，这与实际SEI应用中难以收集目标域数据的场景冲突，且针对每个目标域单独训练模型成本高、耗时长。
为解决这一挑战，领域泛化（DG）应运而生。与DA不同，DG无需训练时获取目标域数据，旨在构建能直接泛化到未见过领域的模型，这对于SEI至关重要——收集所有潜在工作环境的标记数据既不现实也不可行。现有DG方法多聚焦于信号采集和预处理，但存在复杂度高、计算资源消耗大等问题。同时，DG研究大多集中在图像识别任务，针对SEI的DG方法相对匮乏，因此亟需开发专门适用于SEI的DG技术。
本文提出一种新颖的鲁棒SEI方法TFMix，创新性地融合时域和频域增强技术，通过混合和插值不同源域的信号数据，生成新的合成样本，以提升模型在SEI任务中的泛化能力。本文的主要贡献包括：1）提出TFMix方法，结合时域插值（TDI）和频域傅里叶变换，利用时域操作捕捉时间模式，频域技术增强频谱特征，提升信号样本的多样性和鲁棒性；2）在幅度插值混合的基础上引入相位扰动，生成特征表示更丰富的样本，提升模型对信号变化的适应性；3）基于跨时间和跨接收机的WiSig数据集验证TFMix的有效性，实验结果表明该方法在DG-SEI性能上优于其他现有方法。
四、方法简介
TFMix方法围绕时域与频域融合增强展开，核心框架包括信号数据增强、时域插值（TDI）、频域增强及模型训练四部分，具体如下：
整体框架：采用复数值神经网络（CVNN）作为特征提取器，捕捉射频信号同相（I）和正交（Q）分量的耦合信息，特征提取器包含9个复卷积层，分类器由3个全连接层组成。训练过程中结合数据增强技术，测试时将未见过的领域数据集输入优化后的神经网络进行分类预测。
信号数据增强：借鉴Mixup的邻域风险最小化（VRM）原理，通过线性插值生成虚拟训练样本，但针对射频信号特性进行适配，避免传统图像增强方法的直接套用。
时域插值（TDI）：从不同源域随机选择两个信号样本，基于动态调整的插值系数进行线性插值，生成特征更丰富的新样本，同时对标签进行相应混合，既提升样本多样性，又为深度学习模型提供更丰富的特征空间。
频域增强：首先通过傅里叶变换将时域信号转换为频域表示，提取幅度和相位信息；对幅度进行插值混合（基于随机采样的插值系数），对相位引入随机噪声扰动；随后利用扰动后的相位和插值后的幅度重构频域信号，最后通过逆傅里叶变换转换回时域，得到经时频域联合增强的信号样本。
训练过程：采用Adam优化器最小化损失函数，损失函数基于混合标签计算负对数似然损失，通过前向传播生成增强样本并预测类别分布，反向传播更新模型参数，完成模型训练。
五、结论
本文提出一种基于TFMix的鲁棒SEI方法，显著提升了SEI在未知领域的泛化性能。该方法通过时域插值生成样本，经傅里叶变换后进行幅度插值混合和相位扰动，最后通过逆傅里叶变换生成更鲁棒的信号样本，借助多样化训练样本增强模型泛化能力。
然而，TFMix仍存在一定局限性：若数据集含强噪声，插值过程可能放大噪声，降低模型泛化性能，因此需采用有效的预处理和降噪技术；方法依赖混合比参数的选择，不同数据集和任务需调整参数，增加了参数调优的复杂性。
尽管存在这些挑战，TFMix在泛化性和准确性方面仍展现出明显优势，是SEI的有效实用解决方案。未来工作将聚焦于优化TFMix的参数调优过程，开发动态选择混合比的自动化技术；同时改进TFMix算法，提升其对不同信号数据类型和输入格式的适应性，进一步增强SEI模型的鲁棒性和泛化能力。