多维度分数傅里叶时频图 + 图神经网络：突破传统时频分析的目标识别与杂波抑制新框架
1. 从单视角到多视角：为什么需要分数阶时频图？
传统的时频分析方法，如短时傅里叶变换（STFT）、Wigner-Ville分布（WVD），将一维时域信号映射到二维时频平面。然而，单一固定角度的时频表示无法同时匹配所有信号分量------尤其是非平稳信号中的线性调频（chirp）分量。不同 chirp 速率的分量在传统时频图上会呈现"模糊"或"跨项干扰"，难以分离。
分数傅里叶变换（FRFT） 提供了"旋转时频平面"的能力：当旋转角度 α\alphaα 恰好等于某个 chirp 分量的"匹配角"时，该分量会在分数域上汇聚成一个脉冲。因此，不同 α\alphaα 下的时频图相当于从多个视角观察信号的时频能量分布，能够提取出传统单一角度无法获得的互补信息。
受此启发，本文提出一个创新框架：对雷达/通信回波信号计算多个不同旋转角度的分数阶时频图，将其组织为图结构数据，并使用图神经网络（GNN）自动学习多角度间的关联特征，最终实现高可靠的目标识别和自适应的杂波干扰抑制。该框架的本质是利用 FRFT 增加"角度维"信息，再通过 GNN 挖掘角度间的结构相关性，从而显著提升系统在强杂波、低信噪比下的性能。
2. 分数傅里叶变换与多角度时频图生成
2.1 分数傅里叶变换（FRFT）回顾
信号 x(t)x(t)x(t) 的 α\alphaα 角 FRFT 定义为：
Xα(u)=Fα[x(t)]=∫−∞∞x(t)Kα(t,u)dt X_\alpha(u) = \mathcal{F}\alpha[x(t)] = \int{-\infty}^{\infty} x(t) K_\alpha(t,u) dt Xα(u)=Fα[x(t)]=∫−∞∞x(t)Kα(t,u)dt
变换核：
Kα(t,u)=1−jcotα2πexp (jt2+u22cotα−jtusinα),α≠nπ K_\alpha(t,u) = \sqrt{\frac{1 - j\cot\alpha}{2\pi}} \exp\!\left(j\frac{t^2+u^2}{2}\cot\alpha - j\frac{t u}{\sin\alpha}\right), \quad \alpha \neq n\pi Kα(t,u)=2π1−jcotα exp(j2t2+u2cotα−jsinαtu),α=nπ
当 α=π/2\alpha = \pi/2α=π/2 时退化为经典傅里叶变换；α=0\alpha = 0α=0 时为恒等变换。
2.2 分数阶时频图的构造
传统时频分布可通过 短时分数傅里叶变换（STFRFT） 获得：在时间窗 g(t−τ)g(t-\tau)g(t−τ) 内对信号做 FRFT，得到随 τ\tauτ 和分数频率 uuu 变化的二维函数：
ρα(τ,u)=∣∫x(t)g(t−τ)Kα(t,u)dt∣2 \rho_\alpha(\tau,u) = \left| \int x(t) g(t-\tau) K_\alpha(t,u) dt \right|^2 ρα(τ,u)= ∫x(t)g(t−τ)Kα(t,u)dt 2
该分布称为 α\alphaα 阶时频图 。对于一组预定义的旋转角度集合 {α1,α2,...,αM}\{\alpha_1, \alpha_2, \dots, \alpha_M\}{α1,α2,...,αM}，我们可以计算 MMM 个不同的时频图 {ρα1,ρα2,...,ραM}\{\rho_{\alpha_1}, \rho_{\alpha_2}, \dots, \rho_{\alpha_M}\}{ρα1,ρα2,...,ραM}。每个时频图的尺寸为 T×FT \times FT×F（时间 ×\times× 分数频率）。
物理意义 ：不同 α\alphaα 下的时频图分别突显不同 chirp 速率的分量。目标回波通常含有特定的调频规律（如运动目标的微多普勒效应），而杂波（如地杂波、海杂波）往往具有不同的时频结构。多角度信息提供了区分二者的更丰富特征。
3. 图神经网络建模：融合多角度时频图的结构化信息
得到 MMM 个时频图后，传统做法是将其展平后拼接送入全连接网络。但这样做丢失了时频图内部的空间结构 以及不同角度之间的物理关联。图神经网络天然适合处理这种多模态、多尺度的结构数据。
3.1 图的构建策略
我们将每个时频图视为一个 二维网格图 ，也可以进一步将 MMM 个图构建为一个 异构图。这里介绍一种简单有效的同构构图方法：
- 节点 ：每个时频图上每一个像素点 ραm(t,f)\rho_{\alpha_m}(t,f)ραm(t,f) 对应一个节点 vm,t,fv_{m,t,f}vm,t,f。节点特征为该像素的强度值。
- 边 ：定义两种边：
- 空间邻接边：同一时频图内，连接相邻时间或相邻频率的像素（4-邻域或8-邻域）。这保留了时频图的局部相关性。
- 角度间边 ：对于不同角度 αm\alpha_mαm 和 αm′\alpha_{m'}αm′，连接表示相同时间 ttt、相同分数频率 fff 的节点。这强制网络学习不同角度下时频能量的一致性/差异性。
设图 G=(V,E)\mathcal{G} = (\mathcal{V}, \mathcal{E})G=(V,E)，邻接矩阵 A\mathbf{A}A 定义为：
A(m,t,f),(m′,t′,f′)={1,m=m′,∣t−t′∣+∣f−f′∣=1(空间邻接)1,t=t′,f=f′,m≠m′(角度间邻接)0,否则 \mathbf{A}_{(m,t,f), (m',t',f')} = \begin{cases} 1, & m=m', |t-t'|+|f-f'|=1 \quad\text{(空间邻接)}\\ 1, & t=t', f=f', m \neq m' \quad\text{(角度间邻接)}\\ 0, & \text{否则} \end{cases} A(m,t,f),(m′,t′,f′)=⎩ ⎨ ⎧1,1,0,m=m′,∣t−t′∣+∣f−f′∣=1(空间邻接)t=t′,f=f′,m=m′(角度间邻接)否则
节点特征矩阵 H(0)∈R∣V∣×1\mathbf{H}^{(0)} \in \mathbb{R}^{|\mathcal{V}| \times 1}H(0)∈R∣V∣×1 初始化为对应像素强度。
3.2 图卷积网络（GCN）的信息传播
采用经典的图卷积层（Kipf & Welling）进行节点特征更新：
H(l+1)=σ(D~−12A~D~−12H(l)W(l)) \mathbf{H}^{(l+1)} = \sigma\left( \tilde{\mathbf{D}}^{-\frac{1}{2}} \tilde{\mathbf{A}} \tilde{\mathbf{D}}^{-\frac{1}{2}} \mathbf{H}^{(l)} \mathbf{W}^{(l)} \right) H(l+1)=σ(D~−21A~D~−21H(l)W(l))
其中 A~=A+I\tilde{\mathbf{A}} = \mathbf{A} + \mathbf{I}A~=A+I（加自环），D~ii=∑jA~ij\tilde{\mathbf{D}}{ii} = \sum_j \tilde{\mathbf{A}}{ij}D~ii=∑jA~ij，W(l)\mathbf{W}^{(l)}W(l) 是可学习权重矩阵，σ\sigmaσ 为激活函数（如 ReLU）。
通过多层 GCN，每个节点的特征会聚合其空间邻居（同一时频图的局部区域）以及角度邻居（同一时刻频率下其他角度的信息）。因此，网络能够自动发现：
- 某个角度下的强能量是否在其他角度下也有体现（真实目标往往会在多个角度呈现相似结构）；
- 仅出现在单一角度且结构散乱的区域很可能是杂波或噪声。
3.3 目标识别与杂波抑制双分支输出
在 GCN 最后一层，我们设计两个输出分支：
- 目标识别分支：对每个节点进行二分类（目标/背景），然后通过全局池化得到整个信号的类别概率。也可以直接对全图做图分类。损失函数为交叉熵。
- 杂波抑制分支 ：输出一个与输入时频图相同分辨率的掩膜 Mαm(t,f)∈[0,1]\mathbf{M}_{\alpha_m}(t,f) \in [0,1]Mαm(t,f)∈[0,1]，用于对每个角度时频图进行软过滤。过滤后的时频图可逆回时域（或分数域）得到杂波抑制后的信号。
联合损失函数：
L=Lclass+λLmask \mathcal{L} = \mathcal{L}{\text{class}} + \lambda \mathcal{L}{\text{mask}} L=Lclass+λLmask
其中 Lmask\mathcal{L}_{\text{mask}}Lmask 可以是预测掩膜与人工标注杂波区域之间的 MSE 或 Dice 损失。
4. 本质优势：分数傅里叶变换扩充特征维度 + GNN 挖掘高阶相关性
4.1 为什么多角度 FRFT 能提供更多信息？
经典傅里叶变换只关注信号的频率成分，无法区分具有不同调频斜率的 chirp 分量。而 FRFT 相当于在时频平面上进行旋转，不同的 α\alphaα 对应不同的"基"。对于同一个目标回波，其在不同 α\alphaα 下的时频图呈现出不同的稀疏性和结构模式。例如：
- 当 α\alphaα 匹配目标的 chirp 速率时，能量会汇聚成一条窄带；
- 当 α\alphaα 不匹配时，能量会弥散。
这种"多视角"特征集构成了一个高维特征空间，其中目标和杂波的分布可分离性大大增强。数学上，若将信号投影到 MMM 个不同的分数域基底上，相当于将原始信号映射到一个 MMM 维的"分数域特征向量"，每个维度对应一种 chirp 匹配程度。这比单一傅里叶域或时频域提供了更丰富的鉴别信息。
4.2 图神经网络带来的额外增益
即使有了多角度时频图，如果直接使用 CNN（卷积神经网络）分别处理每个图再拼接，依然无法显式建模角度间的交互。而 GNN 通过构造角度间边，将不同角度的信息融合提前到特征提取的早期阶段，使得网络可以学习到诸如"角度互补性"、"能量迁移路径"等高阶模式。此外，图结构天然允许不规则采样角度集合（例如仅选择几个关键 chirp 率），具有很强的扩展性。
4.3 杂波抑制的新路径
传统杂波抑制（如 MTI、自适应滤波）通常假设杂波与目标的频域或时域分布可分离。但在强非平稳杂波下，这一假设失效。利用多角度时频图 + GNN，我们可以让网络自主发现杂波在分数阶时频域中的不变特征 （例如，海杂波在所有 α\alphaα 下都呈现相似的类噪声纹理，而高速目标只在某个特定 α\alphaα 附近呈现亮点），从而生成精准的抑制掩膜。
5. 总结与展望
本文提出了一种将 分数傅里叶变换多角度时频图 与 图神经网络 相结合的新思路，用于目标识别和杂波干扰抑制。核心贡献在于：
- 利用 FRFT 生成多个不同旋转角度的时频表示，从时频平面的多个投影方向获取信号的互补信息，本质上是特征维度的显式扩充。
- 构建能够同时建模空间邻接 和角度间关联的图结构，并采用 GCN 进行信息融合，突破了传统 CNN 对多角度特征独立处理的局限。
- 设计了面向目标识别与杂波抑制的双任务输出，使得网络不仅能够判别目标类别，还能自适应地生成分数阶时频掩膜。
该框架不仅适用于雷达目标识别，也可推广到通信干扰抑制、声呐信号处理、生物医学信号分析等领域。未来工作可以探索自适应角度选择（端到端学习哪些 α\alphaα 最有效）以及更高效的图池化策略。