当前位置：首页 > news >正文

文献阅读笔记【雷达信号分选】：基于机器学习的雷达信号分选方法综述

news 2025/8/27 8:58:13

文献阅读笔记：基于机器学习的雷达信号分选方法综述

【文献阅读笔记】基于机器学习的雷达信号分选方法综述
- 一、文献基本信息
- 二、摘要与引言
- - 2.1 研究背景
  - 2.2 文献核心贡献
  - 2.3 全文结构
- 三、背景知识（II. BACKGROUND）
- - 3.1 EW接收器与工作流程
  - 3.2 雷达波形关键参数
  - - 表1：Primary Parameters（脉冲描述字PDW的核心组成）
    - Secondary Parameters（脉冲间关联属性）
  - 3.3 雷达扫描与观测噪声
- 四、RSD问题定义（III. PROBLEM STATEMENT）
- - 4.1 脉冲映射的数学描述
  - 4.2 场景复杂度评估
  - 4.3 RSD性能指标
  - - 1. 调整兰德指数（ARI）
    - 2. V-measure
    - 3. 其他指标
  - 4.4 RSD算法的常见假设
- 五、RSD挑战与需求（IV. CHALLENGES AND REQUIREMENTS）
- - 5.1 多模态参数处理
  - 5.2 非传统机器学习问题
  - 5.3 数据稀缺问题
  - 5.4 可解释性需求
  - 5.5 实时处理需求
- 六、RSD方法分类（V. PULSE DEINTERLEAVING TAXONOMY）
- - 6.1 类别1：PRI估计方法（传统方法）
  - - Algorithm 1 递归波形提取
    - 代表性方法
  - 6.2 类别2：聚类-based方法
  - - 1. 一步聚类（One-step）
    - 2. 两步聚类（Two-step）
  - 6.3 类别3：RNN-based方法
  - - 代表性方法
  - 6.4 类别4：CNN-based方法
  - - 代表性方法
  - 6.5 混合方法与对比
- 七、其他分类框架（VI. OTHER FRAMES OF CLASSIFICATION）
- - 7.1 输入特征选择
  - 7.2 输入数据格式
  - 7.3 分选架构模式（DAP）
- 八、结论与展望（VII. CONCLUSION）
- - 8.1 核心结论
  - 8.2 未来方向
- 九、阅读心得
- 参考文献（原文核心引用）

【文献阅读笔记】基于机器学习的雷达信号分选方法综述

一、文献基本信息

标题：An Overview and Classification of Machine Learning Approaches for Radar Signal Deinterleaving
作者：Louis Lesieur 等（法国ENSTA、Thales、IMT Atlantique）
期刊：IEEE Access（2025年）
DOI：10.1109/ACCESS.2025.3539589
核心定位：首篇系统梳理雷达信号分选（RSD）领域机器学习（ML）方法的综述，提出多维度分类框架并分析关键挑战。

二、摘要与引言

2.1 研究背景

电子战（Electronic Warfare, EW）被动接收器的核心任务是检测和识别雷达辐射源，而雷达信号分选（Radar Signal Deinterleaving, RSD）是关键步骤：将多个辐射源的交织脉冲按所属辐射源（波形）分类，最终通过与已知波形库比对实现辐射源识别。

传统RSD方法（如基于PRI估计）在高环境密度（时间/频谱密度）和复杂波形（PRI捷变、跳频）场景下性能不足，因此ML（尤其是深度学习DL）方法成为研究热点。

2.2 文献核心贡献

详细阐述RSD问题的定义、挑战与工程需求；
基于“技术类型”提出RSD方法分类法（4大类），并通过欧拉图呈现方法关联；
分析RSD方法的关键维度：底层假设、输入参数、架构模式（DAP），尤其强调文献中少提及的“算法假设”。

2.3 全文结构

背景（EW接收器、雷达波形参数）；
RSD问题定义（脉冲映射、性能指标、算法假设）；
RSD挑战与需求（多模态、数据稀缺、可解释性等）；
RSD方法分类（PRI估计、聚类、RNN、CNN）；
其他分类框架（输入特征、数据格式、架构模式）；
结论与展望。

三、背景知识（II. BACKGROUND）

3.1 EW接收器与工作流程

EW接收器是被动系统，核心流程：
天线接收EM信号 → 信号处理提取脉冲（PDW） → 分选（RSD） → 跟踪 → 与波形库比对识别
在这里插入图片描述

EW的三大核心活动：

电子支援（Electronic Support）：监测雷达辐射、预警威胁、表征信号；
电子攻击（Electronic Attack）：干扰敌方雷达（如电子欺骗）；
电子防御（Electronic Defense）：保护己方雷达（如跳频雷达）。

3.2 雷达波形关键参数

波形（Waveform）是雷达辐射EM波的特征集合，分为primary参数（脉冲固有属性）和secondary参数（脉冲间属性）。

表1：Primary Parameters（脉冲描述字PDW的核心组成）

缩写	参数名称	符号	单位
TOA	到达时间	$t$	$μs\mu s$
DOA	到达方向	$θˉ\bar{\theta}$	度
PA	脉冲幅度	$a$	dBm
PW	脉冲宽度	$w$	$μs\mu s$
RF	射频（载频）	$f$	GHz
MOP	脉冲调制（相位/频率）	-	-

Secondary Parameters（脉冲间关联属性）

PRI（Pulse Repetition Interval）：连续脉冲发射间隔，分固定PRI、捷变PRI（Jitter，随机波动）、 stagger PRI（周期性切换）；
WPP（Waveform Pattern Period）：stagger PRI的周期（多个PRI之和）；
脉冲间调制：RF跳频、PW捷变等（认知雷达可伪随机改变这些参数以隐藏特征）。

3.3 雷达扫描与观测噪声

扫描模式：多数雷达采用圆形扫描，接收端观测到的PA呈sinc函数分布（主瓣功率高，旁瓣可能因衰减不可见）；
观测噪声：
- 丢失脉冲（大气遮挡、设备关机，发生率约10%）；
- 虚假脉冲（反射导致，如经悬崖/船只反射的二次脉冲）；
- 测量噪声（TOA/RF等参数的观测误差）。

四、RSD问题定义（III. PROBLEM STATEMENT）

4.1 脉冲映射的数学描述

设观测窗口内有 $K$ 个辐射源，定义：

$\bigcup_{k=1}^K X^{(k)} = \{x_i\}_{i \leq N}$ ：所有观测脉冲集合（ $N$ 为总脉冲数）；
$X(k)={xi(k)}i≤n(k)X^{(k)} = \{x_i^{(k)}\}_{i \leq n^{(k)}}$ ：第 $k$ 个辐射源的脉冲集合（ $n^{(k)}$ 为该辐射源脉冲数）；
$xi=(ti,wi,fi,ai,θi)x_i = (t_i, w_i, f_i, a_i, \theta_i)$ ：第 $i$ 个脉冲的PDW向量；
$(y_i)_{i \leq N}$ ：标签向量（ $y_i = k$ 表示 $x_i$ 属于第 $k$ 个辐射源， $K$ 未知）。

RSD目标：从 $X$ 中划分出所有 $X^{(k)}$ ，即估计标签向量 $Y$ 并确定 $K$ 。

4.2 场景复杂度评估

场景难度由三要素决定：

捷变性（Agility）：PRI/RF/PW的脉冲间调制（如高维stagger PRI）导致波形碎片化；
重叠（Overlapping）：多辐射源的时间/频率重叠（如RF跳频范围重叠）；
密度（Density）：辐射源数量越多，上述问题越严重。

4.3 RSD性能指标

由于RSD本质是无监督聚类（辐射源标签无意义，仅需分区正确），常用指标：

1. 调整兰德指数（ARI）

衡量预测分区 $Y^\hat{Y}$ 与真实分区 $Y$ 的一致性，消除随机因素影响：
$\frac{RI - E(RI)}{\max(RI) - E(RI)} \in [-1, 1]$

$R I$ （Rand Index）：正确关联/解离的脉冲对比例；
$E (R I)$ ：随机分区的期望 $R I$ ；
$A R I = 1$ 表示完全正确， $A R I = 0$ 表示随机。

2. V-measure

基于信息熵的均一性（Homogeneity）和完整性（Completeness）的调和平均：
$Vβ=(1+β)⋅h⋅cβ⋅h+c∈[0,1]V_\beta = \frac{(1+\beta) \cdot h \cdot c}{\beta \cdot h + c} \in [0, 1]$

$h$ ：均一性（同一聚类是否仅含同一辐射源脉冲）；
$c$ ：完整性（同一辐射源脉冲是否全在同一聚类）；
$β\beta$ ：权重（ $β=1\beta=1$ 时等价于归一化互信息NMI）。

3. 其他指标

纯度（Purity）：聚类中占比最高的辐射源脉冲比例；
非碎片化（Non-fragmentation）：同一辐射源脉冲被分到同一聚类的比例；
检测率（Detection Rate）：被成功识别的辐射源比例（未检测到的辐射源会导致后续识别失效）。

4.4 RSD算法的常见假设

原文指出4个核心假设（部分算法因假设限制难以应用于实战）：

$A_1$ ：已知辐射源数量 $K$ （或 $K$ 的上界）；
$A_2$ ：已知辐射源波形特征（实战中未知辐射源无法处理）；
$A_3$ ：不考虑SEI（Specific Emitter Identification，即相同波形的不同辐射源无需区分）；
$A_4$ ：雷达采用机械扫描（PA呈瓣状分布，可利用PA特征辅助分区）。

五、RSD挑战与需求（IV. CHALLENGES AND REQUIREMENTS）

5.1 多模态参数处理

PDW参数类型差异大（时间：TOA/PW；角度：DOA；频率：RF），数值范围悬殊（如PW从几十ns到几ms），直接联合处理需归一化/标准化（如Z-score、Min-Max），否则会导致距离计算失真（如RF以GHz为单位，PW以μs为单位，欧式距离无物理意义）。

5.2 非传统机器学习问题

RSD不同于常规分类/聚类/分割：

非分类：类别数 $K$ 未知，无法用softmax输出；
非聚类：解唯一（真实分区唯一），且需考虑PRI等脉冲间关联；
非分割：时间序列分割是“ regime切换”，而RSD是多辐射源脉冲交织，无明显 regime 边界。

5.3 数据稀缺问题

EW领域数据稀缺的两大原因：

标注数据少：实战数据标注困难（需确认脉冲所属辐射源），多依赖仿真（需考虑传播、反射等物理模型）；
波形保密：军用雷达波形属机密，公开波形库少（如民用导航雷达库[23]）。

解决思路：

数据增强：GAN生成波形（需确保物理一致性，避免违反雷达原理）、专家知识引导增强；
少样本学习（Few-shot Learning）：从少量样本中提取特征；
半监督学习：仅标注歧义性低的脉冲。

5.4 可解释性需求

EW系统属关键国防装备，需解释决策依据（如“为何该脉冲被归为辐射源A”），但DL方法（RNN/CNN）多为黑箱，需通过XAI技术改进：

设计可解释模型：DBSCAN、决策树、符号AI混合模型；
后验解释：扰动分析、Shapley值、反事实解释（如“若该脉冲RF增加1GHz，会被归为哪个辐射源”）。

5.5 实时处理需求

嵌入式EW设备（舰载/机载）要求：

latency < 1秒（威胁预警需快速响应）；
低内存占用（体积/重量限制）。

解决思路：

早期聚类降维（如基于RF/PW预聚类，减少后续处理数据量）；
神经网络压缩（剪枝、张量分解，减少参数量）。

六、RSD方法分类（V. PULSE DEINTERLEAVING TAXONOMY）

原文将RSD方法分为4大类，核心区别在于技术路线和依赖的特征。

6.1 类别1：PRI估计方法（传统方法）

核心思想：递归提取波形——先估计一个辐射源的PRI，提取对应脉冲，重复至无未标注脉冲（Algorithm 1）。
关键假设：无 $A_1/A_2$ ，但依赖TOA/DTOA特征，易受丢失/虚假脉冲影响。

Algorithm 1 递归波形提取

Input: 所有未标注脉冲集合 X
Output: 标签向量 Y（初始化为0）
label = 0
while X 中脉冲数 > 阈值 doI = 选择函数（从 X 中选目标辐射源的脉冲索引）label = label + 1对所有 i ∈ I，设 Y[i] = labelX = X \ {x_i | i ∈ I}  # 移除已提取脉冲
end while

代表性方法

序列搜索（SS, Sequence Search）：
- 原理：随机选两个脉冲，假设其来自同一辐射源，估计PRI = $t_j - t_i$ 和相位 $τ=timodPRI\tau = t_i \mod PRI$ ；遍历所有脉冲，筛选 $tkmodPRI≈τt_k \mod PRI \approx \tau$ （容忍误差 $ϵ\epsilon$ ）的脉冲，若数量足够则确认该PRI（Algorithm 2）；
- 缺陷：对丢失/虚假脉冲敏感，易误判PRI。
差分TOA直方图（DTOAH）：
- 原理：计算 $l$ 阶DTOA（ $dtoa_i^{(l)} = t_{i+l} - t_i$ ），统计直方图；真实PRI对应直方图峰值（同一辐射源的DTOA集中于PRI或其倍数），通过阈值筛选峰值并提取脉冲（Algorithm 3）；
- 变种：CDIF（累积多阶DTOA直方图）、SDIF（逐阶验证DTOA直方图）；
- 缺陷：捷变PRI会拉平峰值，高丢失率下PRI谐波（如2×PRI）可能成为峰值。
变换方法：
- PRI Transform：用TOA自相关替代直方图，减少谐波干扰[33]；
- Hough变换：将TOA编码为二进制时间向量，堆叠成矩阵，固定PRI脉冲对应矩阵中的直线，通过Hough变换检测直线[34]。

6.2 类别2：聚类-based方法

核心思想：将RSD视为多维度聚类问题（利用RF/PW/DOA等非时间参数），无需 $A_1/A_2$ ，但依赖 $A_3$ （SEI问题未解决）。

1. 一步聚类（One-step）

直接对PDW参数聚类，代表方法：

DBSCAN：基于密度聚类，需为每个参数调优 $ϵ\epsilon$ （邻域半径），如Martin等[42]用PA、PW、MOP参数聚类；
K-Means + SOFM：Su等[40]用K-Means确定聚类数，SOFM（自组织特征映射）优化聚类中心，适应参数敏捷性；
贝塞尔曲线聚类：Digne等[38]对脉冲瞬时频率（IF）拟合贝塞尔曲线，用曲线参数作为DBSCAN输入，解决SEI问题（同一波形的不同辐射源IF曲线不同）。

2. 两步聚类（Two-step）

先预聚类，再合并相似聚类（解决参数敏捷性导致的碎片化），代表方法：

Hierarchical DBSCAN + AHC：Mottier等[25]第一步用RF/PW预聚类，第二步用TOA的最优传输距离（OTD）计算聚类间距离，通过层次聚类（AHC）合并同一辐射源的碎片化聚类；
F-ART + DTOAH：Ata’a等[44]第一步用DOA-RF预聚类，第二步用DTOAH分离同一预聚类内的不同辐射源；
SVM合并：Mu等[45]第一步聚类RF/PRI一致的脉冲，第二步用SVM二分类判断聚类是否来自同一辐射源。

6.3 类别3：RNN-based方法

核心思想：将PDW流视为序列，用LSTM/GRU建模脉冲间关联（尤其PRI模式），多为监督学习（需 $A_1/A_2$ ）。

代表性方法

并行GRU去噪：Liu等[49]为每个已知波形训练一个GRU去噪器，输入脉冲流，GRU输出“是否为目标波形脉冲”，并行验证所有GRU以实现分选；
双向LSTM（BLSTM）：Zhu等[51]用BLSTM处理DTOA序列，建模stagger PRI的复杂模式，适用于认知雷达波形；
语义分割：Chao等[24]用扩张卷积网络（Dilated CNN）+ BLSTM，先分类PRI调制类型（固定/捷变/stagger），再分类辐射源，输入加入PW/RF提升重叠场景性能。

6.4 类别4：CNN-based方法

核心思想：将PDW编码为2D图像（如TOA-RF平面），用CNN（如U-Net）分割图像，每个像素对应脉冲所属辐射源。

代表性方法

TOA-only编码：
- Nuhoglu等[57]将PRI Transform结果编码为图像，用U-Net分割固定PRI与捷变PRI；
- Mao等[60]将DTOA矩阵编码为图像（元素为DTOA出现概率），用Sep-RefineNet分割。
多参数编码：
- Gasperini等[12]将TOA（时间轴）、RF（频率轴）编码为512×512图像，像素值存储PW/PA，用U-Net分割，支持15个以内未知辐射源（弱 $A_1$ ）；
- Kang等[61]将时频图 flatten 为频率向量，输入U-Net，利用细粒度时频特征区分重叠波形。

6.5 混合方法与对比

方法类别	核心特征	优点	缺点	依赖假设
PRI估计	TOA/DTOA	可解释、无 $A_1/A_2$	对丢失/虚假脉冲敏感	无
聚类-based	RF/PW/DOA	无 $A_1/A_2$ 、鲁棒性强	难处理SEI、参数重叠	$A_3$
RNN-based	序列（DTOA/PDW）	处理复杂PRI模式	黑箱、需 $A_1/A_2$ 、数据依赖	$A_1/A_2$
CNN-based	2D图像（TOA-RF）	处理高维特征、并行性好	黑箱、需 $A_1/A_2$ 、图像稀疏	$A_1/A_2$

七、其他分类框架（VI. OTHER FRAMES OF CLASSIFICATION）

7.1 输入特征选择

不同参数的作用与局限性：

参数	作用	局限性
TOA/DTOA	估计PRI的核心	单独使用易受干扰
DOA	辐射源方向固定，易分区	短时间窗口内变化小，重叠难区分
PA	扫描瓣状分布，辅助SEI	受传播衰减影响大，噪声高
RF/PW	辐射源固有属性，区分度高	捷变性导致碎片化
MOP	独特签名，解决SEI	需额外硬件测量IF信号

7.2 输入数据格式

有序PDW：按TOA排序的PDW序列（RNN/聚类常用）；
隐式连接：张量编码（如TOA-RF平面图像，CNN常用）；
显式连接：图结构（如DTOA矩阵、脉冲K近邻图，GNN常用）。

7.3 分选架构模式（DAP）

定义两种基础模块：

$P_2$ （二分模块）：将脉冲分为“目标辐射源”和“其他”；
$P_K$ （任意分区模块）：分为 $K$ 个聚类（ $K$ 已知或自适应）。

常见DAP模式：

R-U（递归唯一）： $P_2$ 递归提取（PRI估计方法）；
D-U（直接唯一）： $P_K$ 一步分区（聚类、RNN/CNN）；
R-W（递归胜出）：并行多个 $P_2$ ，选最优提取（如多GRU去噪）；
D-C2（直接两步）：串联 $P_K$ （如预聚类+合并，两步聚类）。

八、结论与展望（VII. CONCLUSION）

8.1 核心结论

ML方法（聚类/RNN/CNN）在高复杂度场景（高密度、复杂波形）下优于传统PRI估计方法，但需解决可解释性和数据稀缺问题；
无“最优方法”：PRI估计适用于简单场景，聚类适用于SEI需求，RNN/CNN适用于复杂PRI模式；
现有方法缺乏公开基准数据集（EW数据保密），难以定量对比。

8.2 未来方向

架构创新：设计新DAP模式（如并行 $P_2$ +聚类融合）；
XAI集成：提升DL方法的可解释性（如反事实解释）；
联合任务：分选与辐射源识别/跟踪联合优化；
认知雷达应对：开发适应伪随机PRI/RF的方法（如强化学习）。

九、阅读心得

基础先行：理解PDW参数、PRI调制类型、EW工作流程是掌握RSD的关键；
问题本质：RSD的核心矛盾是“未知 $K$ +多模态+数据稀缺”，方法选择需结合实战需求（如实时性、SEI需求）；
研究启发：数据增强（物理一致性GAN）和XAI（反事实解释）是ML方法落地EW的关键突破点；
不足：原文未涵盖2025年后的最新方法（如Transformer在RSD的应用），需结合后续文献补充。

参考文献（原文核心引用）

[12] S. Gasperini et al., “Signal clustering with class-independent segmentation,” ICASSP 2020.
[23] S. Yang et al., “Deep contrastive clustering for signal deinterleaving,” IEEE Trans. Aerosp. Electron. Syst., 2024.
[25] M. Mottier et al., “Deinterleaving and clustering unknown RADAR pulses,” RadarConf21.
[49] Z.-M. Liu et al., “Classification, denoising, and deinterleaving of pulse streams with recurrent neural networks,” IEEE Trans. Aerosp. Electron. Syst., 2019.
[57] M. A. Nuhoglu et al., “Image segmentation for radar signal deinterleaving using deep learning,” IEEE Trans. Aerosp. Electron. Syst., 2023.

查看全文

http://www.dtcms.com/a/352001.html