本研究由海军航空大学（Naval Aviation University）的刘康生、闫文君、张利民、凌清、张毅等学者完成。其中刘康生为第一作者，闫文君为通讯作者。该论文《基于对抗域适应网络的跨接收机特定辐射源识别》（cross-receiver specific emitter identification based on adversarial domain adaptation network）发表于Electronics Letters期刊，并于2026年4月21日收稿，同年5月21日录用。研究团队来自山东省海空信息感知与处理技术重点实验室以及毫米波与太赫兹遥感国家重点实验室。

这篇论文属于类型a，即一项原创性研究报告。

研究背景与目的

该研究属于电子战与认知无线电领域中的特定辐射源识别（Specific Emitter Identification, SEI）技术。SEI技术通过分析雷达信号中由发射机硬件制造容差引起的无意调制特性（unintentional modulation characteristics）来唯一识别个体辐射源，即使它们属于同一型号。然而，传统的SEI方法通常假设训练集和测试集采集自同一接收系统。在实际的分布式传感器网络和多平台协同侦察等应用中，信号常被不同接收机截获。由于不同接收机的射频前端与模数转换器特性存在差异，接收信号实际上是发射机指纹（transmitter fingerprint）与接收机特性（receiver characteristics）的卷积。这种“接收机效应”（receiver effect）导致指纹特征分布发生偏移，严重降低了跨接收机场景下的识别准确率。现有跨接收机SEI方法存在两个关键局限：一是在时域或频域对接收机非理想特性进行补偿，只能缓解而无法从根本上消除特征分布偏移；二是通常采用标准卷积网络，导致计算复杂度和模型规模过大。

为应对这一跨接收机识别问题，该研究旨在利用带标签的源域数据和未标记的目标域数据，学习一个特征映射函数，使提取的特征在源域和目标域之间对齐，从而让分类器能在目标域中有效识别发射机个体。其核心目标是构建一个对发射机指纹敏感但对接收机特性不敏感的“接收机无关”特征提取方案。

详细研究方法与流程

该研究提出的跨接收机SEI系统主要由两个模块组成：时频预处理模块和对抗域适应网络（Adversarial Domain Adaptation Network, ADAN）模块。

第一步是时频图像预处理。为了保留信号中细微的频率跳变和相位噪声特征，研究采用了平滑伪魏格纳-维尔分布（Smoothed Pseudo Wigner-Ville Distribution, SPWVD），将一维时域信号转换为二维时频图像。SPWVD能有效抑制Wigner-Ville分布中固有的交叉项干扰。其公式定义为在时域和频域分别使用平滑窗函数h(τ)和g(t)对信号进行卷积。实验中，时域平滑窗选用长度为65的汉明窗（Hamming window），频域平滑窗选用长度为33的汉明窗。选择汉明窗的原因是其适中的旁瓣衰减和较小的幅度失真，能在交叉项抑制和时频分辨率保持之间取得平衡。所选的窗长度则是针对接收机带宽为80MHz的X波段雷达信号进行经验优化得到的。生成的时频图将被调整为固定像素大小，作为后续网络的输入。

第二步是构建基于深度可分离卷积的对抗域适应网络ADAN。该网络是研究的核心算法，由三个子网络构成：特征提取器（Feature Extractor）、标签分类器（Label Classifier）和域判别器（Domain Discriminator）。 1. 特征提取器：它负责将输入的时频图映射到高维特征空间。为了优先保证实时侦察所需的推理速度，该提取器选用了深度可分离卷积神经网络（Depthwise Separable Convolutional Neural Network, DSC），而非表征能力可能更强但计算量大的标准卷积。DSC将标准卷积分解为逐通道卷积（Depthwise Convolution, DWConv）和逐点卷积（Pointwise Convolution, PWConv），从而显著减少了模型参数量。其主体由三个DSC层组成，每层包含一个7x7或3x3的DWConv（步长为2）和紧跟的1x1 PWConv（步长为1），所有PWConv后均接批归一化（Batch Normalization, BN）和ReLU激活函数。最后通过全局平均池化层（Global Average Pooling）展平特征。 2. 标签分类器：由全连接层组成，网络结构为128-64-5，使用ReLU和Softmax激活函数。它基于特征提取器输出的特征向量，输出当前样本属于各个已知发射机类别的概率。 3. 域判别器：也是一个全连接分类器，网络结构为128-64-3，末尾使用Softmax激活函数。其任务是判断输入特征来自于哪个域（即哪个接收机），其输出为接收机域标签（例如，地面、空中和海上接收机分别被赋予标签0、1和2）。

第三步是对抗训练（Adversarial Training）。这是整个方法能够实现域不变特征提取的关键。核心理念是：一个好的特征提取器应该提取出能区分发射机但无法区分接收机的特征。为此，网络的损失函数由两部分组成：源域数据的交叉熵分类损失和域分类损失。训练的目标是最小化标签分类损失，同时最大化域分类损失，形成一个最小-最大博弈。具体实现上，在特征提取器和域判别器之间引入了一个梯度反转层（Gradient Reversal Layer, GRL）。在前向传播时，GRL起到恒等变换的作用；在反向传播时，GRL将来自域判别器的梯度乘以一个负的缩放因子-λ（λ=1.0），从而逆转梯度方向。通过这种机制，网络更新参数时，特征提取器被强迫去迷惑域判别器，最终学习到的特征既包含发射机的个体信息，又排除了接收机的特异性信息。

主要结果与分析

研究团队在青岛胶州湾周边环境干扰较小的区域，利用中国天澳信息技术有限公司制造的5台X波段航海雷达作为辐射源，并同时在无人机、小船和海岸上部署了三个不同型号的接收机（分别为Rohde & Schwarz PR100和Harogic NXE 90/PXE 90）进行信号同步采集，构建了真实环境下的多接收机实验数据集。实验所用数据的信噪比（Signal-to-Noise Ratio, SNR）范围在-5至10dB之间，训练集、验证集和测试集按7:2:1划分。

实验结果表明，在5分类雷达辐射源识别任务中，该方法达到了91%的识别准确率，有效地克服了接收机指纹的影响。为直观展示算法的贡献，研究通过t-分布随机邻域嵌入（t-distributed Stochastic Neighbor Embedding, t-SNE）图对比了原始数据与经过ADAN网络特征对齐后的数据分布。结果显示，原始数据中来自不同接收机的特征点分布散乱，而经算法处理后，各接收机的特征已基本重叠融合，有力地证明了该算法在消除接收机差异、对齐源域和目标域特征分布方面的有效性。对数据信噪比影响的研究发现，算法性能随信噪比降低而持续下降，当信噪比大于5dB时，识别准确率较高。

在对比实验中，该算法与学术界先进的跨接收机个体识别算法mdc-sei（94%）、ad-sei（84%）和clem-cr-sei（78%）进行了比较。尽管mdc-sei的准确率略高，但本文所提算法在识别准确率（91%）和计算效率（321秒，远低于mdc-sei的487秒）之间取得了最佳平衡，综合性能超越其他算法。研究还在其他公开数据集（如Wisig数据集）上进行了验证，对4个不同接收机捕获的10个发射机信号分类，取得了良好的分类效果。此外，在多接收机低信噪比和少样本（few-shot）条件下，该方法相比参考文献中的方法也展现出较好的适应性。

消融实验（Ablation Experiments）结果进一步证实，若不使用SPWVD预处理，准确率下降4%；若不使用基于深度可分离卷积的对抗模块，准确率则急剧下降37%，这强有力地说明了两项设计核心的有效性。

结论与价值

该研究的结论是，所提出的基于对抗域适应网络的解决方案，通过融合SPWVD时频特征与GRL对抗训练机制，成功地在不需要目标域标签的情况下，将知识从源域接收机有效迁移至目标域接收机，解决了雷达辐射源个体识别中的跨接收机平台挑战。

其科学价值在于提出了一种新颖的、基于域对抗思想来解决跨接收机SEI问题“接收机效应”的方法路径，通过特征空间的对抗对齐而非信号域的补偿，为域适应技术在射频指纹识别中的应用提供了新范式。应用价值则体现在显著提升了跨接收机侦察场景下的识别鲁棒性，且模型计算高效，更适用于对实时性有要求的实际电子侦察任务。同时，该研究也指出了其局限性，即在数据质量极差（信噪比低于0dB）的条件下应用受限，并指明了未来可研究方向为非协作、无标签目标域场景下的少样本跨接收机识别。