《Sensors》：Continual Radar Intra-Pulse Modulation Recognition via Multiview Replay and Class-Balanced Classifier Fine-Tuning
编辑推荐：
持续部署的雷达识别器必须在较小的回放记忆条件下获取新兴的脉内调制类别，同时不遗忘已学习的信号类型。研究人员提出了MM-CILNet，一种面向雷达的多视图回放框架，该框架结合了互补的I/Q与短时傅里叶变换（STFT）表示、样本级融合、类平衡记忆，以及在每个增量会
持续部署的雷达识别器必须在较小的回放记忆条件下获取新兴的脉内调制类别，同时不遗忘已学习的信号类型。研究人员提出了MM-CILNet，一种面向雷达的多视图回放框架，该框架结合了互补的I/Q与短时傅里叶变换（STFT）表示、样本级融合、类平衡记忆，以及在每个增量会话后对三个分类器头进行单轮更新的机制。在包含12个匹配种子的20类CIL-20协议上，MM-CILNet相较于匹配的Replay基线，最终会话的All与Old准确率分别提升了2.7个百分点（All：p=0.0034，Cohen's d=1.07；Old：p=0.0103，d=0.89）。在共享配置下，MM-CILNet在所列的雷达自适应持续学习方法中取得了最佳的All与Old准确率，并在四个具有可恢复会话历史的方法中取得了最低的平均遗忘率。等预算控制实验识别出显著的会话后效应（作用于All与Old准确率），并表明可训练范围与采样方式决定了保持-可塑性工作点。Old准确率优势在测试的400与800样本预算下以及五种类别顺序中持续存在。在2.5：1的新类比重的回放配置下，相较于类平衡回放，Old准确率下降1.63–2.01个百分点，遗忘率增加3.66–4.69个百分点。上述结果确立了类平衡记忆作为面向保持的操作选择，并为记忆受限的持续雷达识别提供了一套集成协议。
论文解读：面向持续雷达脉内调制识别的MM-CILNet多视图回放框架
一、研究背景与问题
雷达脉内调制识别是电子侦察、频谱监测和认知电子战中的核心感知任务。现代雷达传感器运行在日益拥挤和动态变化的电磁环境中，新波形类别在初始部署后以增量方式不断出现。因此，实用的识别系统必须在不存储全部历史样本、不从头重新训练的前提下，既获取新调制类型又保持对已有调制类型的识别能力。这一需求在真实传感约束——有限记忆、演进的辐射源群体和宽信噪比（signal-to-noise ratio，SNR）范围——下定义了类增量学习（class-incremental learning，CIL）问题。
目前持续学习研究主要集中在计算机视觉领域，而雷达信号识别增加了若干实际传感考量。首先，原始雷达信号是时间序列I/Q复数样本而非图像，其判别信息存在于瞬时相位连续性、频率轨迹和脉内调制结构中。其次，CIL-20协议评估从-6 dB到18 dB的宽SNR范围，不同信号表示的有效性随信道条件变化。第三，现代雷达波形越来越多地采用复合调制类型，在单个脉冲内组合多种编码方案，产生挑战固定融合策略的类内变异性。已有雷达信号识别研究主要考虑闭集分类，多视图研究也假设固定类别集合，尚未解决表示互补性在持续类别扩展条件下是否仍然有效的问题。
二、主要研究工作与结论
研究人员提出了MM-CILNet，一种雷达专用的多视图回放框架，将I/Q与STFT表示、类平衡回放、会话后分类器头微调和样本级门控融合集成于统一协议。在20类CIL-20协议上，MM-CILNet相较匹配Replay基线在最终会话的All和Old准确率上分别提升2.73和2.67个百分点。在共享配置下，MM-CILNet在所列雷达自适应CIL方法中取得最佳All与Old准确率，并在四个具有可恢复会话历史的方法中取得最低平均遗忘率。该研究通过12种子等预算分解实验隔离了融合、会话后参数范围和采样三种因素，确定了各设计变量对保持-可塑性工作点的调控作用，并验证了协议在记忆预算、类别顺序、回放分配、分布偏移和三个相关数据集上的稳健性。论文发表在《Sensors》期刊。
三、主要关键技术方法
MM-CILNet采用双编码器架构提取互补表示：I/Q分支通过四个多尺度一维卷积块（输出宽度32、64、128、256）处理I/Q序列，STFT分支通过轻量级挤压-激励残差骨干网络（含32、64、128、256通道的四个残差阶段）处理STFT幅度图像。两个分支产生256维L2归一化嵌入，由514–256–2多层感知机门控融合生成样本级混合系数，融合嵌入经L2归一化后输入余弦分类器。会话后阶段冻结双编码器与门控，仅用一epoch交叉熵在更新后的400样本类平衡记忆上微调融合头与两个辅助分类器头。主实验数据为研究人员构建的CIL-20数据集，包含20类雷达脉内调制信号（覆盖Basic、Phase、Time/Frequency、Compound四个调制族），采用8+2×6类增量协议，测试SNR范围为-6 dB至18 dB。外部验证数据集包括Mendeley Data公共通信I/Q数据集（Real7）、NTIA P0N复合雷达波形数据和Radar-PRI数据。
四、研究结果
1. 主CIL-20结果：MM-CILNet在增量会话过程中保持更高的All与Old准确率，配对t检验显示All准确率提升2.73个百分点（95% CI [1.02, 4.45]，p=0.0034），Old准确率提升2.67个百分点（95% CI [0.72, 4.62]，p=0.0103），效应量Cohen's d分别为1.07和0.89。12个匹配种子中10个在All与Old准确率上呈正向差异，Macro-F1在11个种子中为正。在刻意设计的困难协议（20类全类别评估、-6 dB最低SNR、固定400样本记忆）下，增益反映类别扩展过程中的累积行为而非闭集效应。
2. 与代表性持续学习基线比较：在共享配置下，MM-CILNet在所列自适应方法（iCaRL-style、BiC-style、PODNet-style、DER-style、DER+head-FT-style、WA-style）中取得最佳All与Old准确率，并在四个具有可恢复历史的方法中取得最低平均遗忘率。BiC-style获得最高New准确率但All与Old准确率较差，说明雷达CIL中新类别强响应不一定产生更好的统一分类器。
3. 消融分析：跨Gate、Mean、I/Q-only和STFT-only四种表示规则的4×2重复测量分析发现融合（All：p=0.003，Old：p=0.002）和头微调（All：p<0.001，Old：p<0.001）的主效应显著且无交互。Gate融合下2×2可训练范围-采样设计发现范围对All和Old有显著效应，采样及交互作用于New，三项均作用于遗忘。Gate-FB产生最低遗忘但最低New准确率，Gate-FN产生最高All和New准确率，头-only微调是范围-采样权衡中的有界成本工作点。直接Gate-versus-Mean比较在AWGN、衰落和衰落加脉冲噪声下均未检测到All准确率差异。
4. 每族描述性分析：12种子池化混淆矩阵显示MM-CILNet在全部四个预定义调制族中均优于Replay，描述性差异最大出现在Basic（+3.3 pp）和Compound（+2.8 pp），Phase差异较小（+0.3 pp）。
5. 新旧类偏置分析：Replay的绝对新旧偏置间隙为0.1887，MM-CILNet降至0.1535，绝对降低0.0352（约18.7%），配对p=0.018，效应量d=0.53。混淆层级分析显示Replay倾向于将旧类样本推向相位编码结构、频率轨迹或复合模式相似的后期类别，MM-CILNet减少了若干族级错误模式的跨会话混淆。
6. SNR分层分析：最大描述性平均差异出现在0至10 dB区间，在-6至-4 dB时两种方法均接近噪声下限。
7. 分布偏移与外部验证：衰落条件下MM-CILNet相较Replay的改善具有统计支持（All从0.2917升至0.2980，p=0.008；Old从0.2878升至0.2959，p=0.002）。在更强衰落加脉冲噪声下差异为正但不显著。Real7测量通信I/Q数据上MM-CILNet取得最佳最终All、Old准确率和最低平均遗忘率，NTIA与Radar-PRI提供可执行的结果检查。
8. 外部机制检验：匹配的Replay-only与Replay-plus-head-FT对比中，Real7显示统计支持的效应，NTIA和Radar-PRI未显示统计可分辨的配对效应。
9. 敏感性分析：200样本预算下Old差异不显著（1.04 pp，p=0.570），400样本下为2.67 pp（p=0.010），800样本下为2.50 pp（p=0.003）。五种随机类别顺序下差异均为正（平均2.20 pp）。2.5：1新类比重回放下，相较于类平衡回放，Old准确率下降1.63–2.01 pp，平均遗忘增加3.66–4.69 pp，预指定的种子配对交互为-3.45 pp（95% CI [-6.35, -0.55]，p=0.019，Holm校正p=0.038，Cohen's d=-0.69）。
五、讨论与结论
研究发现的核心工程价值在于顺序类别扩展条件下的运行增益：仅用20个已见类别的400个回放样本和低至-6 dB的测试SNR，MM-CILNet就将最终All与Old准确率各提升约2.7个百分点。等预算分解将完整协议增益转化为具体设计选择：跨融合规则的会话后阶段对All与Old有显著主效应；Gate融合内可训练范围改变All与Old，采样改变New与遗忘的平衡；全模型更新可匹配或超过头-only的All准确率，但占据不同的保持-可塑性工作点。设计原则是联合选择表示、可训练范围和采样方式，而非将头微调视为孤立通用机制。敏感性实验提供直接运行指导：400与800样本预算以及全部五种类别顺序下Old优势正向且统计可检测，200样本下不可检测；预指定的2.5：1新类比重分配下Old准确率下降1.63–2.01 pp、平均遗忘上升3.66–4.69 pp。直接运行结论是当旧类保持为优先目标时应保持类别平衡，单轮头更新不能抵消测试分配下保持代价。分布偏移与相关数据集实验界定了完整协议的迁移范围：衰落条件下MM-CILNet相对Replay改善All与Old，匹配的头微调效应在测量Real7数据上统计支持，NTIA与Radar-PRI提供可执行的结果检查。研究结论为：MM-CILNet为持续雷达脉内调制识别提供了实用的多视图回放协议，通过结合互补的同脉冲I/Q与STFT表示、类平衡回放、样本级融合和有界的会话后分类器更新，相对于匹配Replay将最终会话All与Old准确率分别提升2.73和2.67个百分点。受控分解表明表示、会话后参数范围和采样共同决定保持-可塑性工作点。Old准确率优势在400与800样本预算及全部五种测试类别顺序下保持。2.5：1新类比重回放下Old准确率相对类平衡回放下降1.63–2.01 pp，遗忘增加3.66–4.69 pp。工程指导明确：当旧类保持为优先目标时保持类别平衡，将有界会话后更新作为完整多视图回放协议的一部分而非类平衡记忆的替代品。研究边界包括CIL-20使用合成信号而非独立测量辐射源，雷达自适应基线采用共享调度而非独立调优的官方实现，这些边界界定了报告比较的范围，但不改变匹配CIL-20结果和测量Real7机制结果。
