西電電院網訊（通訊員趙悅甜） 近日，西安電子科技大學周峰教授團隊在電磁信號認知領域的研究成果，為復雜電磁環境下的信號識別應用帶來重要突破。相關研究以《Multi-representation Domain Attentive Contrastive Learning Based Unsupervised Automatic Modulation Recognition》為題，發表于國際頂級期刊《自然·通訊》（Nature Communications）。電子工程學院博士生李昱為論文第一作者，石曉然副教授為通訊作者，西安電子科技大學為論文第一單位。
該成果首次提出了一種基于多表征域對比學習的無監督電磁信號表征學習范式，實現了信號感知從依賴人工標注的數據桎梏到無監督自主學習的數據自由的能力躍升。該技術是電磁信號認知領域的重要創新，成功揭示了電磁信號多表征域在無監督對比學習中的互補特征提取與判別的優勢，擺脫了傳統監督調制識別方法對標注數據的依賴，提升了小樣本條件下電磁信號調制識別的快速泛化能力。進一步推動了多域無監督表征學習在動態電磁環境中的深度探索與應用，為構建下一代強魯棒、自適應的電磁態勢感知體系提供了堅實的技術支撐。
自動調制識別（AMR）作為電子偵察的關鍵技術，其核心任務是對接收到的電磁信號進行調制類型的自動判別。然而，在非合作的實際場景中，獲取大量帶標簽的高質量、可靠的調制信號極其困難。在動態復雜的電磁環境中，信號類型多樣、干擾因素復雜，如何利用大量無標注信號和有限的標注信息，突破電磁信號表征學習瓶頸，實現高精度、強魯棒性識別，成為當前電磁信號認知領域亟待解決的關鍵問題。
受人類依靠視覺、聽覺等多種感官綜合判斷事物的啟發，研究團隊提出了一個創新構想：通過對比信號在多種視角（表征域）下的信息，捕捉域不變調制特征，首次構建不同表征域間個體判別的代理任務，將信號的多域表征與先進的對比學習技術相結合，提出了一種名為“多表示域注意力對比學習”（MAC）的無監督AMR新框架。
基于MAC的UAMR框架設計
該框架的核心創新在于，對原始信號及其數據增強版本，以及在多個不同表征域中分別構建特征字典，進行域內和域間的對比學習。在無標注的條件下有效挖掘不同表征域之間域不變調制特征，同時保留信號中的固有信息。團隊創新性地將表征域的有效性選擇從信號層面提升到了更精細的特征層面，顯著提升了特征提取的效率和判別能力。
研究團隊在國際公認的公開數據集上進行了大量實驗，在標注數據極其稀缺的小樣本場景下和極具挑戰性的動態環境測試中，MAC框架表現出極強的適應性和可靠性，充分證明了該技術在動態電磁環境下的強魯棒性和應用潛力。
研究團隊表示，該成果將為電磁認知、電磁對抗等關鍵領域提供更具適應性的技術解決方案，尤其在缺乏大規模標注數據的任務場景中，可顯著提升對復雜電磁環境的感知能力，實現數據受限條件下的精準認知。未來，團隊將緊扣強干擾對抗、空間態勢感知等國家重大戰略需求，著力構建具備持續進化能力的電磁信號智能認知體系，為國家電磁空間安全提供有力技術支撐。
西安電子科技大學周峰教授團隊長期深耕電磁對抗、態勢感知等領域的前沿理論與工程應用研究，歡迎相關領域專家學者開展技術合作與交流。
論文信息：
Y. Li, X. Shi, H. Tan, Z. Zhang, X. Yang, and F. Zhou, "Multi-representation domain attentive contrastive learning based unsupervised automatic modulation recognition," Nature Communications, vol. 16, no. 1, p. 5951, 2025.
https://www.nature.com/articles/s41467-025-60921-z
