基于对比学习与张量分解的分布式MIMO雷达复合干扰识别算法研究

一、研究团队与发表信息
本研究由电子科技大学信息与通信工程学院的Yukai Kong（学生会员）、Senlin Xia、Luxin Dong、Xianxiang Yu及Guolong Cui（高级会员）共同完成，成果发表于2024年6月的《IEEE Transactions on Vehicular Technology》（第73卷第6期）。论文标题为《Compound Jamming Recognition via Contrastive Learning for Distributed MIMO Radars》。

二、学术背景与研究目标
科学领域：该研究属于雷达电子对抗领域，聚焦复杂电磁环境下分布式多输入多输出（MIMO）雷达的主动欺骗式复合干扰识别。
研究背景：随着数字射频存储器（DRFM）技术的发展，主动欺骗干扰（active deception jamming）的逼真度显著提升，而分布式MIMO雷达因多节点协同工作易受复合干扰（compound jamming）攻击。传统干扰识别方法依赖专家经验与手工特征提取，而深度学习虽在干扰识别中表现出潜力，但小样本场景下模型泛化能力不足的问题尚未解决。
研究目标：提出一种结合对比学习（contrastive learning）与张量分解（tensor decomposition）的算法框架（CL-TD），旨在实现小样本条件下复合干扰的高精度识别，尤其是子干扰能量差异显著的场景。

三、研究流程与方法
1. 数据预处理阶段
- 研究对象：模拟生成的12类干扰信号（6种单干扰+6种复合干扰），每类500个样本，共6000个样本。单干扰包括ISRJ（间断采样重复干扰）、SNJ（智能噪声干扰）等；复合干扰由两种单干扰叠加生成（如ISCFJ+MDFJ）。
- 信号处理：
- 张量分解：通过CP分解（Canonical Polyadic Decomposition）将复合干扰信号分离为单干扰分量，利用ELS-ALS算法优化分解过程。
- 相关性分析：计算分离信号的相关系数，设定阈值0.7区分单/复合干扰。
- 时频变换：对分离信号进行短时傅里叶变换（STFT），生成247×100的时频矩阵作为输入特征。

1. 预训练阶段

   • 网络架构：采用非对称残差卷积网络（ARCNN-AM）结合注意力机制（CBAM）提取特征，MLP（多层感知机）映射至高维空间。
     
   • 对比学习：通过最大化同类干扰特征相似性、最小化异类干扰相似性，增强小样本特征提取能力。损失函数采用温度参数τ调节的相似性度量（公式31-33）。
     

2. 整体训练阶段

   • 分类模块：将ARCNN-AM提取的时频特征输入全连接网络（FCN），通过交叉熵损失函数（公式35）优化分类性能。
     
   • 训练策略：Adam优化器（学习率0.0001），实验对比不同训练集比例（4%-20%）下的性能。
     

3. 测试阶段

   • 导入优化后的模型参数，对测试集时频矩阵进行干扰类型概率预测，通过Softmax输出分类结果。
     

四、主要研究结果
1. 干扰分离效果：
- 张量分解对复合干扰的分离效果显著，例如RVDJ+SMSPJ的分离信号与源信号相关系数达0.9以上，而两类干扰间相关系数低于0.1（表VI）。
- 时域波形与RD图验证了分离后信号保留原始干扰特征（图15-16）。

1. 小样本识别性能：

   • 在4%训练样本（每类20个）下，CL-TD的总体准确率（OA）达95.56%，显著高于对比方法（如S-CNN为8.13%，JRNet为73.9%）（表VII）。
     
   • 对SMSPJ的识别准确率提升至93.89%，较传统方法（如DFCNN）提高67.43%。
     

2. 模块贡献分析：

   • 对比学习使特征提取模块的类内距离缩小，类间距离扩大（图14）。
     
   • 消融实验显示，移除张量分解（CL-ARCNN-AM）或对比学习（ARCNN-AM-TD）分别导致OA下降38.79%和9.4%。
     

五、结论与价值
科学价值：
1. 首次提出将复合干扰识别分解为单干扰识别的张量分解框架，解决了子干扰能量差异导致的特征遮蔽问题。
2. 通过对比学习在小样本条件下实现高维特征的有效提取，为雷达抗干扰决策提供先验信息。
应用价值：
算法在复杂电磁战场环境中具有鲁棒性，可部署于分布式MIMO雷达系统，提升对协同干扰的实时识别能力。

六、研究亮点
1. 方法创新：
- 结合张量分解与对比学习，突破传统依赖大样本数据的限制。
- 设计ARCNN-AM网络，通过非对称残差结构增强小特征差异的捕捉能力。
2. 实验设计：
- 构建包含能量差异达30dB的复合干扰数据集，模拟真实战场场景。
- 通过相关性分析阈值（h=0.7）实现单/复合干扰的自动判别。

七、其他有价值内容
- 研究对比了6种主流算法（如WECNN-TL、MDFRCNN-AM），在20%训练样本下CL-TD仍保持97%的OA，验证其饱和性能优势（图17）。
- 开源模拟数据集参数（表I）为后续研究提供基准。

（注：专业术语如“contrastive learning”首次出现时标注英文，后续使用中文“对比学习”；期刊名《IEEE Transactions on Vehicular Technology》保留原语言。）