.png){kind=icon}
返回
Agon: A Semi-Supervised Framework for Robust Satellite Interference Detection
.png){kind=icon}
PRE
AI
DOI：10.1109/tmc.2026.3709059.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
非地球静止轨道（NGSO）卫星与现有地球静止轨道（GSO）系统的快速扩张加剧了频谱拥塞和系统间干扰，对下一代通信网络中维持可靠共存所需的实时干扰管理提出了严格要求。尽管现有的基于机器学习（ML）的重构模型已取得进展，但由于固定阈值，它们仍受限于0.83的曲线下面积（AUC），导致不可接受的误报率，从而损害关键链路可靠性。此外，其解耦训练范式忽略了跨域依赖性，将时间和频域AUC分别限制在0.83和0.71。为解决这些局限性，本文提出了一种名为Agon的半监督卫星干扰检测框架，采用新颖的两阶段混合学习范式。Agon将双注意力转换器（DAT）的掩码自动编码器（MAE）预训练与多任务微调相结合，以优化直接二元分类器，有效消除了不稳定的阈值。此外，它还融合了高阶统计量（HOS）增强的注意力和小波正则化，以增强抗噪声能力和结构保真度。在公开的NGSO-GSO数据集和高保真NGSO-NGSO数据集上的广泛验证表明，Agon实现了最先进的（SOTA）检测性能，AUC提升了25.3%。此外，多任务学习（MTL）框架能够实现准确调制分类，准确率超过90%，同时在不同离轴角和干扰噪声比（INR）场景下保持最优检测性能。
Keyword:
Interference
Modeling
Satellites
Signal detection
Training
Labeling
Timing
Joining processes
Frequency
ITU
Semi-supervised
satellite interference detection
multi-task fine-tuning
high-order statistics
wavelet regularization
