STAP-OSR：一种用于无人机射频信号轻量级开放集识别的谱时自适应原型方法

《Physical Communication》：STAP-OSR: Spectral-temporal adaptive prototyping for lightweight open-set recognition of UAV radio-frequency signals

　　

• •
  STDA-Enc 解耦了无人机射频频谱图中的频谱和时序依赖关系。
• •
  AHP 学习每类的原型方向、集中度和角余量。
• •
  AMBL 协调原型对齐、角余量和原型分离。
• •
  STAP-OSR 以 0.72M 参数（ResNet-18 的 6.4%）达到了 0.949/0.943 的平均 AUROC/OSCR。

引言

民用和工业无人机（UAV）的快速普及产生了对可靠无人机监视的迫切需求。这一需求在公共安全和新兴的低空经济中尤为明显。在可用的感知模态中，射频（RF）感知为无人机监控提供了实用基础。它分析控制和遥测发射，而不依赖目标外观或声音 [1]。硬件引起的发射器特征和运行依赖的信号模式在无人机射频信号中提供了独特的线索。这些线索支持从原始信号和时频表示进行无人机检测、分类和识别 [2], [3]。随着日益多样化的公共数据集支持和用于干扰下鲁棒射频特征提取的深度表示学习 [4]，无人机射频识别现在从基本的存在检测和闭集识别扩展到轻量级射频指纹和开放集识别（OSR）[5], [6]。这些进展支持在智能和边缘可部署无人机监视系统中使用射频识别。

OSR 旨在保留对已知发射机的正确识别，同时拒绝训练类不支持的信号。通用 OSR 方法通过类级分数重新校准、倒数点学习和基于聚类的动态锚点协作建模来解决此任务 [7], [8], [9]。最近的特定于无人机的研究进一步探索了信号语义表示和深度度量嵌入以拒绝未知对象 [10], [11]。这些方法展示了无人机射频 OSR 的可行性。然而，它们通常分别处理表示学习、拒绝几何和特征空间优化。因此，它们没有共同解决判别性表示、类自适应边界构建和开放空间分配。尽管取得了这些进展，无人机射频 OSR 仍面临三个技术挑战。首先，现有研究很少结合轴特定表示与参数高效设计。通用架构通常对频率和时间轴应用共享操作。这种设计限制了结构专业化并增加了边缘部署成本。其次，现有决策机制通常不会根据类特定分散情况共同调整原型方向、分数敏感度和角边界。这种几何不匹配可能会拒绝分散的已知类并接受靠近紧凑类的未知样本。第三，现有目标通常将特征对齐、边界约束和原型分离视为独立目标。这种分离削弱了编码器表示与类自适应几何之间的协调。它也限制了角分离和开放空间控制。

为了缓解这些缺点，我们提出了用于开放集识别的频谱 - 时间自适应原型（STAP-OSR），一种用于无人机射频开放集识别的新型轻量级框架。它由频谱 - 时间解耦注意力编码器（STDA-Enc）用于紧凑的轴特定射频表示、自适应超球面原型模块（AHP）用于类依赖的原型和边界建模，以及角余量边界损失（AMBL）引导的超球面优化策略用于建立判别性和稳定的类依赖几何。本论文的贡献总结如下：

• 1.
  我们引入了 STDA-Enc 用于紧凑且针对射频的表示学习。与统一的卷积或空间注意力编码器不同，STDA-Enc 通过各向异性分支和轴向自注意力分别建模频谱和时序依赖关系。双向分块交叉注意力进一步在两种表示之间交换互补信息，而不会产生全局全对交互的成本。
• 2.
  我们引入了 AHP 来构建类自适应的开放集几何。AHP 不是仅使用固定锚点、类中心或共享边界来表示每个已知类，而是为每个类共同学习一个原型方向、集中度参数和角余量。将它们集成到统一的角支持函数中，使得能够在相同的类依赖几何内进行已知类分配和未知拒绝。
• 3.
  我们构建了 AMBL 来协调表示学习和边界优化。其原型、余量和扩展项共同调节特征原型对齐、最难负样本角排除和全局原型分配。生成的梯度路径将 STDA-Enc 与原型方向、集中度参数和类特定余量耦合，而不是独立优化这些组件。
• 4.
  我们在公共 DroneRFbSpectra 基准上的六个开放集场景下评估了 STAP-OSR。STAP-OSR 达到了 0.949 的平均接收器操作特征曲线下面积（AUROC）和 0.943 的平均开放集分类率（OSCR）。该模型包含 0.72 百万参数。此参数数量是 ResNet-18 的 6.4%。消融研究进一步证明，关键组件对开放集识别性能做出了实质性和互补的贡献。

本文其余部分组织如下。第 2 节回顾相关工作，第 3 节提出方法，第 4 节报告实验，第 5 节得出结论。

章节摘要

相关工作

本节回顾了与 STAP-OSR 最相关的文献。第 2.1 节总结了之前关于无人机射频信号识别的研究。第 2.2 节回顾了代表性的 OSR 方法。第 2.3 节讨论了超球面表示学习。

方法

本节介绍了 STAP-OSR，包括其整体架构（第 3.1 节）、STDA-Enc（第 3.2 节）、AHP（第 3.3 节）和 AMBL 引导的超球面优化（第 3.4 节）。

数据集与实验设置

我们在公共 DroneRFb-Spectra 基准 [10] 上评估了 STAP-OSR，该基准包含七个品牌的 23 个设备类别和一个背景类别。在数据集构建期间，每个 50 毫秒的原始同相和正交（I/Q）信号段使用短时傅里叶变换（STFT）转换为时频频谱图，所得表示标准化为 512 × 512 的分辨率。它将局部频谱内容和时序演化映射到标准化的

结论

我们提出了 STAP-OSR 以解决低空射频监视中已知无人机发射机的识别和之前未见过的类的拒绝。STAP-OSR 建立了一个统一框架，耦合了轴特定射频表示、类自适应超球面边界构建和协调的几何优化。STDA-Enc 通过显式的频谱 - 时间解耦和跨分支交互学习紧凑的射频表示。AHP 共同参数化类表示和

伦理声明

本研究不涉及人类参与者、动物或个人身份信息。所有实验均使用公开发布的无人机控制信号射频频谱数据集。无需伦理批准。

生成式人工智能使用声明

在准备本工作期间，作者使用生成式人工智能助手支持起草和语言编辑。所有人工智能辅助的输出均由作者审查和编辑，作者对出版内容承担全部责任。

CRediT 作者贡献声明

张玉龙：撰写 – 原稿，软件，方法论，概念化。李颖奇：撰写 – 审阅与编辑，验证，形式分析。李子真：验证，调查。黄天宇：可视化，验证，软件。孙博：验证，资源，数据管理。孙晓川：撰写 – 审阅与编辑，监督，资金获取，概念化。

利益冲突声明

作者声明他们没有已知的竞争财务利益或个人关系，这些利益或关系可能会影响本文报告的工作。

张玉龙|李颖奇|李子真|黄天宇|孙博|孙晓川