【产通社，8月1日讯】西安电子科技大学（Xidian University）官网消息，周峰教授团队在电磁信号认知领域的研究成果，为复杂电磁环境下的信号识别应用带来重要突破。相关研究以《Multi-representation Domain Attentive Contrastive Learning Based Unsupervised Automatic Modulation Recognition》为题，发表于国际顶级期刊《自然·通讯》（Nature Communications）。电子工程学院博士生李昱为论文第一作者，石晓然副教授为通讯作者，西安电子科技大学为论文第一单位。

该成果首次提出了一种基于多表征域对比学习的无监督电磁信号表征学习范式，实现了信号感知从依赖人工标注的数据桎梏到无监督自主学习的数据自由的能力跃升。该技术是电磁信号认知领域的重要创新，成功揭示了电磁信号多表征域在无监督对比学习中的互补特征提取与判别的优势，摆脱了传统监督调制识别方法对标注数据的依赖，提升了小样本条件下电磁信号调制识别的快速泛化能力。进一步推动了多域无监督表征学习在动态电磁环境中的深度探索与应用，为构建下一代强鲁棒、自适应的电磁态势感知体系提供了坚实的技术支撑。

自动调制识别（AMR）作为电子侦察的关键技术，其核心任务是对接收到的电磁信号进行调制类型的自动判别。然而，在非合作的实际场景中，获取大量带标签的高质量、可靠的调制信号极其困难。在动态复杂的电磁环境中，信号类型多样、干扰因素复杂，如何利用大量无标注信号和有限的标注信息，突破电磁信号表征学习瓶颈，实现高精度、强鲁棒性识别，成为当前电磁信号认知领域亟待解决的关键问题。

受人类依靠视觉、听觉等多种感官综合判断事物的启发，研究团队提出了一个创新构想：通过对比信号在多种视角（表征域）下的信息，捕捉域不变调制特征，首次构建不同表征域间个体判别的代理任务，将信号的多域表征与先进的对比学习技术相结合，提出了一种名为“多表示域注意力对比学习”（MAC）的无监督AMR新框架。

该框架的核心创新在于，对原始信号及其数据增强版本，以及在多个不同表征域中分别构建特征字典，进行域内和域间的对比学习。在无标注的条件下有效挖掘不同表征域之间域不变调制特征，同时保留信号中的固有信息。团队创新性地将表征域的有效性选择从信号层面提升到了更精细的特征层面，显著提升了特征提取的效率和判别能力。

研究团队在国际公认的公开数据集上进行了大量实验，在标注数据极其稀缺的小样本场景下和极具挑战性的动态环境测试中，MAC框架表现出极强的适应性和可靠性，充分证明了该技术在动态电磁环境下的强鲁棒性和应用潜力。

研究团队表示，该成果将为电磁认知、电磁对抗等关键领域提供更具适应性的技术解决方案，尤其在缺乏大规模标注数据的任务场景中，可显著提升对复杂电磁环境的感知能力，实现数据受限条件下的精准认知。未来，团队将紧扣强干扰对抗、空间态势感知等国家重大战略需求，着力构建具备持续进化能力的电磁信号智能认知体系，为国家电磁空间安全提供有力技术支撑。

西安电子科技大学周峰教授团队长期深耕电磁对抗、态势感知等领域的前沿理论与工程应用研究，欢迎相关领域专家学者开展技术合作与交流。查询进一步信息，请访问官方网站https://xsw.xidian.edu.cn/info/1002/27121.htm，以及https://www.nature.com/articles/s41467-025-60921-z。（张嘉汐，产通发布）    （完）