摘要：无线电频谱监测海量数据存储和分析是无线电监管工作的重要组成部分。频谱数据具有时间相关性以及不同频点间的相关冗余，对此本文设计了一种基于类小波变换的无线电频谱监测数据无损压缩方法。该方法首先基于时间相关性将一维频谱信号转换成二维矩阵；转换成二维矩阵后数据在水平方向以及垂直方向都存在冗余，算法采用卷积神经网络来代替传统小波中的预测和更新模块，并引入了自适应压缩块来处理不同维度的特征，从而获得更紧凑的频谱数据表示。研究进一步设计了一种基于上下文的深度熵模型，利用类小波变换不同子带系数获得熵编码参数，以此估计累积概率，从而实现频谱数据的压缩。实验结果表明，与已有的Deflate等传统频谱监测数据无损压缩方法相比，本文算法有进一步的性能提升，与典型的JPEG2000、PNG、JPEG-LS等二维图像无损压缩方法相比，本文所提出的方法的压缩效果也提高了20%以上。

摘要：对无线网络中通联行为进行识别和分析,对反恐维稳等国家安全具有重要意义。通联关系是挖掘无线网络中行为关系和网络中的隐藏信息的基础。通过识别通联关系,可以推测电台在通信网络中的层级位置,进而找到网络中的关键节点。端到端是指不需要人工设计专家特征,使用深度学习的方法直接通过频谱监测数据识别通联关系。经过仿真试验发现,残差神经的网络结构可以有效识别通联关系,在测试集上识别率达到99.02%。