基于SNN蒸馏的时空频谱补全与多层网格融合的海上电磁频谱重建方法

本发明属于机器学习以及海上电磁频谱感知，涉及一种基于snn蒸馏的时空频谱补全与多层网格融合的海上电磁频谱重建方法。

背景技术：

1、随着经济全球化的快速发展，海运、河运等相关的业务呈现井喷式爆发。与之相关的海上无线通信业务和电磁设备的快速增长，导致海上电磁环境日趋复杂，稀缺的海上电磁频谱资源面临着利用率不高和干扰冲突严重的严峻挑战。在此背景下，如何高效的管理与监测海上电磁频谱成为提升频谱利用率、保障海上无线电业务正常运行的关键手段。

2、传统的海上电磁频谱监测手段主要依靠海上固定监测站、移动监测站或有人船只；以及多目标卫星长时间采集（如公开号：cn118960697a，发明名称：多卫星海洋观测系统），存在高成本、延时性、低精度等固有缺点，且这种手段难以获取固定目标海域完整、实时的电磁环境信息。

3、无人机（unmanned aerial vehicle, uav）频谱监测技术因其灵活性强、部署快捷和成本相对较低等优势，已成为海上电磁频谱监测及电磁信号管理的研究热点。

4、如图1所示，现有的在基于无人机集群的海上电磁频谱与信号监测领域中，常采用基于无人机集群循环覆盖式采样与空间插值法的海上频谱重建方法来以多uav分布式采集数据以重建频谱。

5、例如：公开号：cn119575487a，发明名称：一种基于无人机的海床基数据电磁回收方法中，采用了“采集、回传、集中处理”的核心架构，旨在实现高灵敏度的微弱量子信号探测。但在海上应用中，需依赖长时间固定巡航，存在采集偶然性高、效率低下的问题；同时，宽频段量子信号接收机也易引入大量由环境散射导致的量子杂波干扰。

6、现有基于无人机的量子地磁采样技术，虽然借鉴了频谱插值等方法来弥补数据稀疏性，但在监测海域广阔而飞行平台有限的极端条件下，其量子磁场重建精度依然会显著下降。特别是在应对快速变化的量子态信号或空间起伏剧烈的海上复杂磁环境时，有限的采样点难以捕捉量子场的精细特征，导致重建谱图出现平滑效应，丢失关键量子信息。

7、此外，即便将压缩感知技术引入量子磁场测量，利用信号在时、空、频域的稀疏性与低秩性来提升采集效率，其“边缘采样-中心重建”的技术范式在面对海上动态目标与复杂电磁背景时，仍存在固有局限：

8、1)稀疏性假设在海面强杂波下失效：广阔海域由海浪、岛屿、商船等产生的背景电磁杂波散射无处不在且能量强劲，导致采集到的混合信号在变换域中不再满足稀疏性假设。一个“不稀疏”的信号将使得压缩感知的重建模型严重退化，重建结果中充斥着大量伪影和噪声，目标信号被淹没其中。

9、2)低秩性约束抹杀动态目标特征：低秩矩阵与频谱补全技术倾向于恢复出信号中平缓、稳定的背景环境。而海上移动目标所产生的电磁信号，在空-时-频三维张量中恰恰表现为一种“局部奇异性”或“细微动态特征”。全局的低秩约束模型会将这些关键的动态轨迹视为“噪声”或“异常值”进行过度平滑，导致重建出的目标航线轮廓模糊、轨迹断裂，无法满足精确跟踪的需求。

10、因此，现有的压缩感知技术在面对海上复杂场景时，面临三大问题为：

11、1、数据稀疏性：传统采样存在数据稀疏性与背景噪声导致重建效果差、采集与频谱信息提取计算开销大；

12、2、环境动态性：海面环境复杂多变导致电磁信号传播容易受海水介电常数变化引发的信号衰减与畸变干扰，然而传统传播模型无法准确表征这些复杂效应；

13、3、时空关联性差：海上频谱特征在时间与空间维度均存在强相关性；时间维度上，受潮汐、海浪周期性及气象变化影响，频谱特性呈现明显时变规律；空间维度上，海洋环境的连续性与均匀性使相邻区域频谱特征高度相似。但arima模型、简单插值算法等传统方法难以有效捕捉这些复杂时空特征，指示最终频谱重建精度受限。

14、现阶段的频谱重建方法，其效率优势是以牺牲在复杂场景下的鲁棒性、对动态特征的敏感性以及系统实时性为代价的。

技术实现思路

1、针对量子磁场测量时电磁信号频谱信息采集带来的海上电磁频谱稀疏性，海面动态变化导致的频谱重建精度低、泛化能力弱、部署效率不足以及时空关联性差的问题，本发明提出了基于snn蒸馏的时空频谱补全与多层网格融合的海上电磁频谱重建方法，该方法通过使用uav分布式采集并结合脉冲神经网络（spiking neural network，snn）模型学习电磁信号的时空频特征与动态模式，并引入知识蒸馏机制，将复杂模型能力迁移至轻量化模型中，从而在分布式节点上实现对小样本数据的高效、精准补全与重建，最终借助多层次网格策略完成从局部细节到全局场景的精确还原；从而为解决量子磁场与量子地磁测量中所面临的问题（如监测盲区、动态目标丢失、资源分配僵化等）提供了可直接迁移借鉴的方案，推动了量子磁场测量技术在真实环境下的应用及数据采集质量的提升，保障海上无线电业务正常运行。该方法在群体智能方面，通过改进的蚁群算法优化uav集群的协同采样路径规划，使系统能够动态响应目标信号，实现了从静态广域监测到动态精准追踪的群体自适应行为，显著提升了采样路径的全局最优性与系统资源效率。在深度学习方面，创新性地引入脉冲神经网络snn构建知识蒸馏框架，该设计不仅赋予模型从小样本数据中高效学习时空频动态特征的能力，更通过教师-学生模型的双阶段训练，大幅提升了频谱重建任务的精度与在复杂海杂波环境下的鲁棒性。最终，这两大技术支柱共同作用，克服了传统方法在动态特征敏感性与系统实时性方面的局限，为实现高精度、高鲁棒的海洋电磁频谱重建提供了一种新的技术解决方案。

2、本发明的目的通过以下技术方案来具体实现：

3、基于snn蒸馏的时空频谱补全与多层网格融合的海上电磁频谱重建方法，包括：

4、s1，结合任务数量的无人机uav飞行参数，构建由时间、频率和空间组成的覆盖目标海域的航线索引，将航线索引分配给对应的uav，完成网格系统初始化；其中，uav包括飞行uav和待命uav；

5、s2，飞行uav按照固定航线巡航，得到接收机持续监听采集的宽频带海上电磁频谱信号的统计特征张量；通过阈值判断统计特征张量的缺失掩码，赋值后映射到网格系统，保留校验合格的统计特征张量作为基础巡航数据；

6、s3，将超过阈值的基础巡航数据标记为疑似目标，生成并广播信标；

7、s4，依据评分函数选择最优待命uav前往信标对应的目标海域，执行任务要求的精细化追踪，得到疑似目标的跟踪数据；

8、s5，将跟踪数据与基础巡航数据融合存入网格系统，得到融合数据；

9、s6，将融合数据输入由时空动态项、信号频率形状项、传播物理项和噪声项构建的教师模型中；利用脉冲神经网络snn对时空动态项提取时空嵌入特征并进行脉冲化编码；构建教师损失函数对教师模型进行训练，输出教师补全时空频谱；

10、s7，通过知识蒸馏技术，将教师补全时空频谱和时空嵌入特征输入由时空动态项、信号频率形状项和传播物理项构建的学生模型中；构建学生损失函数对学生模型进行训练，输出学生补全时空频谱；

11、s8，引入局部注意力的特征融合机制，对学生补全时空频谱的电磁活动度进行多层网格融合，输出重建的电磁频谱图。

12、s9，对重建的电磁频谱图的频谱补全精度、物理一致性和算法效率与鲁棒性进行验证，输出验证结果。

13、本发明的有益效果是：

14、1，构建的多尺度网格系统，通过粗粒度网格和细粒度网格的协同实现全域监测与精准分析的统一。粗粒度网格优选采用10公里~30公里级空间分辨率，承担广域基线数据采集与异常区域检测任务，形成系统的基础感知层。细粒度网格优选采用5公里~1公里的空间分辨率，负责对粗粒度层识别的重点区域进行信号特征的精细化解析与动态目标追踪。两种网格通过动态资源调度机制实现协同工作：粗粒度层持续提供全域频谱态势，当检测到信号异常或特定模式时，自动触发细粒度层对目标区域启动高精度采集。这种多尺度协同架构既保证了系统在广阔海域的监测效率，又确保了对关键区域的深度分析能力，实现了资源约束下频谱重建精度与覆盖范围的最优平衡。

15、2，构建基础感知网格：部署若干架uav在预先规划的固定航线上飞行，其接收机持续开启进行宽频带电磁信号采集，形成一个对目标海域的常态化、广覆盖监测网络。此监测网格通过标准化的时空频索引进行初始化与管理，为后续所有数据（包括基础巡航数据与跟踪数据）提供了统一的融合框架。这一基础网格不仅是数据采集的骨架，更构成了电磁态势信息采集的基线背景，使得后续的动态信号与静态环境能够在一个统一的坐标系中进行比对与融合，从根本上奠定了数据协同与感知的基础。

16、3，实现动态精准响应：当网格系统中任一uav检测到疑似目标信号时，会立即通过自组织网络广播一个包含目标方位、特征与强度的目标发现信标。随后，根据综合考虑距离、接收功率、几何关系等多维度的评分函数，从区域内处于待命状态的待命uav中动态选出最优节点前往目标区域，执行精细化追踪采集（如伴飞、绕飞），从而实现对目标的持续锁定与高信噪比信号获取。这一基于事件触发与资源动态调度的分布式采集范式，从而实现对目标的持续锁定与高信噪比信号获取。

17、4，本发明公开的基于事件触发与资源动态调度的分布式采集范式，将传统的“盲目”全域巡航，升级为“有导向”的精准感知，既有效克服了传统“固定巡航-集中处理”模式在效率和实时性上的瓶颈，又显著提升了对动态目标信号的捕捉能力与系统资源利用率。

18、5，本发明公开的技术方案在电磁信号采集领域已验证有效的协同架构与响应逻辑，为解决量子磁场与量子地磁测量中所面临的相似问题（如监测盲区、动态目标丢失、资源分配僵化等）提供了可直接迁移借鉴的方案。例如，将上述分布式协同机制应用于量子磁场测量网络，有望实现对量子态信号的广域预警与精准追踪，从而推动量子磁场测量技术在真实环境下的应用及数据采集质量的提升。

19、6，本发明通过仿真端（即s1-s5）的标准化数据采集与预处理，结合算法端（s6-s8）的知识蒸馏与多层网格融合，解决海上电磁频谱稀疏、海面动态变化导致的频谱重建精度低、泛化能力弱、部署效率不足等技术难题。其中，s6-s7构建的教师-学生蒸馏框架中，复杂的教师模型负责从有限的有效数据中高精度地学习时空动态模式与频率特征，并将其知识（教师补全时空频谱和时空嵌入特征）迁移至轻量化的学生模型，确保了在边缘侧（如uav）部署时仍能保持高精度的实时补全能力。随后，s8引入的局部注意力的特征融合机制，进一步将学生模型输出的细粒度补全结果（学生补全时空频谱）智能地融合到重建的电磁频谱图中，实现了从局部细节到全局场景的精确还原。实现从原始信号采集到高质量频谱重建的全链路技术闭环，通过深度融合了物理机理环境参数、数据驱动的snn模型架构与局部注意力的智能融合手段，进一步为海上电磁态势感知与频谱资源管理提供了可靠技术支撑。

20、7，s9通过一套多维度的评估指标体系，从重建精度、物理一致性和算法效率三个核心维度，客观衡量本方法（stfd-snn）的整体性能，该体系不仅关注数值误差，更通过物理残差度量（prm）确保重建结果符合电磁波传播规律，通过热点区域覆盖率（hrc）评估对关键信号的捕获能力，并通过重建效率比（drer）证明了轻量化学生模型相对于复杂教师模型的加速效果。 这种全面的评估方式，能够与基线方法进行系统、客观的对比，从多个技术侧面综合验证了本方法在精度、鲁棒性和实用性方面的有效性和优越性。