在人工智能浪潮席卷全球的今天，基于大模型的图像处理技术已在各行各业大放异彩，比如智能驾驶领域已经全面进入了大模型时代。对于无线电从业者而言，AI颠覆性的力量正悄然渗透至一个更为隐秘和关键的领域——无线电信号识别。传统的信号识别方法正被一种全新的机器视觉AI范式所取代，这不仅是技术的升级，更是一次根本性的认知革命。

在过去的几十年里，无线电信号识别严重依赖于“手工特征提取”。工程师和科学家们需要凭借深厚的专业知识和经验，设计复杂的数字信号处理算法，这如同在浩瀚的噪声海洋中手动垂钓，从原始信号中提取出诸如带宽、符号率、高阶谱等特征，再交由分类器进行判断，如图1。

图1 典型基于“决策树”的信号识别方法示意图

这种方法存在明显瓶颈：

1.工程化效果差：面对复杂多变、甚至故意隐藏的现代信号（如跳频、低概率截获信号），手工特征提取力不从心，极易漏判、误判。

2.无法识别“未知”：系统只能识别预先定义好的信号类型，对于从未见过的、“未知”的新信号或异常信号，传统系统束手无策，构成了巨大的安全盲区。

3.速度瓶颈：在分秒必争的电子战、频谱监测等关键任务场景中，缓慢的分析速度可能导致战机贻误。

新范式开始于一个天才的构想：首先将一维的时间序列信号（如IQ数据）转换为二维的图像。

图2 使用祯仪接收组件观测2.4GHz WiFi与蓝牙信号

通过诸如频谱图（Spectrogram）、星座图（Constellation Diagram）等变换，无线电信号的内在特征——频率、幅度、相位随时间的变化——被投射到一个二维平面上，形成一幅富含信息的“指纹图像”。不同类型的信号（如5G、Wi-Fi、蓝牙、雷达）会在这幅图像上呈现出截然不同、独一无二的纹理、形状和模式（如图3）。

图 3  不同类型信号的时频图

一旦信号被成功“图像化”，那些在计算机视觉领域历经千锤百炼的深度学习模型（尤其是卷积神经网络CNN，乃至更强大的视觉大模型）便可大显身手。 无需人类告知这些模型 “什么是特征”，它们能通过简单的几步：

1.环境搭建：几条命令确定依赖。

2.数据准备：用图片构建自己的数据集。

3.模型训练：启动训练，观察指标。

4.验证与测试：检验模型学习效果。

5.简单部署：几行代码实现图片检测。

利用大量数据训练，自行从这些“信号图像”中学习到最深层次、最本质的差异和规律，从而识别出目标信号。如图4，多无线电信号目标识别。

图 4 多无线电信号目标识别

以YOLO(You Only Look Once)等为代表的计算机视觉的开源端到端模型，正是这一新范式的卓越实践，其展现出的优势完全颠覆了传统：

图 5  YOLO模型流程

以无人机信号检测举例，通过使用YOLO模型，我们可以实时获得一类对象的预测和指定对象位置的边界box。特别是，YOLO返回有关边界box的中心、宽度和高度的信息，这些信息可有效地用于检测无人机信号的频谱位置，实现信号识别和分选。

图 6  大疆无人机O4图传信号目标检测

我们利用700张分辨率为640×640的无人机信号时频图像对模型实施了重新训练。数据集分为540张训练图像和160张验证图像。训练过程包含500次迭代，运用随机梯度下降算法来学习神经网络参数，最小批量大小设定为128。

图7展示了损失函数的收敛情况，包括box回归损失、类损失、对象损失，以及精度、召回率和平均精度等指标。

通过分析这些图表，可以观察到在500次迭代后，实现了精确的信号目标检测。

图 7  损失函数的收敛结果

1.极致的速度与效率：AI检测识别速度可比传统方法快几个量级，实现真正的实时反应，满足了关键任务对时效性的严苛要求。

2.强大的“未知”与异常检测能力：不仅能够高精度识别已知信号，更能凭借其学习到的通用“信号视觉”知识，敏锐地发现频谱中的异常信号和未知信号。

3.广泛的兼容性与敏捷性：这种基于软件和AI的方法天然具备频率不可知论（Band-Agnostic）的特性。同一套核心算法模型，经过不同数据训练，即可适配全频段的信号分析。

4.高维并行处理：新范式能够轻松对超宽带频谱（如瞬时带宽500MHz）内并存的无数信号进行识别、分类和定位，这是传统串行处理方法难以想象的。

基于大模型的图像处理技术为无线电信号识别带来的不仅仅是一款新工具，更是一个强大的新“感官”。它使得机器能够像人眼识别万物一样，去“看见”并“理解”无形的电磁频谱。

未来，随着多模态大模型的发展，这种“信号视觉”能力有望与自然语言、知识图谱等其他模态信息融合，构建出能够自主推理、决策的认知无线电系统，最终实现从“频谱感知”到“频谱认知”的终极跨越，彻底重塑通信、国防、信息安全等众多领域的游戏规则。