基于联合ICA和CNN的时频重叠信号识别

作     者：周尚聪 张勇 李东芳 张钟浩 王柳 

作者机构：成都信息工程大学通信工程学院 电子科技大学通信抗干扰国家重点实验室 气象信息与信号处理四川省高校重点实验室 

出 版 物：《电讯技术》 (Telecommunication Engineering)

年 卷 期：2025年

学科分类：080904[工学-电磁场与微波技术] 12[管理学] 0809[工学-电子科学与技术（可授工学、理学学位）] 07[理学] 08[工学] 0810[工学-信息与通信工程] 0711[理学-系统科学] 1201[管理学-管理科学与工程(可授管理学、工学学位)] 081104[工学-模式识别与智能系统] 080401[工学-精密仪器及机械] 080402[工学-测试计量技术及仪器] 0804[工学-仪器科学与技术] 0835[工学-软件工程] 081001[工学-通信与信息系统] 0811[工学-控制科学与工程] 0812[工学-计算机科学与技术（可授工学、理学学位）] 

基　　金：国家重点研发计划项目(2021YFB2900404) 

主　　题：时频重叠 干扰信号识别 独立成分分析 通道注意力机制 卷积神经网络 

摘      要：由于无线通信信道的开放性，通信信号在传输过程中容易受到各类自然或人为干扰影响，通信信号和干扰信号交织形成时频重叠信号，在低干信比条件下，传统信号识别方法性能不佳。针对这一问题，提出一种时频重叠信号识别方法(Overlapping Signals Recognition on ICA and CNN， OSR- IC)，该方法基于独立成分分析(Independent Component Analysis， ICA)算法和通道注意力机制(Channel Attention， CA)的卷积神经网络(Convolutional Neural Network， CNN)。该方法使用ICA算法将时频重叠信号分解为通信信号和干扰信号，通过快速傅里叶变换获得通信信号和干扰信号频谱图，以两类信号频谱图作为CNN网络的输入，引入通道注意力机制获取每个通道的权重进而改进网络特征表达能力，使用改进后的CNN网络对干扰信号进行识别。仿真实验表明，在干噪比为0dB时，所提出的方法对干扰信号的识别率可达94%及以上，相比传统神经网络方法有更优的性能。