雷达电子支援的端到端学习：基于频谱图多标签分类与可解释人工智能的创新方法

《IEEE Transactions on Aerospace and Electronic Systems》：End-to-End Learning for Radar Electronic Support: Multilabel Classification and Explainable AI

　　本文针对传统雷达电子支援(ES)系统中脉冲检测、去交错和识别流程复杂且误差累积的问题，提出了一种基于卷积神经网络(CNN)的端到端学习方法。该方法直接从接收信号的频谱图中同时识别多个交错的雷达辐射源，无需生成脉冲描述字(PDW)。研究结果表明，在包含50个辐射源（含高敏捷参数）的库中，该方法检测概率高达98%，而虚警率仅为0.02%。此外，作者还提出了一种适用于频谱图数据的遮挡可解释人工智能(XAI)技术。该研究为复杂电磁环境下雷达辐射源识别提供了高效、鲁棒的解决方案，对电子支援系统设计具有重要意义。

　　

在现代电子战中，雷达电子支援（ES）系统承担着对环境中雷达辐射源进行检测、分选和识别的重要任务。传统的ES信号处理流程通常遵循一个多级串联的固定模式：首先对接收到的宽频带信号进行脉冲检测，然后测量每个脉冲的参数并形成脉冲描述字（PDW），接着通过去交错处理将属于同一辐射源的脉冲分组，最后进行辐射源识别。然而，这种传统方法在面对现代低截获概率（LPI）雷达时显得力不从心。LPI雷达通常采用低发射功率、复杂的脉内调制、敏捷的雷达参数（如脉冲重复间隔（PRI）抖动、跳频）或宽带工作方式，这些特性使得脉冲检测和参数测量变得异常困难，而参数敏捷性更是给脉冲去交错器带来了巨大挑战。

此外，传统的PDW方法还存在几个固有缺陷：PDW仅代表了粗粒度的脉冲数据，往往忽略了脉内调制的细微特征；对于连续波（CW）雷达或存在干扰的通信信号，PDW概念难以应用；PDW生成和去交错过程中的误差会沿着处理链传播，最终影响辐射源识别的性能；各个处理步骤之间的信息流受限，导致整个处理流程可能并非最优。正因如此，探索超越传统孤立信号处理步骤和PDW的新方法显得尤为重要。

为了克服这些挑战，来自德国弗劳恩霍夫高频物理和雷达技术研究所（FHR）的Stefan Scholl和Simon Wagner等研究人员在《IEEE Transactions on Aerospace and Electronic Systems》上发表了一项创新研究。他们提出了一种用于电子支援的端到端学习方法，将检测、脉冲测量、去交错和识别集成到一个单一的处理模块中。该方法利用卷积神经网络（CNN）直接从频谱图中识别雷达辐射源，完全规避了PDW生成和复杂的去交错过程。

关键技术方法

本研究的关键技术方法主要包括以下几个环节。首先，研究人员构建了一个包含50种不同脉冲和连续波雷达的辐射源库，这些辐射源具有不同的复杂度和敏捷性，包括LPI脉内调制。通过软件模拟生成雷达IQ信号，在时域进行交错，然后使用短时傅里叶变换（STFT）计算频谱图。数据集包含160,000个用于训练的频谱图和40,000个用于测试的频谱图，每个频谱图可能包含1-5个交错辐射源。其次，将多辐射源检测问题构建为多标签分类任务，采用两种CNN模型（普通CNN和带空洞卷积的CNN）进行学习，并提出了优化损失函数以降低虚警率。最后，提出了一种基于四小块随机遮挡的可解释人工智能（XAI）方法，专门用于分析频谱图中雷达信号的识别依据。

研究结果

模型性能比较

研究人员比较了普通CNN和空洞CNN在两种损失函数下的性能。两种模型在辐射源信噪比（SNR）从-10到+20 dB范围内均实现了约90%的平均检测概率，但在虚警率方面存在显著差异。普通CNN的虚警概率为1.28%，使用优化损失函数后降至0.77%。而空洞CNN表现更优，使用标准损失时虚警率为0.1%，使用优化损失后进一步降至0.02%。这表明采用空洞卷积和优化损失函数可以显著提高性能，尤其是在要求低虚警率的应用中。

检测性能与信噪比的关系

对于使用优化损失的空洞CNN，当SNR值高于10 dB时，检测概率可达约98%。即使在低SNR（-5 dB）条件下，检测性能仍保持在85%以上，显示出该方法在低信噪比环境下的鲁棒性。

性能与辐射源数量的关系

辐射源数量增加会对检测性能产生一定影响。单个辐射源情况的检测概率为95%，当交错辐射源数量增至五个时，检测概率降至90%左右。虚警率随着频谱图中辐射源数量的增加而上升，从单辐射源时的低于0.0025%增加到五辐射源时的0.051%，但仍保持在较低水平。

性能与辐射源类型的关系

研究比较了不同敏捷度辐射源的识别性能。无敏捷度辐射源的检测概率最低（84%），而具有中等敏捷度（一个参数敏捷）和高敏捷度（多个参数敏捷）的辐射源均达到了92%的检测概率。这一结果支持了端到端方法能够学习敏捷模式并将其用作信号识别特征的预期。此外，脉冲辐射源的检测概率为89%，而连续波（CW）辐射源的性能明显更好，达到99%。

运行时和实时处理

在RTX 3090 GPU上，普通CNN处理一个频谱图的推理时间为0.4 ms，空洞CNN为0.8 ms。实时处理要求推理时间不超过0.5 ms，普通CNN可满足此要求。空洞CNN的实时处理可通过最先进的GPU或现场可编程门阵列（FPGA）实现。

可解释人工智能（XAI）分析

研究人员提出了一种基于四小块随机遮挡的XAI方法，适用于分析具有全局结构的雷达信号，特别是应对跳频行为的挑战。该方法能为单辐射源和多辐射源场景生成热图，显示神经网络决策所依据的频谱图区域，为模型决策提供可解释性。

实验室环境下的现实信号评估

通过对经过数模转换、电缆传输、抗混叠滤波和重新采样的实验室信号进行测试，评估了该方法对现实世界效应的鲁棒性。结果表明，在包含一些现实硬件效应的情况下，网络在实验室信号上的性能与合成数据相当，检测概率仅在高SNR情况下略有下降，虚警率保持在0.1%以下。

研究结论与意义

本研究证明了基于端到端机器学习的辐射源识别方法是可行且有效的，为传统基于PDW的处理方案提供了有潜力的替代路径。该方法在包含50个辐射源（含高敏捷性辐射源和交错信号）的复杂场景下表现出高识别性能，尤其能够有效处理连续波雷达信号。提出的基于四小块遮挡的可解释性方法能够应对雷达信号的全局结构特性，为理解神经网络决策过程提供了 insights。初步的现实信号评估表明，尽管训练数据完全是合成的，但该方法在实际信号上也能良好工作。未来研究方向包括在训练数据中加入更现实的效应（如衰落信道和非均匀噪声），以进一步推进其在实际环境中的应用。这项研究为电子支援系统的设计提供了新思路，特别是在处理现代复杂雷达信号方面展现出显著优势。