本文作者为 Yu Zhou, Song Shang, Xing Song, Shiyu Zhang, Tianqi You 和 Linrang Zhang，均来自西安电子科技大学雷达信号处理国家重点实验室。这项研究以论文形式发表于《Remote Sensing》期刊，并于2022年12月8日正式出版。
研究背景与目的 本研究属于雷达信号处理与人工智能交叉领域，具体聚焦于雷达智能抗干扰技术。在复杂的现代电磁环境中，新型干扰样式层出不穷，对雷达的探测与生存能力构成严重威胁。传统的雷达干扰识别方法通常基于“封闭集”假设，即假定测试环境中出现的干扰类型与训练时使用的干扰库完全一致。然而，在实际的“开放集”环境中，雷达极有可能遭遇训练时未曾见过的、未知类型的干扰。此时，传统方法会将这些未知干扰强行错误地分类为已知类别，这不仅导致识别失效，更可能引发错误的抗干扰决策，造成严重后果。因此，使雷达具备在开放集环境下正确识别已知干扰并有效区分未知干扰的能力，已成为智能雷达抗干扰系统亟待解决的关键问题。
为解决上述问题，本研究首次将开放集识别（Open Set Recognition, OSR）的概念引入雷达干扰识别领域。研究旨在利用深度学习网络，构建能够应对开放集环境的智能雷达干扰识别模型。具体目标包括：第一，研究并实现能够在测试阶段区分已知与未知干扰的OSR模型；第二，所提出的模型需在已知干扰分类和未知干扰检出两方面均达到较高的准确率，并且适用于小样本训练场景；第三，通过仿真实验验证模型的有效性与鲁棒性，为雷达在实际复杂电磁环境中的智能抗干扰提供新的技术途径。
详细研究方法与流程 本研究系统地提出了两种基于深度学习的开放集干扰识别模型，并构建了完整的验证流程。研究工作主要包含以下几个步骤：
1. 干扰信号数据集构建 研究首先对11种典型的雷达有源干扰信号进行了数学建模与仿真，涵盖了压制式干扰（如噪声调幅、噪声调频、射频噪声干扰）、欺骗式干扰（如距离门拖引、速度门拖引、切片组合干扰、间歇采样转发干扰、扫频式干扰）以及复合式干扰（如距离门拖引与各类噪声干扰的叠加）。为将一维时域信号转化为适合卷积神经网络处理的二维图像数据，研究采用短时傅里叶变换（Short-Time Fourier Transform， STFT）将每种干扰信号转换为时频图像。仿真参数设置多样，包括载频、带宽、拖引时间、采样倍数等在一定范围内随机变化，并考虑了-5 dB到10 dB的干噪比条件，以模拟真实环境的多样性与噪声影响。最终，生成了大量尺寸为224×224×3的时频图像作为本研究的基准数据集。
2. 预训练分类器设计 为在小样本条件下获得性能优异且不易过拟合的基干分类器，本研究采用了基于迁移学习的卷积神经网络（CNN）架构。具体而言，选择在大型图像数据集ImageNet上预训练的模型作为特征提取网络，将其参数迁移至干扰识别任务中。网络主体采用改进的残差网络结构，以缓解深度网络中的梯度消失问题，并在卷积层后加入了批归一化层以加速训练并防止过拟合。设计的网络包含一个初始卷积层、四个残差模块组、一个全连接层和一个Softmax分类层。该预训练网络在仅包含已知干扰类别的训练集上进行训练，其目标是在封闭集设定下尽可能准确地对已知干扰进行分类，其最后一层全连接层输出的“激活向量”将为后续的开放集识别提供关键的特征表示。
3. 两种开放集识别模型的构建与训练 （1）基于置信度分数的OSR模型 该模型的核心思想是：已知干扰样本经过分类器后，其输出概率分布会高度集中在某一个已知类别上；而未知干扰样本的输出概率分布则相对均匀、分散。为量化这种差异，研究引入了基于信息熵概念的“置信度分数”。置信度分数*C*定义为*C = 1 + (Σ p_k log₂ p_k) / log₂ N*，其中*p_k*是样本属于第*k*个已知类的概率，*N*是已知类总数。概率分布越集中，*C*值越接近1；越均匀，*C*越接近0。
模型工作流程分为训练和测试两个阶段。训练阶段，首先需要确定一个用于判别“已知”与“未知”的置信度阈值*T*。由于实际中无法获取未知样本，研究采用了一种模拟开放集环境的方法：将训练集中的一部分已知类别“假定”为未知。随后，将训练集细分为拟合集（仅含假定已知类）和验证集（含假定已知和假定未知类）。用拟合集训练一个初始分类器，然后在验证集上，通过优化一个误判惩罚函数（使用遗传算法），寻找能使对假定已知和假定未知样本总体误判代价最小的最优阈值*T̂*。同时，用全部已知类别数据训练最终的干扰分类器。测试阶段，待识别的干扰样本先经过分类器得到概率分布，计算其置信度分数*C*，若*C > T̂*，则判定为已知干扰，并输出概率最大的类别；否则，判定为未知干扰。
（2）基于OpenMax的OSR模型 该模型受图像识别领域启发，通过改造网络结构，直接估计样本属于“未知”类的概率，从而无需设定阈值。其核心是使用OpenMax层替代传统分类器末端的Softmax层。
模型构建包含三个关键步骤：首先，使用预训练网络在已知干扰训练集上训练一个分类器，并提取所有训练样本在Softmax层前一层的激活向量。计算每个已知类别的平均激活向量。其次，为每个已知类别拟合一个威布尔分布来描述其“类间边界”。具体方法是对每个类，选取其激活向量与类平均向量距离最远的若干样本（如10个），用这些距离值来拟合威布尔分布的参数。这个分布用于建模该类样本特征空间的极端边界情况。最后，构建OpenMax层算法。对于一个测试样本，先提取其激活向量*v(x)*，然后对于每个已知类*i*，计算该样本到该类平均向量的距离，并代入该类对应的威布尔分布，得到该样本不属于类*i*的概率ω_i(x)。接着，重新校准激活向量：对于已知类部分，新的激活值为原始值乘以属于该类的概率（即*v̂_i(x) = v_i(x) * ωi(x)*）；对于新增的“未知类”，其激活值为*v̂(N+1)(x) = Σ v_i(x) * (1 - ω_i(x))*。最后，对这个N+1维的新激活向量进行Softmax操作，得到样本属于每个已知类及未知类的最终概率分布。取概率最大的类别作为输出结果。
4. 实验设计与性能分析 研究设计了多组实验来全面评估两种OSR模型的性能。首先，为了提升模型泛化能力，分析了L1和L2正则化对两种模型性能的影响。其次，核心实验分为两部分：一是固定未知干扰类型数量的开放集识别实验，设置8类已知干扰和3类未知干扰；二是未知干扰类型数量逐步增加的鲁棒性测试实验，从1类未知逐渐增加到7类未知。在实验中，对比了传统的封闭集CNN模型、基于置信度分数的OSR模型和基于OpenMax的OSR模型。评估指标包括整体准确率、平均精确率、平均召回率和平均F1分数。
主要研究结果 1. 正则化效果显著： 实验结果表明，L2正则化能有效提升两种OSR模型的性能。对于基于置信度分数的模型，L2正则化使其准确率从88.65%提升至90.46%；对于基于OpenMax的模型，准确率则从88.36%提升至91.10%。其他指标（精确率、召回率、F1分数）也均有同步改善，证明正则化有助于模型在开放集任务中学习更鲁棒的特征，防止过拟合。
2. 开放集识别性能优异： 在固定3类未知干扰的实验中，传统封闭集CNN模型的主要问题是将所有未知干扰都错误地分类为某一种已知干扰，混淆矩阵显示未知样本在已知类上有较高的错误分布。而两种OSR模型则能有效地区分大部分未知干扰。基于置信度分数的模型能够将多数未知干扰样本的置信度分数压制在阈值以下，从而将其标记为“未知”；同时，它对已知干扰的分类准确率保持在较高水平（例如，多数已知类的识别率在86%-91%之间），对未知干扰的检出率也表现良好。基于OpenMax的模型表现更佳，其输出概率分布中，未知干扰样本在“未知类”上的概率显著高于在其他已知类上的概率，从而实现了直接分类；该模型对已知干扰的分类精度更高（多个类别达到93%-96%），对未知干扰的区分也更为清晰和准确。
3. 模型鲁棒性强： 在未知干扰类型数量增加的实验中，随着测试环境中未知干扰类型增多、环境复杂性提高，两种OSR模型的平均准确率均呈现下降趋势，这符合预期。然而，在相同条件下，它们始终显著优于传统的封闭集识别模型。特别是在低干噪比条件下，OSR模型依然能保持相对稳定的性能，展现了其在恶劣电磁环境下的实用潜力。实验证实，两种模型都能在复杂的开放集环境（低干噪比、多未知干扰类型）中有效工作。
结论与价值 本研究成功地将开放集识别范式引入雷达对抗领域，为解决实际复杂电磁环境中雷达遭遇未知干扰的识别难题提供了创新的解决方案。所提出的两种基于深度学习的OSR模型——基于置信度分数的模型和基于OpenMax的模型——均被证明能够在不依赖未知样本先验信息的前提下，以较高的准确率完成对已知干扰的精确分类和对未知干扰的有效检出。
本研究的科学价值在于：第一，突破了传统雷达干扰识别方法局限于封闭集的理论框架，引入了更符合实际应用场景的开放集识别问题定义。第二，成功地将计算机视觉领域的先进OSR方法（如OpenMax）迁移并适配到雷达信号处理这一特定领域，验证了跨领域技术融合的可行性。第三，详细提出了适用于雷达干扰信号的OSR模型完整实现流程，包括数据准备（时频分析）、基干网络设计（迁移学习）、模型构建与训练策略，为该方向的后续研究提供了可借鉴的范式。
其应用价值尤为突出：该技术能使雷达系统具备“认知”未知威胁的能力。当识别出未知干扰时，雷达可以触发专门的侦察分析模块或采取通用抗干扰措施，从而避免因误判而导致的对抗失败。这极大地提升了智能雷达在复杂、动态电磁环境中的自适应能力和生存能力，对于下一代电子战装备的发展具有重要的推动作用。
研究亮点 1. 问题创新性： 首次系统性地提出并定义了雷达干扰识别的开放集问题，瞄准了实际应用中的核心痛点，研究选题具有前沿性和重要现实意义。 2. 方法新颖性： 提出了两种专门针对雷达干扰信号特性的开放集识别模型。其中，基于置信度分数的模型设计巧妙，利用信息熵量化模型输出的不确定性；基于OpenMax的模型结构创新，直接扩展了分类空间，实现了更优雅的未知类概率估计。 3. 技术整合性： 研究并非简单套用现有方法，而是进行了深度适配与优化。结合了时频分析、迁移学习、残差网络、正则化技术以及威布尔分布拟合等多种技术，构建了完整且鲁棒的解决方案。 4. 验证充分性： 通过涵盖多种干扰类型、不同干噪比、变化未知类数量的多维度仿真实验，全面、严谨地验证了模型的性能、有效性和鲁棒性，结论可信度高。