雷达复合干扰识别新方法：基于盲源分离的“分离-恢复-识别”策略

作者及机构
本研究的通讯作者为合肥工业大学（Hefei University of Technology）计算机与信息学院的Zhongyi Guo教授，合作作者包括Hongping Zhou和Lei Wang。研究成果发表于2024年8月的《IEEE Transactions on Aerospace and Electronic Systems》（TAES）期刊，DOI编号10.1109/TAES.2024.3437337，并获得中国国家自然科学基金（项目号61775050）支持。

学术背景
随着雷达信息对抗的日益复杂，多干扰信号的复合形式（加性、乘性、卷积性）成为雷达探测的主要挑战。传统干扰识别算法依赖预设标签和固定复合类型，无法应对未知干扰源数量、类型及参数的动态电磁环境。为此，本研究提出了一种基于盲源分离（Blind Source Separation, BSS）的“分离-恢复-识别”策略，旨在解决加性复合干扰的全类型识别问题，突破标签限制，提升算法在低信噪比（JNR=-10 dB）下的泛化能力。

研究流程与方法

1. 盲源分离过程

   • 多通道信号模型：建立线性瞬时混合模型（公式1），通过短时傅里叶变换（STFT）将时域信号转换为时频域，增强信号稀疏性。
     
   • 混合矩阵估计：利用余弦相似性阈值（公式8）筛选单源时频点，结合K-means聚类确定混合矩阵列向量方向。
     
   • 信号分离：通过单源匹配生成二值图像（公式9），逆短时傅里叶变换（ISTFT）分离时域信号。
     

2. 雷达信号恢复网络（RSR-U-Net）

   • 设计原理：借鉴U-Net的编码器-解码器结构，输入为256×256灰度时频图像，通过3×3卷积核和最大池化逐步恢复因时频重叠丢失的信息。
     
   • 训练数据：以完整时频图像为标签，600组/干扰类型的样本训练模型，补偿分离不彻底的信号。
     

3. 干扰识别网络（CBAM-JR-Net）

   • 网络结构：融合残差模块（Residual Block）和卷积注意力机制（CBAM），通过通道与空间注意力（公式10-11）增强特征提取能力。
     
   • 训练与测试：800组/干扰类型的样本训练，在JNR=-10~0 dB下测试，批处理量20，采用Adam优化器和交叉熵损失函数。
     

创新方法
- 盲源分离与深度学习结合：首次提出“分离-恢复-识别”流程，将复合干扰识别转化为单干扰识别问题。
- RSR-U-Net：针对时频重叠信号设计的恢复网络，填补了分离信号的缺失信息。
- CBAM-JR-Net：通过小卷积核替代大核、移除全连接层等设计，降低计算复杂度（模型内存仅12.5 MB）。

主要结果
1. 分离与恢复效果
- 在JNR=-10 dB时，五干扰复合信号的识别准确率仍达90%以上（表II）。
- 未使用RSR-U-Net时，模型识别准确率低于50%，验证了恢复步骤的必要性。

1. 泛化性能测试

   • 样本不均衡：当某类干扰样本减少至200组时，平均识别准确率仅下降3%（图5）。
     
   • 训练集污染：87.5%纯净样本下，污染样本导致的准确率差异小于2%（图6）。
     
   • 小样本场景：50组/干扰类型的训练样本下，JNR≤-6 dB时准确率下降7.75%（图7）。
     

2. 多干扰组合识别

   • 三干扰组合的平均识别准确率优于四干扰组合（图8），因时频重叠减少。
     

结论与价值
1. 科学价值
- 提出了一种无需预设标签的复合干扰识别框架，解决了传统算法依赖固定组合的局限性。
- 通过盲源分离与深度学习结合，为复杂电磁环境下的雷达抗干扰提供了新思路。

1. 应用价值
   
   • 算法在嵌入式设备中具有工程潜力（模型内存小、执行速度快），适用于实战环境。
     
   • 在样本污染、小样本等非理想条件下仍保持鲁棒性，接近实际电子对抗需求。
     

研究亮点
1. 方法创新：首次将“分离-恢复-识别”策略引入雷达干扰识别，突破标签限制。
2. 技术融合：结合BSS与CBAM注意力机制，提升低信噪比下的特征提取能力。
3. 工程优化：通过算法轻量化设计（如移除全连接层），实现高实时性（表III）。

未来方向
研究将进一步探索卷积与乘积复合干扰的识别，并引入特征值损失函数优化模型效率。

（注：全文约2000字，涵盖研究全流程与创新点，符合类型a的学术报告要求。）