这是一份关于利用深度学习和开放集识别技术进行雷达发射机指纹识别的原创性研究。该研究名为《基于动态阈值与嵌入拒绝的深度学习雷达指纹识别：面向开放集泛化》，由西北工业大学电子信息学院的Asim Saleem、Guoyun Lv和Safa Hussein Mohammed共同完成，发表于《Knowledge-Based Systems》期刊的2026年第333卷。
在现代电子战中，通过截获的雷达信号来识别敌方雷达发射机的具体身份，即特定辐射源识别（Specific Emitter Identification, SEI），对于威胁评估和战场决策至关重要。传统的识别方法依赖载波频率、脉冲宽度等人工设计的信号参数，但在当前雷达普遍采用频率捷变和波形重构的复杂电磁环境下，这些方法的可靠性大幅下降。因此，研究重心已转向利用发射机硬件不可避免的、独特的细微瑕疵进行识别，这些瑕疵被称为射频指纹（RF Fingerprinting）。然而，该领域长期面临两大挑战：一是缺乏包含真实硬件失真（Hardware Impairments）和多变环境因素的高保真仿真数据集；二是现有深度学习模型多假设测试集为已知类别（闭集），无法有效处理战场上可能出现的未知或非合作辐射源（开集识别，Open-Set Recognition）。为解决这些问题，本研究旨在构建一个全面的SEI框架，从生成逼真的雷达信号数据集入手，进而开发能够应对闭集与开集识别挑战的深度学习模型。
本研究的首要步骤是构建一个名为SimRF-14的大规模、高保真雷达信号仿真数据集。研究团队模拟了一个包含14种不同雷达系统的被动信号采集场景，这些雷达在地面、机载和舰载平台类型、线性调频（LFM）、巴克码（Barker）、弗兰克码（Frank）等波形类型、脉冲重复频率（PRF）及载波频率等方面存在差异，以模拟丰富的类间多样性。仿真框架的核心在于以端到端的方式系统性地集成了雷达发射链路上的多种硬件损伤。从直接数字频率合成器（DDS）的相位截断（Phase Truncation）和频率抖动（Frequency Jitter），到数模转换器（DAC）的幅度量化（Amplitude Quantization），再到上变频阶段的本地振荡器（LO）相位噪声、I/Q不平衡（I/Q Imbalance），以及功率放大器（PA）的非线性失真（PA Nonlinearity）和天线增益变化。此外，仿真还将信号置于真实的传播环境中，为不同平台的雷达匹配了瑞利衰落（Rayleigh Fading）、莱斯衰落（Rician Fading）及针对舰载雷达的两径海面反射模型（Two-Ray Sea Surface Reflection），并引入了热噪声。最终，该数据集在-20 dB至+20 dB的21个信噪比（SNR）级别下，为每种雷达生成了1250个信号样本，每个样本包含4个脉冲、3500个时间采样点的同相正交（I/Q）数据，形成了一个结构化且适用于深度学习处理的指纹丰富的数据集。
在构建数据集后，研究进入了模型设计阶段。团队提出了一种名为RAFNet（Radar Attentive Fusion Net）的混合深度学习模型。该模型采用双分支设计：卷积分支利用一维卷积和残差连接（Residual Connection）捕捉I/Q波形的空间特征；同时，门控循环单元（GRU）分支则提取信号的时间依赖关系。两者被拼接融合，并加入可学习的位置嵌入（Positional Embedding），为后续的Transformer模块提供时间感知能力。通过多头自注意力机制（Multi-Head Self-Attention），模型能捕获长距离的上下文特征，再经压缩与激励（Squeeze-and-Excitation, SE）通道注意力模块对特征进行重校准。最后，再次利用GRU进行高层时间抽象，并由全局平均池化和全连接层输出14类已知雷达的分类概率。模型的训练使用了Adam优化器，并结合了早停、模型检查点和学习率调度等策略。消融实验（Ablation Study）验证了各组件对性能提升的贡献，完整架构实现了73.21%的平均准确率。
为了解决开集识别问题，研究工作流程进入第三阶段：集成开集识别框架。研究将训练好的RAFNet模型作为特征提取器，获取待测信号在倒数第二层全连接层的L2归一化嵌入向量（Embedding）。算法核心基于OpenMax和极值理论（Extreme Value Theory, EVT）。首先，针对训练集中所有已知类别，计算其类内样本嵌入向量的中心点（Centroid）。然后，计算每个样本与其类别中心的余弦距离，并对距离分布的尾部（即最大的t个极端距离）进行威布尔分布（Weibull Distribution）拟合。在测试时，对于一个新的信号样本，计算其嵌入向量到各类中心的距离，并利用拟合好的威布尔模型计算该样本属于各类的离群概率。据此，原始的SoftMax分数会被重新校准，将属于每一类的原始分数按离群概率分割，累加离群部分，从而新增一个“未知”类别概率。最后，研究提出了一种创新的信噪比自适应动态阈值机制（SNR-Adaptive Thresholding）。该机制并非使用固定阈值判断“未知”，而是根据信号的SNR级别，从一个经验建立的查找表中动态选择阈值。若校准后的“未知”概率超过该阈值，则最终判定为未知辐射源。
在闭集分类实验中，RAFNet在-20 dB到+20 dB的全SNR范围内取得了71.0%的整体平均准确率，优于对比的Transformer（69.2%）、InceptionTime（68.6%）和ResNet1D（63.5%）等先进架构，且参数量（122,158）远低于ResNet1D（1,767,374），展现出高效性和鲁棒性。归一化混淆矩阵显示，对于特征差异大的雷达（如某些机载和舰载雷达），识别准确率可达95%以上，但在参数高度相似（如载频、脉宽、PRF等一致）的雷达之间，特别是地面雷达组内，存在明显混淆，例如Radar-12有77%的实例被错分为Radar-14。各类性能指标随SNR增加而稳定提升，验证了模型在噪声环境下的稳定性。
在开集分类实验中，随着开放度（Openness）从0.065增加至0.293，系统整体准确率从94.22%温和下降至91.20%，而衡量未知检测能力的F1分数从75.29%显著提升至89.71%，精确度从67.20%提升至93.52%。这表明系统在开放环境中能够自信且有效地识别未知信号。未知检测能力（Unknown Detection Ability）的受试者操作特征曲线（ROC）下面积（AUROC）达到了0.977。在不同SNR下的分析显示，在-20 dB的低信噪比下，未知拒绝率（Unknown Rejection Rate）高达97.43%，而在高信噪比（+20 dB）下，假正率（False Positive Rate）被控制在4%以下。未知分数的分布图也直观展示了在中等至高信噪比下，已知和未知样本的分数分布有极小的重叠，验证了OpenMax算法的有效性。
该研究成功构建了一个从仿真数据生成到开集识别模型部署的完整雷达SEI框架。其科学价值在于，它提出了一种将硬件失真、信道效应与深度学习紧密结合的端到端研究方法，并通过融合CNN、RNN和注意力机制设计出高效的RAFNet。更重要的是，它通过整合基于EVT的OpenMax算法和创新的SNR自适应动态阈值策略，为雷达辐射源识别领域处理未知目标的难题提供了有效且可靠的解决方案。在应用层面，该框架可直接用于电子战中的威胁识别、频谱监管中的非法信号发现及物联网设备认证等安全敏感领域，显著降低了将未知雷达误判为已知友方或中立目标的危险。研究不仅填补了高保真雷达SEI数据集和实用化开集识别模型的空白，也为未来向增量学习和真实信号泛化拓展奠定了坚实基础。