主要作者与发表信息
本研究由来自德国弗劳恩霍夫高频物理与雷达技术研究所（Fraunhofer Institute for High Frequency Physics and Radar Techniques, FHR）的 Stefan Scholl（通讯作者）、Chandana Panati 和 Simon Wagner 共同完成。该研究成果于2025年4月29日发表在期刊《IEEE Transactions on Aerospace and Electronic Systems》（第61卷，第5期，2025年10月刊）上。
学术背景与研究目的
雷达辐射源识别是电子支援（Electronic Support, ES）的核心功能。ES系统通过宽带接收机截获电磁频谱中的射频数据，以识别周边环境中的活跃雷达辐射源。传统的ES信号处理流程是一个串行级联结构，如图1(a)所示，首先通过恒虚警率（CFAR）等方法进行脉冲检测，然后为每个检测到的脉冲生成包含频率、脉宽、到达时间等特征的脉冲描述字（Pulse Descriptor Word, PDW），接着进行复杂的脉冲分选（Deinterleaving）以将属于同一辐射源的脉冲分组，最后进行辐射源识别。
然而，这种传统方法在面对采用低截获概率（Low Probability-of-Intercept, LPI）技术的现代雷达时，面临严峻挑战。脉冲参数的高捷变性（如频率捷变、脉冲重复间隔抖动）使得PDW的准确测量和分选变得极为困难。此外，传统处理流程存在几个关键缺陷：PDW丢失了脉冲内部调制的精细特征；错误会在处理链中传播放大；且各处理模块之间的信息交换有限，导致整体处理并非最优。
针对这些问题，本研究提出了一个创新的端到端（End-to-End）学习框架，旨在利用单个卷积神经网络（CNN），直接从接收数据的频谱图（Spectrogram）中一步完成对雷达辐射源的检测与识别，彻底摒弃了PDW的生成和脉冲分选环节。该研究的目标是评估这种单步方法的可行性，并在一个包含50种辐射源（含高参数捷变类型）的库上验证其性能，同时开发适用于该任务的可解释人工智能（Explainable AI, XAI）技术。
详细研究方法与工作流程
1. 数据集构建与辐射源库设计： 研究所用的数据集完全由软件仿真生成。研究人员首先定义了一个包含50种不同雷达辐射源的库，这些辐射源覆盖了脉冲和连续波（CW）体制，并具有不同的复杂度。其中，16种辐射源无参数捷变，17种具有中等捷变性（仅一个参数捷变），另外17种具有高捷变性（多个参数随机捷变）。为了增加识别难度，该库在参数设计上具有高度重叠性：50种辐射源中有46种共享脉冲重复频率（PRF）值，49种共享脉宽（PW）值，39种共享脉冲内调制类型与带宽的组合。所有辐射源的中心频率（载频）并非固定，而是在100 MHz的瞬时带宽内随机变化，迫使网络必须通过学习信号自身的特征而非绝对频率来进行识别。
数据生成过程是：首先在时域对复数雷达IQ信号（信号模型见下文）进行叠加，再通过短时傅里叶变换（Short-Time Fourier Transform, STFT）和汉宁窗处理计算频谱图，最后转换为对数刻度以获得适合雷达数据的动态范围。最终的频谱图为尺寸781×64像素的灰度图像，对应0.5毫秒的时长和100 MHz瞬时带宽。在时域叠加信号时，为每个辐射源信号随机添加了相位、频率、幅度和时间偏移，并加入幅度可变的高斯噪声以模拟-10dB至+20dB的信噪比（SNR）范围。数据集包含160,000张训练用频谱图和40,000张测试用频谱图。由于每张图可包含1至5个交叠辐射源，所有可能组合超过200万种，因此训练集仅能覆盖一小部分，这对模型的泛化能力提出了极高要求。
2. 数学信号模型与多标签分类定义： 研究中使用了一个精确的数学模型来描述接收信号的叠加过程，明确了每个辐射源信号 ( s_i(t) ) 及其随机偏移和噪声的合成方式。核心任务被定义为一个多标签分类（Multilabel Classification）问题。这与传统单标签分类截然不同，意味着对于输入的一张频谱图，输出是一个50维的向量 ( y )，其中 ( yi = 1 ) 表示第 ( i ) 个辐射源存在于该图中，因为一张频谱图可以包含1到5个辐射源，所以 ( \sum{i=1}^{n} y_i ) 大于等于1。
3. 神经网络模型设计： 为处理频谱图中同时存在的局部特征（脉冲内调制）和全局特征（脉冲间的关系，如PRI模式），研究团队考察并设计了两种结构相对简洁、参数低于100万的2D CNN模型。第一个是基础CNN，由多个卷积层、池化层和全连接层构成。第二个是更先进的扩张卷积神经网络（Dilated CNN），这是本研究的一个关键技术创新点。通过引入扩张卷积，卷积核的感受野在不增加参数量的前提下得以扩大，使网络能更有效地将局部信息整合为反映辐射源时间行为的全局特征。两个模型均为11层，约有80万个可训练参数。
4. 优化的损失函数： 为了进一步降低虚警率，研究人员对标准二值交叉熵（Binary Cross-Entropy）损失函数进行了改进，提出了优化的损失函数。具体做法是在损失函数的虚警项（即 ( (1-y_i) \cdot \log(1-\hat{y}_i) ) 部分）前增加一个惩罚权重因子 ( \alpha > 1 )，使得网络在训练时对虚警错误施加更大的惩罚，从而生成更为保守和准确的识别模型。
5. 可解释性分析方法： 为了让“黑箱”般的神经网络决策过程透明化，研究提出并应用了一种基于遮挡（Occlusion）的XAI方法。考虑到雷达信号在频谱图上表现为贯穿全图的全局性结构，标准遮挡方法（单体遮挡块）效果不佳。为此，研究人员专门设计了一种新颖的“四遮挡块”策略，即随机打乱四个小遮挡块在频率轴的位置，系统地遮盖输入频谱图的不同区域，观察神经网络各输出神经元激活值的变化。通过生成上千个遮挡变换并计算每个区域的重要性，最终生成叠加在原始频谱图上的热力图，直观地展示哪些信号部分对特定辐射源的识别决策最为关键。
主要实验结果与分析
1. 模型性能比较： 研究通过检测概率（( P{det} )）和虚警概率（( P{fa} )）评估了不同模型与损失函数组合的性能。结果显示，基础CNN与标准损失函数组合的虚警率为1.28%，使用优化损失后降至0.77%。而扩张CNN的优势极为显著，其标准损失下的虚警率已低至0.1%，当使用优化损失函数后，虚警率更是达到了惊人的0.02%，同时在全SNR范围内保持了约90%的平均检测概率。这一结果表明，通过扩张卷积增强特征提取能力并结合优化损失函数，可以在保持高检测率的同时，极大地满足电子支援系统对极低虚警率的苛刻需求。
2. 不同条件下的性能表现： 进一步分析表明，搭载优化损失的扩张CNN在信噪比高于10dB时，检测概率可达98%；即使在低至-5dB的低信噪比下，检测率仍能维持在85%以上。在处理不同数量的交叠辐射源时，模型表现十分稳健。对于简单场景（1-2个辐射源），虚警率低于0.0025%；即使是在最复杂的5辐射源交叠场景下，检测概率仍约90%，虚警率也仅为0.051%。在对不同捷变类型的辐射源进行评估时，研究发现了一个反直觉但极具价值的结论：无捷变辐射源的检测率最低（84%），而具有中、高捷变性的辐射源检测率则高达92%。这有力地证明了端到端学习方法确实能够学习并利用雷达的捷变模式和行为作为辨识特征，而非将它们视为干扰。
3. 实时处理能力： 在NVIDIA RTX 3090 GPU上，基础CNN的单张频谱图推理时间为0.4毫秒，扩张CNN为0.8毫秒。鉴于每张频谱图的观测时长为0.5毫秒，基础CNN已能实现实时处理，而扩张CNN也接近实时，并可通过FPGA实现或更先进的GPU来达成。
4. 可解释性分析验证： 提出的四遮挡块XAI方法成功地为单个或多个交叠辐射源的识别提供了有意义的解释。生成的热力图清晰地定位了网络做出决策所依据的频谱图区域。对于频率捷变辐射源，本方法展现了比长条状遮挡块更好的适用性，能够有效应对复杂的动态特征。该分析方法不仅有助于开发者理解模型行为，也为操作员在实战环境中提供了决策辅助和可靠性评估的依据。
5. 实验室实测信号验证： 作为迈向真实世界应用的第一步，研究人员将纯仿真数据训练的网络，用于处理在实验室中通过数模转换、电缆传输、抗混叠滤波、模数转换等一系列设备生成的实测信号。测试结果表明，尽管网络仅在仿真数据上训练，但对包含量化噪声、非线性效应和滤波器非平坦频响等实际硬件缺陷的信号依然表现出强大的鲁棒性。检测概率仅在低SNR时略受影响，虚警率保持在0.1%以下，初步验证了该方法的实用潜力。
结论与研究价值
本研究证明，端到端的机器学习方法为电子支援中的雷达辐射源识别提供了一条完全可行的技术路径，是传统基于PDW处理流程的有力替代方案。其科学价值在于，它证明了单个神经网络可以集成传统多个独立处理模块的功能，并直接从原始频谱图这种低级表示中学习到包含精细脉冲内调制、捷变模式等在内的高级识别特征，有效避免了错误传播。其应用价值在于，该方法显著简化了系统设计，对LPI雷达和连续波雷达具有天然的处理优势，并且在极低的虚警率下实现了高识别率。
研究亮点与创新性
本研究的亮点可以概括为以下三点： 1. 高度集成的任务框架： 首次在多达50个且参数高度重叠的辐射源库上，成功验证了一站式完成“检测-分选-识别”端到端学习的可行性，并能处理最多五个交叠辐射源。 2. 极致性能与精巧设计： 通过结合扩张卷积神经网络和优化的损失函数这两个创新设计，在保持高检测概率的同时，将虚警率大幅压低至0.02%的卓越水平，并发现了网络能够学习并利用雷达捷变模式这一重要现象。 3. 定制化的可解释性方法： 针对雷达频谱图这一特殊数据类型，创新性地提出并验证了基于四遮挡块的XAI技术，解决了传统方法在解释全局性、频率跳变信号时的不足，增强了模型的可信度。该研究为未来在更复杂真实环境下（如包含衰落信道）的应用指明了方向。