基于操作生成对抗网络的盲雷达信号恢复方法BRSR-OpGAN：时频域双损失驱动的实时信号增强技术

针对真实场景中雷达信号受多种混杂噪声干扰的难题，Muhammad Uzair Zahid团队提出盲恢复模型BRSR-OpGAN，通过1D Self-ONN架构和时频域双损失函数，在BRSR数据集上实现平均14.3 dB的SNR提升，为电子战(EW)和低截获概率(LPI)雷达检测提供突破性解决方案。

　　

在电磁环境日益复杂的今天，雷达系统面临着前所未有的信号干扰挑战。从气象监测到电子对抗，从自动驾驶到军事侦察，雷达信号的完整性直接关系到关键决策的准确性。然而现实中的雷达信号往往被多种混杂的噪声和干扰所破坏——传感器噪声、多径反射、人为干扰，这些干扰类型各异、强度不等、持续时间不定，使得传统针对单一噪声类型的信号恢复方法捉襟见肘。更棘手的是，现有方法大多假设噪声特性已知且信噪比(SNR)固定，这与真实场景中噪声的动态变化特性相去甚远。

针对这一技术瓶颈，来自中国的研究团队在《Neural Networks》上发表了创新性研究成果。他们开发了一种名为BRSR-OpGAN的盲雷达信号恢复系统，该系统基于操作生成对抗网络(Operational GAN)框架，无需预先了解噪声特性，就能有效恢复被多种混杂噪声污染的雷达信号。研究团队构建了包含85,800个样本的BRSR基准数据集，模拟了真实场景中随机组合的加性高斯白噪声(AWGN)、回波和干扰等复杂噪声环境。实验结果表明，该方法在基准数据集上实现了平均15.1 dB的SNR提升，在更复杂的BRSR数据集上也达到了14.3 dB的恢复效果，且能在普通CPU上实现实时处理。

研究采用了多项关键技术：1）设计1D自组织操作神经网络(Self-ONN)作为生成器和判别器核心，通过泰勒展开逼近任意非线性函数；2）创新性地引入时频域双损失函数，同时优化信号时域波形和频域特征；3）开发两阶段恢复流程(BRSR-OpGAN-D-2P)，通过二次处理进一步提升信号质量；4）建立大规模BRSR基准数据集，涵盖12类雷达调制信号和多种噪声组合。

研究结果部分，作者通过系统实验验证了方法的优越性。"定量评估"显示，在仅含AWGN的基准数据集上，BRSR-OpGAN以15.31 dB的SNR提升显著超越传统方法；在更复杂的BRSR数据集上，结合时频损失的双阶段模型(BRSR-OpGAN-D-2P)将平均SNR从-1.94 dB提升至12.36 dB，峰值信噪比(PSNR)达到18.49 dB。"调制类型分析"表明，该方法对线性调频(LFM)、二相编码(BPSK)等12类调制信号都具有稳定恢复效果，其中LFM信号的SNR提升最高达17.83 dB。"计算效率"测试证实，尽管参数量达358K，但借助并行计算优化，模型在CPU上的单帧(2×1024点)处理时间仅0.71 ms，满足实时性要求。

这项研究的意义不仅在于技术突破，更在于方法论创新。首先，BRSR-OpGAN首次将操作神经网络(ONN)的泛化能力与GAN的对抗训练相结合，为盲信号处理开辟了新途径；其次，时频域双损失函数的提出解决了传统方法难以兼顾波形和频谱保真的难题；再者，公开的BRSR数据集和源代码为后续研究提供了重要基准。在实际应用层面，该方法可显著提升电子战系统中对低截获概率(LPI)雷达的探测距离，增强自动驾驶雷达在复杂电磁环境中的可靠性，对国防安全和民用技术都具有重要价值。研究团队特别指出，未来工作将探索将信号分类目标融入恢复过程，并扩展模型对更复杂干扰场景的适应能力。

这项研究标志着盲雷达信号恢复技术的重要进步，其核心价值在于：将深度学习的表示能力与信号处理的专业知识深度融合，通过创新的网络架构和训练策略，实现了对未知噪声环境下雷达信号的智能恢复。这种"端到端"的解决方案不仅性能优越，而且计算高效，为相关领域的研究树立了新标杆。