基于多尺度注意力机制的雷达信号分选方法研究：多维特征融合与电磁环境适应性突破

《IEEE Transactions on Neural Networks and Learning Systems》：A Radar Signal Deinterleaving Method Based on Multiscale With Attention Mechanism

　　本文针对现代电子战中雷达信号波形自适应化和多功能化带来的分选挑战，提出了一种基于多尺度注意力机制的雷达信号分选方法MSAD。该方法通过维度扩展和格拉米角场将脉冲描述字转换为脉冲描述图，实现了时-频-空-能多维特征的联合可视化表征；构建拉普拉斯金字塔多尺度特征提取框架，并利用注意力机制动态融合不同尺度特征权重，形成物理可解释的分选决策。实验表明，MSAD在复杂调制信号（如捷变PRI、多功能雷达）分选性能上显著优于传统方法（SDIF、PRI-Tran）及神经网络模型（BLSTM、BGRU、DCN），为高密度动态电磁环境下的雷达信号分选提供了新范式。

　　

在现代电磁频谱战中，电子情报系统和电子支援措施扮演着至关重要的角色。它们通过截获和分析雷达信号，实现战场态势感知和威胁预警。然而，随着自适应波形和多功能雷达技术的快速发展，雷达信号的参数动态范围不断扩大，调制样式日趋复杂，导致传统基于单一特征（如脉冲重复间隔PRI）的分选算法面临严峻挑战。在高密度、动态变化的电磁环境中，这些方法容易出现脉冲漏失、虚警插入和分选错误等问题，难以满足现代电子战的实战需求。

为了突破这些技术瓶颈，发表在《IEEE Transactions on Neural Networks and Learning Systems》上的研究论文提出了一种创新的智能分选范式——基于多尺度注意力机制的雷达信号分选方法（Multiscale Attention Deinterleaving, MSAD）。该方法的核心思想是将雷达信号分选问题转化为图像分类任务，通过融合多维信号特征来实现更准确、更稳健的分选性能。

研究人员采用了几项关键技术方法：首先对脉冲描述字（Pulse Description Word, PDW）数据进行维度扩展，通过线性与非线性变换将原始5维参数（DTOA、RF、PW、PA、DOA）扩展为75维语义特征向量；接着利用格拉米角场（Gramian Angular Field, GAF）将一维特征向量转换为二维脉冲描述图（Pulse Description Graph, PDG），实现时-频-空-能多维参数的联合可视化表征；然后构建基于拉普拉斯金字塔的多尺度特征提取框架，通过高斯金字塔和拉普拉斯金字塔分解获取不同尺度的特征表示；最后采用深度卷积网络DeepLab-LargeFOV分层提取多尺度特征，并通过注意力机制（Attention Mechanism, AM）动态融合各尺度特征权重，形成物理可解释的分选决策。

雷达脉冲特征描述与转换

研究首先分析了雷达脉冲的特征描述问题。雷达侦察接收机记录的五个关键脉冲参数包括到达时间（TOA）、射频（RF）、脉冲宽度（PW）、脉冲幅度（PA）和到达方向（DOA），这些参数被编码为脉冲描述字（PDW），形成结构化的数字表征。不同雷达系统由于架构和任务需求的差异，其参数配置表现出显著区别，瞬时差异体现在动态参数分配，而时间变化则表现为参数序列的结构化演进。

通过图3所示的14种线性与非线性变换方法，研究人员将原始PDW语义信息进行维度扩展，显著增强了同源信号内在相关性和异源信号特征差异性的表征能力。

基于GAF的可视化转换

为了解决多维耦合特征的表征问题，研究采用格拉米角场（GAF）编码技术将一维雷达语义特征转换为二维描述图。这一过程包括数据预处理、极坐标转换和GAF矩阵生成三个主要步骤。通过将归一化后的语义向量映射到极坐标系，并利用三角和差运算生成格拉米角和场（GASF）或格拉米角差场（GADF），最终得到n×n的GAF图像。

图4展示了维度扩展前后GAF编码效果的对比，可以看出扩展后的表征具有更清晰的边缘、更丰富的轮廓和更明显的雷达源间特征差异，为后续分选任务提供了更优质的视觉特征。

图像金字塔构建

为了建模多尺度图像特征，研究提出了基于拉普拉斯金字塔的多尺度特征建模框架。该框架通过高斯金字塔构建和拉普拉斯金字塔分解，将图像分解为不同频率的子图像，分别捕获尺度相关的特征响应。

图5展示了N=2时的金字塔构建过程，原始脉冲描述图G₀经过高斯金字塔构建得到{G₀, G₁, G₂}，进而生成包含三个尺度特定表示的拉普拉斯金字塔{L₀, L₁, L₂}。

3-d₃ PDG的拉普拉斯金字塔构建结果。'>

图6展示了扩展雷达语义特征编码的多尺度特征提取结果，在空间域中，G₀被分解为三个尺度层，每个层捕获不同的频率分量：边缘和纹理被分离到不同的金字塔层级，在频率域中，每个层对应特定的频带，L₂编码低频（大尺度）信息，L₁包含中频（中尺度）特征，L₀保留高频成分如细节和噪声。

多尺度注意力模型

研究采用DeepLab-LargeFOV深度卷积网络架构作为基础特征提取器，该网络基于VGG-16分类网络修改而来，通过空洞卷积算法将下采样因子降低至8，最终通过双线性插值将得分图上采样8倍恢复原始图像分辨率。

图7展示了DeepLab-LargeFOV的网络结构，其中"LargeFOV"表示该模型采用空洞卷积来调整修改后的fc₆层的滤波器权重，从而实现更大的感受野。

注意力模型采用瓶颈注意力模块（Bottleneck Attention Module, BAM），包含通道注意力分支（CAB）和空间注意力分支（SAB）两个并行分支。通道注意力分支通过全局平均池化获取通道向量，经过两个全连接层生成通道注意力图；空间注意力分支通过1×1卷积压缩通道，再经过两个3×3空洞卷积扩大感受野，最后通过1×1卷积生成空间注意力图。

图8展示了尺度注意力模型的结构细节，两个分支的输出通过元素求和结合，再经过sigmoid激活生成注意力图，最终与输入特征图相乘并相加，产生精炼后的特征图。

图9展示了完整的MSAD模型架构，包括PDW维度扩展、PDG生成、多尺度图像建模和多尺度特征提取与权重融合四个关键阶段。

实验验证与结果分析

研究设计了五个实验来验证MSAD算法的可行性，涵盖单功能雷达、同型雷达、多功能雷达和抖动PRI等不同场景。实验结果表明，MSAD算法在所有实验场景下均表现出显著优势。

在单功能雷达分选（实验1）中，MSAD的准确率达到99.30%，显著优于SDIF（74.25%）、PRI-Tran（59.03%）和神经网络方法（BLSTM 88.78%，BGRU 84.11%，DCN 76.71%）。在同型雷达环境（实验2）中，MSAD仍保持99.11%的高准确率，而DCN算法在所有指标上均低于传统SDIF算法。

图10展示了实验1的雷达PDG和注意力得分图，可以看出注意力机制能够有效聚焦于不同雷达源的关键鉴别特征。

在多功能雷达环境（实验3）中，MSAD准确率为96.20%，虽然相比其他实验略有下降，但仍显著优于所有基线算法。在抖动PRI场景（实验4和实验5）中，MSAD分别达到98.92%和99.99%的准确率，展现出对复杂PRI调制模式的强大适应能力。

图11-14分别展示了其他实验的注意力得分图，进一步验证了MSAD算法在不同电磁环境下的稳健性和鉴别能力。

研究还分析了MSAD算法在数据维度缺失情况下的性能表现。结果表明，在角度和幅度信息同时缺失时，算法对同型雷达的分选性能会显著下降，但对不同雷达类型的分选影响较小，说明时频参数（DTOA、RF、PW）在分选过程中起主导作用。

消融研究进一步验证了各核心模块的贡献，包括数据维度扩展（DDE）、GAF转换、拉普拉斯金字塔多尺度分解（LPMD）和注意力机制（AM）。结果表明，完整MSAD模型在五个实验中的准确率分别为99.30%、99.11%、96.20%、98.92%和99.99%，显著优于任何模块缺失的变体。

研究结论与意义

本研究提出的MSAD方法通过多维特征融合和多尺度注意力机制，有效解决了复杂电磁环境下雷达信号分选的挑战。与传统方法相比，MSAD不需要基于PRI判断的阈值调整，能够稳健处理复杂PRI调制样式；与神经网络和自动机方法相比，MSAD仅需单一网络即可分选来自多个辐射源的时间重叠脉冲流，无需为每个目标类别分配单独训练的网络或反复迭代输入输出数据。

MSAD算法收敛性好，性能优越，环境适应性强，在高脉冲丢失率和噪声比下的雷达辐射源分选中表现出高鲁棒性，准确率显著优于SDIF、PRI-Tran和SSD（BLSTM、BGRU、DCN）等基准方法。即使在不完整脉冲参数情况下，MSAD仍能保持优异的分选性能。

该研究为高密度动态电磁环境下的雷达信号分选提供了新的技术途径，推动了电子战装备智能化发展进程。未来研究方向包括模型轻量化改进以提升实时处理能力，以及扩展应用到更广泛的电磁频谱战场景中。