? ? ? ? ? ? ? ? ? ? ? ?現(xiàn)代信號識別之困
1. 頻譜識別階段
在80年代以前，無線傳輸?shù)男盘栠€非常少，干擾也少性含，計算機技術(shù)還剛起步兄一，彼時的信號識別方式主要有兩種厘线，一種是通過示波器觀察時域波形，另一種是利用頻譜儀或接收機觀察頻率出革，頻譜分析的方法應(yīng)該說是相當(dāng)有效的造壮。
2. 時頻分析階段
隨著無線通信技術(shù)的發(fā)展，大家逐漸意識到以傅里葉分析為代表的頻率分析法已經(jīng)不滿足實際需要骂束，因為傅里葉分析不具備時間分辨能力耳璧，知道了信號包含了某些頻譜分量，卻不知道信號在什么時間出現(xiàn)的這些頻譜分量展箱，于是大家開始重視時頻分析方法旨枯，短時傅里葉變換、Gabor變換析藕、Cohen類時頻分布迅速走進大眾視野召廷，其中最受重視的是大名鼎鼎的小波變換凳厢，小波變換具有頻率顯微鏡功能，能夠自動兼顧時間分辨率與頻率分辨率竞慢。尤其在信號去噪和奇異點檢測方面一時風(fēng)頭無兩先紫。
3. 信號特征識別階段
無論是傅里葉變換還是小波變換都是在分析頻譜，只能算做對信號進行粗略識別筹煮，光靠頻譜分析是無法對信號進行精細化識別的遮精。于是信號的各種特征提取方法不斷涌現(xiàn)，包括高階矩分析败潦、相關(guān)分析本冲、調(diào)制識別、碼速率識別劫扒、以及信號細微特征提取等檬洞。這些方法在仿真中相當(dāng)有效，然而由于信號在空中傳輸過程中的各種衰落和干擾沟饥，在實際使用中普遍存在可靠性低添怔，普適性差的問題。
4. 現(xiàn)代信號識別的終極目標(biāo)
信號識別的發(fā)展歷程走了很多彎路贤旷，其中很大程度是因為對識別的終極目標(biāo)不明確广料，比如人們花了大量時間去研究信號調(diào)制方式識別，但是即使識別出了調(diào)制方式幼驶，我們對信號的認識也僅僅前進了一小步艾杏，很難單憑調(diào)制方式對信號作有效判斷，而且在大量噪聲干擾下盅藻，信號的高階調(diào)制方式如QAM等的誤識別率很高购桑。
信號識別終極目標(biāo)：一是識別信號內(nèi)容，二是識別信號源氏淑。
對于信號內(nèi)容的識別其兴，必須要研究各種通信協(xié)議，各類加密算法夸政，而且這還涉及到一個法律問題元旬，不是所有人都可以從事這項研究。所以信號識別的研究重心應(yīng)在信號源識別守问。
5. 信號源（輻射源）識別的主要方法與不足
對于信號源的識別在2016年之前主要還是對信號進行多維度特征提仍裙椤（默認信號源的特征在信號中有所反映），再利用分類器如支持向量機（SVM）進行分類識別耗帕。2016年以后蹋岩，受到阿爾法狗啟發(fā)涯曲，開始采用深度學(xué)習(xí)方法進行識別，不用再去單獨進行特征提取道盏，免去了繁瑣的特征工程否灾。
基于深度學(xué)習(xí)的信號源識別取得了不錯的效果，但仍然存在一些問題，主要有兩方面：一是需要進行訓(xùn)練的信號量大，因為一個信號源可能發(fā)出多種不同的信號柒莉，最好能夠遍歷的信號的不同場景；二是對于沒有經(jīng)過訓(xùn)練的信號（源）識別率則不可控沽翔，比如兢孝，有100個信號源的信號輸入訓(xùn)練，在測試時輸入的信號不是參與訓(xùn)練的那100個信號源發(fā)出的仅偎，識別結(jié)果就不可控跨蟹。因為softmax分類方法給出的是測試信號與訓(xùn)練的那100個信號（源）最像的概率，這是一個相對的概率橘沥，這個相對概率數(shù)值可能也會很高窗轩，就是說即使測試信號（源）與訓(xùn)練的100個信號（源）風(fēng)馬牛不相及，仍然有可能以高概率值被誤判為歸屬某一個訓(xùn)練信號（源）座咆。
