这篇文档是类型a：一份报告单一原创研究的学术论文。以下是基于其内容撰写的学术报告。
关于小样本条件下通信干扰开集识别技术的研究报告
第一， 研究作者、机构、发表信息 本研究由西安电子科技大学通信工程学院的硕士研究生孙帅琦在其导师李赞教授的指导下完成。研究成果以硕士学位论文的形式提交，并于2024年3月完成。论文的英文标题为“Open Set Recognition Technology for Communication Intercommunication Interference Under Small Sample Conditions”。
第二， 研究的学术背景 本研究属于信息与通信工程领域，具体聚焦于无线通信安全与信号处理中的通信干扰识别技术。随着无线通信的普及和电磁环境的复杂化，恶意干扰对军事和国家安全构成严重威胁。深度学习技术虽然在干扰识别中展现出强大潜力，但其应用面临两大核心挑战：一是依赖于大量训练数据的“大数据”需求，在动态对抗环境中难以满足，即“小样本”（Small Sample）问题；二是现有模型多基于“闭集识别”（Closed-Set Recognition）假设，无法有效识别训练阶段未出现过的新型未知干扰类型，即“开集识别”（Open Set Recognition）问题。 研究背景知识涵盖了通信干扰信号的分类（常规压制式、新型压制式、欺骗式等）、信号时频分析方法（如短时傅里叶变换 STFT、平滑伪魏格纳-维利分布 SPWVD）、传统机器学习（如随机森林、支持向量机）与深度学习（如长短期记忆网络 LSTM、深度残差网络 ResNet）在信号识别中的应用，以及数据增强（Data Augmentation）和开集识别的前沿方法。 本研究的核心目标是：针对小样本条件下的通信干扰识别难题，构建一个涵盖数据增强、开集识别和未知类型再分类的完整解决方案，旨在提升模型在数据稀缺时对已知干扰的识别准确率，并使其具备识别和分类新型未知干扰的能力，最终实现模型的增量学习，以适应不断变化的干扰环境。
第三， 研究的详细工作流程 本研究包含四个主要阶段，流程严谨，层层递进。
阶段一：干扰信号仿真、特征分析与小样本条件界定 * 研究流程与对象：首先，研究系统性地仿真了13种常见通信干扰信号，包括7种常规压制式干扰（单音、多音、窄带/宽带噪声、梳状谱、线性/正弦调频、脉冲）、2种新型压制式干扰（噪声乘积、噪声卷积）、2种噪声调制干扰（调频、调幅）以及1种欺骗式干扰（间歇采样直接转发干扰）。为每种干扰提取了时域、频域、熵等多维域特征。 * 处理与实验方法：通过改变干噪比（JNR）环境，详细探讨了12个关键特征（如时域矩峰度、频域二阶中心矩、瞬时幅度熵、Radon变换域峰值系数等）随JNR变化的规律和分布特点，验证了这些特征用于干扰识别的有效性。 * 数据分析和流程：为了量化“小样本”的具体范围，研究搭建并比较了四种识别模型：两种传统机器学习模型（随机森林 RT、支持向量机 SVM）和两种深度学习模型（长短期记忆网络 LSTM、深度残差网络 ResNet）。核心实验是向这些模型输入不同数据量的训练集进行训练和测试，观察识别准确率随样本数量变化的曲线。 * 新颖方法：此阶段的关键在于通过系统性实验，为“小样本”设定了一个明确的量化标准：为保证模型识别准确率，每种干扰类型在每个干噪比下至少需要300个训练样本。这一标准为后续研究提供了数据基础。
阶段二：小样本条件下的数据增强技术研究 * 研究流程与对象：针对小样本导致模型性能下降的问题，研究探索了数据增强技术以扩充训练集。比较了两种路径：基于图像处理的数据增强和基于生成式网络模型的数据增强。 * 处理与实验方法：重点仿真并实现了两种先进的生成式模型：条件生成对抗网络（Auxiliary Classifier GAN, ACGAN） 和 去噪扩散概率模型（Denoising Diffusion Probabilistic Models, DDPM）。这两种模型被训练用于生成逼真的干扰信号时频图。 * 新颖方法与数据分析流程：DDPM模型的U-Net网络结构进行了改进，引入了残差连接和自注意力机制。为了评估生成图像的质量，研究采用了弗雷歇距离（Fréchet Inception Distance, FID）分数作为客观评价指标。通过计算两种模型生成图像的FID分数，并与真实图像对比，评估其生成质量。进一步的实验是，在原始小样本训练集中加入不同数量的由DDPM生成的图像，重新训练识别模型，观察识别准确率的提升情况。
阶段三：基于自编码器的通信干扰开集识别 * 研究流程与对象：此阶段旨在解决未知干扰的初步识别问题。研究提出了一种基于自编码器（Auto-Encoder, AE）的新型开集识别途径。 * 处理与实验方法：设计并训练了一个深度自编码器网络。其核心创新在于引入了一种带权重的均方误差损失函数。该自编码器使用已知类别的干扰信号数据进行训练，学习重构这些信号。其基本原理是：经过训练的自编码器能够很好地重构已知类别的输入信号（重构误差小），而难以有效重构未知类别的输入信号（重构误差大）。 * 新颖方法：通过设定一个重构误差阈值，可以判断输入信号是属于已知类别还是未知类别。研究详细仿真了该自编码器对10种训练过的已知干扰和3种未训练过的未知干扰的重构效果，并统计了重构误差分布，验证了该方法的有效性。
阶段四：未知干扰的再分类与增量学习识别 * 研究流程与对象：在开集识别出未知干扰后，研究进一步设计了解决方案，对这些未知干扰进行精细的类别划分，并实现模型的增量学习能力。 * 处理与实验方法：首先，设计了一个基于神经网络的分类器，对已知类别的干扰进行精确分类。其次，对于被自编码器判定为“未知”的信号，利用自编码器的编码器部分将其映射到低维特征空间。然后，采用聚类算法（如具有噪声的基于密度的聚类方法 DBSCAN）对这些未知干扰的特征进行无监督聚类。 * 新颖方法与数据分析流程：这套组合方法不仅能确定未知干扰信号的具体类别数量，还能对每个未知样本进行细粒度划分。最后，研究探讨了迁移学习的应用：通过微调（Fine-tuning）已有的分类器和编码器模型，仅需少量新类别的样本，即可使模型快速适应并识别新添加的干扰类型，从而实现通信干扰信号的增量学习识别。研究通过仿真和硬件实测（给出了实测框图、上位机界面和结果表格）验证了整体方案的有效性。
第四， 研究的主要结果 阶段一结果：特征分析结果以图表形式展示了12个特征随JNR变化的曲线，清晰揭示了不同干扰类型特征的差异性，证实了其作为分类依据的有效性。在模型对比实验中，四种模型在不同样本量下的识别准确率曲线被绘制出来。结果表明，当每类每JNR样本数低于300时，所有模型的识别率均出现显著下降，从而明确界定“小样本”的阈值为300个样本。这一结果为后续数据增强的必要性提供了数据支撑。 阶段二结果：DDPM模型在生成干扰信号时频图的质量评估中，其FID分数优于ACGAN模型，表明DDPM生成的图像更接近真实数据分布。关键性结果是：在原始小样本训练集中添加由DDPM生成的图像后，模型的识别准确率和泛化能力得到了显著提升。实验图表显示，随着生成样本数量的增加（尤其是在低样本量时），模型识别率稳步提高，有效缓解了小样本学习瓶颈。 阶段三结果：仿真结果表明，基于加权损失函数的自编码器能有效区分已知和未知干扰。重构误差统计直方图显示，已知类别的误差集中分布在低值区域，而未知类别的误差则分布在明显更高的区域，二者分离度良好。在JNR为-2dB时，该开集识别方法的准确率达到了98%以上，证明了其在低信噪比环境下仍具有鲁棒性。 阶段四结果：将自编码器提取的特征进行可视化（如t-SNE图），可以观察到已知类别特征聚集明显，未知类别特征则形成独立的簇。结合聚类算法和分类器，整套方案在开集识别后成功对未知干扰进行了再分类。最突出的成果是：在训练数据量降至原先十分之一的小样本条件下，该方案在JNR为0dB时仍能保持99%以上的整体识别准确率，且在低JNR下优势更明显。对比实验显示，该算法性能优于传统方法。实测结果（表格数据显示了对多种干扰的实际识别率）进一步验证了算法的工程可行性。增量学习的微调实验则证明，模型能够以少量代价适应新干扰类型。
第五， 研究的结论与价值 本研究成功提出并验证了一套针对小样本条件下通信干扰开集识别的完整技术框架。其科学价值在于：1) 为通信干扰识别中的“小样本”问题提供了明确的量化标准和基于生成模型（特别是DDPM）的有效数据增强方案；2) 创新性地将自编码器重构误差与加权损失函数结合，为解决信号领域的开集识别问题提供了一条新路径；3) 将开集识别、聚类再分类和迁移学习相结合，系统性地解决了从未知干扰检测到细分类再到模型在线更新的全过程。 其应用价值极为显著：该技术能够使通信对抗系统在仅有少量先验样本的情况下，保持对已知干扰的高识别率，并具备发现、鉴别和快速学习新型未知干扰的能力，极大地提升了通信系统在复杂、动态、不确定电磁环境中的感知韧性和自适应抗干扰能力，对军事通信安全和民用频谱管理具有重要的现实意义。
第六， 研究的亮点 1. 问题定义与量化创新：首次通过系统实验，为通信干扰识别领域的“小样本”条件给出了一个具体、可量化的数据标准（300样本/类/JNR），使相关研究有了更明确的参照。 2. 技术路径的完整性与系统性：研究并非解决单一问题，而是构建了从“数据生成”（增强）到“未知检测”（开集识别），再到“精细处理”（再分类与增量学习）的端到端解决方案，逻辑闭环，体系完整。 3. 方法的新颖性与有效性：提出了基于加权损失自编码器的开集识别新方法，并率先将先进的DDPM生成模型应用于通信干扰时频图的数据增强，取得了优于传统GAN模型的效果。 4. 卓越的性能表现：最终方案在极低数据量（原数据量的1/10）下，依然能在多种JNR条件下保持接近闭集识别的高准确率（>99% @ 0dB），性能优势突出，并通过了硬件实测验证。
第七， 其他有价值内容 论文中包含了详尽的仿真图表（超过40幅图和多张表格），清晰展示了各类干扰的时频特征、特征变化规律、模型性能对比、生成图像质量、重构误差分布、特征可视化、混淆矩阵等，为读者提供了丰富的数据支持和直观理解。此外，研究的软件设计部分展示了上位机界面，表明了成果已具备一定的软件化、工具化潜力，便于向实际应用转化。论文对13种干扰的仿真与特征库构建，本身也是一份有价值的研究资料。