哈工程信通学院侯长波教授发表于《IEEE Internet of Things》（电气电子工程师学会物联网）的学术论文《基于频域滑窗检测和复数神经网络的多信号调制识别》入选2026年全球计算机科学领域前1%高被引学术成果。此前该文章曾入选2023年全球计算机科学领域前0.1%的热点论文，先后在2023年、2025年入选全球计算机科学领域前1%高被引学术成果。

当前，物联网、车联网和无人系统产业快速发展，无线设备数量持续增长，电磁频谱资源日趋紧张，通信信号呈现出宽频段、多体制和低信噪比等特征。复杂电磁环境中，大量异构无线信号可能在时间域相互混叠、在频率域紧邻分布，传统单信号检测识别方法难以有效应对多信号并存场景，容易出现信号漏检、相邻信号误分割、调制样式识别不准、跨频段泛化能力不足等问题。

对于认知无线电赋能的物联网而言，信号检测与调制识别是实现动态频谱接入、频谱资源智能分配和无线安全态势感知的关键基础。特别是在低信噪比、宽频段、多信号并发条件下，如何从复杂频谱中准确发现目标信号、有效分离混叠成分并识别其调制类型，是制约智能频谱管理、电磁信号侦测和电磁数据智能采集能力提升的核心技术瓶颈。

针对宽频段低信噪比条件下混叠多信号检测识别难题，该论文提出了一种面向多信号场景的频域检测与调制识别方法，创新性地将滑动窗口检测机制与复数卷积神经网络相结合，通过快速傅里叶变换获取时域混叠信号的频谱信息，将复杂的时域重叠问题转化为频域分离问题；基于信号能量检测方法对频谱进行滑窗分段，实现对频域相邻信号的自适应检测；构建复数卷积神经网络，充分利用信号频谱中的幅度与相位信息，实现对各组成信号调制类型的准确识别。

实验结果表明，在−2dB的低信噪比条件下，该论文所提出的方法能够对至少264个混叠信号进行有效识别，识别准确率达到97.3%。该方法同时降低了信号带宽差异对识别性能的影响，能够有效检测并识别频带内各组成信号类型，为复杂电磁环境下多信号智能感知提供了新的技术路径。

《IEEE Internet of Things》是物联网领域公认的权威期刊。该研究成果通过复数卷积神经网络与频域滑窗检测技术的创新融合，实现了低信噪比、混叠多信号条件下检测识别准确率的跨越式提升，可应用于电磁信号侦测、电磁数据智能采集等领域。