基于REG-Net的雷达信号分类方法:利用极化特性

《Digital Signal Processing》:Radar Signal Sorting Method Based on REG-Net Using Polarization Features

【字体: 大 中 小 】 时间:2026年04月13日 来源:Digital Signal Processing 3

编辑推荐:

  雷达信号排序技术在复杂电磁环境中面临脉冲调制引起的信号混叠挑战。本文提出融合极化特征的REG-Net方法,通过残差注意力机制增强特征提取能力,结合GRU处理时序特征,实现任意长度脉冲序列的高精度排序(>90%),有效缓解PDW参数重叠问题。

  
张文旭|杨凯山|赵忠凯|袁梦思
哈尔滨工程大学信息与通信工程学院,中国哈尔滨,150001

摘要

雷达信号分类技术能够区分来自不同雷达辐射源的脉冲,并为战场态势感知提供关键信息。然而,随着雷达技术的快速发展,传统的雷达信号分类方法难以适应复杂的电磁环境。为了解决脉冲间调制引起的信号混叠现象(这是复杂场景中的关键挑战),本文将雷达信号的极化特性与神经网络相结合,提出了一种基于极化的残差注意力循环神经网络(REG-Net)用于雷达信号分类。通过结合残差网络和循环网络架构,所提出的模型增强了从脉冲序列中提取时间和空间特征的能力。此外,它引入了注意力机制来合理分配权重并优先处理关键特征,从而显著提高了特征提取的效率。在数据预处理阶段,采用了滑动窗口和前向填充插值技术来增强模型捕捉时间特征的能力。这使得模型能够处理任意长度的雷达脉冲序列的分类任务。最后,仿真验证了所提方法的有效性。此外,该算法在多个评估指标上表现出良好的分类性能,即使在高脉冲丢失率的情况下,其准确率仍保持在90%以上。

引言

雷达电子战(EW)是现代战争系统中不可或缺的战略组成部分,其有效性在战场动态演变中起着决定性作用[1],[2]。作为电子侦察系统的核心要素,雷达信号分类技术的性能直接决定了雷达信号的侦察和处理能力——从而对后续决策过程产生深远影响[3]。此外,高效准确的雷达信号分类能够快速识别敌方雷达,为电子战操作提供精确的目标信息[4],[5]。
雷达信号分类的核心任务是在复杂的雷达脉冲流中准确识别和分离来自各个雷达辐射源的信号[6],[7]。目前,雷达侦察设备主要依赖于脉冲描述词(PDW)进行信号分类[8],PDW包括脉冲宽度(PW)、脉冲幅度(PA)、射频(RF)、到达方向(DOA)和到达时间(TOA)等关键参数[9]。然而,随着军事技术的快速发展,战场上出现了具有多种架构和功能的雷达设备。这些设备通过采用不同的信号调制方案,创造了复杂的电磁环境,给雷达信号分类带来了前所未有的挑战[10],[11]。在当今日益复杂的电磁环境中,仅依赖PDW和传统信号分类方法已不足以满足雷达信号分类任务的要求[12]。因此,许多学者开始探索雷达信号的新特性和创新信号分类方法。例如,除了脉冲间参数外,学者们还在研究脉冲内的信号特性[13],[14]。同时,将先进工具(如深度学习)应用于雷达信号分类可以显著提高信号分类的准确性和稳定性,并推动该领域的技术发展[15],[16],[17]。从方法论发展的角度来看,雷达脉冲信号分类技术可以分为三个主要方向:基于脉冲重复间隔(PRI)的雷达信号分类、基于深度学习的雷达信号分类以及基于雷达信号极化特性的雷达信号分类。
早期基于PRI的信号分类方法在实现简单性和计算时间短方面具有优势。随着复杂脉冲调制技术(如PRI抖动和PRI交错)的出现,许多学者对这些方法进行了广泛的改进和创新。2000年,西口等人通过引入可变时间起点和重叠的PRI框,改进了PRI变换方法,实现了对PRI抖动信号的排序[18]。2020年,张等人提出了一种结合选择性数字中频(SDIF)方法和PRI变换方法的分类方法。首先使用双阈值SDIF方法进行脉冲序列搜索和分析交织信号的子周期;然后使用改进的PRI变换方法对抖动信号进行解交织[19]。然而,随着技术的进步,这些方法越来越难以适应复杂的雷达信号。此外,仅依赖PRI作为单一参数进行分类会导致批量增加或减少的错误,从而导致分类错误。
随着深度学习的不断发展,其在自适应学习、特征提取和非线性处理方面的强大能力在各个领域展现了显著的效果。为了更好地适应日益复杂的电磁环境和不断多样的雷达信号类型,研究人员将深度学习引入雷达信号分类领域,为这一任务的高效执行提供了新的见解和方法。2018年,刘等人通过唯一编码和数字化TOA和PW特征构建了一个嵌入矩阵。然后将该矩阵输入循环神经网络(RNN)以学习脉冲流之间的特征相关性,最终通过专用的分类预测器实现信号分类[20]。2020年,李等人提出了一种基于RNN的雷达信号分类方法。在这种方法中,不同的雷达信号特征被输入到单独的门控循环单元(GRU)通道中以学习时间特征;训练后的模型用于识别脉冲流中的模式,将信号分类为不同的类别,并在更高的脉冲丢失率下实现更好的分类性能[21]。深度学习使得在复杂、动态的电磁环境中处理雷达信号成为可能,并为具有多种调制方案、不同参数分布和噪声干扰的信号提供了更好的分类性能。这巩固了深度学习与雷达分类作为该领域关键发展趋势的地位。
此外,还进行了大量关于雷达信号极化参数和极化特性估计的研究。信号的极化特性是其固有属性,与发射机的天线结构等因素直接相关。它们是一个完全独立于PDW参数的特征维度。在PDW参数高度混合的场景中,不同发射机的极化参数仍然表现出一定的差异,这可以作为特征锚点以实现准确区分。目前,一些学者已将极化信息应用于信号分类、识别和抗干扰等各种信号处理领域。因此,将信号极化信息纳入信号分类具有显著优势。在这些研究中,基于极化干涉仪的方法可以同时测量到达方向(DOA)和极化参数。由于其结构简单和计算复杂度低的优势,这些方法在工程应用中得到了广泛应用[22]。值得注意的是,在基于子空间分解的方法中也取得了显著进展。典型的算法包括根多信号分类(root-MUSIC)算法[23]和旋转不变子空间算法[24]。然而,这些算法存在固有的局限性,如计算复杂度高和实时性能不足。余等人研究了分布式天线极化多雷达架构在电子对抗(ECM)中的潜力。通过优化发射机的极化参数来提高区分能力,他们解决了分布式极化多雷达监视和区分欺骗性干扰信号与目标信号的挑战[25]。曲等人提出了一种结合多基线极化干涉仪和信号分箱技术的DOA和极化参数估计方法。这种方法能够实现宽带高密度信号的微秒级DOA和极化参数估计,同时实现有效的雷达信号分类[26]。在非理想情况下,针对平台旋转或其他类型运动对极化特性的影响,许多学者提出了相应的解决方案。李等人提出了一种用于合成孔径雷达(SAR)的动态极化校准方法,能够在动态场景下实现高校准精度[27]。吕等人分析了残差运动补偿误差在无人机搭载的极化干涉合成孔径雷达(UAV-Borne PolInSAR)中引起的综合影响[28]。David Schvartzman等人研究了运动补偿转向(MCS)和分布式波束成形(DB)技术在极化敏捷相位阵列雷达(RPAR)中的集成和优化[29]。
针对传统分类方法依赖PDW参数在现代战场和复杂电磁环境中难以完成信号分类任务的问题——这些场景涉及多个重叠的雷达发射机、PDW参数混叠和参数灵活性——本文提出了一种利用信号极化信息的REG-Net信号分类方法。通过将信号的固有极化信息与深度学习网络相结合,该方法解决了由于信号分类参数重叠和信号批量增加导致的分类精度不足的问题。本文的贡献体现在以下几个方面:•
为了解决脉冲参数在雷达信号分类过程中严重重叠且难以有效区分的问题,本文将雷达信号的极化信息作为信号分类的核心参数,并进一步提出了一种基于干涉仪的极化信息参数测量方法,实现了极化参数的有效测量。
  • •
    我们提出了一种基于REG-Net的雷达信号分类方法。该方法将ECA注意力机制融入残差网络中,形成Res-ECA模块,不仅解决了深度网络中梯度消失和退化的问题,还通过自适应权重分配提高了特征提取效率。此外,多个Res-ECA模块与GRU结合使用,增强了网络处理时间特征的能力。该方法解决了传统方法难以适应具有复杂脉冲间调制类型的信号的问题,并同时解决了分类过程中信号批量增加的问题。
  • 部分摘录

    雷达信号分类模型分析

    在基于PDW的雷达信号分类中,PDW作为表征雷达脉冲的关键参数集,为信号分类提供了基础数据支持。在实际工程实现中,来自不同辐射源的雷达信号首先由分布式接收阵列同步获取。预处理后,这些信号被格式化为标准的PDW数据格式,然后根据其特征由定制的分类算法进行处理

    基于极化特征的REG-Net雷达信号分类过程

    所提出的基于极化特征的REG-Net雷达信号分类模型的整体框架如图4所示,包括三个部分:数据预处理、特征提取和分类结果评估。
    该网络由前置双卷积层、多个Res-ECA残差块和一个GRU层组成。其中,前置双卷积层可以对输入的脉冲特征向量进行浅层空间映射,主要利用固有的局部一致性

    基于极化干涉仪的极化信息测量仿真实验

    该实验是在一台配备AMD Ryzen 9 7945HX处理器、Radeon Graphics显卡、NVIDIA GeForce RTX 4060笔记本电脑GPU(8 GB显存)和总共32 GB RAM的个人笔记本电脑上进行的。使用Python 3.9.0工具包进行数据预处理和网络模型训练,而MATLAB R2022a用于实验结果的后处理和仿真图的绘制。根据本文提出的方法进行仿真

    结论

    针对复杂脉冲调制和严重PDW参数混叠场景中信号分类精度低和信号批量增加的问题,本文提出了一种基于REG-Net的雷达信号分类方法,该方法利用极化特征。该方法将ECA机制融入残差网络以提高特征提取能力,然后将其与GRU结合使用,以弥补处理时间任务的不足。

    CRediT作者贡献声明

    张文旭:概念化、撰写——原始草稿、撰写——审阅与编辑、资金获取。杨凯山:软件开发、撰写——原始草稿、形式分析、验证。赵忠凯:监督、资金获取。袁梦思:数据管理、调查。

    利益冲突声明

    作者声明他们没有已知的竞争财务利益或个人关系可能影响本文报告的工作。
    相关新闻
    生物通微信公众号
    微信
    新浪微博
    • 搜索
    • 国际
    • 国内
    • 人物
    • 产业
    • 热点
    • 科普

    热点排行

      今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

      版权所有 生物通

      Copyright© eBiotrade.com, All Rights Reserved

      联系信箱:

      粤ICP备09063491号