多模态深度学习干扰智能识别系统

问题：小区级干扰识别

面向 5G / 6G 无线网络的小区级干扰识别问题，基于 PRB 噪声矩阵和业务元数据构建数据处理、特征提取、模型训练和推理流程。

无线网络中的干扰类型多样（如阻塞干扰、外部干扰、混频干扰等），不同干扰的成因和处置方式完全不同。人工基于频谱图判读效率低且依赖经验，因此需要一个能直接从网络运行数据中自动识别干扰类型的模型。

输入与特征

模型输入为 24 × 273 的 PRB 噪声矩阵（时间 × 频域资源块），并融合业务元数据共同建模。

1. 1

   PRB 噪声矩阵（24 × 273）

   小区级时频二维噪声数据

2. 2

   统计特征

   统计特征：能量分布、方差、峰值等

3. 3

   空间特征

   空间特征：干扰在时频域的分布形态

4. 4

   频率特征

   频率特征：频域选择性、带宽占用模式

5. 5

   业务元数据

   业务元数据辅助判别

单看噪声矩阵的原始数值不足以区分相似干扰，因此从统计、空间、频率三个角度分别提取特征，再与业务元数据一起构成多模态输入。

模型架构

采用 CNN + Transformer + Metadata Fusion 的混合架构：

• CNN 提取 PRB 矩阵的局部时频纹理；
• Transformer 建模时频域的长距离依赖；
• Metadata Fusion 将业务元数据与深度特征融合，补充网络运行语境。

训练策略

• Label-specific Attention：针对多标签识别任务，为不同标签学习各自关注的特征通道；
• Differential Data Augmentation：差异化数据增强，提升模型对不同干扰形态的鲁棒性；
• Improved Focal Loss：改进的 Focal Loss 缓解类别不均衡与难样本问题；
• CosineAnnealingLR：余弦退火学习率调度，改善收敛稳定性。

项目成果

验证准确率 92.71%，Macro F1 0.8398。Macro F1 低于准确率，说明部分小类别（样本量少的干扰类型）仍然是短板——这也是引入 Focal Loss 与 Label-specific Attention 的直接原因。

经验与反思

• 多标签场景要为“标签”建模，而不只是为“样本”建模。 Label-specific Attention 让不同干扰类型各自关注最有效的特征，是小类别提升的关键。
• 损失函数设计要贴合指标。 关心 Macro F1 就要在训练中显式处理类别不均衡，Focal Loss 的改进直接服务于这一目标。
• 诚实的失败分析比指标更有价值。 模型对未见过的干扰类型泛化能力有限，这一限制推动了向开放集识别方向的后续探索。