摘要
在日益复杂的电磁环境中，多个低截获概率（LPI）雷达发射机可能在相似频段同时发射信号，导致接收信号在时域和频域重叠。本文提出一种基于深度卷积神经网络的多示例多标签学习框架（MIML-DCNN），用于自动识别重叠 LPI 雷达信号，且仅需单类型信号进行训练。该框架以端到端方式处理信号，集成精心设计的示例生成模块、复杂 MIML 分类器和自适应阈值校准。通过对四种不同调制类型的模拟重叠信号进行综合实验，证明该框架能在信号重叠时精确识别每个单独信号类型，且对信噪比（SNR）和功率比条件的变化具有鲁棒性。
引言
随着现代军事装备中低截获概率（LPI）雷达的广泛部署，LPI 信号的自动波形识别已引起电子侦察研究领域的大量关注。基于特征的方法因计算复杂度低且对传输损耗鲁棒性好而被广泛应用，近年来深度学习方法也被用于提取更鲁棒的特征。然而，现有 LPI 波形识别研究主要集中于单调制类型的信号分类。
本文关注重叠 LPI 波形识别（OLWR）问题。在复杂电磁频谱环境中，多个 LPI 发射机可能在相似载频下并发工作，增加了特定工作频段内信号重叠的概率。此场景下，由于信号源数量未知，先验知识有限，传统手工特征难以区分重叠信号的组成部分。多类学习（MCL）和多标签学习（MLL）是处理 OLWR 的潜在策略，但 MCL 会导致模型规模呈指数级增长，MLL 则忽略不同区域的语义信息。多示例多标签学习（MIML）可处理具有多个语义标签的问题，但目前极少用于 OLWR 任务。
受此启发，本文提出 MIML-DCNN 框架，其与现有方法的不同之处在于：1）真实信号通常随机重叠，OLWR 中不存在标签相关性；2）OLWR 通常缺乏辅助信息；3）仅需单类型信号训练即可获得满意性能。仿真结果表明，该框架优于 MLL 和 MCL 方法，且对不同 SNR 和信号强度水平具有鲁棒性。
文章插图
结论
本文提出自动重叠信号识别框架 MIML-DCNN，仅需单类型信号训练。借助自适应层模块，可自动生成信息丰富的示例表示，将重叠信号分解为多个语义区域，并基于自适应阈值决策在包级别进行细粒度分类。综合实验证明，该框架通过单类型信号训练即可实现高实施效率，且在各种 SNR 和功率比条件下具有良好鲁棒性。