编辑推荐：
本研究将雷达信号分选（Radar Signal Sorting, RSS）与雷达发射器识别（Radar Emitter Recognition, RER）重新定义为一个紧密耦合的联合优化问题，即雷达信号分选与识别（Radar Signal Sorting an
本研究将雷达信号分选（Radar Signal Sorting, RSS）与雷达发射器识别（Radar Emitter Recognition, RER）重新定义为一个紧密耦合的联合优化问题，即雷达信号分选与识别（Radar Signal Sorting and Recognition, RSSR）。现有方法通常将RSS与RER作为独立过程在顺序流式框架中处理，忽视了二者之间的内在相互依赖性与协同潜力，导致误差累积和性能瓶颈。为此，研究人员提出了一种受目标检测（Object Detection）启发的新型统一框架（UFiOD），将RSSR分解为信号模式检测、信号模式提取和检测结果集成三个子问题。在信号模式检测阶段，构建了一个端到端神经网络，同时优化信号时域出现区域的回归和信号类别的识别；在信号模式提取阶段，设计了基于信号类别的模板匹配算法，从检测区域中提取相应脉冲；在检测结果集成阶段，基于时间相关性和到达角（Direction of Arrival, DOA）融合检测结果，生成对象级别的分选与识别结论。研究人员在仿真数据集上对该方法进行了广泛验证，结果表明该方法在多种交织场景下均具有稳健性能，包括同构雷达发射器的交织情况，且对未知信号具有出色的处理能力，进一步凸显其实用价值。
研究背景与问题阐述。雷达信号分选（RSS）与雷达发射器识别（RER）是电子侦察中的关键步骤，RSS旨在从截获的雷达信号中分离出单个雷达发射器的脉冲，RER则基于解交织后的信号参数与轨迹识别发射器，二者的有效性直接影响威胁评估、干扰决策等后续任务的性能。现有RSS方法主要分为基于脉冲重复间隔（Pulse Repetition Interval, PRI）的方法、基于聚类的方法和基于深度学习的方法三类。基于PRI估计的早期方法在PRI变化范围大或调制类型复杂时难以保持有效；基于聚类的方法依赖先验信息，在处理多功能雷达或复杂雷达特征集时表现不佳。RER方法主要分为基于库匹配的方法、基于机器学习的方法和基于深度学习的方法，早期库匹配方法缺乏灵活性且无法处理未知发射器，机器学习方法受限于有限的特征表示能力。尽管深度学习方法在独立处理RSS和RER方面展现出潜力，但缺乏将二者同时集成的联合优化框架，无法避免误差累积和性能瓶颈。
研究人员开展的研究工作与核心结论。针对上述问题，研究人员重新定义了RSSR问题，提出了一种新颖的建模范式，将"信号模式"定义为雷达发射器在单次驻留期间特定工作模式下的信号轨迹或模式线，并将RSSR分解为三个子问题：信号模式检测旨在从交织雷达信号中找出潜在信号模式的时域出现区域和类别，即回归信号时域出现区域并识别区域内信号模式类别；信号模式提取聚焦于根据相应类别从检测到的时域区域中提取信号模式，即提取属于相应信号模式的脉冲；检测结果集成致力于关联和整合检测到的信号模式，即合并源自同一雷达发射器的信号模式。为完成RSSR，研究人员提出了UFiOD框架，该框架借鉴图像目标检测思想但针对信号特性和任务需求进行针对性建模。
关键技术方法。UFiOD框架的技术实现包含三个核心模块：第一，信号模式检测模型采用端到端神经网络架构，由主干网络（Backbone）、多尺度特征融合颈部（Neck）和多任务检测头（Head）组成，其中主干网络和颈部均基于一维卷积模块（ConvModule1D）、CSPDarknetModule1D和SPPFModule1D构建，检测头包含三个并行的检测头，每个检测头包含区域回归分支和类别识别分支，采用min-max归一化预处理输入信号，以0.5为间隔设置锚点，并设计了适用于一维时域区域的交并比（Intersection over Union, IoU）计算方法，训练损失由识别损失（二元交叉熵损失）和回归损失（IoU损失）加权组成；第二，信号模式提取采用模板匹配算法，根据检测到的信号模式类别设计相应模板，按到达时间（Time of Arrival, TOA）顺序匹配区域中的每个脉冲；第三，检测结果集成采用基于时间相关性和DOA的融合算法，判断两个信号模式是否应合并为同一对象。实验基于仿真数据集进行，包含五类雷达发射器，涵盖稳定、抖动、交错、滑动、驻留切换等多种PRI调制类型，模拟了20000个训练样本、4000个验证样本和4000个测试样本，每个样本为固定5120个脉冲的交织序列。
研究结果分析。信号模式检测结果表明，UFiOD在区域回归和类别识别方面表现优异，多尺度特征融合机制使模型能够适应不同持续时间的信号模式，大尺度特征对短持续时间信号模式更优，小尺度特征对长持续时间信号模式更优，融合后达到最佳性能；在真实雷达数据上，模型对噪声干扰具有限制，但对无关信号的干扰较为敏感，表现为高召回率但精确率略有下降。与现有方法的比较实验显示，研究人员按照ResGCN基准设置复现仿真数据集，以脉冲级准确率（同时要求正确分选和识别）为评价指标，UFiOD在大多数发射器上取得最高准确率，且具有优异的实时性能，主要得益于信号模式检测过程的大部分计算可通过GPU加速。消融实验深入分析了缺失脉冲比例、超参数λ、锚点设置和主干网络深度的影响：随着缺失脉冲比例从0%增至60%，整体准确率逐渐下降，但在50%以下时仅轻微受影响，60%时急剧下降，因严重缺失脉冲导致原始波形模式丢失；超参数λ控制识别损失与回归损失的平衡，λ=15时在召回率和精确率间取得最佳平衡；锚点间隔设置为0.5时在性能和效率间取得最佳平衡；主干网络深度设置为6时，在检测精度和参数开销间达到最优。主观实验结果展示了异构雷达发射器解交织场景，成功分离了包括交叉和覆盖情况下的不同信号模式，每个检测时域区间准确包含一个信号模式且类别预测置信度高，提取脉冲的PRI时序变化图呈现清晰周期性，最终基于时间相关性和DOA将信号模式分组为三个不同对象；同构雷达发射器解交织场景展示了两个相同雷达型号发射相同信号模式时的处理能力，通过检测完整信号模式而非简单分类相似参数或波形，有效区分交织的同类信号模式，避免漏批；未知信号解交织场景通过设置拒绝阈值（如70%）赋予模型初步未知信号适应能力，UFiOD能检测所有潜在信号模式（包括训练未见过的），对未知模式给出低置信度的错误识别，可通过简单拒绝阈值区分未知信号模式，结合k-means聚类提取未知信号脉冲，引入OpenMax开集识别策略替代基于阈值的拒绝策略后，无需阈值即可持续保持较高的已知识别准确率和未知拒绝准确率。
讨论与结论。UFiOD将雷达信号分选和识别过程紧密耦合，利用其相互验证和反馈以实现更优结果，同时生成分选和识别结论，为RSSR提供了一种新型解决流程，有望开辟新的研究方向。该方法的创新意义在于将RSSR作为一个整体进行联合优化，避免了传统顺序处理框架中的误差累积问题。在实验验证中，UFiOD在多种复杂交织场景下展现出稳健性和有效性，特别是对同构发射器交织和未知信号处理的能力，体现了其在实际电子侦察应用中的重要价值。未来，研究人员将进一步研究开集识别技术以更好应对未知信号带来的挑战，并希望为该研究领域带来新的视角和启发。该论文发表于《Electronics》。
