本文档发表于《telecom power technology》期刊，2021年1月25日第38卷第2期。作者是练东海，所属机构为中国人民解放军78167部队（四川成都）。

该论文的主题是基于深度学习的无线通信干扰信号识别与处理技术。在当前无线通信网络高速发展但面临严峻电磁干扰威胁的背景下，论文探讨了利用深度学习技术，特别是卷积神经网络、残差网络和语义分割网络，来实现对无线通信中干扰信号的精准识别与有效抑制，旨在提升无线通信网络的抗干扰能力。

首先，论文阐述了研究的必要性。无线通信是地表通信网络的重要方式，但其稳定性易受日益突出的通信干扰威胁。传统的干扰抑制技术（如在时域、频域、空域中采取的措施）往往适用范围有限，难以应对多种干扰并存的复杂场景，且抑制干扰的同时可能影响正常通信。因此，开发能够快速、精准识别干扰信号，并以最小损害进行抑制的技术，对于提高无线通信网络的抗干扰性能至关重要。深度学习因其强大的非线性关联和数据表示能力，为解决这一问题提供了新的思路。

其次，论文系统性地构建了一个基于深度学习的无线通信干扰信号识别与处理框架，并分别详述了识别与抑制两大部分的具体方法。

在干扰信号识别方面，论文提出了一个通用的识别框架，主要包括三个步骤：获取数据、数据预处理与特征提取、以及分类。获取的数据是选定频率范围和区域的源信号。数据预处理首先对复杂的基带信号进行功率归一化处理，以消除干扰信号对分类特征的影响并加速网络学习。具体公式如论文中公式(1)所示，对信号采样点进行归一化。为减少频谱能量损失，预处理中使用了高旁瓣衰减的汉宁窗对时域信号进行加窗。预处理后的数据以两种格式输入后续网络：一种是时域数据，包含干扰信号的同相（I）通道和正交（Q）通道数据，维度为 N×2（N为采样点数）；另一种是频域数据，包含信号经过快速傅里叶变换（FFT）后的实部和虚部，维度同样为 N×2。网络标签采用独热编码。

基于此框架，论文设计并介绍了两种具体的深度学习识别网络模型：

第一种是基于卷积神经网络（CNN）的干扰信号识别网络。该网络将预处理后的数据（尺寸N×2）通过矩阵变换调整为三维尺寸（N×1×2），以适应网络处理。网络的核心由多个“实数/复数卷积单元”和池化层构成。每个“实数/复数卷积单元”包含批量归一化层、激活函数层和卷积层。实数CNN使用修正线性单元（ReLU）作为激活函数，而复数CNN则使用级联整流线性单元（CReLU）以保留更多相位信息。网络通过平均池化层进行下采样，最后经由全连接层和Softmax函数完成分类。

第二种是基于残差网络（ResNet）的干扰信号识别网络。该网络旨在通过引入残差连接来缓解网络加深带来的训练速度下降问题，利用身份映射（identity mapping）加速网络训练。其输入数据处理方式与CNN网络相同。网络首先通过一个初始卷积层（实数或复数）提取特征，随后通过由6个“实数/复数残差单元”构成的模块进行深度特征提取。每个残差单元的结构如论文中图5所示。最终，特征图经过平均池化、全连接层和Softmax函数进行分类。实数部分激活函数用ReLU，复数部分用CReLU。

在干扰信号抑制方面，论文针对时域和频域干扰信号的特性差异，提出了相应的抑制算法思路，并重点介绍了一种基于语义分割网络的抑制网络模型。

干扰抑制算法分为时域和频域两类。时域抑制相对简单，直接将时域IQ信号输入抑制网络即可。频域抑制则更为复杂，因为对分段信号进行FFT处理会导致频谱泄露。为解决此问题，论文提出采用叠加窗（如1/2叠加汉明窗）的方法来减少频谱损耗并降低信噪比损失。其基本流程是：将接收信号分成两个通道，其中一个延迟N/2个采样点；分别对两个通道信号加窗；进行FFT变换；再经过抑制网络处理；执行反向快速傅里叶变换（IFFT）回时域；最后将两个通道的信号叠加输出。

为实现有效的干扰抑制，论文设计了一种基于复数语义分割网络U-Net的干扰信号抑制网络。U-Net网络最初用于医学图像分割，其U形结构包含一个下采样（编码）路径和一个上采样（解码）路径。下采样路径通过卷积和池化逐步提取深层特征和扩大感受野；上采样路径通过上采样操作和与下采样路径对应层级特征的跳跃连接，逐步恢复空间细节信息。这种结构非常适合于从受干扰的接收信号中“分割”或还原出目标信号。论文提出的基于复数U-Net的抑制网络，利用复数卷积层处理信号的I/Q或FFT实部/虚部数据，通过编码器-解码器结构，学习从含干扰的输入信号到干净目标信号的映射关系，从而实现干扰的抑制。

最后，论文得出结论，指出在复杂的电磁环境中，将深度学习应用于无线通信干扰识别与处理领域，能够有效提高无线通信网络的抗干扰性能。深度学习方法的引入，为快速、准确地识别并抑制干扰信号提供了新的技术途径。

本文的主要观点和贡献在于： 第一，明确提出了将深度学习框架系统性地应用于无线通信抗干扰这一具体工程问题，涵盖了从识别到抑制的完整流程。 第二，在识别环节，不仅应用了经典的CNN，还引入了更深的ResNet结构以提升性能，并考虑了实数与复数网络在处理信号时的不同特性，选用了不同的激活函数。 第三，在抑制环节，创新性地将常用于图像分割的U-Net网络结构迁移到信号处理领域，用于从混合信号中分离出目标信号，这是一个方法上的亮点。 第四，详细讨论了数据预处理的具体步骤（如功率归一化、加窗）和输入数据的多种格式（时域I/Q、频域实部/虚部），为后续研究者提供了可操作的技术细节。 第五，区分了时域和频域抑制算法的不同处理流程，特别是针对频域处理的频谱泄露问题提出了叠加窗的解决方案，体现了对实际问题细节的考量。

这篇论文是一篇具有一定前瞻性和实用性的技术探讨，它系统地勾勒了深度学习在无线通信抗干扰领域应用的技术路线图，并提出了具体的网络模型和算法流程，对于推动人工智能与通信技术交叉融合、解决实际通信系统中的干扰难题具有参考价值。