Yingchun Xiao、Feng Zhu、Shengxian Zhuang和Yang Yang的研究《基于盲源分离与深度特征学习网络的多电磁辐射源识别》已于2023年发表在《IEEE Transactions on Instrumentation and Measurement》（第72卷）上。这项研究旨在解决电磁环境监测中一个核心且具有挑战性的难题：如何准确识别同时出现、频率相同或信号频谱宽泛的多个电磁辐射源。作者团队主要来自西南交通大学电气工程学院（Yingchun Xiao亦在兰州城市大学工作）。

电磁辐射源是现代电子环境中无处不在的组成部分。然而，在同一环境中，可能存在多个同频或宽频的电磁辐射源，其信号相互叠加，对设备造成干扰或构成安全威胁。准确识别这些辐射源，特别是那些未经授权的“异常”源，是电磁环境监测系统的重要任务。尽管深度学习在无线信号分类与诊断方面取得了显著进展，但由于电磁辐射信号缺乏特定的调制方式，且信号可能随机、频谱差异细微，其深度特征难以学习。更为棘手的是，当多个电磁辐射源同时出现且信号在时频域上非稀疏（如宽带信号）或源数量未知时，传统的识别方法面临巨大困难。现有研究多集中于单一电磁辐射源的识别或系统内已知源的分析，对于开放环境中未知数量、同频或宽带的多个电磁辐射源同时识别，尚缺乏有效方案。因此，本研究的目标是提出一种能够分离未知数量混合信号并有效识别其中（包括未知类别）宽带电磁辐射源的深度神经网络模型。

本研究的工作流程主要分为两大核心部分：基于卷积神经网络与浅层神经网络的盲源分离方法，以及基于多特征表示学习与相似性度量的深度特征学习网络。整个识别流程遵循“先分离，后识别”的思想。首先，利用阵列天线接收混合信号。然后，通过提出的盲源分离方法估计源的数量、混合矩阵，进而估计分离矩阵以分离出各源信号。接着，对每个分离出的信号分别计算其频谱和空间谱，并输入到深度特征学习网络中进行特征提取与识别。整个流程在模拟数据集与实测数据集的共同训练下进行，以确保模型的泛化能力。

在盲源分离阶段，作者提出了一种创新的组合方法。首先，设计了一个名为CNN1的新型卷积神经网络，用于从混合信号的协方差矩阵中生成尖锐的空间谱。该网络的输入是协方差矩阵的上三角元素构成的向量，经过五层卷积（每层后接最大池化）、展平、Dropout、批归一化及全连接层后，输出信号在361个角度（0-360°，间隔1°）上的概率分布，即空间谱估计。CNN1采用加权二元交叉熵作为损失函数进行训练，其输出空间谱具有“针状”峰值，使得电磁辐射源的数量和波达方向可以通过简单地寻找峰值及其索引来精确确定。一旦确定了源的数量和波达方向，即可根据均匀圆阵列的模型计算出混合矩阵A。其次，针对已知混合矩阵A后求解分离矩阵B的问题（目标是使B·A接近单位矩阵），作者没有采用传统的数学反演方法，而是构建了一个浅层神经网络。该网络的权重即为待估计的分离矩阵B，输入是已知的混合矩阵A，损失函数定义为Lsnn = max[(I - B·A), 0]^2。通过优化该神经网络（即优化权重B），使其损失最小化，从而直接估计出分离矩阵B。最后，利用ŝ(t) = B · x(t)得到分离后的源信号。这种方法不依赖于源信号的独立性假设，对欠定盲源分离也适用。

在深度特征学习与识别阶段，为了有效识别分离后的（尤其是宽带的、未知的）电磁辐射源，作者提出了一个基于多特征表示学习与相似性度量的深度特征学习网络。该网络的核心是学习电磁辐射源的判别性深度特征表示。首先，一个由两个相同CNN（称为CNN2）构成的多特征表示学习模块，分别接收分离信号的频率谱和空间谱作为输入。CNN2结构更深，包含六层卷积和三层池化，最终通过一个全连接层分别输出频谱特征表示和空间谱特征表示，并自动融合为多特征表示。其次，受孪生网络启发，引入了相似性度量模块。该模块将一对样本的多特征表示作为输入，计算其欧氏距离，并采用对比损失函数进行训练。其核心思想是：对于同类样本，训练网络使其特征距离趋近于0；对于不同类样本，则使其特征距离大于一个预设阈值η（η通过计算训练集中所有类中心之间的最大距离获得）。这一过程迫使网络学习到更具判别力的深度特征表示，缩小类内差距，扩大类间差距。最后，设计了一个改进的分类层。该层不仅输出样本属于各个已知类别的概率分布（通过Softmax函数），还输出两个样本深度特征之间的相似度。这种设计使得网络不仅能识别训练过的电磁辐射源类别，还能通过判断相似度是否接近阈值η来有效识别未知的电磁辐射源（即与所有已知类特征距离都较大的样本）。

实验部分详尽验证了所提方法的性能。数据集包含了六类电磁辐射源：三类模拟源（线性调频信号、高斯脉冲调制信号、高斯白噪声，标记为EMRS0-2）和三类实测源（实际信号发生器、未经授权的广播、信号干扰器，标记为EMRS3-5）。作者构建了三个数据集：Dataset1用于训练和测试空间谱估计网络（CNN1）；Dataset2用于训练和测试深度特征学习网络；Dataset3则包含多源混合信号，用于测试整套方法的端到端性能。实验结果表明：1）提出的基于CNN的空间谱估计方法，其平均波达方向估计误差在1°以内，并且产生的空间谱峰值比经典MUSIC算法和另一种基于CNN（MSE损失）的方法更尖锐、更准确，尤其在源方向间隔小于2°或存在宽带源时优势明显。2）提出的盲源分离方法在信噪比大于10dB时，分离信号与原始信号之间的相关系数大于0.9，均方根误差小于0.1。与两种基于聚类和稀疏表示的先进盲源分离方法相比，该方法在低信噪比下相关系数更高，且运行时间更短。3）提出的深度特征学习网络在单一电磁辐射源识别任务上，平均测试准确率达到100%（对比使用AlexNet仅学习频谱或空间谱特征的准确率分别为84.43%和74.77%），且时间成本更低。t-SNE可视化显示其学习到的深度特征表示具有更好的类内聚集和类间分离特性。4）完整的“分离+识别”流程在十次实验中的平均识别准确率达到约98%，其中对未知电磁辐射源（如EMRS5）的识别准确率约为98%，对宽带电磁辐射源的识别准确率超过97%。混淆矩阵显示该方法对所有类型的电磁辐射源均有很高的识别精度。

本研究的主要结论是，通过结合创新的盲源分离网络和深度特征学习网络，成功实现了对未知数量、同频及宽带多个电磁辐射源的高精度识别。所提的盲源分离方法能够有效分离混合信号，而深度特征学习网络通过融合频谱与空间谱信息并利用相似性度量学习判别性特征，显著提升了对（包括未知类别在内的）宽带电磁辐射源的识别能力。

本研究的价值体现在科学价值与应用价值两个方面。在科学价值上，它首次在该应用领域提出了基于CNN的空间谱估计方法以使信号稀疏化并估计混合矩阵；首次采用优化网络参数的方法来估计分离矩阵，为欠定盲源分离提供了一种简单有效、不依赖严格假设的新思路；提出并验证了基于多特征表示学习和相似性度量的深度特征学习框架，用于学习宽带电磁辐射源的判别性特征并识别未知源。在应用价值上，该方法可直接应用于特定环境（如重要设施周边、城市电磁环境）的电磁监测系统，提升对复杂电磁环境中多个干扰源的自动识别、定位与管控能力，对电磁频谱管理、电磁安全防护和电磁兼容分析具有重要实践意义。

本研究的亮点突出：首先，研究目标瞄准了实际电磁环境监测中的两大难点——同频多源分离和宽带未知源识别，具有鲜明的现实针对性。其次，方法上具有多项创新：1）将空间谱估计转化为多分类问题并用CNN实现，获得了尖锐的谱峰；2）用浅层神经网络参数优化替代传统矩阵求逆来求解分离矩阵，构思新颖；3）构建了融合双路特征和相似性度量的深度网络，显著提升了特征判别力和未知类识别能力。最后，实验设计严谨，结合了充分模拟数据与真实测量数据，确保了方法的泛化性和可靠性，所报告的识别准确率指标非常出色。

此外，作者在文中也坦诚指出了当前方法的局限性，即盲源分离部分需要多通道阵列同时接收信号，硬件成本较高。他们展望未来的工作将集中于研究针对单通道混合信号的精确盲源分离方法，这为进一步的研究指明了方向。