（根据文档内容判断属于类型a，生成学术报告如下）

基于双通道神经网络与特征融合的复合干扰识别方法研究

一、作者及发表信息
本研究由Hao Chen（第一作者）、Hui Chen、Zhenshuo Lei、Liang Zhang、Binbin Li、Jiajia Zhang和Yongliang Wang（通讯作者）合作完成，作者单位包括武汉预警学院（Wuhan Early Warning Academy）、中国人民解放军61516部队和95980部队。研究成果发表于遥感领域期刊《Remote Sensing》2024年第16卷第8期，论文标题为《Compound Jamming Recognition Based on a Dual-Channel Neural Network and Feature Fusion》，DOI编号10.3390/rs16081325。

二、学术背景
本研究属于雷达电子对抗与人工智能交叉领域，聚焦现代战场电磁环境中复合干扰（Compound Jamming）的识别问题。随着干扰技术的快速发展，雷达系统同时面临压制式干扰（Suppression Jamming）和欺骗式干扰（Deception Jamming）的复合威胁，传统针对单一干扰的识别方法效能显著下降。研究团队基于短时傅里叶变换（STFT）和小波变换（Wavelet Transform）的多域特征提取，结合双通道神经网络架构，提出了一种新型识别框架，旨在解决低干噪比（JNR）条件下复合干扰的特征提取与分类难题。

三、研究方法与流程
1. 信号建模与数据集构建
- 建立了7种单一干扰模型（包括间歇采样转发干扰ISFJ、切片重组干扰C&I、涂抹谱干扰SMSP等）及其10种复合形式，通过时域叠加生成包含压制式干扰（噪声乘积干扰NPJ、噪声卷积干扰NCJ）与欺骗式干扰的复合信号。脉冲宽度设为40μs，带宽40-60MHz，采样率240MHz，JNR范围覆盖-8dB至20dB。
- 采用半实测数据集验证方法有效性：通过军事干扰器实测NPJ样本与仿真欺骗干扰合成，构建5类半实测复合干扰数据集。

1. 特征提取与融合

   • 双通道输入设计：通道1采用STFT生成时频图像，通道2通过连续小波变换（CWT）获取多尺度特征。实验表明，在JNR<0dB时，小波变换特征更具鲁棒性。
     
   • 改进网络架构：
     
     • 主干网络基于ResNet，引入多样性分支模块（DDB）增强多尺度特征提取能力；
       
     • 加入无参注意力模块（Parameter-Free Attention），通过能量函数$e_t^*=\frac{4(\hat{\sigma}+\lambda)}{(t-\hat{\mu})^2+2\hat{\sigma}^2+2\lambda}$自适应强化关键特征；
       
     • 特征融合子网络采用门控循环单元（GRU）处理双通道输出，通过128维隐藏层实现时序特征融合。

2. 训练与优化

   • 使用80%仿真数据训练，20%验证，批量大小128，初始学习率1e-3，采用余弦退火重启策略动态调整。
     
   • 损失函数为交叉熵，优化器选择Adam，硬件平台为NVIDIA Quadro RTX 6000 GPU（24GB显存）。

四、主要研究成果
1. 识别性能
- 在JNR=5dB时，对SMSP+NPJ、ISLJ+NPJ等6类复合干扰的平均识别准确率达93%，显著高于对比方法JRNet（82.18%）、MBV2（77.02%）和IResNet（87.83%）。
- 当JNR≥7dB时，识别准确率接近100%。特别地，对SMSP+NCJ的识别在JNR=0dB时仍保持90%以上准确率（图4b），因其时频特征斜率差异显著。

1. 消融实验

   • 特征融合策略使JNR=3dB时的识别准确率较单通道STFT提升11.75%（图7），证实多域特征协同的有效性。
     
   • 混淆矩阵分析（图5）显示，ISRJ+NCJ与ISDJ+NCJ在低JNR下易混淆（错误率18.9%），源于间歇采样类干扰的相似性。

2. 计算效率

   • 推理时间11.38ms，参数量11.4M，FLOPs 1.82G，优于JRNet（24.56ms/11.69M）和MBV2（24.23ms/2M），满足实时处理需求（表4）。

五、结论与价值
1. 科学价值
- 首次系统解决了压制式与欺骗式复合干扰的识别问题，提出的DDB-注意力模块联合优化方法为强噪声环境下的特征选择提供了新思路。
- 特征融合子网络通过GRU实现端到端训练，突破了传统分步融合策略（如SVM、随机森林）的性能瓶颈。

1. 应用价值
   
   • 半实测数据集验证表明，该方法对实际战场环境中残余旁瓣压制干扰（JNR≈10dB）具有强适应性，可为雷达抗干扰决策提供先验信息。
     
   • 开源代码框架（Python 3.8.5/PyTorch 1.7.1）便于工程部署。

六、研究亮点
1. 方法创新
- 将STFT的时频分辨率优势与小波变换的多尺度分析能力结合，构建互补特征空间。
- 提出”无参注意力+GRU”的轻量化融合方案，在保持实时性的同时提升低JNR下的鲁棒性。

1. 军事意义
   
   • 针对现代电子战中主瓣欺骗与旁瓣压制复合干扰的典型场景（如远区支援干扰+近区自卫干扰），提供了有效的技术反制手段。

七、其他发现
实验揭示了两类关键挑战：
1. NCJ类干扰因能量集中，在JNR<4dB时会掩盖欺骗干扰特征（图4b）；
2. 输入特征选择直接影响融合效果，不恰当的时频参数会导致性能下降约15%。这为后续研究指明了优化方向。

（注：全文严格遵循术语规范，如首次出现”干噪比（JNR）”、”短时傅里叶变换（STFT）”等术语时标注英文原词，专业名词如”ResNet”、”GRU”等保留不译。）