摘要
随着认知雷达技术的发展，将深度神经网络应用于雷达干扰识别已成为一项不可或缺的研究方向。然而，作为一种常见的抗干扰措施，雷达波形参数的灵活性会降低干扰识别的效果，从而在干扰识别与抗干扰灵活性之间形成权衡。具体而言，对于同一类型的干扰，雷达在频率、脉冲宽度和带宽方面的灵活性会改变干扰的特征和尺度，给基于传统CNN的干扰识别方法带来挑战。为解决这一问题，本文提出了一种自适应特征聚焦CNN（AFF-CNN）。该模型包含一个预训练的AFF模块，用于建立灵活参数与自适应特征尺度之间的映射关系。该模块通过处理时域高分辨率距离剖面数据以及时频域的短时傅里叶变换数据，能够校正由雷达脉冲间参数灵活性带来的偏差，提升对显著信号特征的识别能力。此外，本文还设计了一种轻量级的1D-2D特征融合CNN，用于处理这些自适应特征，并通过单脉冲信号实现干扰识别，进而提高网络对雷达系统脉冲间参数灵活性的适应能力。仿真结果表明，与五种对比方法相比，该方案具有更出色的识别精度和泛化能力，证明了其在应对脉冲间灵活性场景时的有效性。
