基于复数卷积神经网络与干扰类别表征融合的多标签雷达复合干扰信号识别方法研究

作者及机构
本研究由哈尔滨工业大学电子与信息工程学院的Yunyun Meng、Lei Yu（通讯作者）和Yinsheng Wei合作完成，发表于2023年10月30日的《Remote Sensing》期刊（卷15，第5180页），论文标题为《Multi-Label Radar Compound Jamming Signal Recognition Using Complex-Valued CNN with Jamming Class Representation Fusion》。

学术背景

研究领域与动机
该研究属于雷达电子对抗领域，聚焦于复杂战场电磁环境下复合干扰信号的自动识别问题。随着干扰机技术和调制技术的发展，多种干扰信号可能同时进入雷达接收机，形成复合干扰信号，增加了识别和后续反干扰的难度。传统方法（如基于统计模型或特征提取的分类器）在强重叠信号和未见过的干扰组合下性能显著下降。因此，作者提出了一种端到端的多标签分类框架，结合复数卷积神经网络（CV-CNN）和干扰类别表征融合技术，旨在直接处理时域复数信号并提升对未知干扰组合的泛化能力。

科学问题与目标
1. 问题：复合干扰信号中强重叠成分（如高功率压制干扰）导致传统时频分析方法失效，且多类分类模型因组合数量爆炸而难以扩展。
2. 目标：开发一种无需信号分离、能保留原始复数信息的多标签识别方法，解决低信干比（JNR）和功率不平衡（PR）下的鲁棒性问题。

研究方法与流程

1. 复合干扰信号建模

• 信号模型：假设雷达接收机同时接收来自多个干扰机的信号，复合干扰信号可表示为加性模型（公式1），包含幅度系数和加性高斯白噪声（AWGN）。
  
• 多标签分类任务：将识别问题转化为多标签分类，输出向量标记各干扰成分是否存在（1/0），而非传统多类分类的单标签。

2. 模型架构设计

（1）基础ML-CV-CNN
- 输入：一维时域复数信号（采样长度4000点）。
- 网络结构（表1）：
- 4层复数卷积（滤波器尺寸5/7/9/11，通道数32/64/128/256），每层后接复数ReLU和最大池化。
- 复数全连接层（FC1: 512维，FC2: 4维输出）。
- 复数运算实现：通过实数卷积层的高维扩展实现复数卷积（公式4），保留相位信息。

（2）干扰类别表征生成
- 单标签CV-CNN（SL-CV-CNN）预训练：使用单干扰信号数据集（600样本）训练，提取特征。
- 原型聚类：通过学习向量量化（LVQ）算法生成每类干扰的512维表征向量（图6），表征类间可分性。

（3）ML-CR-CV-CNN融合模型
- 类别解耦模块：通过注意力机制（公式10-13）将复合信号特征与类别表征融合，强化相关成分的特征。
- 自适应阈值校准：根据F1值最大化动态确定每类判别阈值（公式16），优化多标签输出。

3. 实验设计

• 数据集：
  
  • 单干扰训练集：4类干扰（类1-类4），每类150样本。
    
  • 复合干扰训练集：15种组合（1-4成分混合），每组合100样本，JNR范围0-30 dB，PR范围-15至25 dB。
    
• 对比方法：ML-CV-CNN（无表征融合）、MLAMC（时频图像多标签模型）、1D-CNN（多类分类）。
  
• 评估指标：子集准确率（Subsetacc）、汉明损失（Hamming loss）、部分准确率（Partialacc）和标签准确率（Labelacc）。
  

主要结果

1. 模型收敛速度（图8）

   • ML-CR-CV-CNN在高JNR（25-30 dB）下仅需70轮收敛，显著快于MLAMC（需150-500轮），因复数网络对强重叠信号的特征提取更高效。
     

2. 抗干扰性能

   • JNR鲁棒性（图9-10）：在JNR=0 dB时，子集准确率达85%（优于MLAMC的77%）；JNR>10 dB时稳定在95%以上。
     
   • PR鲁棒性（图12）：PR=15 dB时，准确率88%（MLAMC仅36%），表明复数网络对高功率压制干扰的覆盖效应不敏感。
     

3. 未见组合泛化能力（表3）

   • 在未训练的干扰组合（如类3+类4）上，准确率仅比训练组合下降2%-5%，优于1D-CNN的指数级性能退化。
     

4. 细粒度分析（表4、图11）

   • 低JNR下，类1（间歇采样转发干扰）和类3（噪声调频干扰）的标签准确率提升3%-5%，因类别表征强化了弱成分特征。
     
   • Partialacc显示，JNR>5 dB时至少3个成分能被正确识别。
     

结论与价值

1. 科学价值

   • 提出首个融合复数卷积与类别表征的多标签干扰识别框架，解决了强重叠信号和功率不平衡下的特征提取难题。
     
   • 通过LVQ生成的原型向量为雷达信号识别中的类别可分性研究提供了新思路。
     

2. 应用价值

   • 可直接部署于雷达电子对抗系统，实时识别复合干扰成分，为反干扰策略生成提供先验信息。
     
   • 无需时频变换，计算效率较时频图像方法（如MLAMC）提升40%。
     

研究亮点

1. 方法创新：
   
   • 复数CV-CNN直接处理原始信号，避免信息丢失。
     
   • 类别表征融合与注意力机制结合，增强模型对未知组合的泛化能力。
     
2. 性能优势：
   
   • 在JNR=0 dB和PR=15 dB的极端条件下仍保持高准确率，优于现有方法。
     
3. 扩展性：
   
   • 框架可扩展至更多干扰类型（如卷积复合干扰），仅需调整输出层维度。
     

其他有价值内容

• 开源许可：论文遵循CC BY 4.0协议，代码与数据集可公开获取。
  
• 军事意义：为复杂电磁环境下雷达抗干扰技术提供了理论支撑，尤其适用于多干扰机协同作战场景。