基于YOLOX的跳频信号检测.pdf

现有跳频信号检测算法大多针对固定参数的跳频信号检测,而面对可变参数的跳频信号检测时,其每跳时长及带宽的不确定性导致这些算法的适用性下降。为此,提出了一种基于 YOLOX的跳频信号检测算法。该算法适用于固定参数跳频信号和可变参数跳频信号,判断跳频信号的存在性。首先将观测时间内的信号进行短时傅里叶变换获得灰度时频谱图;然后将时频谱图经过目标检测网络 YOLOX,获得各个信号的预测框;最后根据跳频信号各跳点的时间连续性,筛选出跳频信号各个跳点,根据连续跳点个数判断跳频信号的存在性。对算法的检测流程进行了仿真,以验证算法的可行性。实验结果表明,该算法可以较好地完成盲检测任务,且能够通过增加较少的先验信息以提高检测性能。关键词:跳频信号检测;时频谱图;目标检测网络;变参数开放科学(资源服务)标识码(OSID):微信扫描二维码听独家语音释文与作者在线交流享本刊专属服务中图分类号:TN914.41 文献标志码:A 文章编号:1001-893X(2023)07-0933-08Frequency Hopping Signal Detection Based on YOLOXLIU Renwei,LI Tianyun,ZHANG Haoting,ZHANG Xinliang,GONG Pei(Institute of Information System Engineering,PLA Strategic Support Force Information Engineering University,Zhengzhou 450001,China)Abstract:Most of the existing frequency hopping(FH)signal detection algorithms are suitable for fixed parameter FH signal detection.For detecting variable parameter frequency hopping signals,the unpredictability of both the length and bandwidth of each hop can significantly reduce the effectiveness of these algorithms.Therefore,the anthors present a YOLOX-based detection algorithm for FH signal,which is suitable for fixed parameter FH signal and variable parameter FH signal to judge the existence of signal.First,the signal is processed by short-time Fourier transform to obtain the gray-scale time-frequency spectrum.Then the spectrum is passed through the target detection network YOLOX to get the prediction box of each hop.Finally,according to the continuity among the hops,these hops are selected,and the existence of the signal is judged by the number of consecutive hops.The algorithm is simulated to verify its feasibility.The experiment results show that this algorithm can complete the blind detection task well and improve the detection performance by adding less prior information.Key words:frequency hopping signal detection;time-frequency spectrum;target detection network;variable parameter0 引 言跳频通信技术具有优秀的抗干扰、抗截获和多址组网能力,在军事通信和民用移动通信中都得到了广泛的应用1。跳频技术产生较早,随着时间的推移,跳频信号的样式也逐渐变得复杂多样。由于跳频信号检测是接收方处理跳频信号的第一步,而339第 63 卷 第 7 期2023 年 7 月电讯技术Telecommunication EngineeringVol.63,No.7July,2023收稿日期:2022-03-24;修回日期:2022-04-20通信作者:刘人玮对于非合作方来说,先验知识的不足导致跳频信号检测的难度大大提高。近年来,随着深度学习的快速发展,有关跳频信号的研究也开始结合深度学习进行。文献2将不同型号遥控无人机的跳频信号的二值化时频谱图送入深度残差网络中进行训练,训练出的网络能够区分不同规格的遥控跳频信号。文献3利用卷积神经网络,根据跳频信号频谱可区分不同无人机类型及其飞行模式,但是实验环境较为理想,对实际情况下的应用仍需进一步研究。文献4将灰度化的短时傅里叶频谱图送入卷积神经网络来识别 4 类无人机型号。文献5使用卷积神经网络对观测范围内的多个跳频信号进行分选,可以对同一频段不同跳频信号进行检测识别。该方法仅针对固定的几种类型跳频信号,对于未知类型的跳频信号检测性能仍有待研究。目前有关结合深度学习的跳频信号研究大多在跳频信号分选、规格识别等方向,针对结合深度学习的跳频信号检测这一课题,更多的研究是直接将频谱或时频谱图送入神经网络中,并没有考虑跳频信号本身独特的时频特性。本文提出一种结合目标检测网络 YOLOX6的跳频信号检测算法,在多种干扰且干扰与跳频信号在时频域有交叉的情况下仍能完成跳频信号检测任务。该算法既可以完成盲检测任务,也可以通过较少的先验信息进一步提高检测性能。1 算法基本原理1.1 信号模型假设在观测时间 T 内,接收信号可表示为r(t)=s(t)+i(t)+n(t),0tT。(1)式中:s(t)为跳频信号;i(t)为干扰信号;n(t)为噪声。对于跳频信号 s(t),可将其表示为3s(t)=AkrectTh(t-Th-tk)exp(j2fk(t-Th-tk)。(2)式中:A 为跳频信号的幅度;Th为跳频周期;k 表示在观测时间内的第 k 跳;fk表示第 k 跳的载波频率;rect 为基带成型。对于干扰信号 i(t),本文考虑三种类型干扰信号,分别为雷达干扰、定频干扰和突发干扰。其中,雷达干扰通常以扫频形式出现,目前很多扫频雷达覆盖频带较宽,且脉宽较窄;定频干扰为单一载频的连续信号,其在观测时间内持续存在;突发干扰对比于定频干扰,持续时间较短。本文考虑的突发干扰包含两种情况:一种是在某单一信道内,持续发相同规格的短突发信号,且相邻两个短突发信号的间隔也较短,于是在观测时间内可观察到出现有一连串的突发信号;另一种是在观测时间内,仅能观察到一次该突发信号。对于噪声 n(t),本文考虑的是高斯白噪声。图 1 展示了本文检测算法的信道环境,其中横轴代表时间轴,纵轴代表频率轴,红色框代表的是跳频信号各跳点,黄色框代表的是雷达干扰,蓝色框代表的是定频干扰,绿色框代表的是第一种突发干扰,紫色框代表的是第二种突发干扰。图 1 本文检测算法的信道环境另外,本文考虑的跳频信号为可变参数跳频信号,具体是指跳频信号的码元速率可变、单跳码元数量可变,对应于式(2),码元速率体现在 rect 上,单跳码元数体现在 Th上;对应于图 1,码元速率体现在带宽上,即红色框的高,单跳码元数体现在单跳持续时长上,即红色框的宽。因此,可变参数的跳频信号在时频图上表现为每跳大小不一的块。本文算法的目的是检测出跳频信号 s(t)的存在性。1.2 算法流程本文检测算法是利用跳频信号相邻两个跳点在时间上具有连续性,而其他干扰信号前后不存在信号或是相邻突发之间存在时隙这一特点完成跳频信号检测。首先,将采集到的信号进行 STFT 得到信号时频谱,然后利用目标检测网络 YOLOX 检测出观测时间内的各种短时信号,最后根据跳点间时间连续性判断跳频信号的有无。1.3 短时傅里叶变换短时傅里叶变换(Short Term Fourier Transform,电讯技术 2023 年STFT)7的思想是对信号用窗进行截取,然后对各个窗内信号进行傅里叶变换。对于接收到的离散信号 z(k),公式可表示为STFT(m,n)=k=-z(k)g(kT-mT)e-j2(nF)k。(3)式中:T 代表时间采样周期;F 代表频率采样周期;g(k)代表截取窗;代表复共轭。本文将得到的信号时频谱图转为灰度图后,送入 YOLOX 中。1.4 目标检测网络 YOLOXYOLOX6的网络结构如图 2 所示,可以分为主干网络、特征金字塔网络、解耦输出头三个部分。图 2 YOLOX 网络架构在 YOLOX 执行卷积操作后,都会加入批归一化(Batch Normalization,BN)层和 SiLU 激活函数,在图中标记为 ConvBN 层。除了 ConvBN 层,主干网络中还有 YOLOX 改进的 Focus 结构、CSPNet 结构和 SPP 结构。Focus 结构由 Focus 层和 33 ConvBN 层组成。Focus 层将图片每个通道的大小缩减为原来的 1/4,但是通道数变为 4 倍,可以理解为不改变图片上大致分布的同时,将图片的宽高信息转为通道信息。随后的 33 ConvBN 层将通道数再次扩张,提取出更多的特征图。CSPNet 结构可以视为一个大的残差结构里嵌入一个小的残差结构。SPP 结构并联几个最大池化层提取不同维度的特征图并将其整合到一起。特征金字塔中,由两次上采样、两次下采样和特征融合等步骤进行。值得注意的是,下采样是由33 卷积完成的。特征金字塔的输出由 3 个不同大小的特征组合构成。同时,在特征金字塔的上行路线中,CSPNet 被加上星号标记,这是由于主干的第一个 11 卷积和残差边的 11 卷积变为 25%通道数压缩(默认是 50%通道数压缩),导致最后输出通道数压缩了 50%(默认无通道数压缩)。YOLOX 的输出头不同于之前的版本,分为两个支路进行分别预测。其中,分类支路负责预测预测框中的属于各种物体类别的概率;参数支路负责预测预测框的属性,其在最后将预测框的包含物体的概率与预测框位置、大小分开预测并输出。YOLOX的这种解耦头进一步提高预测性能。由于信号时频谱图的形状非常规整,且不存在类似自然图像的旋转问题,因此在 YOLOX 训练过程中,本文关闭了其数据增强的随机旋转策略。YOLOX 分为 nano、tiny、s、m、l、x 几种模型,区别仅在于其网络的深度和宽度由小到大依次增加,而对于信号检测任务来说,面对对象为信号时频谱图,检测目标形式简单,并不需要过大的网络进行检测,且小模型计算量更小,检测速度更快。图 3 展示了几种模型在训练过程中的损失,可以看到几种模型的损失相差不大,因此本文选择 YOLOX-nano 模型作为本文的目标检测网络模型。图 3 不同 YOLOX 模型在训练时的损失1.5 信号连续性检测1.5.1 算法基本思想观测时间内的信号时频谱图经过 YOLOX 后,得到各个信号的预测框。由于跳频信号相邻两个跳点之间具有时间连续性,即上个跳点的结束时间和下个跳点的起始时间几乎在同一时刻(或者间隔很短),因此可以由当前信号预测框的连续性情况来判断其是否为跳频信号中的一个跳点。本文算法思想为,若该预测框能够找到时间上连续的其他预测框,则认为该预测框为跳点的预测框;如果发现有 N 个连续的跳点,说明检测到跳频信号。539第 63 卷刘人玮,李天昀,张浩庭,等:基于 YOLOX 的跳频信号检测算法第 7 期1.5.2 算法参数定义两个预测框的距离dist=|t1end-t2start|。(4)式中:t1end为当前预测框的结束时间;t2start为下一预测框的起始时间。本算法需要设置 3 个参数:相邻预测框误差阈值 Tt、连续性检测预测框个数 Tc、跳频信号出现时的最小连续跳点个数 N。其中,Tt代表若两个预测框之间的距离小于该值,则认为这两个预测框之间是连续的(即满足连续条件)。该参数用于克服目标检测网络输出的预测框可能不会与信号时频谱图的边界完全重合,而带来相邻两个跳点的预测框边界可能存在一定时间差的问题。但是需要注意,该参数应当合理设置,如果太小,难以克服预测框边界不准的问题;如果太大,可能难以对抗第一种突发干扰带来的影响。Tc代表当前预测框做连续性检测时,对比其后面预测框的个数。该参数用于克服可能有干扰信号的起点夹在两个跳点之间的问题,当信道内干扰信号较多,可以根据实际情况适当调整该值。N 代表在单次检测中,跳频信号至少包含跳点的个数。图 4 展示了连续性检测算法的抗干扰场景,图中红色框代表预测框边界,黑色框代表跳点实际边界,可见 3 个跳点的预测框之间可能存在一定的时隙。图 4 跳频信号连续性检测示意图当 Tc=3,若判定跳点 1 的预测框是否具有连续性,则其与跳点 2、干扰 1、干扰 2 的预测框计算距离,可以发现跳点 1 预测框存在连续性,于是记录该预测框为跳点;而由于跳点 1 和跳点 2、干扰 2 的距离几乎相同,因此跳点 1 和跳点 2、干扰 2 均为连续的,故将跳点 2、干扰 2 都记录在缓存区。在下次迭代计算中,再分别判断跳点 2 和干扰 2 的连续性以排除干扰 2 对跳频信号检测带来的影响。对于观测时间内的后 Tc个预测框,由于其后面预测框的个数 Nc不足 Tc个,因此其在连续性检测时的对比个数应从 Tc改为 Nc。除了以上 3 个参数,算法配置 2 个变量:最大连续跳点个数 num_max 和当前连续跳点个数 num_now,初始化是两个变量设置为 0。1.5.3 算法关键步骤本算法设置一个缓存区,用于记录与当前跳点存在连续性的预测框。根据缓存区内有无记录,定义两种状态:一是缓存区内无记录,代表目前正在寻找把本次检测的第一个跳点,记为状态 1;二是缓存区内有记录,且当前遍历到的预测框被记录在缓存区内,代表当前预测框可能为跳点,记为状态 2。除此两种状态外,还有一种可能的情况是缓存区内有记录,而当前遍历到的预测框不在缓存区中,说明上次连续性检测并没有该预测框,因此判为干扰信号,直接跳过。若检测到某个预测框满足连续条件,则需要将其后面的连续预测框(有时可能不止 1 个)存入缓存区。而且缓存区为动态存储,即在当前存入缓存区操作之前,删除上次缓存区的输入。在状态 1 下,算法任务比较简单,若当前预测框满足连续条件,说明该预测框为第一个跳点。在状态 2 下,面对的情况较为复杂:(1)当缓存区内仅有一个预测框,默认该预测框为跳点,若其满足连续条件,则将后面的连续预测框存入缓存区;若其不满足连续条件,则认为该跳为本次检测的最后一跳。(2)当缓存区有 2 个及 2 个以上的预测框,则需要判断出哪个预测框为“真正的”跳点。对缓存区所有预测框进行连续性检测,对可能出现的三种情况进行讨论:若没有满足连续条件的预测框,则挑选出最有可能是跳点的预测框作为最后一跳;若只有 1 个满足连续条件,说明该预测框为跳点;若有 2 个及 2 个以上的预测框满足连续条件,则挑选出最有可能是跳点的预测框作为跳点。在上文的描述中,有时需要挑选出“最有可能是跳点”的预测框。本算法的思想为若该预测框同其他预测框相比,和之前的跳点在形状上最为相似,则认为其为“最有可能是跳点”的预测框。因此,定义形状差别度(Shape Difference,SD)SD=exp(w1-w22+h1-h22)。(5)电讯技术 2023 年式中:w1、w2分别代表两个预测框的宽度;h1、h2分别代表两个预测框的高度。形状差别度的取值范围在0,+),值越小,说明两个预测框的大小越接近。图 5 给出了整个算法流程。如果对信号有一定的先验知识,可根据先验事先筛选出预测框。图 5 连续性检测算法流程1.5.4 算法分析本节主要对算法可能出现的错误进行分析,由于目标检测网络输出的预测框的可解释性不强,难以建立具体的数学模型,因此本节仅对主要的问题进行定性分析。本算法主要存在两处问题:一是在缓存区内有2 个及 2 个以上的预测框满足连续条件时,本算法挑选“最有可能是跳点”的预测框,而对于变参跳频信号而言,每跳大小可能区别较大,此次的跳点大小可能与之前的跳点相差较大导致误判。更稳妥的方法的是再对这些预测框进行连续检测以完成筛选,但是会大大增加算法的复杂度。二是本算法对YOLOX 输出预测框的准确性高度依赖,若 YOLOX未输出某个跳点的预测框,或预测框与跳点实际边界存在严重偏差,本算法会受到明显的影响。对此的解决方案是应根据跳速的假设或者先验,合理设置单次检测的观测时长和 STFT 参数。另外,增加YOLOX 的训练样本数量也可能会提升 YOLOX 预测框的准确度。图 6(a)(d)分别展示了常规跳频信号(每跳参数相同)和变参跳频信号(每跳参数可变)在经过信号连续性检测前后的情况,可以看到信号连续性检测算法能够较好地把时频谱图中的跳频信号挑选出来。图 6 经过信号连续性检测后的结果739第 63 卷刘人玮,李天昀,张浩庭,等:基于 YOLOX 的跳频信号检测算法第 7 期2 实验与分析本文实验条件设置如下:采样率 20 MHz,每个样本时长 100 ms。跳频信号的跳速为100 200 400 500 1 000hop/s 内随机选取,相邻载波频率间隔为0.8 1.2 MHz 之间随机设定,载波频率个数为 8个,码元速率为20 40 50 80 100 200 250 400kBd内随机选取,调制方式为 QPSK。雷达干扰的脉宽为 10 s,相邻脉冲间隔为脉宽的 100500 倍之间随机设定,且雷达脉冲的幅值通常明显大于跳频信号幅值。定频干扰的个数在 04 个之间随机设定,第一种类型突发干扰的个数在 02 个之间随机设定,第二种类型突发干扰的个数在 25 个之间随机设定。对于几种干扰信号,其出现的频率随机设置。定频干扰之间不会在频率上有交叉,但是干扰与跳频信号之间、不同类型干扰之间均有可能在时频上有交叉。本实验在测试时,需要观察干扰对检测算法的影响,因此定义信干比(Signal-to-Interference Ratio,SIR)SIR=10lgPSPI。(6)式中:PS为信号平均功率;PI为干扰平均功率。由于干扰大多是以突发的形式存在,因此本文计算干扰平均功率时使用干扰总能量除以观测时长获得。在训练 YOLOX 时,本文使用 1 000 个样本进行训练,这些样本的信噪比、信干比随机设定,且训练阶段的预测框对跳点和突发信号均有标注,以学习到不同情况下的各种信号特征。本文的测试集在每个 SNR 及 SIR 下的样本为1 000 个:SNR 为-1010 dB,2 dB 为步进,共 11 个SNR;SIR 为 0 dB 和 6 dB,共 2 个 SIR,因此总共有22 000 个测试样本。同时,不同 SNR/SIR 的区别仅在于信号和噪声或干扰的幅值。本文实验的数据样本由 Matlab R2017a 生成,使 用 NVIDIA GeForce RTX 2080 Ti GPU 在PyTorch 1.9.0 上训练 YOLOX,每批次训练 32 张图像,学习率设置为 10-3,学习率每轮固定衰减系数为0.92,共训练 50 轮。本文 实 验 利 用 漏 警 率(Missed Alarm Rate,MAR)和虚警率(False Alarm Rate,FAR)两项指标衡量算法性能,定义分别为MAR=NMNT,(7)FAR=NFNT。(8)式中:NT是检测总次数;NM是无跳频样本被检测为有跳频样本的次数;NF是有跳频样本被检测为无跳频样本的次数。在本文实验中,不同信噪比下的参数设置为固定值,初始化如下:Tt=2 pixel,Tc=5,N=5。2.1 分析本文算法的检测性能文献8给出了一种基于时频谱图的模板匹配检测算法。由于该算法对模板大小的准确性高度依赖,在模板大小有偏差时性能急剧下降,因此本文将其改进为有模板大小这一先验知识的模板匹配算法。文献9给出了一种提取信号特征并利用改进K-Means 聚类的算法。本节将本文算法与这两种算法进行了对比测试。这两种算法都仅用于常规跳频信号而非变参跳频信号,同时在本节测试中,本文算法未加入先验信息,即盲检测。图 7 展示了在无跳频信号时三种算法的虚警率。在没有跳频信号时,信噪比计算的是干扰信号和噪声的功率比。可以看出,本文算法在盲检测的条件下,随着干扰信号的逐渐变强,虚警率逐渐变高,最终稳定在 4%左右;模板匹配算法由于其利用了相关这一属性,在未出现较多干扰与跳点大小相同时,几乎不会出现虚警;特征聚类算法作为盲检测算法,其在低信噪比下的特征模糊,会出现误判。图 7 三种算法在无跳频信号时的虚警率图 8 展示了三种算法在各个信噪比下的常规跳频信号检测漏警率,SIR 选择 0 dB 和 6 dB 分别进行测试。可以看出,本文算法的性能较为平稳,SIR=0 dB 下的平均漏警率为 7.48%,SIR=6 dB 下的平均漏警率为 4.58%,信号在低信噪比下的性能并未有明显下降;模板匹配算法在高信噪比下的效电讯技术 2023 年果优于本文算法,其漏警率基本为 0%,但是在低SIR 和低 SNR 的情况下,受到信号与噪声间阈值选取的影响,性能下降较快。图 8 三种算法对常规跳频信号检测的漏警率值得注意的是,特征聚类算法在本文实验中,受到信号与干扰的时频交叉影响较重,在干扰和噪声功率接近时的漏警率较高。本文认为造成这种现象的原因可能是其特征受到时频交叉的影响,跳频特征模糊,更倾向于干扰或噪声更强的一方,在两者功率接近时难以区分,导致效果不佳,这也说明了特征聚类方法在跳频信号受时频交叉干扰时并不能较好地表现出自己的特征。总的来说,本文算法在作为盲检测算法时的性能表现平稳,在低信干噪比下表现良好;模板匹配算法作为有先验知识的检测算法,抗干扰性很强,但是在低信噪比下的表现一般,且算法信号先验较为依赖;特征提取算法很难应对有时频交叉的情况,因此在本文实验环境下效果不好。2.2 分析有先验知识的本文算法检测性能本文算法可以适当加入先验知识提高检测性能。假设变参跳频信号的载波频率为一固定数组不会发生变化,将跳频信号的载波频率作为先验知识,在 YOLOX 计算出预测框后,根据预测框的中心排除干扰信号的预测框,再进入信号连续性检测。图 9 和图 10 分别展示了常规跳频信号和变参跳频信号在加入先验知识后的检测漏警率,可以看出加入先验后会使得检测性能有一定的提高。其中,常规跳频信号在 SIR 为 0 dB 和 6 dB 下的平均漏警率分别减少了 2.97%和 2.03%,变参跳频信号在 SIR 为 0 dB 和 6 dB 下的平均漏警率分别减少了4.24%和 2.67%。可以发现,加入先验知识后,对低信干比情况下的检测性能有着更加明显的提升。图 9 先验知识对常规跳频信号检测的影响图 10 先验知识对变参跳频信号检测的影响3 结束语本文提出了一种基于 YOLOX 的跳频信号检测算法。该算法首先对信号进行 STFT 获得时频谱图,然后经过目标检测网络 YOLOX 得到观测时间内各个信号的预测框,最后通过跳频信号连续性检测来进行跳点的分选,以达到检测跳频信号的目的。实验结果表明,本文算法能够较好地完成盲检测任务,同时可以通过增加少量的先验信息来提升检测性能,在低信噪比和低信干比下具有良好的检测率。该算法可以通过加入预测框大小的先验知识,分开不同规格跳频信号。但是,如果环境中包含同规格的多电台跳频信号或攻击方发出的同规格跳频信号干扰,该算法很难进行区分。在下一步工作中,可以考虑通过跳频信号发射机指纹识别,区分出不同电台,以达到多跳频信号检测目的。参考文献:1 梅文华.跳频通信M.北京:国防工业出版社,2005.2 李彬,徐怡杭,罗杰.采用残差神经网络的无人机遥控信号识别监测算法J.西安交通大学学报,2021,55(12):146-154.939第 63 卷刘人玮,李天昀,张浩庭,等:基于 YOLOX 的跳频信号检测算法第 7 期3 史浩东,卢虎,卞志昂.深度卷积网络多目标无人机信号检测方法J.空军工程大学学报(自然科学版),2021,22(4):29-34.4 吕国裴,谢跃雷.基于深度学习的跳频信号识别J.电讯技术,2020,60(10):1142-1147.5 LIU P,HAN Z,SHI Z,et al.Recognition of overlapped frequency hopping signals based on fully convolutional networks C/Proceedings of 2021 28th International Conference on Telecommunications.London:IEEE,2021:1-5.6 张剑飞,柯赛.改进 YOLOX 火灾场景检测方法的研究J.计算机与数字工程,2022,50(2):318-322.7 张贤达.现代信号处理M.3 版.北京:清华大学出版社,2015.8 李琰,李天昀,葛临东.一种基于图像分割和模板匹配的短波跳频信号盲检测算法J.信息工程大学学报,2010,11(6):756-761.9 李红光,郭英,齐子森,等.复杂电磁环境下多跳频信号盲检测J.华中科技大学学报(自然科学版),2020,48(7):13-19.作者简介:刘人玮男,1995 年生于辽宁铁岭,2017 年获学士学位,现为硕士研究生,主要研究方向为通信信号处理。李天昀男,1979 年生于江西萍乡,2011 年获博士学位,现为副教授,主要研究方向为通信信号处理、软件无线电。张浩庭男,1998 年生于福建莆田,2020 年获学士学位,现为硕士研究生,主要研究方向为声呐图像处理。章昕亮男,1998 年生于江苏盐城,2020 年获学士学位,现为硕士研究生,主要研究方向为通信信号处理。龚佩女,1998 年生于江西九江,2020 年获学士学位,现为硕士研究生,主要研究方向为通信信号处理。关于招募第三批电讯技术通讯员的通知 为了进一步提升电讯技术的影响力,为作者搭建更高层次的学术交流平台,编辑部特面向社会招募第三批电讯技术通讯员,现将具体事宜通知如下:一、招募人数本次招募人数不限。二、条件1.热心学术期刊事业,有一定时间和精力参与期刊推介,致力于提高本刊影响力;2.长期关注并熟悉本刊,有一定的学术影响力,以第一作者或通信作者在本人研究领域的国内外期刊、会议上公开发表论文不少于 2 篇;或者在本刊发表论文 2 篇及以上;或者累计引用本刊论文 5 篇次及以上;3.有一定的学术圈人脉,参与重大科研项目研究者、博士生导师、硕士生导师等优先考虑。三、职责1.利用自身资源和优势,通过各种学术渠道积极宣传本刊;2.将本刊优秀论文推荐给周围的学者;3.采取有效措施提升本刊影响力;4.积极为本刊的发展与推广献计献策;5.积极参与本刊主办和协办的会议、活动等;6.完成编辑部交办的任务。四、权益1.获得编辑部颁发的聘书(可作为个人学术荣誉或社会兼职证明);2.根据业绩获得相应报酬或奖励;3.作为第一作者投稿的论文,如有需要,可享受相关特需服务,包括但不限于:优先审稿、加急审稿,录用后加急发表或按需发表,微信专推,等等,同时稿酬从优支付;4.推荐的论文优先审稿,录用后优先发表;5.贡献突出且符合条件的优先考虑聘为本刊审稿专家、青年编委;6.获赠每期电讯技术纸刊 1 册以及电子刊;7.获得在本刊网站、微信平台、期刊宣传的机会;8.编辑部提供的其他权益。五、聘期与评估1.聘期:1 年,可连聘。2.评估:聘期届满时由编辑部进行综合考核,合格的将续聘,贡献突出的前 10 名将获“电讯技术十佳通讯员”称号,并获得奖励;综合考核不合格的,自动解聘。六、报名方式1.微信扫码或长按识别右侧二维码:2.在本刊微信公众号下回复“通讯员”进行申请,如实填写有关内容遴选流程:初审遴选公布颁发聘书。七、报名时间即日起至 2023 年 9 月 4 日。电话:[phone]Email:dxjs 网址:电讯技术编辑部2023 年 7 月 5 日电讯技术 2023 年