基于无监督深度学习的无线信号识别技术综述：面向6G网络的环境感知新范式

《IEEE Access》：Radio Signals Recognition with Unsupervised Deep Learning: A Survey

本刊编辑推荐：本文系统综述了无监督深度学习在无线信号识别领域的应用，重点解决了标记数据稀缺导致的模型泛化难题。研究团队从自动调制分类(AMC)、信号感知、特定辐射源识别(SEI)和异常检测四个维度，深入分析了深度聚类、对比学习、自编码器等前沿方法在O-RAN架构下的应用潜力。结果表明，无监督方法仅需少量标记数据即可达到与监督学习相当的识别准确率，为构建自适应AI原生无线网络提供了关键技术路线。该研究为6G网络实现集成感知与通信(ISAC)能力奠定了理论基础。

　　

随着无线设备数量爆炸式增长和新型业务场景不断涌现，无线电频谱已成为堪比黄金的稀缺资源。然而，传统无线网络缺乏对环境动态变化的感知能力，就像在拥挤的十字路口没有交通信号灯指挥，导致频谱利用率低下、干扰频发。特别是在5G向6G演进的过程中，集成感知与通信(ISAC)被确立为关键使能技术，但实现这一愿景面临核心瓶颈：基于监督学习的信号识别方法严重依赖海量标记数据，而在实际部署中获取精确标记的射频信号犹如大海捞针。

为解决这一难题，来自斯洛文尼亚约瑟夫·斯蒂芬研究所的科研团队在《IEEE Access》上发表了题为《Radio Signals Recognition with Unsupervised Deep Learning: A Survey》的综述论文。研究团队创造性地将计算机视觉领域大放异彩的无监督深度学习范式引入无线通信领域，系统构建了从算法原理到应用场景的完整技术路线图。研究表明，通过深度聚类、对比学习等新兴方法，模型能够从O-RAN架构提供的海量无标记数据中自主学习信号特征，仅在特定场景下需少量标记数据进行微调，极大降低了部署门槛。

关键技术方法主要包括：1）采用卷积神经网络(CNN)与自注意力机制混合架构处理I/Q信号和频谱图；2）利用改进的MoCo-v3和SimCLR框架实现射频信号的对比表示学习；3）通过变分自编码器(VAE)在潜在空间构建概率生成模型；4）结合长短期记忆网络(LSTM)与混合密度网络(MDN)进行时间序列预测学习。所有实验均基于公开数据集(RADIOML 2018.01A等)和真实环境采集的频谱数据验证。

自动调制分类(AMC)技术突破

研究显示，对比学习在AMC任务中表现尤为突出。例如采用时序卷积网络(TCN)与Transformer混合架构的模型，在仅使用220个标记样本（相当于0.5%标记率）的情况下，在-6dB低信噪比条件下仍能达到53%的分类准确率。这种方法的创新性在于引入了载波频率偏移、相位偏移等符合射频信号特性的数据增强策略，使模型学会区分环境干扰与本质调制特征。值得注意的是，基于Gramian角场(GAF)的图像化处理方法虽实现了54.85%的准确率，但需要更多标记数据支持，印证了不同方法在数据效率方面的显著差异。

信号感知技术革新

在频谱感知领域，研究揭示了不同任务的最佳技术路径：对于主用户检测(PUD)这类二分类问题，变分自编码器(VAE)与高斯混合模型(GMM)的组合在瑞利衰落信道下实现85%的检测概率；而无线电接入技术(RAT)识别则更适合采用深度聚类方法，其中1D CNN架构处理FFT振幅数据时，模型参数可控制在千量级，推理延迟降低三个数量级，满足O-RAN近实时控制需求。特别值得关注的是，在868MHz频段的真实环境测试中，该方法对LoRa、SigFox等技术的识别F1分数达到0.99，证明了无监督学习在复杂电磁环境中的鲁棒性。

特定辐射源识别(SEI)进展

针对设备指纹识别这一安全关键任务，研究团队发现了元对比学习方法的特殊价值。通过构建设备特异性特征与通用特征的双重优化目标，在包含20个Wi-Fi设备的开放数据集上实现91.79%的未知发射源检测准确率。更引人注目的是，采用旋转特征解耦的三重预训练任务设计，仅需30个标记样本即可使下游分类准确率超过90%，为解决物联网设备身份认证提供了样本高效的新思路。实验还发现，当已知发射器数量从6个增加到15个时，模型性能仅下降3.2%，展现出优异的可扩展性。

异常检测创新应用

在异常检测方面，生成对抗网络(GAN)与自编码器的组合展现出独特优势。SAIFE模型通过对抗训练学习可解释特征，在合成数据和真实数据上分别实现92.86%和100%的异常识别准确率。特别值得关注的是，基于Stockwell变换的时频分析方法在毫米波频段实现0.97的AUC值，为5G/6G网络中的频谱违规检测提供了新手段。研究还表明，LSTM-MDN模型通过负对数似然度检测数字射频传输异常，有效识别了频谱劫持、节点故障等传统方法难以发现的隐蔽威胁。

研究结论与展望

这项研究系统证明了无监督深度学习在解决无线信号识别四大核心挑战中的巨大潜力。通过建立方法学与应用场景的映射关系，不仅为研究人员提供了清晰的技术选型指南，更揭示了未来发展的关键路径：首先，需要建立包含真实信道特性、硬件损伤和移动场景的开放基准数据集；其次，轻量化模型设计需与O-RAN架构深度耦合，满足边缘部署的延迟约束；最后，跨层优化框架将推动从信号识别到网络决策的闭环自治。

该综述的重要意义在于，它首次将分散在各类文献中的无监督学习方法体系化，为6G网络实现环境感知能力提供了理论支撑和实践路径。随着O-RAN接口标准化和实验平台普及，文中所论证的技术路线有望快速转化为实际部署，最终推动无线网络从"被动传输"向"主动认知"的历史性转变。正如研究者所指出，当通信系统能够像人类感官一样实时理解环境，真正智能的互联世界才会到来。