彬鸿科技（Binhong）始创于2014年，总部位于成都市高新南区，公司致力于从事国产软件无线电仪器与装备的研发与生产。公司是国家高新技术企业、瞪羚企业、专精特新企业，具有完整的军用产品研发与配套资质。

公司软件无线电系统产品，以“大带宽”、“宽频段”、“多通道”、“智能化”为主要特征，面向用户的科研阶段，尤其适合快速原型搭建，小批量验证的场景。

产品提供了丰富的案例与应用软件，包括5G基站、综测仪、NTN、图传组网、信号发生、通感一体化、雷达、相控阵、AI等，用户可快速移植并验证。

无线电技术正在经历一场深刻的范式转移。从模拟无线电到软件定义无线电（SDR），我们实现了硬件功能的软件化；而今，随着电磁环境日益复杂，从软件定义无线电到人工智能定义无线电（AI-Defined Radio），我们正迈向系统能力的智能化。

这场变革的核心在于：AI不再仅仅是无线电系统上层应用的辅助工具，而是正在成为无线电系统的基础能力、原生架构和核心引擎。无论是军用领域的频谱感知、电子对抗、雷达探测，还是民用领域的5G/6G通信、物联网、卫星互联，AI与无线电的深度融合正在重塑无线技术的底层逻辑。

彬鸿科技深耕软件无线电领域多年，基于对技术趋势的深刻洞察和自主研发的bhSDR系列平台，推出本白皮书，系统阐述AI+无线电的技术架构、核心能力和案例实践。

软件定义无线电（SDR）是射频集成芯片以及射频集成SOC（RFIC/RFSOC）、数字处理器以及RF前端的结合，提供了可重复使用且适应未来发展的无线电平台。SDR具有很多优势，其中包括软件可配置性、更佳的系统性能、更小的系统尺寸，以及减少设计风险并最终缩短上市时间。

软件定义无线电（SDR）技术正经历从“软件定义”向“智能定义”的深刻变革。这一演进的核心在于AI与无线电的深度融合：一方面AI赋能无线电，实现物理层智能增强、资源动态调度与认知决策；另一方面无线电支撑AI，提供通感算智一体化的边缘智能平台。

在应用领域，SDR已渗透至多个关键领域。频谱感知与认知电子战中，系统可实时识别未知威胁，摆脱对预设参数数据库的依赖；无人机对抗场景下，AI赋能的末端制导与光纤通信大幅提升抗干扰能力；5G/6G通信中，AI-RAN架构将智能嵌入无线接入网全流程；相控阵雷达与卫星通信则依赖多通道相干采集实现数字波束成形。

人工智能（AI）是使机器能够模拟人类智能的技术总称。机器学习（ML）是AI的一个子集，使计算机能够在没有明确编程的情况下学习。深度学习（DL）是机器学习的一个子集，基于多层神经网络，能够自动从数据中学习层次化的特征表示。

适用于无线通信的关键神经网络架构，常包括卷积神经网络（CNN）、循环神经网络（RNN）及其变体、CNN与RNN的混合、Transformer与注意力机制、自编码器与生成模型等。

传统软件无线电的核心思想是将无线电功能从硬件转移到软件，通过更新软件来改变无线电的工作参数（如频率、调制方式），实现了软件定义硬件的特性，但其本质仍是基于固定规则和算法的静态配置。AI+SDR则在此基础上融入了人工智能，其核心理念是实现认知无线电，使硬件可以通过推理和学习，自主地调整内部配置以优化性能。架构上，AI+SDR集成了AI算力，无论是中心式的或边缘式的，都可以实现电磁的智能化识别与数据处理。

但目前最有效的AI+SDR系统往往是混合架构，即利用AI做擅长的高维模式识别，而将精确的、有明确数学模型的系统性问题交由经典的信号处理算法解决。

相比较而言，AI+SDR能克服传统无线电的劣势，更像一次系统的智能化升级，但它并不是对传统无线电的颠覆或重建。

AI+Radio的融合，可以基于深度学习模型实时分析IQ数据流，毫秒级识别频谱占用、信号类型、干扰源，支持盲信号检测，可以基于CNN/Transformer的端到端识别，判断调制方式，可以强化学习实时预测干扰，实现干扰规避与频谱最优分配，同时采用云端或中心式的AI推理，可以减少端侧的推理延迟，支持实时电子战、自动驾驶、无人机通信、AI-RAN等低时延场景。

将AI模型成功应用于无线电系统，是一套贯穿数据采购、模型研发、部署优化、闭环迭代的系统性工程。无线场景具备射频信号复杂度高、端侧算力受限、实时性要求严苛、电磁环境动态多变等特性，传统AI工程流程无法直接适配，必须围绕射频信号特性、硬件算力瓶颈、实时通信需求进行定制化。

将AI模型成功应用于SDR系统，需要构建一套完整的工程化流程。这一流程涵盖数据、模型、部署三个核心环节，每个环节都有其关键技术和最佳实践。

美国国家标准与技术委员会NIST，主要完成RF数据集标准与AI评估方法的制定工作，其指出RF数据集构建的基本原则包括：

1. 目标导向性，针对具体频段、信号类型和应用场景设计数据采集方案，不应该企图完全通用化的方法，尤其是用宽频段进行完全覆盖，再二次抽取或处理的方式；

2. 可追溯性：遵循FAIR数据管理原则（可发现、可访问、可互操作、可重用）；

3. 精心策划：涵盖不同设备、信道条件、信噪比、干扰类型，确保数据的多样性和代表性；

4. 元数据完整性：保存采集过程中的元数据（包含设备信息、频段范围、单条数据样点个数、刷新频率、累积时间、记录时间、方位、接收地 点等信息），为后续分析提供支持。

利用GNU Radio、MATLAB等工具生成带标签的合成数据，其优点在于可以灵活控制信道条件（多径、频偏、噪声）、调制方式和信噪比，可生成任意规模的带标签数据，能够覆盖传统难以采集的场景（如特定干扰、罕见波形），成本低、迭代快；其缺点在于仿真数据与真实数据存在偏差，仿真数据训练的模型在真实环境中的泛化能力不容易验证。

典型的工具包括GNU Radio、MATLAB Communications Toolbox、Python RF仿真库等，经典的数据集包括被广泛应用于调制识别研究的RadioML系列。

使用真实的射频设备在可控环境下采集数据，其优点在于信号特征真实，包含硬件非理想特性，易于获取精确标签（即明确射频设备的特征），其缺点在于实验室环境与实际部署环境仍有差异，需要考虑信道变化、干扰等因素对模型性能的影响，采集过程需保存完整的元数据（通常需要完整的采集、存储与回放方案）。

彬鸿的系列软件无线电产品，提供从1T1R到64T64R，频率覆盖从DC到FR2频段，带宽从5MHz到单通道2GHz，并且提供了边缘加速的GPU处理器，充分满足实验室采集数据的硬件条件。

即在实际应用环境中采集数据，其优点在于最接近真实应用场景，模型在该类数据上的性能最具说服力，缺点在于数据标注困难（需要同步记录真实情况），难以覆盖所有场景和信号类型，成本相对实验室采集更高。

bhSDR硬件平台提供了多种外场数据的采集方式，既可以基于与实验室一样的硬件平台，也可以基于便携式的采集设备。

在模型训练之前，根据具体任务设计合适的神经网络架构以及做相应的预处理，比如对于调制识别任务，一般选择CNN或MCNet；对于频谱感知任务，以选择DeepSense架构，基于注意力机制；对于设备指纹识别任务，需要消除信道影响，提取设备本身的硬件指纹特征；对于信号种类识别任务，可以先使用CNN层提取局部波形特征，利用Transformer层捕捉全局依赖和长程模式，再全连接层进行最终分类。

bhSDR AI提供成熟的算法框架与自动化训练平台构建：

• 内置成熟算法框架：搭载彬鸿自研射频指纹识别专用算法框架，兼容 CNN、Transformer 等主流模型架构，支持设备识别、调制识别单任务与联合识别双模式；

• 全流程自动化训练：自动完成数据集划分、特征提取、模型训练、参数调优、性能评估、模型压缩全流程，零基础用户也可完成高质量模型训练；

• 自定义训练支持：支持模型结构自定义、训练参数调整、特征工程开关配置，满足高阶科研与定制化开发需求；

• 训练过程实时监控：可视化展示训练过程中的损失值、准确率变化曲线，实时输出混淆矩阵、ROC 曲线等评估指标；

• 一键式部署导出：训练完成后自动生成可部署模型，支持一键导出到 bhSDR 平台实现端侧实时推理，无缝对接工程化落地场景。

为在资源受限的边缘SDR平台部署AI模型，需通过模型量化、剪枝、知识蒸馏、神经网络架构搜索四类技术，实现模型优化压缩，适配边缘端算力、存储与功耗限制：

• 模型量化是主流轻量化方法，将FP32权重与激活值转为FP16、INT8等低精度格式，分为无需重训练的PTQ和精度更优的QAT两种方式。其中FP16量化体积减半、精度无损，INT8量化体积缩4倍、提速2-4倍且精度损失仅1%-2%，INT4与二值化压缩率更高，但精度损耗大，仅适用于特定场景；

• 模型剪枝按权重重要性迭代移除冗余参数，分为非结构化剪枝（零散删权重）和结构化剪枝（整层/通道删减），后者更适配硬件加速。该技术可删减50%-80%参数，同时保留模型精度，搭配专用硬件可实现运行提速；

• 知识蒸馏依靠大模型软标签指导小模型训练，让小模型逼近大模型精度，适配边缘部署；

• 神经网络架构搜索（NAS）可自动筛选最优架构，硬件感知NAS更结合延迟、功耗指标，让架构完全贴合边缘SDR硬件特性。

bhSDR AI构建了“数据预处理-特征构建-混合网络建模-训练评估-集成学习优化” 全链路自主可控的技术体系，创新实现了单模型单流程下调制类型与设备身份的联合识别，达成双任务协同增益的技术效果，同样适用于模型部署的前期准备工作阶段，核心技术架构如下图所示：

为实现 AI 模型在 SDR 平台上的边缘推理，需从推理引擎、异构调度与延迟优化三方面进行设计：

1. 推理引擎可根据硬件选择：TensorRT 适合 NVIDIA Jetson 平台，性能最优；ONNX Runtime 跨平台、通用性强；OpenVINO 适配 Intel 硬件；TVM 支持多后端自动编译；

2. 在异构架构下，由 FPGA 负责实时 IQ 数据采集与预处理，GPU 执行 AI 推理加速，CPU 承担逻辑控制与决策，实现各司其职的协同调度；

3. 通过流水线并行、合理批处理与零拷贝内存优化，可有效降低端到端延迟，满足边缘实时性要求。

bhSDR硬件平台有多款产品，包括USRP4320e、AIRF、DBF8、DBF16，均有板载的GPU模块，打通了IQ数据与GPU之间的接口，并提供Python开发接口API。

以AIRF产品为例，其基于RFSOC架构，可选搭配Xavier NX或ORIN NX边缘GPU模块。

bhSDR AI是一个基于bhSDR软件无线电平台进行训练与部署AI系统的框架，核心目标是为开发、训练和实际部署人工智能驱动的信号处理系统提供高效支撑。该框架深度整合了灵活的SDR硬件接口与先进的AI模型开发流程（涵盖数据采集、预处理、模型构建、训练、验证及嵌入式部署全环节），显著降低了将人工智能算法应用于复杂电磁信号领域的技术门槛与开发周期。系统原理框图如下：

用于发射和接收射频信号，为数据集采集提供高质量数据。

支持200Gbps速率，用于大带宽高速数据传输。

彬鸿自研AI一键式平台系统，集成射频数据一键式收集以及彬鸿自研模型一键式训练。

实现多调制制式、多设备条件下射频指纹的稳健识别，同时提升射频指纹特征的表达能力与模型的泛化能力，通过单特征体系、单模型架构实现设备与调制的联合识别，达成双任务协同增益的技术效果。

用于放置前传卡，集成CPU，内存，硬盘及各类接口，提供高性能计算和数字信号处理能力。

USRP设备采用彬鸿科技自主研发的USRP7440e。

设备采用第三代RFSOC芯片ZU48DR-FFVG1517（兼容XCZU47DR），其ADC最大支持 5.0GSPS，DAC最大支持9.85GSPS，支持8路 14bit ADC，8路14bit DAC，仪表级的高速ADC与DAC，可实现2.0G的实时带宽，它不但可以满足现有各类商用协议的最高带宽要求，也可以支持包括6G、卫星 通信、太赫兹等超高带宽的场景。

Zynq UltraScale+ RFSoC产品系列可为部署5G无线通信系统、有线电视接入、高级相控阵雷达解决方案，以及包括测量测试和卫星通信在内的其它应用，提供所需的广泛频段覆盖范围。通过取代分立式组件，这些器件可将功耗及封装尺寸锐降50%，是电信运营商部署5G系统实现大规模多输入多输出基站的理想选择。

前传卡选用的是彬鸿科技自主研发的BAC510。

基于PCIe总线架构的高性能BAC系列光纤数据前传卡，以Xilinx的Kintex-7、Kintex UltraScale、Virtex UltraScale+系列FPGA作为实时处理器系列FPGA作为实时处理器。支持1路PCIe高速接口、2～4路光纤接口，完成基于光纤的数据实时采集、传输。板载多组独立的DDR大容量缓存，板卡同时具有若干IO信号。部分型号支持外参考时钟输入，1PPS输入，参考时钟输出，可广泛应用于基于服务器的数据采集以及传输，雷达与中频信号采集、视频图像采集等场景。

bhSDR AI平台部署的射频信号指纹识别系统，硬件配置成本低，基于bhSDR提供的自研模型，对算法开发与射频工程化能力要求简单，可快捷验证射频信号指纹识别全流程原型系统的有效性，也可为 6G 通信物理层安全、无线终端可信身份认证、电磁空间态势感知等复杂系统应用提供基础原理验证。

bhSDR AI 自研模型构建了 “数据预处理 - 特征构建 - 混合网络建模 - 训练评估 - 集成学习优化” 全链路自主可控的技术体系，创新实现单模型单流程下调制类型与设备身份的联合识别，达成双任务协同增益的技术效果。

bhSDR AI针对行业核心痛点，自研模型实现端到端的设备-调制联合识别闭环架构，核心解决了传统射频指纹识别特征表达不足、局部-全局建模失衡、双任务割裂三大行业痛点，模型部分结构如下图：

模型部分参数设置如下图所示：

数据预处理部分代码展示如下图所示：

模型加载推理部分代码如下图所示：

bhSDR AI模型单设备单基模型识别情况下，模型情况如下图所示：

该基模型在综合识别任务中表现优异，综合识别率可达88%，尤其在OFDM体制下多种不同QAM调制方式的识别任务中，均呈现出良好的识别效果与稳定性能。

在此基础上，通过多基模型协同构建集成学习框架，引入融合投票决策机制，对各基模型的输出结果进行加权融合与联合判决，可进一步显著提升整体识别精度与鲁棒性。经实验验证，采用该集成学习方案后，系统整体识别准确率可提升至95%以上，在复杂信号环境下仍能保持较高的可靠性与泛化能力。

后续在多基模型情况下，进行集成学习融合投票后结果如图：

bhSDR AI针对射频指纹识别领域现存的关键痛点，如特征表达欠充分、局部与全局特征建模失衡、多场景泛化力不足、设备识别与调制识别任务割裂、联合识别方案结构冗余且协同性差等，创新性地提出一种融合小波高阶统计特征、卷积-Transformer混合网络与集成学习的联合调制与射频指纹识别方法。该模型依托统一特征体系与单一模型架构，实现多调制制式、多设备场景下射频指纹的精准辨识，有效提升射频指纹特征表达力与模型泛化性，达成设备识别与调制识别双任务协同增效，切实契合工业级场景应用需求。

该基础模型在综合识别任务中表现卓越，综合识别率高达88%，于OFDM体制下多种QAM调制方式识别任务中尤为突出，兼具良好识别精度与运行稳定性。在此基础上，通过构建多基模型集成学习框架，并采用融合投票决策机制对各基模型输出进行加权融合与联合判决，可进一步显著提升系统整体识别精度与抗干扰鲁棒性。实验结果显示，集成学习方案使系统整体识别准确率跃升至95%以上，在复杂电磁环境与多变信号条件下仍能维持高可靠性与强泛化能力。

国内首个深度绑定 bhSDR 自研平台的射频指纹识别 AI 模型体系化课程，覆盖从零基础入门到灵活使用的全层级需求，兼顾教学、实训、科研三大核心场景，解决交叉领域 “学用脱节” 痛点，培养射频 + AI 复合型人才，助力高校学科建设与企业团队能力升级。

掌握射频信号与射频指纹识别基础理论，熟练操作 bhSDR AI 平台，独立完成基础射频信号采集与识别任务，核心课程内容：

• 深度学习基础理论，CNN、Transformer 等主流模型架构详解

• 射频指纹识别入门级案例复现与基础实操训练

• 模型性能评估、可视化分析、场景化适配与端侧部署实操

• 软件无线电基础原理、射频信号与 IQ 数据基础理论

• 射频指纹识别核心原理、行业应用与发展趋势

• 彬鸿 USRP 设备与 bhSDR 平台硬件架构、环境搭建与基础操作

• bhSDR Studio 软件基础操作，射频参数配置与信号收发实训

• 一键式数据采集功能全流程实操与案例演示

• 配套资源：基础教学课件、标准化实验手册、入门级案例源码与数据集

软件无线电（SDR）凭借硬件可编程、频段覆盖宽、配置灵活的优势，已成为电磁信号采集与处理的核心硬件底座，但其传统架构仍依赖固定算法与人工配置，智能化能力不足；AI技术则具备强大的特征学习、自适应识别、海量数据高速处理能力，可完美补足SDR技术的智能化短板。

二者深度融合，可实现硬件采集能力+智能算法能力的双向赋能，带来三大核心价值：一是实现从信号采集、预处理、识别分析到管控的全流程自动化闭环，大幅提升频谱处理效率；二是通过AI算法优化，提升复杂电磁环境下弱信号、突发信号、跳频信号的检测识别精度，突破传统算法的性能天花板；三是实现系统的自学习、自优化与可扩展，可快速适配新型信号制式与定制化场景需求，是未来电磁频谱感知与管控领域的必然发展趋势。

本产品是一款集宽频段信号采集、实时频谱监测、AI智能信号识别、辐射源溯源、设备运维管控、频谱资源管理于一体的软硬件一体化系统。基于彬鸿科技自研USRP系列超带宽软件无线电硬件、bhSDR AI核心算法引擎，深度适配客户需求中信号采集、识别、设备管控、远程运维等全维度要求，解决传统频谱监测设备带宽有限、识别精度低、抗干扰能力弱、操作门槛高、管控能力不足等行业痛点，实现从射频信号采集、实时分析识别到频谱资源全生命周期管理的闭环，为用户提供7×24小时不间断的电磁空间态势感知与频谱智能管控能力。

核心定位：面向频谱监管、态势感知、实时侦收等业务场景的在线实时运行软硬件一体化平台，是电磁频谱空间的「实时监测站+智能管控中枢」。

系统采用「硬件采集层-边缘处理层-AI算法层-应用管理层」四层松耦合、高可扩展架构，全链路自研可控，深度兼容客户定制化需求，架构完全复用彬鸿现有技术成果，保障稳定可靠，各层级协同联动，实现信号侦收与频谱管理全流程高效运转。

系统方案完整覆盖信号采集、信号识别、信号检测识别全流程核心功能要求，所有性能指标均全面优于客户需求，同时深度复用彬鸿科技现有USRP硬件、bhSDR AI算法、bhSDR Studio/Matlab一键式采集与训练平台等成熟技术成果，保障产品稳定可靠、快速落地。

聚焦信号采集的全面性、实时性与灵活性，完整实现客户要求的全流程信号采集核心能力，满足不同场景下的信号采集需求，为后续处理与识别提供高质量原始数据。

依托bhSDR AI核心算法，基于辐射源识别公开数据集完成算法训练与优化，完整实现客户要求的信号识别、信号检测识别全维度核心能力，实现信号的多维度智能识别与深度分析，为频谱管控提供精准的决策支撑，解决传统识别方式效率低、精度低的痛点。

当前，基于SDR+AI融合技术的信号频谱自动处理与打标方案，可通过软件无线电的宽频段、高灵活、高精度采集能力，结合AI算法的智能化检测、识别、自动打标能力，彻底解决上述痛点。AI技术可实现海量频谱数据的自动化特征提取、信号分类与标准化打标，大幅提升处理效率与打标准确率；SDR硬件则为AI算法提供高质量、全维度的原始频谱数据底座，二者深度融合可实现频谱处理全流程的无人值守、实时闭环运行，是当前射频信号处理、频谱智能化管控领域的必然技术趋势。

bhSDR AI软硬件一体化平台，构建全链路自主可控的信号频谱采集、预处理与算力支撑硬件底座，核心硬件体系包含三大核心单元，全面适配频谱自动处理与打标全流程性能需求。

本方案采用「采集层-预处理层-AI推理层-打标与应用层-数据分发层」五层松耦合、高可扩展架构，全链路自研可控，深度兼容客户定制化需求，各层级协同联动，实现频谱自动处理与打标全流程高效闭环运转。

全流程处理链路为：宽带频谱实时采集→信号预处理与数据标准化→AI智能信号检测（连续/突发/跳频信号）→载波检测引导窄带样本采集→AI信号类型识别与分类→信号自动/人工辅助打标→元数据与打标样本全生命周期管理→数据实时分发与第三方平台对接，完整覆盖频谱处理与打标全业务流程。

支持1MHz~18GHz全频段/用户指定频段的宽带频谱数据、原始IQ数据采集，支持最高2GHz实时带宽的连续流盘存储，可按采集时长、数据大小、频段范围自定义存储规则；内置高速SSD存储，标配16TB容量，最大可扩展至128TB，支持采集数据的本地缓存与实时转发，满足离线回溯与在线实时处理双重需求。

全流程自动记录频谱采集全维度元数据，包含频段范围、单条数据样点个数、刷新频率、累积时间、记录时间、方位角、接收地点经纬度、设备编号、采样率、RBW配置等核心信息，所有元数据与对应频谱数据文件绑定存储，支持多条件组合查询、筛选与导出，满足数据溯源、合规性审计与样本管理需求。

具备全功能宽带频谱图与时频瀑布图显示能力，支持频谱图和瀑布图同步缩放、联动显示、信号框选和宽带测量功能，支持频谱图幅度最大保持、幅度自适应调整功能，可直观呈现全频段频谱分布与时频变化特征。

基于自研多帧融合频谱中心网络（FFSCN），实现宽带频谱内连续载波、突发载波的实时智能检测，精准输出信号中心频率、带宽、功率、出联时间、消失时间等核心参数，自动生成并更新信号检测表；针对短时突发信号，突发检测时间分辨率≤5ms@200MHz瞬时带宽，可实现低信噪比环境下的弱信号精准捕捉，无遗漏检测。

支持载波检测触发的窄带样本自动采集，检测到载波出联时，自动将对应信号频率配置到窄带DDC通道，仅采集该信号对应的窄带DDC数据，采集长度、采样率可由用户自定义设置；采集的窄带数据自动按信号类型、中心频率、采集时间分类存储，可直接作为机器学习模型训练的标准化样本数据，无需二次处理。

基于深度学习图像识别算法，实现对瀑布图中跳频信号的实时检测与多方式告警，跳频信号无需采集原始IQ数据，仅自动存储跳频出联时的瀑布图快照图片，图片自动叠加跳频信号的时间、频段、跳速等元数据标签，可直接作为图像识别模型的学习样本，支持按时间、频段批量检索与导出快照图片。

基于自研卷积Transformer信号种类识别网络（SPSP-CTN），支持ADS-B、AIS、ACARS、Tetra、P25 Phase1、NXDN、Link11等≥20种民用/军用协议信号类型识别，SNR≥7dB条件下识别准确率≥90%；同时支持2ASK、2FSK、4FSK、BPSK、QPSK等主流调制制式识别，SNR≥12dB条件下识别准确率≥95%，多不同QAM调制识别，SNR≥10dB条件下准确率≥85%，识别结果自动同步至信号检测表与打标模块。

开发标准化信号类型识别模块统一调用接口，采用RESTful API与SDK双重接口模式，提供标准化的信号输入、推理、结果输出全流程调用规范，支持用户自研识别模块、自定义算法模型的嵌入与加载，可无缝替换内置识别模块，满足用户定制化识别需求，具备极强的扩展性。

基于TensorFlow/PyTorch通用深度学习框架，构建GPU加速的AI推理引擎，支持用户自定义推理模型的动态加载与卸载，无需重启系统即可完成模型更新；具备基于宽带瀑布图的实时推理能力，可实现200MHz以上宽带瀑布图的帧同步实时推理，推理延迟≤100ms，满足实时信号检测、跳频识别等场景的低延迟需求。

自动全量记录并存储所有信号检测识别的元数据，包含载波唯一ID、出联起始时间、结束时间、中心频率、带宽、信号强度、信噪比、信号类型、调制方式、识别置信度、是否告警、打标状态等全维度信息，元数据实时写入数据库，支持多条件组合查询、筛选、批量导出，满足数据审计、复盘、样本溯源需求。

内置全功能信号打标系统，实现自动打标与人工辅助打标双重模式，覆盖信号全维度打标需求，打标结果与原始信号数据、元数据绑定存储，可直接输出标准化AI训练样本集。

• 自动打标：基于AI信号识别结果，自动为检测到的信号添加信号类型、调制方式、中心频率、带宽等标准化标签，支持用户自定义自动打标规则、标签体系、置信度阈值，可实现7×24小时无人值守全自动打标，打标效率较人工提升100倍以上。

• 人工打标：提供可视化人工打标界面，支持用户在频谱图、瀑布图中框选信号，手动添加/修改标签，包含信号类型、调制方式、是否为干扰信号、是否为非法信号、备注信息等自定义标签；支持自动打标结果的人工复核、修正、驳回，同时支持多人协同打标、打标结果审核流程，保障打标数据质量。

支持频谱原始数据、监视识别元数据、宽带频谱AI推理结果、打标结果等全量信息的实时分发，兼容UDP和Kafka双协议，Kafka版本≥2.0，支持自定义分发主题、分发频率、数据字段筛选，可无缝对接第三方频谱管理平台、大数据分析系统、指挥调度平台，实现数据共享与业务联动。

系统采用C/S架构设计，支持客户端本地操作与远程访问两种模式，用户可通过客户端远程完成全系统参数设置、实时频谱查看、监视识别元数据查询、宽带频谱推理结果查看、打标操作、设备状态监控等全功能操作，无需现场值守，适配多终端、跨区域的使用需求，同时支持多用户分级权限管理，保障系统操作安全。

依托bhSDR AI核心算法，基于辐射源识别公开数据集完成算法训练与优化，完整实现客户要求的信号识别、信号检测识别全维度核心能力，实现信号的多维度智能识别与深度分析，为频谱管控提供精准的决策支撑，解决传统识别方式效率低、精度低的痛点。

针对射频指纹识别方案，bhSDR AI 平台以自研软硬件一体化架构为核心，打造了 “硬件底座 + 软件平台 + AI 模型 + 课程体系” 四位一体的射频指纹识别全链路解决方案，真正实现了从射频数据采集、模型训练到工程落地的全流程闭环。bhSDR Studio/Matlab平台凭借一键式数据采集与一键式模型训练两大核心能力，大幅降低射频指纹识别技术的研发门槛；配套的全层级体系化课程，解决了行业复合型人才培养的核心痛点；模块化、高扩展的架构设计，可全面适配高校教学科研、6G 前沿技术研究、产业商用落地全场景需求。