一种基于MT-PointMLP的完整脉冲流信号分类与识别方法，用于实现脉冲内及脉冲间的联合分析

《Digital Signal Processing》：A Method for Full Pulse Stream Signal Sorting and Recognition Based on MT-PointMLP for Joint Intra-Pulse and Inter-Pulse Analysis

　　摘要：现有的排序算法本质上都是基于脉冲描述字构建的，而脉冲描述字数据的准确性会直接影响后续的排序与识别过程。为解决这一缺陷，本文提出了一种无需脉冲描述字的联合表示学习方法，该方法通过对直接采样的宽带中频数据进行时频点云变换，实现雷达信号解交织以及脉冲内/脉冲间特征提取的联合处理。该算法利用短时傅里叶变换将原始时域信号转换为三维（时频幅度）点云表示，随后设计了一种包含挤压-激励注意力机制的MT-PointMLP多任务网络，用以自适应调整通道权重。该网络可同时从点云中学习，完成信号排序、脉冲内调制识别以及脉冲间重复间隔模式分类。所提出的方法有效绕过了传统流程中的脉冲描述字测量环节，实现了从原始信号到最终结果的直接特征学习与稳健映射。仿真结果表明，在5 dB信噪比条件下，该方法在信号排序、脉冲内识别以及重复间隔识别任务上的F1分数分别达到95.0%、98.4%和90.6%，展现出出色的性能与泛化能力。

引言：雷达信号排序的核心目标是从混合脉冲流中恢复出具有特定特征的多个独立雷达发射源，这通常是通过去混叠、解交织等方法利用这些信号的内在规律来实现的。在早期电磁环境较为简单的阶段，基于传统统计方法和搜索策略的算法已展现出一定效果，例如Campbell等人[1]提出的重复间隔搜索算法、Mardia等人[2]设计的重复间隔累积差分直方图算法、Milojevic等人[3]改进的序列差分直方图算法，以及各类后续改进算法[4][5][6][7]。但随着现代电子战的发展，雷达发射源逐渐呈现出高密度、低信噪比以及调制类型日益复杂等特点，这导致不同发射源的脉冲在时域中严重交织，使得准确分离和识别发射源成为雷达信号处理中的重大挑战。

传统的雷达信号排序主要依靠脉冲描述字中的特征参数来区分不同发射源的脉冲序列，遵循“先测量、后排序”的核心原则。随着脉冲密度的增加，结合预排序与初步重复间隔排序的方案逐渐成为主流。预排序常用的方法包括基于分区的K均值算法[8]、基于层次结构的Birch算法[9]、基于密度的DBSCAN算法[10]，以及支持向量聚类和粒子群优化算法等。尽管这些方法在理论上具有可解释性，但准确的脉冲描述字提取——包括到达时间、脉冲宽度、载频等参数——是后续正确排序的前提。如果底层参数测量出现误差或偏差，这些错误会在排序过程中不断放大，最终导致后续的聚类或模式匹配算法失效。因此，探索不依赖脉冲描述字的新型排序方法至关重要。

近年来，随着深度学习的进步，基于神经网络的排序方法也日益增多，为解决上述问题提供了新思路。在处理一维时间序列时，先进的数学和时间建模技术显著提升了沿时间轴的排序性能。Xie等人[13]提出了一种无向图论方法，通过最大团提取技术在未知场景下成功实现了复杂驻留-切换型重复间隔序列的关联与排序；Bao等人[14]将混合雷达序列建模为交织隐马尔可夫过程，将信号排序转化为贝叶斯后验推断问题，引入变分推断方法，在计算效率与精度之间取得了最佳平衡；Zhu等人[15]将信号排序类比为自然语言处理中的“翻译”任务，设计了序列到序列的神经机器翻译网络。文献[16]提出了一种基于点云分割的信号排序方法，它直接将脉冲描述字映射为点云，有效避免了传统二维映射中存在的像素重叠问题。然而，其核心排序过程仍依赖于预先测量的脉冲描述字参数，未能真正摆脱传统框架。

目前，主流的信号排序方法仍然基于脉冲描述字数据的测量[17][18][19][20][21]。为避免脉冲描述字测量带来的误差，研究人员开始逐步探索如何直接处理原始数据。一类方法通过连续小波变换或短时傅里叶变换将原始中频信号转换为二维时频图像，再利用先进的计算机视觉模型提取联合特征；另一类方法则直接应用专门设计的时序深度学习架构，对一维原始波形序列进行无监督的信号分离与聚类处理。Zhang等人提出了JDMR-Net网络[22]，该网络通过构建多任务学习网络并直接以I/Q脉冲序列作为输入，同时实现雷达信号检测与调制识别功能。参考文献[23]首次采用了集成卷积注意力模块的U-Net架构，可直接从原始雷达时域信号中提取多尺度特征，无需依赖脉冲描述字数据，从而建立了初步的无需脉冲描述字的信号排序方法。

在参考文献[23]的基础上，本文提出了一种无需脉冲描述字、基于多任务学习的雷达信号脉冲内与脉冲间特征联合识别方法，该方法利用直接采样的宽带中频数据。通过短时傅里叶变换将原始信号转换为时频分布，该方法无需再进行传统的脉冲描述字提取。它将信号解交织问题从一维时间序列转化为二维时频平面，从而能够充分利用时间和频率域中的多维特征。这种时频表示为时间上重叠的脉冲提供了关键的频率维度信息，同时还包含了信号的调制特性，因此相比纯时域方法，它具有更高的特征区分度与更强的鲁棒性。此外，将信号表示为点云形式还能为模型提供更轻量级的输入表示。

本文的具体贡献如下：
1. 提出了一种统一的联合识别框架，无需依赖脉冲描述字即可整合脉冲内与脉冲间信息。
2. 专为该任务设计了一种名为MT-PointMLP的多任务网络架构。

信号模型与问题定义：接收到的总信号是所有发射源信号s(t)与噪声n(t)的叠加：x(t)=∑i=1Msi(t)+n(t)，其中M表示发射源的数量。对于第i个发射源，其信号模型由其脉冲内调制方式与脉冲重复间隔模式共同决定。接收到的雷达信号会被限制在固定的时间窗口内（本文选择5毫秒），随后通过短时多任务网络模型对得到的复合时域信号的完整脉冲采样序列进行处理。

本文提出了一种基于MT-PointMLP的雷达信号分析网络。作为对PointMLP的多任务改进版本，该网络直接以三维点云作为输入，在统一架构中集成信号排序、脉冲内调制识别以及重复间隔模式识别三种任务。图2展示了所提出的网络架构。该网络首先通过嵌入层将原始的三维特征投影到高维空间中。

数据集与实现细节：多个雷达发射源的混合信号首先在时域中生成。为模拟真实电磁环境中的信号多样性，每个发射源都会被独立配置关键参数，包括脉冲内调制类型（如线性调频、非线性调频、巴克尔码等）[27]以及脉冲重复间隔模式（如固定间隔、抖动间隔、交错间隔、驻留-切换模式等）[28]。所有参数都在预定范围内随机生成，以确保数据集能够全面覆盖各种情况。

结论：本文提出了一种全新的无需脉冲描述字的多任务框架，该框架利用时频点云与MT-PointMLP网络，同时实现雷达信号排序、脉冲内调制识别以及重复间隔模式分类功能。实验结果表明，这种无需依赖传统参数测量的表示学习方法，不仅获得了更高的排序F1分数，而且在脉冲严重重叠且信噪比较低的恶劣条件下仍能保持出色的稳定性。

CRediT作者贡献说明：
陈涛：写作——审阅与编辑、资金获取、正式分析、资源协调、方法设计、概念构思。
宾玉燕：写作——审阅与编辑、初稿撰写、研究调查、结果可视化、软件应用、概念构思。
任生凯：项目管理、数据整理、资源协调、研究调查、结果验证。

利益冲突声明：作者声明不存在任何可能影响本文研究成果的已知财务利益或个人关系。

陈涛|宾玉燕|任生凯
中国黑龙江省哈尔滨市哈尔滨工程大学，150001