基于卷积神经网络的雷达复合干扰识别研究学术报告

一、作者与发表信息
本文由合肥工业大学（Hefei University of Technology）计算机与信息学院的Hongping Zhou、Lei Wang和Zhongyi Guo合作完成，发表于IEEE Transactions on Aerospace and Electronic Systems（TAES）期刊，2023年6月21日在线发布，12月8日收录于第59卷第6期。研究得到中国国家自然科学基金（项目号61775050）支持。

二、学术背景与研究目标
科学领域：本研究属于雷达电子对抗与人工智能交叉领域，聚焦复杂电磁环境下雷达干扰信号的智能识别。
研究背景：现代雷达面临日益复杂的复合干扰（compound jamming），传统基于专家经验的特征提取方法难以应对多类型干扰信号的混合场景。深度学习虽在雷达干扰识别中有所应用，但现有研究多针对单一干扰类型，且依赖时频分析（如短时傅里叶变换STFT），对复合干扰的识别性能有限。
研究目标：提出一种基于分数阶傅里叶变换（Fractional Fourier Transform, FrFT）的多特征融合网络模型，解决复合干扰识别难题，提升低干噪比（JNR）下的分类准确率。

三、研究流程与方法
1. 干扰信号建模与数据集构建
- 研究对象：9类单一干扰（含3类压制干扰、6类欺骗干扰）及4类加法复合干扰（如CS+SS、CS+CI等），覆盖噪声调幅（NAM）、卷积噪声（CN）、频率分集阵列（FDA）等新型干扰。
- 参数设置：信号脉宽5μs，采样率500MHz，JNR范围-18dB至6dB，每类干扰每JNR生成600训练样本和200测试样本。
- 创新点：首次引入FDA干扰模型，扩展了干扰类型的多样性。

1. 信号处理方法

   • FrFT特征提取：通过遍历旋转角度（p∈[0,2]）生成3D分数阶域图像，捕捉干扰信号的局部与全局特征。与传统时频图像（STFT生成）相比，FrFT能更好匹配LFM信号的调频特性，在特定阶数下形成脉冲响应（图1所示）。
     
   • 多分支特征融合网络（MFF-Net）设计：
     
     • 架构：将FrFT图像按阶数分割为低阶（p∈[0,1]）和高阶（p∈[1,2]）两个分支，分别提取局部特征。
       
     • 注意力机制：采用ECA-Net通道注意力模块，动态加权特征图通道（公式17），强化显著特征。
       
     • 特征融合：拼接局部与全局特征后输入全连接层，通过Softmax分类（图3）。
       

2. 信息融合网络（IF-Net）

   • 双模态输入：融合FrFT图像和STFT时频图像，采用晚期融合策略（图4）。
     
   • 优势：兼顾分数阶域的脉冲特性与时频域的瞬态特性，提升模型泛化能力。

3. 实验设计

   • 对比模型：与R13-Net1/2、R14-Net等4种经典网络对比。
     
   • 性能指标：平均识别准确率、泛化能力（样本量缩减至1/2和1/4时的衰减率）、运行时间。
     

四、主要结果
1. 识别准确率
- 在JNR=-3dB时，MFF-Net和IF-Net的识别准确率超过99%，较对比模型提升约7%（图7）。
- 低JNR（-9dB）下，IF-Net因多模态融合表现出更强鲁棒性（准确率91.85% vs MFF-Net 90.76%）。

1. 泛化能力

   • 当训练样本缩减至1/4时，IF-Net的准确率衰减最小（图9），尤其在JNR≥-9dB时优于单一模态的MFF-Net。
     

2. 计算效率

   • MFF-Net处理2600样本仅需8.28秒，IF-Net为11.26秒（图10），满足实时性需求。
     

五、结论与价值
1. 科学价值：
- 首次将FrFT引入雷达干扰识别领域，验证了分数阶域特征对复合干扰的表征能力。
- 提出的多分支融合架构和注意力机制为小样本条件下的特征学习提供了新思路。

1. 应用价值：
   
   • 为复杂电磁对抗环境下的雷达抗干扰决策提供高精度识别工具，工程实现潜力显著（如嵌入式设备部署）。
     

六、研究亮点
1. 方法创新：
- 提出FrFT与CNN结合的端到端识别框架，突破传统时频分析的局限性。
- 设计的信息融合策略（IF-Net）在样本受限时仍保持高稳定性。

1. 数据贡献：
   
   • 构建包含13类干扰的公开仿真数据集，涵盖新型FDA干扰和复合干扰组合。
     

七、局限与展望
当前研究依赖仿真数据，未来需结合实测信号验证；针对未知干扰类型的迁移学习能力有待探索。作者建议下一步研究可结合特定特征值优化损失函数，并扩展至卷积/乘积复合干扰场景。

（注：本文献DOI为10.1109/TAES.2023.3288080，引用格式建议遵循IEEE规范。）