AWSPNet：MIMO 雷达目标识别与干扰抑制的新范式
一、文章题目
AWSPNet：基于注意力机制的双树小波散射原型网络在MIMO雷达目标识别与干扰抑制中的应用
二、摘要
基于数字射频存储器（DRFM）的电子对抗技术日益发展，对雷达系统的生存能力和作战效能构成了重大威胁。这类干扰器能够生成大量欺骗性假目标，超出雷达的处理能力并遮蔽真实目标。因此，在低信噪比（SNR）环境下，稳健地区分真实目标与复杂干扰信号的能力至关重要。本文提出一种基于注意力机制的双树小波散射原型网络（AWSPNet），这是一种深度学习框架，旨在同时实现雷达目标识别与干扰抑制。AWSPNet的核心是编码器，其利用双树复小波变换提取对噪声和信号平移具有固有稳健性的特征，这些特征经注意力机制和预训练骨干网络进一步优化。为解决标签数据有限的问题并提升泛化能力，训练阶段采用监督对比学习策略。分类任务由原型网络完成，该网络在少样本学习场景中表现尤为出色，能够快速适应新的信号类型。大量实验验证了所提方法的有效性：在-6 dB SNR条件下，AWSPNet的识别准确率达到90.45%。此外，通过t-SNE可视化对网络内部工作机制进行物理解释，分析了模型不同阶段的特征可分性。最后，将AWSPNet与时域滑动窗口方法相结合，提出一种完整算法，该算法不仅能识别各类干扰，还能有效抑制干扰，验证了其在复杂电磁环境中实际应用的潜力。
关键词：MIMO雷达；双树小波变换；原型网络；干扰识别；Transformer
三、引言
现代雷达系统的作战效能受到先进电子对抗技术的严重威胁，尤其是基于数字射频存储器（DRFM）的电子对抗技术[1]-[2]。基于DRFM的干扰器能够相干截获、篡改并转发雷达信号，生成密集且逼真的假目标，大幅降低雷达性能[3]-[5]。这一技术对抗背景凸显了在复杂电磁环境中实现准确目标区分与有效干扰抑制的迫切需求[6]。本文正是针对这一挑战，致力于开发一种能够可靠区分目标与欺骗性干扰信号的统一框架。
干扰识别任务已得到广泛研究，其方法从传统信号处理逐步发展到现代深度学习方法。传统方法主要依赖于从时频分布等多个信号域手动提取判别特征，再将其输入支持向量机、决策树等机器学习分类器[7]。例如，文献[8]利用时频特征实现复杂干扰的智能识别。尽管这类方法在一定程度上有效，但在复杂、灵活且复合的干扰场景中往往难以应对，因为手工设计的特征可能缺乏所需的稳健性和通用性。
近年来，深度学习（尤其是卷积神经网络（CNNs））已成为干扰识别的主流范式，其能够从原始数据或经少量处理的数据中自动学习分层特征[9]。众多研究采用了多种CNN架构，从基础模型到ResNet[10]、DenseNet[11]等先进网络，实现了基于时频表示的高准确率干扰分类[12]-[15]。为解决数据依赖性和噪声敏感性等固有挑战，近期研究探索了更复杂的方法：例如，文献[16]提出一种先验知识引导的神经网络，融入可解释的散射中心层，在数据不完整和低SNR环境下显著提升了雷达目标识别性能；文献[17]将小波散射网络与集成学习相结合用于欺骗性干扰识别，该方法比标准深度网络具有更好的可解释性，且在样本量较小时仍能保持高性能；为进一步解决数据稀缺问题，文献[18]提出PSPNet，这是一种原型网络，通过预训练和自监督微调，实现了基于极少量标签样本的稳健、高准确率干扰识别。
然而，尽管取得了这些进展，仍存在若干亟待解决的挑战：首先，泛化性问题突出，在特定数据集上训练的模型面对训练过程中未见过的信号参数变化或低SNR条件时，性能往往大幅下降[19]；其次，样本问题普遍存在，收集和标记大量多样化的真实世界干扰信号数据集通常不切实际，导致少样本学习难题[20]-[22]，数据稀缺可能引发过拟合，使模型记忆训练样本而非学习泛化特征；最后，深度神经网络的"黑箱"问题导致其可解释性不足，难以理解其决策过程，阻碍了其在关键国防应用中的信任度和推广[17]。
为解决上述局限性，本文提出基于注意力机制的双树小波散射原型网络（AWSPNet），用于稳健的MIMO雷达目标识别与干扰抑制。AWSPNet架构整合了小波分析、注意力机制和基于度量的少样本学习的优势：首先通过双树复小波变换（DTCWT）模块[23]将原始雷达数据转换为稳健的特征表示，DTCWT相比标准离散小波变换具有近平移不变性和更好的方向选择性，生成对信号平移和噪声较不敏感的初始特征；随后通过注意力模块对这些特征进行动态加权，使网络聚焦于信号的最具信息量部分；核心特征提取由预训练的EfficientNetV2[24]骨干网络完成，并通过监督对比学习目标[25]进行微调，该学习策略明确促使编码器生成这样的嵌入空间------同类样本紧密聚类，异类样本远离；最后，采用原型网络[18]而非传统线性分类器进行分类，这种度量学习方法特别适合少样本场景，提升模型对少数类信号的泛化能力。
本文的主要贡献如下：
-
提出AWSPNet，利用DTCWT从雷达原始数据中提取干扰信息，实现对噪声和信号平移的稳健性；通过预训练-微调策略结合监督对比学习架构，进一步提升框架的泛化性能。
-
为所提网络提供物理解释：通过t-SNE算法可视化AWSPNet关键阶段的特征分布，分析主要模块的功能作用，揭示特征可分性的逐步实现过程。
-
设计基于AWSPNet分类器的实用目标检测与干扰抑制算法：采用时域滑动窗口判别方法，系统能够有效检测目标，同时识别并抑制数据流中的各类干扰。
论文后续结构安排：第二节介绍MIMO模型与问题建模；第三节详细阐述AWSPNet方法；第四节提供数值仿真实验；第五节给出结论。
四、方法简介
AWSPNet的架构主要包含两个核心阶段：用于雷达回波数据特征提取的多组件"编码器"，以及利用这些特征进行分类和少样本学习的原型网络，整体框架如图4所示。
（一）编码器模块
编码器的核心作用是将快-慢时矩阵形式的原始雷达回波数据转换为高判别性的特征向量，具体流程如下：
-
双树小波散射网络（DTWSN）：基于双树复小波变换（DTCWT）实现，相比传统小波变换具有近平移不变性和抗噪声稳健性，且对形变表示稳定，适合高速运动目标的特征表征。通过小波变换与模运算结合，提取信号的低频近似分量和高频细节分量，生成多阶小波散射系数，构成初始特征，其优势在于采用预定义小波滤波器，无需从数据中学习系数，大幅降低计算复杂度，且特征具有平移不变性和稳定性。
-
注意力模块：对DTWSN提取的初始特征进行动态加权，突出关键信息，抑制无关噪声，引导网络聚焦于信号的高信息量区域。
-
预训练骨干网络与监督对比学习：选用预训练的EfficientNetV2作为深度特征提取器（可替换为ShuffleNet[30]、ResNet50[10]、MobileNetV3[31]等架构），通过迁移学习利用大规模数据集学到的层级特征，加速收敛并减少领域标签数据需求。训练过程采用监督对比学习损失函数，促使同类样本特征聚类、异类样本特征分离，生成结构化、高判别性的嵌入空间，为后续分类奠定基础。
（二）原型网络分类
原型网络通过支持集学习类别原型（某类样本特征的均值），查询样本的分类依据其与各原型的相似度（欧氏距离），该方法特别适合少样本场景，提升模型对未见过的信号类别或参数变化的适应能力。推理阶段，输入样本的特征向量与各类别原型计算距离，距离最小的类别即为预测类别，并输出对应概率。
（三）目标识别与干扰抑制方案
结合AWSPNet分类结果与时域滑动窗口方法实现干扰抑制：将目标视为一类，所有干扰视为另一类，构建二分类任务；对输入回波矩阵进行滑动窗口分割，每个窗口输入AWSPNet得到目标类别的概率序列；通过概率累积（与脉冲宽度等效的矩形函数卷积）定位目标距离单元，孤立的干扰虚假峰值被平滑抑制，最终实现目标识别、定位与干扰抑制的一体化。
五、结论
本文提出AWSPNet深度学习框架，旨在解决复杂电磁环境下MIMO雷达的目标识别与干扰抑制问题。该框架整合了双树复小波变换（DTCWT）的稳健初始特征提取能力、注意力机制的特征优化功能、预训练深度神经网络的强表示学习能力以及原型网络的少样本分类优势，目标是构建一个兼具高识别准确率、强泛化性、抗噪声稳健性和实用化检测-抑制流程的模型。
实验结果验证了AWSPNet架构的有效性：消融实验表明，DTCWT模块、注意力机制和预训练权重迁移学习的融合是模型在低SNR条件下实现高性能的基础（-6 dB SNR时准确率达90.45%）；t-SNE可视化分析进一步揭示了模型的内在机制，表明特征聚类的可分性与不同噪声水平下的分类准确率密切相关，且完整的集成架构是实现有效特征分离的必要条件。
此外，将AWSPNet嵌入时域滑动窗口算法，验证了其实际应用价值：该系统不仅能识别目标和干扰的存在及类型，还能实现时间维度的精确定位；通过将信号片段分类为目标或非目标（干扰/杂波），有效实现干扰抑制。即使在低SNR条件下，系统仍保持稳健性能，凸显了其在真实场景中的部署潜力------尤其适用于需从强干扰中区分目标回波的复杂场景。