这篇文档属于类型a，即报告了一项原创性研究。以下是针对该研究的学术报告：
雷达复合干扰识别新方法：基于图像分割与融合注意力残差网络的研究
作者及机构
本研究由中国运载火箭技术研究院（China Academy of Launch Vehicle Technology）的Peishan Li、Jian Yang和Jiaao Lin合作完成，发表于期刊《Sensors》2025年第25卷，论文标题为《Radar Compound Jamming Recognition Based on Image Segmentation and Fused Attention Residual Network》。
学术背景
随着现代电磁环境的日益复杂，雷达系统不仅受到单一干扰信号的影响，还面临由多种干扰类型叠加形成的复合干扰（compound jamming）。这类干扰因组合模式多样且特征复杂，识别难度显著增加。传统方法通常将复合干扰视为新干扰类型进行整体识别，但这种方式需要训练的组合类别数量庞大，且难以覆盖所有可能的干扰组合。因此，本研究提出了一种基于“分割+识别”策略的创新方法，旨在通过图像分割技术分离复合干扰中的单类干扰成分，并结合深度学习实现高精度识别。
研究目标
1. 设计基于Gabor滤波和K均值聚类（k-means clustering）的干扰分割模块，从时频域分离复合干扰；
2. 构建融合空间-通道注意力机制（spatial-channel fused attention mechanism, SCFAM）的增强残差网络（ResNet），提升单类干扰的特征提取能力；
3. 验证方法对未训练复合干扰模式的泛化能力。
研究流程与方法
1. 干扰信号建模与数据生成
- 研究对象：六类典型雷达干扰（三类压制干扰：RF、FM、AM；三类欺骗干扰：ISRJ、CI、SMSP）及四类复合干扰（如RF+ISRJ）。
- 参数范围：干扰带宽（5~30 MHz）、载频（8~12 GHz）、干噪比（JNR, -10~10 dB）等，通过随机插值生成550组单类干扰数据，其中100组为复合干扰分割后的子信号。
- 时频分析：采用短时傅里叶变换（STFT）生成时频图，窗函数为Hamming窗以降低频谱泄漏。
2. 复合干扰分割模块
- 预处理：时频图去噪与归一化。
- 特征提取：
- 全局统计特征：均值、方差、峰度、偏度；
- 局部纹理特征：通过二维Gabor滤波器（波长λ、方向θ等参数模拟人眼视觉特性）提取。
- 聚类分割：K均值算法将特征向量划分为K类，生成分割掩码。实验显示，该方法对“压制+欺骗”类复合干扰（如FM+CI）分割效果最佳（图6）。
3. 融合注意力机制的残差网络（ResNet-SCFAM）
- 网络结构：34层ResNet为基础，嵌入3个空间注意力模块（SAM）和5个通道注意力模块（CAM）。
- SAM：通过7×7卷积聚焦时频图关键区域（公式14）；
- CAM：基于通道特征重要性加权（公式15）。
- 训练策略：数据增强（随机裁剪、旋转）、Adam优化器（学习率0.01）、早停法防止过拟合。
4. 实验与对比分析
- 对比算法：2D-CNN、原始ResNet、ResNet-CBAM（卷积块注意力模块）。
- 评价指标：整体准确率（OA）、Kappa系数、处理时间。
- 结果：
- 验证集：ResNet-SCFAM识别准确率达98.60%，高于ResNet（93.18%）和ResNet-CBAM（92.27%）；
- 测试集（未训练复合干扰）：FM+CI识别准确率97%，三组分干扰（如RF+ISRJ+CI）为91.5%。
主要结果与逻辑关联
1. 分割模块有效性：Gabor滤波结合K均值聚类能有效分离时频域重叠的干扰成分，为后续单类识别奠定基础。
2. 注意力机制优势：SCFAM通过分层注意力聚焦（浅层空间特征、深层通道特征），显著提升特征提取效率。例如，在低JNR（-10 dB）下，ResNet-SCFAM准确率比ResNet提高5%以上。
3. 泛化能力：即使对未训练的复合干扰（如FM+CI+SMSP），分割-识别流程仍保持92.5%的准确率，证明方法具备实际应用潜力。
结论与价值
1. 科学价值：提出首个结合图像分割与注意力机制的雷达干扰识别框架，解决了复合干扰标签空间爆炸的难题。
2. 应用价值：可部署于雷达抗干扰系统，实时识别复杂电磁环境中的未知干扰组合，提升雷达生存能力。
3. 方法论创新：SCFAM通过分层注意力分配，避免了CBAM因参数过多导致的梯度不稳定问题（表4）。
研究亮点
1. 分割-识别策略：将复合干扰分解为单类问题，减少模型训练负担。
2. 跨域特征融合：时频图纹理特征与深度学习结合，增强干扰可分性。
3. 工程友好性：STFT处理单信号仅需0.079秒（表3），满足实时性需求。
其他价值
本研究开源了仿真数据集参数（表2），为后续研究提供基准。未来可扩展至更多干扰类型（如相干干扰）及动态电磁环境下的在线学习。
（报告字数：约1500字）