近日，中国指挥与控制学会公布了2024年度CICC博士学位论文激励计划入选名单，实验室毕业生周华吉博士（导师：焦李成教授、杨小牛院士）的博士学位论文成功入选。截至目前，实验室共获得全国百篇优秀博士学位论文及提名、陕西省优秀博士学位论文及各学会优秀博士学位论文35篇。

周华吉，西安电子科技大学博士，杨小牛院士团队核心成员，中国电科第三十六研究所高级工程师，兼任西安电子科技大学杭州研究院/广州研究院、陆军工程大学、浙江工业大学、杭州电子科技大学等高校工程硕士企业导师，中国指控学会青工委委员，长期从事信号智能处理研究工作，承担或者参与国家级科研项目二十余项，发表SCI/EI论文三十余篇，授权受理发明专利三十余项，担任《数据采集与处理》青年编委，Electronics 期刊客座编委，通信对抗、IEEE TCCN等国内外高水平期刊审稿人，入选 2024 年中国指挥与控制学会博士论文激励计划（优博），曾获中国电科集团专利优秀奖等多个省部级奖项，作为团队核心成员获2019年国防科技工业十大创新团队。

01 博士学位论文题目（中文/英文）

小样本电磁信号智能识别技术研究

Deep Learning Few-shot Electromagnetic Signal Classification

02 研究背景/选题来源

电磁信号识别的核心任务是通过挖掘电磁信号特征，并设计合理分类器实现不同电磁信号类型或个体的有效区分。随着信息技术的迅猛发展，电磁信号识别技术在电磁频谱管控、网络空间安全、认知无线电等领域发挥出越来越重要作用。然而伴随无线电设备的大量出现，电磁环境日益复杂，且各类设备的频谱范围、脉冲频率和工作时间重叠密集，使得传统基于人工设计特征的电磁信号识别技术逐渐难以应对。

近年来，深度学习凭借其强大的自动特征提取能力被应用到电磁信号识别任务，显著提升了识别效果。然而以卷积神经网络为代表的全监督学习方法，需要大量带标签数据进行训练处理，才能实现电磁信号高精度识别。在频谱感知、频谱管控等特定领域，电磁信号截获难度大、种类多样且更新变化速度快，导致能够研究利用的高质量带标签信号数据极度稀缺。如何通过对少量带标签甚至无标签信号样本进行深度学习和高效表征，提升小样本条件下的电磁信号识别性能，是电磁信号识别任务迫切需要解决的难题。同时，在处理开放性环境下增量目标识别问题时，受限于存储资源，能够利用的旧类信号样本数量相对有限，这导致实现新旧类信号同时有效学习十分困难。本文从上述问题出发，深入研究小样本条件下电磁信号学习表征与智能识别技术，为解决电磁信号识别技术瓶颈问题研究提供理论支撑和技术支持，并对算法的工程实用性进行分析和验证，具有一定的研究意义和应用价值。

03 研究内容

本文面向复杂电磁环境中，高质量带标签样本难以有效获取或充分利用导致的小样本条件下电磁信号高精度识别、无标签样本条件下电磁信号高效表征、开放性环境下增量化电磁信号识别等问题，开展了小样本电磁信号识别方法的一系列探索。针对实际应用中五种典型场景：1）带标签信号样本较少，有相近领域知识；2）带标签信号样本较少，有大量无标签样本；3）带标签信号样本较少，无其他样本，且无其他先验知识等常规小样本场景；4）带标签信号样本完全没有的极端小样本场景；5）可利用的旧类样本标签受限等增量识别任务中的小样本场景，分别结合迁移学习、半监督学习、数据增强、深度聚类、增量学习等方法，深入挖掘电磁信号本质特征，实现了不同场景下小样本电磁信号识别问题的一整套解决方案。同时，围绕着算法的工程实用性开展了模型轻量化研究工作。

04 主要创新点

（1）针对带标签信号样本较少，无其他样本，有相近领域知识的小样本场景，提出了一种选择性知识迁移学习框架。通过对特征向量进行奇异值分解，研究调制信号预训练网络权重的哪些部分不可迁移，或者可能对目标域产生负面影响，并对其进行抑制，以实现预训练知识的选择性迁移。此外，使用随机归一化而不是批量归一化，通过迁移尽可能多的参数来实现架构正则化。

（2）针对带标签信号样本较少，有大量无标签样本的小样本场景，提出了一种结合生成对抗网络的半监督学习框架，能对原始电磁信号数据直接进行处理。同时，根据电磁信号特征，设计了一种混合损失函数（混合均衡最优解），并训练出有效的分类器，充分利用无标签样本资源，实现了半监督条件下电磁信号的端到端准确识别。

（3）针对带标签信号样本较少，无其他样本，且无其他先验知识的小样本场景，提出了一种基于生成对抗网络的电磁信号数据联合增强方法。利用生成对抗网络强大的相似样本生成能力，对信号样本数量进行扩展；基于相似原理，建立样本筛选机制，获得高质量的生成信号样本；结合信号物理特性，引入信号样本的时空翻转形态，设计了样本数据联合增强方法，实现电磁信号数据有效增强。

（4）针对带标签信号样本完全无法获取的情况，提出了一种基于自编码器的电磁信号深度聚类方法。利用由重构损失和深度聚类损失构成的联合损失函数训练自编码器，使得同类样本的深度特征在特征空间中更加聚拢，从而显著提高了聚类效果。此外，基于Grad-CAM技术提出了一种针对信号聚类的特征可视化方法，通过显著性图来分析自编码器的可解释性。

（5）针对旧类信号样本受限条件下，深度学习模型难以实现新旧类信号同时有效学习的问题，提出了一种基于样本选择和多目标线性规划的电磁信号增量识别模型，以类增量的方式完成新类信号特征的持续学习。通过考虑归一化互信息的自适应类样本选择方法实现关键样本选择来保持模型对先前类别的识别能力，缓解了增量模型的灾难性遗忘问题，同时，利用多目标线性规划分类器的构建实现模型对新类别的快速适应。

（6）针对小样本电磁信号算法的工程应用，提出了一种权值可变散射卷积网络结构，将小波变换与卷积神经网络有机结合，高效利用小波散射特征和深度网络，在维持识别精度的基础上，实现了识别模型轻量化，大大降低了识别模型的计算复杂度。

相/关/链/接

2024年度指挥与控制领域博士学位论文汇编评审结果公布