本文提出了一种用于解决雷达特定辐射源识别（Specific Emitter Identification, SEI）中开放集识别（Open-Set Recognition, OSR）难题的“动态边界对抗模型”（Dynamic Boundary Adversarial Model）。该研究由来自西安电子科技大学的Jing Zehuan、Li Peng（通讯作者）、Yan Erxing、Chen Yingchao、Li Jingyi和Wang Zhao，以及来自西南电子设备研究所的Zhou Xu共同完成，发表于《IEEE Transactions on Aerospace and Electronic Systems》期刊2025年10月第61卷第5期。

在电子战领域，雷达特定辐射源识别技术通过分析发射机硬件缺陷产生的无意调制特征，即“指纹”特征，来区分同一型号的不同雷达个体。然而，传统模型大多基于闭集假设，即测试阶段的信号类别必须在训练阶段出现过。但在真实世界中，侦察系统会不断遭遇未知型号的雷达辐射源，这些未知信号往往具有更高的威胁和情报价值。现有的闭集分类器会将特征空间中与已知类别分布相似的未知样本，以高置信度错误地归类为已知类别，无法进行有效拒识。为了解决这一问题，作者聚焦于两个核心挑战：一是如何避免已知与未知类别特征在开放空间中的严重重叠，二是如何客观地为拒识未知样本设计判断阈值，而非依赖经验设定。本文的核心目标是设计一种既能对已知辐射源进行精确分类，又能有效检测并拒识未知辐射源的开放集识别模型。

本研究的方法学设计基于卷积原型学习（Convolutional Prototype Learning, CPL）框架，并提出了两大核心创新——磁化权重模型和动态边界损失函数，其整体工作流程包含三个关键组成部分的设计与整合。 首先，研究构建了原型学习基础框架与基本约束。模型采用VGG-19网络作为特征提取器，将输入信号转换为高维特征向量。与使用Softmax层划分半开放超平面的传统方法不同，该框架为每个已知类别设定一个可学习的原型中心（Prototype Center），通过计算样本特征与各原型中心的欧氏距离来进行分类。为降低开放空间风险，作者在基础框架中引入了两项基本约束：一是空间位置约束损失，旨在将各类别的原型中心尽可能均匀地约束在特征空间中心附近，避免中心位置随机导致与未知类别特征重叠；二是类内中心损失，通过最小化样本特征与其对应原型中心的距离来增强类内紧凑性。这部分是整个方法的基石，但其分类和拒识性能仍需后续机制强化。 其次，为解决决策阈值设计难题，本文提出了动态边界损失（Dynamic Boundary Loss）。该研究摈弃了传统方法为所有已知类别设定统一经验阈值，或利用极值理论（Extreme Value Theorem, EVT）拟合尾部数据但缺乏原理性依据的做法。作者为每个已知类别设计了一组独立且可训练的封闭动态边界，即约束半径r。这些半径初始值为零，在网络训练过程中经历对抗性的“扩张”与“收缩”运动。在训练初期，由于内损失促使类内距离减小，半径r迅速扩张以包裹尚在分散的特征簇。当r值超过样本特征到原型中心的距离后，损失函数形式发生变化，驱动r值开始收缩，进而迫使类内特征距离逼近收缩的半径。通过反复的扩张与收缩对抗，半径r最终稳定在一个能够紧密包裹已知类特征簇的值上。训练收敛后，这组稳定的半径r可直接作为检测未知样本的判断阈值：测试时，若某样本特征与所有已知原型中心的距离均大于其对应类别的半径r，则判定其为未知类别。该机制通过数学形式推导和附录中的收敛性证明，为客观设定拒识阈值提供了理论保证。 最后，为了进一步降低极端样本（即类内距离分布中远离原型中心的尾部样本）与未知样本的特征重叠风险，研究提出了磁化权重模型（Magnetization Weight Model）。受焦点损失（Focal Loss）的启发，作者将传统标量权重的概念扩展为具有方向和大小的“磁化权重”。该模型根据样本特征到其原型中心的距离，动态分配一对方向相反的向量权重：对于接近原型中心的简单样本，分配指向中心的正磁化权重w+，以增强分类损失和中心损失的作用，吸引其进一步聚集；对于远离原型中心的极端样本，分配背离中心的负磁化权重w-，并将其赋予一个排斥损失项，促使这些极端样本远离所有已知原型中心，同时被吸引至特征空间中心。这种“吸引”与“排斥”的双向调控，使得不同难度的样本在训练中向相反方向优化，有效增强了模型对潜在未知样本的抵抗能力，减少了开放空间风险。

研究通过三组模拟数据集、一组模拟器采集数据集和一组实地采集数据集对提出的CPL-DBA模型进行了全面评估。这三组模拟数据集通过改变十个独立辐射源的指纹特征参数（如射频偏移、相位噪声等），构设了不同的开放度。模拟器采集数据集使用两台宽带雷达信号模拟器，通过独立的物理射频链路产生十个波形参数完全相同的信号源，以此考验模型区分纯硬件细微特征差异的能力。实地采集数据集则来自三台同型号X波段机载脉冲多普勒雷达在东海环境下的实际飞行测试数据。 消融实验清晰展示了各损失组件的贡献。逐步在基线GCPL方法上添加中心损失、空间位置约束、动态边界损失，直至完整的CPL-DBA模型，其未知类别识别准确率（UKACC）、闭集分类准确率（CSRACC）和宏观平均F1分数（MAF1）三大指标在多数数据集上呈递进式提升。特征可视化表明，CPL-DBA模型通过磁化权重，牺牲了少数极端已知样本的分类精度，使动态边界r更紧凑，成功将未知类别特征与已知类别原型中心拉开了距离，显著减少了特征重叠。与OpenMax、C2AE、CROSR、KPF等前沿OSR方法的对比实验进一步证实了CPL-DBA的优越性。尤其随着数据集开放度和未知类别数量的增加，CPL-DBA在未知类别识别和MAF1综合指标上表现最佳且最为稳定。尽管在部分数据集上未取得最高的闭集分类精度，但其在牺牲少量闭集性能的前提下，大幅提升了对高价值未知威胁的检测能力，更契合真实战场需求。对约束半径运动轨迹的记录和分析直观地证实了其“扩张-收缩”最终收敛的预期动态过程。距离分布直方图也显示，相较于GCPL和KPF，CPL-DBA模型中已知与未知类别的特征距离分布更加集中且重叠区域更小。

该项研究的结论具有重要的科学价值和应用前景。科学上，CPL-DBA模型是对雷达SEI领域从闭集走向开放集的开创性探索，为解决指纹特征在开放空间中极易重叠这一难题提供了新的理论框架，即利用带方向的磁化权重进行特征塑造，并结合动态对抗边界进行自动阈值学习。应用上，该模型使辐射源识别系统具备了在实际非合作环境中可靠检测和拒识新型、未知雷达目标的能力，为后续的情报支援提供了关键技术支持。文章的亮点体现在方法学的双重创新：磁化权重模型实现了对特征优化方向的控制，超越了传统标量权重仅调整关注度的局限；动态边界损失通过对抗性迭代为每个已知类别自适应地建立了客观、严密的拒识阈值，摒弃了经验依赖性。此外，研究通过对焦点因子、特征空间维度等超参数的系统分析，为方法在不同场景下的应用提供了指导。