复杂电磁环境下雷达干扰信号的智能识别——基于九类干扰建模与多域特征分析的系统性实验研究【附MATLAB代码】

基于多域特征与决策树的雷达干扰信号智能识别------MATLAB 仿真实现

本文环境：MATLAB R2025b + Signal Processing Toolbox + Statistics and Machine Learning Toolbox + Deep Learning Toolbox

代码版本：完整工程见文末说明；本文给出九类干扰建模、七维特征提取、决策树识别与 ECNN 深度网络的核心代码片段。

1 问题背景

现代战场电磁环境呈现"密度高、样式多、变化快"的特征：干扰体制从早期窄带瞄准式、阻塞式噪声压制，演进为以 DRFM 为核心的灵巧转发、间歇采样转发等新型体制；同一场景往往多种干扰叠加、交替出现。干扰识别是电子情报侦察与雷达自卫防护之间的关键枢纽------压制式干扰需要提高发射功率或切换频点，转发欺骗式干扰需要脉内特征鉴别与波形分集，误判将导致抗干扰资源被严重浪费 。

两类主流技术路线：

基于人工特征的浅层分类：时域/频域/时频域手工设计物理量（能量、带宽、脉冲宽度、谱对称性等）+ SVM/决策树/随机森林。可解释性强、开销小、对样本需求低，但依赖专家经验，泛化能力受限。
基于深度学习的端到端识别：信号转时频图或原始波形直接喂 CNN/RNN。免人工特征工程，但高度依赖大规模标注数据，小样本下性能退化。

本文以九类典型干扰为对象，给出干扰建模 → 多域特征提取 → 分类识别的完整 MATLAB 实现链路，并通过决策树与 ECNN 两组对照实验，验证物理可解释特征在数据稀缺场景下的价值。

2 干扰信号建模

2.1 基准发射信号

以 LFM 脉冲为雷达发射基准：

S L F M ( t ) = r e c t ( t T p ) exp ⁡ ( j π k t 2 ) , k = B / T p S_{\mathrm{LFM}}(t)=\mathrm{rect}\left(\frac{t}{T_p}\right)\exp\left(j\pi k t^2\right),\quad k=B/T_p SLFM(t)=rect(Tpt)exp(jπkt2),k=B/Tp

实验参数：脉宽 T p = 20 μ s T_p=20\,\mu\mathrm{s} Tp=20μs，带宽 B = 10 M H z B=10\,\mathrm{MHz} B=10MHz，采样率 f s = 20 M H z f_s=20\,\mathrm{MHz} fs=20MHz，信噪比 0 dB（AWGN）。每类干扰生成 1000 个样本（决策树实验）/ 300 个样本（深度网络实验）。

matlab 复制代码

%% 1. 仿真参数与基准 LFM 信号
Tp = 20e-6;      % 脉冲宽度 20us
B  = 10e6;       % 带宽 10MHz
fs = 20e6;       % 采样率 20MHz
[t, S] = lfm_signal(Tp, B, fs, 0);

function [t, S] = lfm_signal(Tp, B, fs, f0)
    % 生成 LFM 线性调频脉冲复包络
    % 输入: Tp 脉宽(s), B 带宽(Hz), fs 采样率(Hz), f0 载频(Hz)
    % 输出: t 时间轴(s), S 复信号
    if nargin < 4, f0 = 0; end
    N = round(Tp*fs);
    t = (0:N-1)'/fs;
    k = B/Tp;                                    % 调频斜率
    rect = double(abs(t) <= Tp/2);               % 矩形窗
    S = rect .* exp(1j*(2*pi*f0*t + pi*k*t.^2)); % LFM 复包络
end

2.2 九类干扰模型（三大体系）

依据产生机理与信号结构差异，将九类干扰划分为三大体系：

（一）转发欺骗类（类1~4，核心器件 DRFM）

类别	名称	机理
1	全脉冲转发	单次延时放大后转发，距离维产生单个假目标
2	全脉冲密集转发	多次延时转发叠加，形成 3~6 个密集假目标群
3	间歇采样转发 ISRJ	周期截取信号片段交替转发，脉冲压缩失配产生密集假目标
4	部分脉冲密集转发	脉宽内随机时间区间密集转发，仅覆盖部分脉冲

（二）噪声调制类（类5）：灵巧噪声 = DRFM 相干信号 × 随机噪声调制，同时具备"相干性"与"随机性"，最具威胁。

（三）压制类（类6~9）：噪声调频、宽带压制、扫频、梳状谱，以"淹没"目标回波为目的。

matlab 复制代码

%% 2. 九类干扰生成（核心函数片段）
% 类1 全脉冲转发：延时 tau 后按幅度 A 转发
function J = gen_full_repeater(t, S, tau, A, fd)
    if nargin < 5, fd = 0; end
    if nargin < 4, A = 1.0; end
    tt = t + tau;
    Sd = interp1(t, S, tt, 'linear', 0);   % 时移
    J = A * Sd .* exp(1j*2*pi*fd*t);       % 多普勒调制
end

% 类2 全脉冲密集转发：多延时叠加
function J = gen_dense_repeater(t, S, taus, As, fd)
    J = zeros(size(S));
    for n = 1:length(taus)
        J = J + As(n) * gen_full_repeater(t, S, taus(n), As(n), fd);
    end
end

% 类3 间歇采样转发 ISRJ：周期 T_samp 截取 T_slice 片段转发
function J = gen_isrj(t, S, T_slice, T_samp, K, L)
    J = zeros(size(S));
    for l = 1:L
        for k = 1:K
            p_rect = double(abs((t - k*T_samp - T_slice/2)/T_slice) <= 0.5);
            J = J + p_rect .* interp1(t, S, t - l*T_samp, 'linear', 0);
        end
    end
end

% 类5 灵巧噪声：ISRJ × (1 + 高斯调制)
function J = gen_smart_noise(t, S, T_slice, T_samp, K, sigma)
    if nargin < 6, sigma = 0.4; end
    S_isrj = gen_isrj(t, S, T_slice, T_samp, K, 1);
    J = S_isrj .* (1 + sigma*randn(size(t)));
end

% 类6 噪声调频：宽带噪声积分驱动相位
function J = gen_noise_fm(t, U0, K_fm, sigma)
    dt = t(2)-t(1);
    int_n = cumsum(sigma*randn(size(t)))*dt;
    J = U0*cos(2*pi*K_fm*int_n);
end

% 类7 宽带压制：直接注入高斯白噪声
function J = gen_barrage(t, P)
    if nargin < 2, P = 1.5; end
    J = sqrt(P)*randn(size(t));
end

% 类8 扫频：瞬时频率周期性扫描
function J = gen_sweep(t, delta_fs, T_sweep, U0)
    dt = t(2)-t(1);
    fj = delta_fs * mod(t, T_sweep) / T_sweep;
    J = U0*cos(2*pi*cumsum(fj)*dt);
end

% 类9 梳状谱：多个窄带载波叠加
function J = gen_comb(t, Tp, f_comb, k_comb)
    rect = double(abs(t) <= Tp/2);
    J = zeros(size(t));
    for i = 1:length(f_comb)
        J = J + k_comb(i)*rect.*exp(1j*2*pi*f_comb(i)*t);
    end
    J = real(J);
end

3 七维多域特征提取

核心矛盾：既要保留类别判别信息，又要物理含义明确、计算简单。从时域、频域、统计三个维度设计 7 个特征：

特征	含义	判别机理
F1 能量	∑ n ∣ x $n$ ∣ 2 \sum_n\|x $n$ \|^2 ∑n∣x $n$ ∣2	压制类持续满功率最高，转发类仅脉冲期间有能量
F2 带宽	幅度高于峰值 30% 的频点数	转发类集中于 LFM 主瓣，噪声调频显著展宽，梳状谱最窄
F3 时域连续性	低于自适应阈值采样点占比	ISRJ/部分脉冲转发"时断时续"取值低
F4 采样窗均值	脉冲头尾平均幅度一半	区分密集转发（前后沿有能量）与 ISRJ（仅中间有信号）
F5 时宽	包络高于 0.1 的时间跨度	压制类非脉冲型，时宽偏小
F6 频域矩偏度	频谱三阶中心矩归一化量	宽带压制≈0、扫频负偏、梳状谱正偏
F7 局部矩偏度	频谱分段偏度均值	细化压制类内部边界

matlab 复制代码

%% 3. 七维特征提取
Npts = length(t);
Features = zeros(N_total, 7);          % N_total 为样本总数

% F1 能量
F_energy = sum(X_data.^2, 2);

% F2 带宽 (-10dB 频点计数)
F_bw = zeros(N_total,1);
for i = 1:N_total
    xf = abs(fft(X_data(i,:))); xf = xf/max(xf);
    F_bw(i) = sum(xf > 0.3)*fs/Npts/1e6;    % MHz
end

% F3 时域连续性系数 N1：阈值由信号尾部统计量确定
F_n1 = zeros(N_total,1);
for i = 1:N_total
    x = X_data(i,:);
    Tth = 3*std(x(round(Npts*0.85:end)));
    F_n1(i) = sum(abs(x) < Tth)/Npts;
end

% F4 采样窗均值 MW
F_mw = zeros(N_total,1);
wl = round(Npts*0.15);
for i = 1:N_total
    x = X_data(i,:);
    F_mw(i) = (mean(abs(x(1:wl))) + mean(abs(x(end-wl+1:end))))/2;
end

% F5 时宽
F_tw = zeros(N_total,1);
for i = 1:N_total
    x = X_data(i,:);
    env = abs(hilbert(x)); env = env/max(env);
    F_tw(i) = sum(env > 0.1)/fs*1e6;        % us
end

% F6 频域矩偏度
F_sk = zeros(N_total,1);
for i = 1:N_total
    F_sk(i) = skewness(abs(fftshift(fft(X_data(i,:)))));
end

% F7 局部矩偏度 N2：频谱分段偏度均值
F_n2 = zeros(N_total,1);
nw = 5; ws = floor(Npts/nw);
for i = 1:N_total
    x = X_data(i,:); sks = zeros(nw,1);
    for w = 1:nw
        seg = x((w-1)*ws+1:min(w*ws, Npts));
        sks(w) = skewness(abs(fftshift(fft(seg))));
    end
    F_n2(i) = mean(sks);
end

% 组装特征矩阵
Features = [F_energy, F_bw, F_n1, F_mw, F_tw, F_sk, F_n2];

4 决策树识别实验

采用 CART 分类树（fitctree），70%/30% 划分训练/测试集，10 折交叉验证评估稳定性。

matlab 复制代码

%% 4. 决策树训练与评估
cv = cvpartition(Y_label, 'HoldOut', 0.3);
X_tr = Features(training(cv), :); y_tr = Y_label(training(cv));
X_te = Features(test(cv), :);     y_te = Y_label(test(cv));

ctree_model = fitctree(X_tr, y_tr, ...
    'MinLeafSize', 30, 'MaxNumSplits', 60);   % 防过拟合参数
y_pred = predict(ctree_model, X_te);

acc = mean(y_pred == y_te) * 100;             % 整体准确率 OA
conf = confusionmat(y_te, y_pred);            % 混淆矩阵
per_acc = diag(conf) ./ sum(conf, 2) * 100;   % 逐类准确率

% 特征重要性（信息增益视角）
imp = predictorImportance(ctree_model);

4.1 识别结果

九类单干扰任务整体精度 83.8%：

干扰类别	识别精度	主要混淆对象
1 全脉冲转发	92.3%	少量误判为密集转发
2 密集转发	82.3%	与全脉冲转发、间歇采样互混淆
3 间歇采样转发	64.3%	易误判为部分脉冲转发、灵巧噪声
4 部分脉冲转发	86.3%	主要误判为间歇采样
5 灵巧噪声	45.3%	最难分类，易混入转发或压制类
6 噪声调频	93.3%	极少误判
7 宽带压制	96.7%	近乎完美分类
8 扫频干扰	95.0%	极少误判
9 梳状谱	98.7%	最易识别

结论：压制类（6~9）识别率 93%_{99%，人工特征区分效果优异；转发类（1}4）因同为 LFM 衍生信号而相互混淆；灵巧噪声（类5，45.3%）兼具相干性与随机性，为九类中最难点。

4.2 特征重要性分析

排序为 能量 > 频域矩偏度 > 采样窗均值 > 连续性系数 > 局部矩偏度 > 时宽 > 带宽 。

反直觉现象 ：肉眼区分力最强的带宽特征，在决策树中重要性反而最低。原因：能量、矩偏度在信息增益层面已隐含带宽的判别信息，决策树按信息增益最大化选择组合特征，带宽失去独立分裂必要性。特征重要性不是特征的固有属性，而是取决于特征集合内部的冗余结构与分类器分裂策略------人工特征设计不应以"单维可分性"为唯一准则。

5 ECNN 深度学习识别实验

将识别对象扩展为 十二类（无干扰 + 7 类单一干扰 + 4 类复合干扰，如"距离欺骗+灵巧噪声""密集假目标+灵巧噪声""距离欺骗+ISRJ""线性扫频+ISRJ"），贴近多干扰并存的实战场景。

5.1 STFT 三通道时频图输入

matlab 复制代码

%% 5.1 STFT 生成三通道时频图（实部/虚部/模值）
stft_nseg = 32; stft_overlap = 8; stft_nfft = 100;
stft_win = hamming(round((round(Tp*fs)/stft_nseg) + stft_overlap));

parfor i = 1:size(X_time,1)
    S_stft = stft(X_time(i,:), fs, 'Window', stft_win, ...
                  'OverlapLength', stft_overlap, 'FFTLength', stft_nfft, 'Centered', true);
    R = (real(S_stft) - min(real(S_stft(:)))) / (max(real(S_stft(:))) - min(real(S_stft(:))) + 1e-10);
    Im = (imag(S_stft) - min(imag(S_stft(:)))) / (max(imag(S_stft(:))) - min(imag(S_stft(:))) + 1e-10);
    M = (abs(S_stft) - min(abs(S_stft(:)))) / (max(abs(S_stft(:))) - min(abs(S_stft(:))) + 1e-10);
    X_tf(:,:,:,i) = cat(3, R, Im, M);        % [H, W, 3, N]
end

5.2 ECNN 网络结构（参考表5.2）

matlab 复制代码

%% 5.2 四层卷积神经网络 ECNN
layers_cnn = [
    imageInputLayer([stft_h stft_w 3], 'Name','input', 'Normalization','none')
    convolution2dLayer([13 13], 64, 'Padding','same', 'Name','conv1')
    batchNormalizationLayer('Name','bn1')
    reluLayer('Name','relu1')
    maxPooling2dLayer([2 2], 'Stride',[2 2], 'Name','pool1')
    dropoutLayer(0.25, 'Name','drop1')
    convolution2dLayer([9 9], 128, 'Padding','same', 'Name','conv2')
    batchNormalizationLayer('Name','bn2')
    reluLayer('Name','relu2')
    maxPooling2dLayer([2 2], 'Stride',[2 2], 'Name','pool2')
    convolution2dLayer([5 5], 128, 'Padding','same', 'Name','conv3')
    batchNormalizationLayer('Name','bn3')
    reluLayer('Name','relu3')
    maxPooling2dLayer([2 2], 'Stride',[2 2], 'Name','pool3')
    dropoutLayer(0.25, 'Name','drop2')
    convolution2dLayer([3 3], 256, 'Padding','same', 'Name','conv4')
    batchNormalizationLayer('Name','bn4')
    reluLayer('Name','relu4')
    maxPooling2dLayer([2 2], 'Stride',[2 2], 'Name','pool4')
    fullyConnectedLayer(12, 'Name','fc_out')
    softmaxLayer('Name','softmax')
    classificationLayer('Name','output')
];

options = trainingOptions('sgdm', ...
    'MaxEpochs', 30, 'MiniBatchSize', 32, ...
    'InitialLearnRate', 0.001, 'Shuffle','every-epoch', ...
    'Plots','none', 'Verbose', false, 'L2Regularization', 0.0001);

5.3 小样本敏感性实验（2%~8% 训练占比）

matlab 复制代码

%% 5.3 多比例训练实验（每种比例重复 3 次取均值）
train_ratios = [0.02, 0.04, 0.06, 0.08];
for ri = 1:length(train_ratios)
    for run_i = 1:3
        cv = cvpartition(numel(Y_full), 'HoldOut', 1 - train_ratios(ri));
        tr_idx = training(cv); te_idx = test(cv);
        net = trainNetwork(X_tf(:,:,:,tr_idx), categorical(Y_full(tr_idx(:))), ...
                           layers_cnn, options);
        Y_pred = classify(net, X_tf(:,:,:,te_idx));
        acc = mean(Y_pred == categorical(Y_full(te_idx(:)))) * 100;
        % ... 逐类计算 AA 并累加取平均
    end
end

结果：

训练占比	整体精度 OA	平均精度 AA
2%	47.1%	47.2%
4%	53.0%	53.1%
6%	57.9%	58.0%
8%	58.8%	58.9%

OA 随样本稳步上升，OA≈AA 表明各类别均衡；2%~4% 提升较快、6%~8% 趋于饱和（与每类 300 样本的总规模及网络容量相关）。

6 两类方法对照分析

对比项	决策树（人工特征）	ECNN（端到端）
任务	九类单干扰	十二类（含四类复合干扰）
整体精度	83.8%	最高 58.9%
训练样本	70%（充足）	2%~8%（极端小样本）

差异源于三个方面：（1）任务复杂度------十二类含复合干扰，类间重叠显著；（2）特征适配度------人工特征已凝练物理判别依据，深度网络在有限样本下未充分收敛；（3）样本条件------决策树样本相对充足。该对照印证：标注数据稀缺的部署场景下，物理可解释特征 + 传统学习算法仍是可靠基线；深度学习更适合数据充足时发挥端到端优势。

7 讨论与展望

灵巧噪声识别困境（45.3%）：需引入脉内相位微结构、循环平稳特性或高阶累积量等更高阶判别信息。
复合干扰挑战：建议"干扰识别 + 干扰分解"结合------先盲源分离/字典学习估计干扰成分，再逐成分判别，而非直接面对"混合体"做端到端分类。
研究局限：SNR 固定 0 dB，未覆盖低信噪比退化规律；未考虑多径、目标回波共存、雷达参数捷变等复杂耦合因素。
未来方向：复合干扰分解识别、-10~10 dB 信噪比鲁棒性、量化/剪枝/知识蒸馏实现嵌入式实时推理、人工特征与深度特征后期融合的混合智能识别。

参考文献

$1$ 张国毅，等. 捷变雷达抗干扰与信号处理技术 $M$ . 北京：国防工业出版社.

$2$ 刘忠. 基于DRFM的线性调频脉冲压缩雷达干扰技术研究 $D$ . 长沙：国防科学技术大学，2004.

$3$ 王雪松，刘进，丹梅，等. 基于间歇采样转发干扰的雷达假目标生成方法 $J$ . 系统工程与电子技术.

$4$ 赵国庆. 雷达对抗原理 $M$ . 西安：西安电子科技大学出版社，1999.

$5$ Sparrow M J, Cikalo J. ECM techniques to counter pulse compression radar $R$ . United States Patent.

$6$ Li N, Zhang Y. A survey of radar ECM and ECCM $J$ . IEEE Transactions on Aerospace and Electronic Systems.

$7$ 陈伯孝. 现代雷达系统分析与设计 $M$ . 西安：西安电子科技大学出版社，2012.

本文完整可运行工程、数据集与多场景调优版本见原文链接 EWFrontier；欢迎在评论区交流讨论。