本文版权为《邮电设计技术》所有，如需转载请联系《邮电设计技术》编辑部
摘要：随着无线通信技术的迅速发展，干扰模式的分类成为确保通信系统可靠性的关键因素。基于注意力机制的干扰模式分类算法通过将干扰信号转换为频谱瀑布图，直观地展示干扰信号在时间和频率上的变化规律，构建了包含多种干扰模式的数据集。该算法采用卷积神经网络结构，通过多层卷积和池化操作自动提取干扰信号的特征，并引入注意力机制聚焦关键特征，结合全连接层进行分类。实验结果表明，该算法在干扰模式分类任务中表现优异，分类精度达到94%，显著优于随机森林、支持向量机等传统机器学习方法。
关键字：卷积神经网络，注意力机制，特征提取，干扰模式分类
doi：10.12045/j.issn.1007-3043.2026.03.006
1 概述
近年来，随着无线设备数量的急剧增加和无线信号环境的日益复杂，无线通信系统面临着前所未有的挑战[1]。高效、准确地识别和分类干扰信号，对于保障通信质量和提高频谱利用率[2]有重要意义。传统的无线通信干扰信号识别技术计算复杂度高且无法满足高精度识别的要求[3]。而深度学习，特别是卷积神经网络，凭借其强大的特征提取[4]和分类能力[5]，在图像识别[6]、语音识别[7]等领域取得了显著成果，也为干扰模式分类提供了新的思路。
国内外学者已经开展了基于深度学习的干扰识别和分类研究。文献[8]提出了一种基于高效信道注意力模块的干扰识别方法，通过引入注意力机制，同时采用多节点协同技术，进一步提升了干扰识别的准确性和鲁棒性。文献[9]通过引入全局自注意力机制，同时结合可变形注意力机制，有效提高了干扰识别模型的干扰特征全局建模能力和干扰区域鉴别能力。文献[10]提出了一种结合空间注意力机制与残差收缩神经网络的算法，有效解决了低干扰信噪比情景下干扰分类精度下降的问题。
尽管上述研究在干扰识别领域取得了显著进展，但现有方法大多针对特定类型的干扰信号，缺乏对复杂通信环境下多种干扰模式的通用分类能力[11]。此外，传统机器学习方法如随机森林[12-13]、支持向量机[14-15]和多层感知机[16]在处理高维、非线性干扰信号时，往往难以达到理想的分类精度。针对这些问题，本文提出了一种基于注意力机制的干扰模式分类算法，旨在实现对多种干扰模式的准确分类，进一步提升通信系统对复杂电磁环境的适应能力。
