一种基于数字化PDW与U1DADM的掩码辅助雷达信号分选方法

《Sensors》：A Mask-Assisted Radar Signal Sorting Method Based on Digitized PDW and U1DADM

　　

为解决复杂电磁环境下传统方法难以有效分选调制类型相同且参数范围重叠的雷达信号的难题，研究人员提出了一种基于语义分割的一维卷积神经网络U1DADM。该网络从预处理后的数字化信号中提取深层语义信息，并引入针对重叠脉冲区域的掩码（mask）策略。所提出的数字化数据处理方法实现了脉内与脉间特征的联合建模。U1DADM网络的核心模块自适应空洞卷积（Adaptive Dilated Convolution, ADC）通过动态调整感受野实现多尺度特征融合与长距离特征依赖建模。掩码策略缓解了数据缺陷，辅助网络聚焦于重复脉冲区域。实验结果表明，在各种数据条件下，该方法优于同类深度学习方法与传统分选方法。此外，即使在虚警脉冲与漏脉冲占比各达20%的恶劣条件下，该方法仍表现出较强的鲁棒性与泛化能力，实现了高精度的雷达信号分选（Radar Signal Sorting, RSS）。

论文解读：一种基于数字化PDW与U1DADM的掩码辅助雷达信号分选方法

研究背景与问题提出

雷达侦察系统利用侦察天线连续全向截获未知雷达辐射源（Radar Radiation Sources, RRS）发射的信号，接收端通常面临多辐射源产生的时间域交织脉冲流，导致严重信号重叠。从中测量参数、提取特征并正确分离属于同一RRS脉冲的过程称为雷达信号分选（Radar Signal Sorting, RSS），亦称脉冲流去交错，是电子支援措施（Electronic Support Measures, ESMs）的关键环节，为后续调制识别、个体识别等提供数据基础。随着现代雷达技术发展，抗侦察能力增强，调制方案日趋复杂，参数与工作模式切换灵活动态，给RSS带来挑战。现有方法主要利用脉间信息或完整脉冲描述字（Pulse Description Words, PDW）建模，前者易受复杂环境与噪声干扰，后者受限于脉冲幅度（Pulse Amplitude, PA）与到达方向（Direction Of Arrival, DOA）的场景敏感性及将PDW转为二维图像带来的冗余计算。特别是在不同RRS采用相同调制类型、参数范围重叠及分布高度相似场景下，传统基于模板匹配、PRI变换或常规聚类方法失效，亟需新方法。

该研究发表于《Sensors》，研究人员提出了一种基于语义分割的一维卷积神经网络U1DADM及配套数字化预处理与掩码辅助策略，旨在解决上述复杂场景下的高精度RSS问题，实验验证了其在测量误差、虚假与漏失脉冲及高密度脉冲流下的鲁棒性。

主要关键技术方法

研究人员采用MATLAB R2023a生成仿真数据集，模拟单通道五部RRS信号，各RRS采用驻留与切换脉间调制模式，参数表部分重叠以构造挑战性场景，引入TOA零均值高斯噪声、PW对数正态分布偏差及RF绝对与相对高斯误差叠加的测量偏差，构建七组数据集并按10ms分帧得2400训练、800验证、800测试帧，时间单元设5μs得2000点数字化PDW。方法上设计数字化PDW预处理将变长交织PDW映射为固定长度离散表示并生成重叠掩码（mask）向量；构建基于U-Net对称编解码结构的一维网络U1DADM，核心引入自适应空洞卷积（Adaptive Dilated Convolution, ADC）模块动态调空洞率实现多尺度融合；提出掩码辅助策略对重叠区（mask=1）用多标签分类（Sigmoid+BCE）非重叠区（mask=0）用单标签分类（Softmax+CE），训练采用掩码预测与脉冲分类交替优化及Focal Loss缓解类别不平衡；实验设消融对比及干扰耐受测试，评估指标含分选准确率、掩码准确率、过分组率（SOGR）、欠分组率（SUGR）、虚警率（FAR）、漏警率（MAR）。

研究结果

1. Introduction

研究人员指出传统规则、聚类及现有深度学习方法在同类调制重叠参数场景下性能受限，引出利用语义分割像素级建模能力与一维网络处理时序优势结合的必要，明确本文三大贡献为提出U1DADM模型、掩码辅助训练策略及新型数字化预处理方法。

2. Related Work

梳理RSS自1970年代起的传统模板匹配、PRI直方图变换等方法局限，综述无监督聚类与有监督SVM、LSTM等进展；回顾语义分割从区域生长至U-Net、DeepLab及Vision Transformer演变；阐述Focal Loss解决类别不平衡原理及其在少样本雷达识别等扩展应用，为本文方法提供理论支撑。

3. Proposed Method

3.1. Overall Structure

系统输入交织PDW，经预处理得数字化PDW、标签及掩码；训练阶段网络联合三者优化，推断阶段仅输数字化PDW先预测掩码再助获最终标签。U1DADM基于U-Net引入ADC解数字化PDW有效脉冲比低与长距离依赖难提取问题，掩码策略缓映射重叠致脉冲丢失。

3.2. Data Preprocessing

帧时长分多时间单元，有脉冲赋其PW、RF均值，多脉冲重叠则记mask=1并打multi-hot标签，无脉冲赋0打背景。将TOA数字化固长并引掩码，统一结构增强抗噪，融合PW、RF保脉间时关系与脉内特征，实现联合建模。

3.3. U1DADM

编解码对称带跳跃连接，ADC为核心。标准卷积受限于感受野，固定空洞卷积难适脉冲随机分布，故ADC仿SK-Net风格分支聚合选权融合特征动态调整感受野。下采样扩感受野提抽象语义，上采样恢分辨率，跳跃连补局部细节损，兼学全局语义与局部单脉冲信息。

3.4. Masking Assistance Strategy

末附掩码辅助模块，mask=1区多标签分类用加权二值交叉熵，mask=0区单标签用Softmax。分类损失用Focal Loss，训练交替优掩码支与分类支避梯度冲突，使掩码感知重迭区助分选。

4. Experiment

4.1. Experimental Setup

详述硬软件环境PyTorch框架Adam优化器初始学习率0.001配ReduceLROnPlateau与早停，Focal Loss平衡因子0.25聚焦因子2，定义各评估指标公式。

4.2. Dataset Description

五RRS各PW、RF候选值部分重叠，PRI设PW十倍，CPI 0.00436s，七数据集测偏差渐增及组合偏差，TOA、RF偏差标准差列表，PW偏差为其1.2倍。

4.3. Ablation Experiments

基U1D网络递进加空洞卷积得U1DD、加ADC得U1DAD、加掩码得U1DADM。Dataset1重叠率27.29%结果显示每模块均提准确率，掩码与multi-hot提最显，解数字化同单元多脉单one-hot局限，掩码策结Softmax与Sigmoid优重叠与非重叠区，雷达5因PW大脉少精度略低但背景稳，证ADC与掩码协同效。

4.4. Comparative Experiment

比TCN、Transformer、BLSTM、去噪自编码及改进K-means、DBSCAN、SDIF。测误增参散各法准降，深度学习优聚类，U1DADM受扰最微，TCN敏、Transformer数据少未显潜力，去噪自编码准先升后降因数字化单元误约当增广过误失真。Dataset6、7组合误下U1DADM仍高准，脉间信息较脉内抗噪强，且U1DADM在SOGR、SUGR为零及算力耗时占优。

4.5. More Experiments and Analysis

构假脉与漏脉数据集，准随两率增降但假脉率影响更大，最坏各20%时准仍超97%，网有冗余容错；掩码准波动超95%仍助分选。调PRI造密脉流与2、5、10μs时间单元，重叠率随密与时单元增大，达53.12%时准仍超98.98%，掩码准随重叠样多反升至99.2%以上，证法适变密度与重叠度。

总结讨论与结论翻译

研究人员在结论中指出，本文针对相同调制类型与重叠参数范围场景提出新型RSS方法，对预处理所得数字化PDW设计基于语义分割的一维网络U1DADM并引入掩码辅助策略增强同时间单元重叠脉冲感知识别。数据预处理上数字化PDW表示保留脉内脉间完整特征统输入长，改善TOA连续增长非平稳非收敛提训练稳与特征学。网络架构上U1DADM中ADC模块动态调整膨胀系数适配不同脉冲数据稀疏特性灵活调感受野，多尺度融合增强长距离相关特征建模，下采样扩感受野提抽象语义，上采样恢分辨率跳连补细节损。掩码策略上考虑数字化PDW同单元多脉重叠难分引脉冲重叠掩码助训，增强重叠区感知提复杂场景分离性能。实验表明该法在同调制重叠参数范围下有效融多维脉冲信息与深语义特征提取实现准确RSS，在测量误、假漏脉、脉流密度不同等复杂条件下显强泛化与鲁棒性。