基于图卷积与磁聚类损失的雷达信号分选算法研究

针对复杂电磁环境下雷达信号分选面临的尺度变换和脉冲拥塞问题，研究人员提出了一种基于图卷积网络(GraphSAGE)与磁聚类损失的新型算法。该算法将脉冲描述字(PDW)建模为图节点，通过采样聚合和实例感知聚类实现信号分选，显著提升了高丢失脉冲率、高虚假脉冲率场景下的鲁棒性。实验表明，该方法在实时性和电磁环境适应性方面优于传统图像分割和循环神经网络(RNN)方案，为电子战(EW)系统提供了高效解决方案。

　　

在现代电子战(EW)的激烈博弈中，雷达信号分选技术如同战场上的"信号翻译官"，其核心任务是从密集交错的电磁脉冲中识别出不同雷达发射源的"指纹"。然而，随着多功能雷达(MFR)和相控阵雷达的普及，电磁环境复杂度呈指数级增长——脉冲密度可达每秒数百万个，且存在高达30%的脉冲丢失率和显著测量误差。传统方法如基于时间差直方图(SDIF)或定向无环图的算法，犹如用算盘处理大数据，在应对脉冲抖动(PRI jitter)和复杂调制信号时捉襟见肘。

更令人头痛的是，当前主流解决方案各自存在"先天缺陷"。基于循环神经网络(RNN)的方法将离散的脉冲描述字(PDW)强行堆叠为矩阵，犹如把散落的珍珠硬串成项链，破坏了脉冲间的天然关联；而将PDW映射为二维图像的语义分割方案，则陷入"图像缩放灾难"——同一组数据在不同分辨率下表现迥异，且脉冲密集区域会出现严重信息丢失。这些瓶颈严重制约着电子支援措施(ESM)系统的实时响应能力。

中国某研究团队在《Digital Signal Processing》发表的这项研究，创新性地将图神经网络(GNN)引入雷达信号处理领域。研究者们设计了一个"脉冲关系图谱"，把每个PDW参数转化为图节点，通过两层的采样聚合卷积(SAGEConv)层实现特征传递，配合独创的"磁聚类损失函数"（同时施加类内吸引力和类间排斥力），最终在3090 GPU硬件平台上实现了95%以上的分选准确率。该方法不仅参数量比图像分割网络减少87%，更在仿真测试中成功处理了包含8种交错雷达信号的极端场景。

关键技术路线包含三个核心环节：首先建立PDW图结构模型，将载波频率(CF)、脉宽(PW)等参数作为节点初始特征；其次采用GraphSAGE框架进行k-hop邻居采样和特征聚合；最后通过磁损失函数优化特征空间分布。实验数据来自包含3000组PDW样本的仿真数据集，涵盖固定/抖动/参差等6类PRI调制模式。

Bridging Graph Node Classification and Radar Signal Sorting
研究揭示了图节点分类与雷达分选的内在关联：传统PDW矩阵处理会破坏脉冲间的图结构关系，而新方法通过保持节点独立性，更贴合电子战场景的离散事件本质。将CF、TOA等参数编码为64维节点特征后，网络能自动学习脉冲间的隐含关联模式。

Graph Convolution Node Instance Segmentation
双层的SAGEConv结构展现出惊人效率：第一层聚合直接邻居特征，第二层捕获高阶拓扑信息。配合磁损失函数（类内距缩小10倍而类间距扩大8倍），在脉冲丢失率20%时仍保持90%分选精度，远超DBSCAN等传统聚类算法。

Experiment environment
在Linux系统搭载RTX 3090的测试平台上，算法仅需45轮训练即收敛。特别值得注意的是，对机械扫描雷达的脉冲幅度(PA)波动特征，网络表现出近乎专家的识别能力，这得益于图结构对参数突变的天然适应性。

这项研究的突破性价值体现在三方面：其一，首次实现雷达分选从"图像空间"到"图结构空间"的范式转换，从根本上规避了尺度变换难题；其二，磁聚类损失函数为无监督信号处理提供了新思路；其三，网络参数量仅2.3M，满足机载设备严苛的实时性要求。正如研究者指出，当面对新兴的认知雷达威胁时，这种"以图识图"的方法展现出独特优势——它不需要预先定义脉冲序列结构，而是通过图推理自动发现潜在关联模式。该技术已在某型电子侦察装备中获得应用验证，其设计理念对5G信号识别、频谱监测等领域亦有重要启示价值。