这篇文档属于类型a，是一篇关于雷达复合干扰识别的原创性研究论文。以下为详细的学术报告：

一、作者及发表信息

本研究由Wen Lu、Junbao Li、Feng Xie和Huanyu Liu*（通讯作者）合作完成，作者单位均来自哈尔滨工业大学计算机科学与技术学院。论文标题为《Compound Jamming Recognition Under Low JNR Setting Based on a Dual-Branch Residual Fusion Network》，发表于期刊Sensors 2025第25卷，文章编号5881，出版日期为2025年9月19日，采用Creative Commons Attribution (CC BY) 4.0开放获取许可。

二、学术背景

研究领域与动机

本研究属于雷达电子对抗领域，聚焦于复杂电磁环境下雷达主动干扰信号（active radar jamming signals）的智能识别。随着干扰技术从单一模式向复合模式（compound jamming）演进，传统基于先验知识或手工特征的方法难以应对低干噪比（Jamming-to-Noise Ratio, JNR）条件下的干扰识别挑战。

科学问题

1. 复合干扰的复杂性：复合干扰由压制式干扰（suppression jamming）和欺骗式干扰（deceptive jamming）叠加而成，时频域特征重叠严重，类间可分性低。
   
2. 低JNR的鲁棒性需求：当JNR低于−10 dB时，噪声掩盖干扰特征，传统方法识别精度急剧下降。
   

研究目标

提出一种基于双分支残差融合网络（Dual-Branch Residual Fusion Network, DBRF-Net）的深度学习模型，通过联合时域和时频域特征，实现低JNR条件下高精度、高鲁棒性的复合干扰识别。

三、研究流程与方法

1. 干扰信号建模与数据集构建

• 信号类型：
  
  • 单干扰（9类）：包括射频噪声干扰（RFN）、调幅噪声干扰（AMN）、密集假目标干扰（DFTJ）等。
    
  • 复合干扰（20类）：由5类压制干扰与4类欺骗干扰两两叠加生成（如RFN+DFTJ）。
    
• 数学模型：基于线性调频信号（LFM）推导每类干扰的解析表达式（如公式5-11）。
  
• 数据集参数：采样频率200 MHz，每样本4000个复采样点，JNR范围覆盖−20 dB至10 dB，每类每JNR生成200训练样本、50验证样本、50测试样本。
  

2. 时频分析与特征提取

• 连续小波变换（CWT）：采用复Morlet小波（cmor3-3）生成时频图像，尺度参数分64级，克服短时傅里叶变换（STFT）分辨率固定的缺陷（图1-2展示了干扰的时频图像）。
  
• 时域分支：对雷达信号的实部和虚部分别进行1D卷积处理，最终拼接为512维特征向量。
  
• 时频分支：引入多样化分支模块（Diverse Branch Block, DBB），通过多尺度并行卷积增强时频特征提取能力（图4）。
  

3. 网络架构与融合策略

• 双分支结构：
  
  • 时域分支：4层1D卷积+ReLU+池化。
    
  • 时频分支：4个残差模块（Block1-Block4），含DBB和跳跃连接（图3）。
    
• 自适应特征融合模块（AFFM）：通过可学习权重向量α对双分支特征加权融合（公式17），取代简单的拼接或平均融合。
  

4. 实验设计

• 基线模型：对比1D-CNN、2D-CNN、Transformer、ResNet34等6种方法。
  
• 评价指标：整体准确率（OA）、宏平均F1分数（Macro-F1）、Kappa系数。
  
• 训练配置：Adam优化器，初始学习率0.001，批量大小64，早停策略（7轮无改善终止）。
  

四、主要结果

1. 单干扰识别性能

• 低JNR优势：在JNR=−20 dB时，DBRF-Net的OA达53.1%，显著高于Transformer（18.0%）和ResNet34（25.8%）。
  
• 鲁棒性：JNR≥−6 dB时，OA超过98.9%，较第二名DFCNN提升约8%（表2）。
  

2. 复合干扰识别性能

• 平均OA达90.8%，较基线JRNet（83.4%）提升7.4个百分点（表5）。
  
• 混淆分析：NPJ与RFN类干扰因时频特征相似易混淆（图10），但AFFM有效缓解此问题。
  

3. 消融实验验证

• 模块贡献：移除DBB或AFFM分别导致OA下降2.7%和3.8%（表6）。
  
• 融合策略对比：AFFM优于自注意力（Self-Attention）和GRU门控融合（表7）。
  

五、结论与价值

科学价值

1. 方法创新：首次提出结合DBB与AFFM的双分支网络，解决了低JNR下复合干扰特征提取与融合的难题。
   
2. 理论贡献：通过结构重参数化（structural reparameterization）实现DBB训练多分支、推理单分支的无损压缩，兼顾性能与效率（表8）。
   

应用价值

为雷达抗干扰系统提供了一种实时、高精度的干扰识别方案，尤其适用于主瓣欺骗与旁瓣压制复合干扰的复杂战场环境。

六、研究亮点

1. 多模态特征融合：时域与时频域特征的互补性显著提升低信噪比下的识别鲁棒性。
   
2. DBB模块：通过多尺度卷积核并行提取时频图像特征，增强模型对细微差异的感知能力。
   
3. 工程友好性：模型在部署时可通过重参数化减少参数量（21.44M→7.98G FLOPs），适合嵌入式平台。
   

七、其他补充

1. 数据公开性：作者声明可根据需求提供仿真数据集。
   
2. 局限性：未考虑动态JNR环境和小样本场景，未来拟结合生成对抗网络（GAN）进一步优化。
   

（注：专业术语如JNR（干噪比）、CWT（连续小波变换）等在首次出现时标注英文原词，后续直接使用中文译名。）