复值神经网络在辐射源识别中的优势、挑战与未来趋势探讨

摘要

辐射源识别在现代通信、雷达监测及电子对抗领域具有关键作用，其目标是从复杂电磁环境中快速、准确地定位与分类多种类型的辐射源，以支撑频谱管理、安全监测和战场态势感知．传统的时域、频域与时频域信号处理方法，以及依赖手工设计特征的机器学习算法，在高噪声、低信噪比和多径干扰条件下，往往难以兼顾信号幅度与相位的耦合信息．复值神经网络（CVNN）通过在复数域内直接对I/Q数据建模，实现了对幅度-相位特征的完整表征，显著提升了低信噪比环境下的识别精度与抗干扰能力．本文系统梳理了CVNN在辐射源识别中的研究成果：首先回顾了复值卷积神经网络（CV-CNN）在时频图像特征提取与模型轻量化压缩方面的创新；随后评述了复值循环神经网络（CV-RNN）在时序特征建模与增量识别中的应用，并深入探讨了将注意力机制、自监督学习及对抗训练策略融入复值框架以强化模型泛化与鲁棒性的路径；最后，针对当前方法在参数初始化、训练稳定性、算力消耗及小样本迁移学习等方面的技术瓶颈，提出了面向边缘计算设备的轻量化网络设计、复数域数据增强与多模态融合等未来研究方向，以期为提升辐射源识别系统的实时性与可靠性提供指导．

关键词

辐射源识别 / 复杂电磁环境 / 复值神经网络 / 信号处理 / 深度学习