南京邮电大学学报(自然科学版)

作者：刘子龙,张军,丁良辉,杨峰

单位：上海交通大学 电子信息与电气工程学院，上海 20024092941部队，辽宁 葫芦岛 125001上海交通大学 电子信息与电气工程学院，上海 200240上海交通大学 电子信息与电气工程学院，上海 200240

关键词：通信干扰识别;卷积神经网络;宽带通信系统;短时傅里叶变换;时频图

基金：上海市重点实验室基金（STCSM15DZ2270400）资助项目

在宽带通信干扰识别中，使用短时傅里叶变换等时频分析方法将信号转换为时频图后输入卷积神经网络（CNN）实现干扰识别的算法存在复杂度高的问题。针对这个问题，提出了一种基于时频图特征压缩的低复杂度CNN干扰识别方法。该算法根据干扰时频图中信息的冗余性和无效性，使用时频图的时域均值滤波、频域均值滤波和极值滤波结果联合表征干扰的时频图特征，将滤波后的三组一维特征序列输入 CNN 网络，实现干扰识别。所提方法结合减少输入数据量和降低 CNN规模两种方式，在保证识别性能的同时显著降低干扰识别复杂度。实验结果表明，针对常见的7种压制式干扰，与传统的基于时频图的CNN识别方法相比，所提方法能减少98.78%的网络参数量和降低93.57%网络计算量，且在低干噪比情况下识别性能提升约2 dB；此外，所提方法在识别准确率和网络复杂度两方面均优于深度可分离卷积、网络剪枝和时频图尺寸压缩这几种低复杂度方案。该方法特别适用于无人机、便携式通信设备等资源受限设备中的实时干扰识别任务，为复杂电磁环境下的干扰识别提供了一种高精度、低复杂度的解决方案。

来源：2026年第02期

《南京邮电大学学报(自然科学版)》期刊编辑部

查看南京邮电大学学报(自然科学版)杂志2026年第02期