本文档属于 类型a：单篇原创性研究报告。以下是根据您的要求撰写的详细学术报告。
关于《基于神经网络语义分割的雷达信号分选方法》研究的学术报告
一、 研究团队与发表信息
本研究由国防科技大学电子科学学院与电子工程学院的王超、孙立婷、刘章孟、黄知涛共同完成。研究成果以论文形式发表，题为《A Radar Signal Deinterleaving Method Based on Semantic Segmentation with Neural Network》，收录于2022年出版的《IEEE Transactions on Signal Processing》期刊第70卷。该期刊是信号处理领域的顶级国际期刊，表明本研究工作具有较高的学术价值和影响力。
二、 学术背景与研究目标
本研究属于电子侦察与信号处理交叉领域，具体聚焦于雷达信号分选这一关键课题。在现代复杂的电磁环境中，电子侦察设备接收到的脉冲流通常包含来自多个不同辐射源（即不同雷达）的交织脉冲。雷达信号分选的核心任务，就是从这些交织的脉冲流中，准确分离出属于各个独立雷达的脉冲序列，从而为后续的雷达型号识别、威胁评估等提供基础。
传统的雷达信号分选方法（如SDIF、PRI-Tran等）主要依赖于脉冲重复间隔（Pulse Repetition Interval, PRI）或其周期的搜索。这些方法首先需要从脉冲到达时间差（Difference of Time of Arrival, DToA）的统计特性（如直方图、变换谱）中估计出潜在的PRI值，然后以此PRI为线索在脉冲流中进行序列搜索和匹配。然而，这类方法存在明显局限：1) 在复杂PRI调制（如参差、抖动、滑变）环境下，PRI搜索困难，易出错；2) 对于单周期内包含多个脉冲的信号，需要多轮搜索与合并操作，算法复杂；3) 在脉冲丢失和噪声脉冲干扰严重时，鲁棒性下降；4) 需要根据经验设置阈值和容差，性能受数据质量影响波动大。
近年来，基于神经网络（Neural Network, NN）的方法被引入以解决分选问题。然而，现有NN方法通常将分选视为二分类预测问题（判断一个脉冲是否属于某个特定目标），需要为每种雷达目标类型单独训练网络，且需反复迭代输入输出数据。此外，这些方法通常需要将时间信息（如TOA）离散化为数字单元，这引入了分辨率问题：造成信息误差、掩盖密集脉冲、以及可能产生虚警。
针对上述挑战，本研究提出了一种创新的解决思路：将雷达信号分选问题重构为一个语义分割（Semantic Segmentation）问题。在图像处理中，语义分割是根据不同目标的特征信息（语义），对图像中的每个像素进行分类，从而实现不同目标的区分。类比于此，在脉冲流中，属于同一部雷达的脉冲构成了特定的“语义”。本研究的目标是开发一种名为“语义分割分选”（Semantic Segmentation Deinterleaving, SSD）的新方法，利用神经网络直接学习不同雷达信号的语义特征（如PRI调制模式、PRI参数范围），并对脉冲流中的每一个脉冲进行类别标记，从而实现一步到位的多目标分选，旨在克服传统方法和早期NN方法的固有缺陷。
三、 详细研究流程与方法
本研究的工作流程系统而严谨，主要包括以下几个关键步骤：
1. 问题重构与数据建模： 研究首先将雷达信号分选任务形式化为一个序列到序列的映射问题。输入是长度为N的脉冲流DToA序列，输出是与之等长的脉冲类别标签序列。这种方法避免了输入输出长度不匹配的问题。与图像语义分割和自然语言处理任务不同，该任务具有独特特点：目标脉冲散布于整个序列、序列点间存在严格的数学关系（DToA）、前后向信息等价。这些特点影响了后续神经网络架构的选择。
研究定义了三种典型的PRI调制模式用于仿真实验：恒定PRI、驻留切换（Dwell & Switch, D&S）PRI和参差（Staggered）PRI。通过模拟生成包含这些调制模式雷达信号的脉冲流，并引入高斯分布的测量误差、脉冲丢失（丢失率ρ_l）和随机噪声脉冲（噪声与目标脉冲数比值ρ_n），构建了用于训练和测试的数据集。每个样本的DToA序列长度固定为1000。
2. 神经网络架构选择与设计： 基于任务特点，研究选取并比较了两种适合序列建模且能保持输入输出等长的神经网络架构：双向循环神经网络（Bidirectional Recurrent Neural Network, BRNN）和扩张卷积网络（Dilated Convolutional Network, DCN）。 * BRNN架构：考虑到序列前后向信息的等价性，采用BRNN可以充分利用整个序列的上下文信息来判断每个脉冲的类别。具体采用了两种流行的变体：双向长短期记忆网络（Bidirectional LSTM, BLSTM）和双向门控循环单元（Bidirectional GRU, BGRU）。网络末端连接全连接层，实现每个时间步（对应每个脉冲）的分类。 * DCN架构：参考了在序列建模中表现优异的时序卷积网络（Temporal Convolutional Network, TCN）。为了适应本任务中前后信息等价的特点，对TCN进行了修改，采用非因果卷积和对称填充，确保感受野能覆盖足够长的序列上下文，同时保持输入输出长度不变。网络由8个残差块构成，最后通过卷积层将通道数减少到目标类别数。
3. 语义信息利用与分选策略设计： 这是本研究的核心创新点之一。为了解决语义分割方法无法区分同一类别内多个不同实例的问题（在图像中称为实例分割），研究提出了利用雷达信号本身的多层次语义信息进行细粒度分类的策略。 * 策略一：以PRI调制模式为语义。将不同PRI调制模式（恒定、D&S、参差）视为不同语义类别。适用于分选调制模式不同的雷达。 * 策略二：以PRI参数值为语义。当多个雷达具有相同调制模式时，根据其PRI值所处的不同数值区间，划分为不同的子类。适用于分选同模式但参数不同的雷达。 * 策略三：并行分选策略。将PRI调制模式和参数值同时作为语义信息，训练一个神经网络一次性完成所有类别的分类。 * 策略四：串行分选策略。先使用一个神经网络基于PRI调制模式进行粗分选，再对分出的每一类，使用另一个神经网络基于PRI参数值进行细分选。适用于目标类别多、网络容量有限的情况。
4. 实验设计与性能评估： 为验证SSD方法的可行性和优越性，研究设计了五个实验： * 实验1：验证以PRI调制模式为语义进行分选的可行性（目标为三种不同调制模式的雷达）。 * 实验2：验证对恒定PRI雷达，以PRI值为语义进行分选的可行性（目标为PRI值不同的多个恒定PRI雷达）。 * 实验3：验证对参差PRI雷达，以PRI参数（此处指参差周期内的PRI值序列模式）为语义进行分选的可行性。 * 实验4：验证并行分选策略（同时使用调制模式和PRI值）的可行性。 * 实验5：验证串行分选策略第一步（当每种调制模式存在多个雷达时，仅用调制模式分选）的可行性。
对于每个实验，生成了包含81,920个样本的混合数据集（ρ_l和ρ_n在设定范围内随机）用于训练和整体测试，以及16个指定条件的数据集（固定ρ_l和ρ_n组合）用于测试不同干扰条件下的鲁棒性。选用交叉熵作为损失函数。训练时使用Adam优化器，采用动态学习率调整。
5. 对比基准与评价指标： 研究选取了两种经典的传统分选算法——顺序差直方图法（SDIF）和PRI变换法（PRI-Tran）作为对比基准。为了公平比较，对这两种算法的阈值参数进行了多次调优，以在其对应任务上达到最佳整体性能。
为了全面评估分选性能，采用了四个指标：准确率（Accuracy）、平均召回率（Mean Recall, MR）、平均精确率（Mean Precision, MP）和平均交并比（Mean Intersection over Union, MIoU）。这些指标从不同角度衡量了模型正确分类脉冲的能力。
四、 主要研究结果与分析
实验结果表明，所提出的SSD方法在多个方面显著优于传统方法，并揭示了不同神经网络架构在该任务上的性能差异。
1. 整体性能优势： 在实验2和实验3（基于PRI值分选）中，无论是使用BLSTM还是BGRU的SSD方法，在所有评价指标上均明显优于SDIF和PRI-Tran算法。在实验1和实验4（涉及调制模式分选）中，SSD方法在准确率上优于SDIF，但在MR、MP和MIoU指标上有时略低。通过混淆矩阵的深入分析发现，造成这一现象的主要原因是：传统SDIF算法会将大量未能成功匹配的脉冲归为“虚警”目标，从而在计算MR、MP时分母（预测为正例的脉冲数）较大，导致指标虚高；而SSD方法采用封闭集识别机制，会将噪声脉冲错误分类到已有的雷达类别中。实际上，SSD方法对目标脉冲的预测准确率优于或等同于SDIF，但对噪声脉冲的区分能力在实验1和4中稍弱，尤其是对于更复杂的D&S和参差PRI信号。研究指出，SDIF和PRI-Tran是以产生高虚警率为代价来换取高召回率，而SSD方法则不存在目标漏检和虚警的问题。
2. 鲁棒性表现： 在指定条件数据集上的测试结果（图18-22）清晰显示： * 当数据质量很好（无脉冲丢失和噪声）时，无论使用何种网络架构，SSD方法的准确率均高于传统方法。 * 在仅使用PRI值进行分选的任务中（实验2、3），BLSTM和BGRU展现出比传统方法更好的整体准确率和鲁棒性。 * 在需要利用PRI调制模式进行分选的任务中（实验1、4、5），BLSTM和BGRU在脉冲丢失严重时鲁棒性优于传统方法，但在噪声脉冲非常密集时，其鲁棒性有时不及SDIF。 * 综合来看，BLSTM和BGRU在所有实验场景下的性能非常接近，且显著优于DCN架构。
3. 架构对比结论： 一个重要的发现是，循环神经网络（RNN）架构（BLSTM, BGRU）在本任务中 consistently 优于卷积神经网络架构（DCN）。尽管先前有研究表明CNN在许多序列建模任务上可以超越RNN，但本研究结果表明，对于DToA这种序列点之间存在强数学关系的特定任务，RNN因其天然的序列建模能力和对长程依赖的有效捕捉，仍然具有明显优势。
4. 计算负担分析： SSD方法的计算复杂度与脉冲流长度N呈线性关系（O(N)），一旦神经网络结构确定，其计算量相对固定。而SDIF和PRI-Tran的计算复杂度不仅与N有关，还与计算的DToA级数或搜索的PRI范围有关（O(N)*O(P) 或 O(N)*O(R0)）。在实际耗时测试中，SSD方法（尤其是BLSTM/BGRU）在不同任务下的处理时间相对稳定且较短，而传统方法的耗时则因任务参数（P, R0）设置不同而有较大差异。
五、 研究结论与价值
本研究成功提出并验证了一种基于语义分割概念的雷达信号分选新范式——SSD方法。其主要结论与价值如下：
1. 方法论创新与优势： * 相较于传统方法：SSD方法无需预先搜索PRI或PRI周期，能更好地适应复杂的PRI调制环境；对于单周期多脉冲信号，无需多轮搜索合并操作；分选完成后，目标的PRI调制模式已知，无需再进行调制样式识别。 * 相较于其他基于NN的方法：SSD方法避免了时间信息数字化带来的分辨率问题；无需为每种目标类型单独训练网络，一个网络即可一步输出多目标分选结果；无需反复迭代输入输出数据；训练时仅需PRI调制模式和大致的参数范围作为先验信息，无需精确的PRI值。
2. 实用价值： SSD方法易于训练和收敛，在脉冲丢失率和噪声干扰较高的复杂分选环境下，仍能保持理想的准确率和良好的鲁棒性。其线性的计算复杂度也使其具备实际工程应用的潜力。
六、 研究亮点
七、 其他有价值的内容与未来方向
研究在最后讨论了本方法的局限性与未来工作方向： * 当前局限：当多个目标的PRI调制模式相同，且PRI值或取值范围重叠时，仅依靠TOA信息的方法将失效。 * 未来方向： 1. 开发基于多参数语义分割的分选方法，利用脉冲描述字（PDW）中的其他参数（如射频RF、脉宽PW、脉幅PA）作为额外的语义信息，进行更精细的分类。 2. 将SSD方法应用于其他PRI调制模式（如抖动PRI）信号的分选。 3. 进一步探究并行与串行分选策略各自的优势场景。
本研究不仅提出了一种高性能的雷达信号分选新方法，更在方法论层面进行了重要创新，为电子侦察领域的智能信号处理提供了新的理论框架和技术路径。