★ FEATURED ARTICLE 简介面向雷达侦察、电子对抗与机器学习交叉领域的研究者及相关工程技术人员这份PDF文献综述系统回顾了机器学习在雷达辐射源识别中的研究脉络与应用进展原文刊载于《兵器装备工程学报》2016年第9期。全文从20世纪80年代的参数匹配与规则方法讲起梳理了SVM、随机森林再到深度学习与CNN的技术演进并结合复杂雷达信号环境讨论了小样本学习、新型雷达识别能力等难点与未来攻关方向。可作为学术写作、课题调研和电子侦察技术研究的重要引证资料也有助于读者快速把握该领域近三十年的技术演进脉络、关键难点与展望。资源共1个PDF文件压缩包约357KB轻量易用已有176人学习下载。1. 雷达辐射源识别的机器学习落地难点不在模型而在数据闭环雷达辐射源识别是把截获的雷达脉冲信号归结到“这是哪部雷达”的任务。它在频谱监测、民航雷达校验和电磁频谱管理里都有实际需求。很多人接到这类任务第一反应是找更强的机器学习模型把网络加深、把算力拉满可真正按机器学习应用流程走一遍就会发现识别上限的大部分在信号进入模型之前就被数据和特征决定了。研究综述里最常被低估的一句话是数据集的质量决定实验天花板。这篇笔记把标题背后的内容拆成一条可落地管线——信号生成与采集、特征设计、模型选择、训练验证、迭代更新让新手能照步骤跑通也让熟手能对照参数和坑位做取舍。2. 数据闭环第一关雷达信号从哪来、怎么造、怎么洗2.1 三种数据来源怎么选选错直接白干雷达辐射源识别可用的数据来源实际项目里不外乎三种外场采集、半实物仿真、软件仿真生成。三者的真实度、成本、可扩展性完全不同选错方向往往整个项目白干。我用一张对比表把差异列清楚来源真实度单批成本可获取样本量标注难度外场采集高高设备、外场、时间少难半实物仿真中高中信号源加射频前端中中软件仿真中低低一台服务器很大易外场采集最能反映真实信道但能截获到的雷达脉冲数量和覆盖型号有限光靠它攒不出一套训练集标签的来源也往往依赖人工判读。半实物仿真在实验室里用信号源把库里雷达波形重放出来再经过一套真实射频通道性价比适中适合在验证阶段使用。软件仿真最灵活可以按需生成海量脉冲却容易把真实信道里的多径、相位噪声、频率漂移丢掉。工程落地我一般建议“软件仿真做预训练 少量实测数据做微调”先保证机器学习流程能跑通再逐步用真实样本修正分布。2.2 没有实测数据时用 Python 生成 LFM 雷达脉冲线性调频LFM信号是雷达里最常见、也是相关综述里反复出现的波形。它带宽大、抗干扰性好脉冲压缩后能拿到高距离分辨率。手里没有实测数据时用 Python 合成一组 LFM 脉冲串是最快起步的方式import numpy as np def generate_lfm_pulse(carrier_freq10e6, pulse_width20e-6, bandwidth4e6, fs100e6): # 单个 LFM 脉冲瞬时频率从 carrier_freq 线性增长到 carrier_freq bandwidth t np.arange(0, pulse_width, 1 / fs) slope bandwidth / pulse_width phase 2 * np.pi * (carrier_freq * t 0.5 * slope * t ** 2) return np.exp(1j * phase) def simulate_coherent_pulse_train(pulse_params, pri, num_pulses, snr_db20): # 按 PRI 把单个脉冲排成脉冲串再叠加强度可调的复高斯白噪声 pulse generate_lfm_pulse(**pulse_params) pri_samples int(pulse_params[fs] * pri) iq np.zeros(pri_samples * num_pulses, dtypecomplex) for idx in range(num_pulses): start idx * pri_samples iq[start:start len(pulse)] pulse noise_power 10 ** (-snr_db / 10) # 信号功率归一化为 1 noise (np.random.randn(len(iq)) 1j * np.random.randn(len(iq))) * np.sqrt(noise_power / 2) return iq noise这段代码做了两件事generate_lfm_pulse 生成一个脉宽 20 微秒、调频带宽 4 MHz、载频 10 MHz 的 LFM 脉冲 IQ 数据simulate_coherent_pulse_train 再按 PRI脉冲重复间隔把单个脉冲排成一段连续脉冲串并叠加给定信噪比的复高斯白噪声。carrier_freq 决定信号在频谱上的位置只要 fs 满足奈奎斯特采样定理特征就能保留pulse_width 和 bandwidth 决定脉内调频结构是后面相位差分类特征的主要来源pri 是雷达身份识别里很重要的重频参数不同雷达的 PRI 差异经常远大于载频差异。生成训练集时建议把每部雷达的载频、脉宽、带宽、PRI 分别做成一组参数组合循环调用 simulate_coherent_pulse_train 得到多个脉冲串再把每个脉冲切成样本。信噪比不要固定在 20 dB真实接收场景中同一部雷达的 SNR 可能从 -5 dB 到 25 dB 波动我一般在这个区间内均匀采样铺开数据这样训练出的模型对接收场景变化更稳。注意 PRI 对应采样点数必须大于单个脉冲点数否则前面脉冲没走完后面的就叠上来了那生成的是脉冲重叠信号不是常规脉冲串。2.3 预处理三步PDW 提取、样本对齐、类别均衡第一步是从原始 IQ 里提取脉冲描述字PDW。PDW 是雷达识别领域交接数据的标准格式包含载频、脉宽、到达时间、到达角、重频间隔五个要素。常见做法是对 IQ 做复包络检波和门限检测脉冲前沿和后沿之间的时间差就是脉宽前沿对应的时间是到达时间相位差分再估计得到载频连续多个脉冲的到达时间差就是重频间隔。在仿真数据上这一步可以直接从已知参数换算在实测数据上PDW 提取质量直接决定后续模型能不能分清楚这也是“机器学习中的数据处理”在雷达方向最实在的体现。第二步是样本对齐。目标是把每个脉冲截断成固定长度的样本截断点必须放在前沿或峰值上。两个脉冲如果只差几个微秒的起点偏移时频图就会完全不同模型很容易把“对齐方式”当成“雷达特征”去学习。实操做法是先做触发电平检测粗定位再用复数互相关求脉冲峰值的精细位置最后从峰值位置向前取固定窗长。这个细节不解决后面换再好的模型也救不回来。第三步是类别均衡。雷达辐射源天然是长尾分布有的型号满天飞有的型号只有一个外场截获记录。直接拿去训练少数类模型学不到判别边界。常见做法有三类按类别频率倒数的概率采样、对少数类做信号级增强加噪声、频偏、截断、使用合成少数类样本。这三步做完数据才真正变成可训练样本。数据闭环没有捷径预处理阶段的投入通常会占整个项目一半以上时间别把省下来的时间用在后面反复调模型上。3. 特征工程决定上限从脉内特征到时频图3.1 人工设计特征相位差分和小波包的适用边界模型结构可以抄特征工程没法抄因为雷达信号的特征严重依赖调制先验。样本量不大时人工设计特征往往比端到端更稳。相位差分是脉内特征里最经典的一种代码很简洁def phase_diff_feature(iq): # 一阶差分近似瞬时频率二阶差分近似调频斜率 phase np.unwrap(np.angle(iq)) d1 np.diff(phase) # 瞬时频率的近似 d2 np.diff(d1) # 调频斜率的近似 return np.concatenate([np.mean(d1), np.std(d1), np.mean(d2), np.std(d2)])相位的一阶差分是无量纲的瞬时频率近似二阶差分则对应调频斜率。LFM 信号的一阶差分接近线性、二阶差分平稳相位编码信号的一阶差分在码元跳变处会出现明显的尖峰。所以这四个统计量就能对常见雷达波形族做粗分。注意 np.unwrap 对噪声敏感信噪比低于 10 dB 时二阶差分会被噪声主导实际使用前我会先对 IQ 做带通滤波或中值滤波再进相位差分。另一个常用工具是小波包能量特征对脉冲做多尺度小波包分解算出各频带能量占总能量的比例组成特征向量。它擅长区分带宽差异大的信号比相位差分更能刻画宽带与窄带雷达的区别。还有复杂度特征盒维数、排列熵适合完全不知道调制先验的场景但噪声稍微大一点特征值就会飘。人工特征这条路的选型原则是知道波形族就优先用相位差分和小波包完全盲才用复杂度特征。3.2 时频图把 IQ 信号变成模型能学的样子STFT 参数怎么定样本量过万之后人工特征就追不上端到端了。最常见的输入是时频图把一维 IQ 信号变成二维图像交给卷积网络去学。短时傅里叶变换STFT实现最简单、最稳定代码几乎不用自己写from scipy.signal import stft def iq_to_tf_image(iq, fs100e6, nperseg256, noverlap224): # 返回 (时间帧, 频率bin) 的功率谱单位 dB f, t, Zxx stft(iq, fsfs, npersegnperseg, noverlapnoverlap) tf_spec 20 * np.log10(np.abs(Zxx).T 1e-12) return tf_spec这里 nperseg 取 256对应观测窗长 2.56 微秒noverlap 取 224重叠率 87.5%时频谱在时间方向足够平滑。STFT 有个逃不掉的矛盾窗长越长频率分辨率越高时间分辨率越低。雷达脉宽往往只有几十微秒窗口太大会把多个调制段混在一起所以我不建议 nperseg 超过 512。100 MHz 采样率下 256 点窗对应的频率分辨率约为 390 kHz对于 4 MHz 调频带宽的 LFM 而言足够看清调频走向。生成时频图之后要做全局 min-max 归一化而不是逐张图单独归一化。逐图归一化会把信号强度差异抹掉而信号强度本身就是辐射源识别的重要线索。送入 CNN 之前统一缩放到固定尺寸我常用 64 个时间帧乘 128 个频率 bin 的输入。窗函数建议用默认的 Hann 窗矩形窗的频谱泄漏太重时频图上容易出现假条纹干扰卷积核学习。3.3 特征级联与降维小样本场景的兜底方案当样本量少于 5000深度模型容易过拟合纯人工特征又嫌信息量不够这时可以走中间路线把 PDW 统计特征和脉内特征拼成一个向量。PDW 统计特征指的是 PRI 均值、PRI 抖动、载频稳定度、脉宽稳定度这类高阶统计量脉内特征就是上一节提到的相位差分、小波包能量。两者拼起来通常能到 200 到 300 维直接进树模型也行但先降维会更稳from sklearn.decomposition import PCA from sklearn.discriminant_analysis import LinearDiscriminantAnalysis def reduce_features(X, y, n_components32): # 先 PCA 去相关白化再 LDA 压到类别判别空间 pca PCA(n_componentsn_components, whitenTrue).fit_transform(X) lda LinearDiscriminantAnalysis( n_componentsmin(n_components, len(np.unique(y)) - 1)) return lda.fit_transform(pca, y)PCA 负责去相关和降噪LDA 负责把特征压到对判别最有效的方向。注意 LDA 的维度上限是类别数减一二分类时它只能压到一维选 n_components 时别超过这个数。这段代码对小样本特别友好我经常用它做特征可行性验证降维后如果散点图里类别混成一团那再换模型也分不开如果分得开再考虑上深度方案。4. 机器学习模型选型从随机森林到时频图 CNN4.1 轻量路线PDW 统计特征 随机森林特征整理成向量后第一个该试的是树模型。随机森林对特征尺度不敏感、抗过拟合能力强在几千个样本下通常能跑到一个不错的基线。我常用的配置是 300 棵树、最大深度 12开 class_weight 自动平衡。评估时注意分组切分这节代码里直接给出from sklearn.ensemble import RandomForestClassifier from sklearn.model_selection import GroupKFold X np.load(pulse_features.npy) # 每个脉冲一行特征向量 y np.load(pulse_labels.npy) # 辐射源类别标签 groups np.load(pulse_track_ids.npy) # 同一部雷达的脉冲归为同一个分组 id rfc RandomForestClassifier( n_estimators300, max_depth12, class_weightbalanced ) gkf GroupKFold(n_splits5) for train_idx, test_idx in gkf.split(X, y, groups): rfc.fit(X[train_idx], y[train_idx]) acc rfc.score(X[test_idx], y[test_idx]) print(ffold acc: {acc:.3f})这里必须用 GroupKFold 而不是普通 KFold。理由很直接一部雷达会连续发射大量脉冲这些脉冲高度相关按脉冲随机切分相当于把同一部雷达的相邻脉冲同时分进训练集和测试集评估结果会虚高。groups 数组要按雷达分组同一部雷达的所有脉冲放同一个 id这样才能测出模型面对“没见过的雷达”的真实表现。随机森林在这个任务里还有个额外好处自带特征重要性。训练完看一眼 feature_importances_如果 PRI 相关特征排在最前面说明数据符合物理直觉如果某些莫名其妙的高维特征排在前面就要怀疑预处理出了问题。这和 SVM、KNN 相比是明显的调试优势。4.2 深度路线CNN 识别时频图结构参数怎么设时频图数据上来之后我常用的 CNN 结构是三层卷积加全局平均池化参数少、不容易过拟合代码只有十几行from tensorflow.keras import layers, models def build_tf_cnn(input_shape(64, 128, 1), num_classes10): model models.Sequential([ layers.Conv2D(32, (3, 3), activationrelu, paddingsame, input_shapeinput_shape), layers.BatchNormalization(), layers.MaxPooling2D((2, 2)), layers.Conv2D(64, (3, 3), activationrelu, paddingsame), layers.BatchNormalization(), layers.MaxPooling2D((2, 2)), layers.Conv2D(128, (3, 3), activationrelu, paddingsame), layers.GlobalAveragePooling2D(), layers.Dense(128, activationrelu), layers.Dropout(0.3), layers.Dense(num_classes, activationsoftmax) ]) return model输入是 64 个时间帧乘 128 个频率 bin 的单通道图两个 2×2 最大池化把空间尺寸压到 16×32最后用全局平均池化替代 Flatten 加全连接这一步能大幅减少参数量。与 Flatten 相比全局平均池化对时频图的空间位置不敏感不容易过拟合训练集的位置特征。Dropout 放在最后一个全连接层后面取 0.3 左右就够太高会欠拟合。训练参数我一般固定这一套batch size 32 或 64Adam 优化器初始学习率 1e-3配合 ReduceLROnPlateau 在验证集不降时把学习率乘 0.5再加早停 patience 10。数据增强不要照搬图像的平移翻转要对 IQ 信号做脉冲级增强随机叠加噪声、随机频偏、随机截断一小段再重新计算 STFT。这样才能让模型学到对接收场景变化鲁棒的信号特征。4.3 损失函数与训练策略类别不平衡的三个解法辐射源识别里类别不平衡是常态少数类往往是重点关注的雷达不能任由模型忽略。三个解法按优先级排列。第一是树模型和经典模型直接开 class_weight零成本。第二是深度模型对采样器做平衡让每个 batch 里各类别出现概率接近。第三是换损失函数用 Focal Loss 替代交叉熵对易分类样本降权import tensorflow as tf def focal_loss(gamma2.0, alpha0.25): def loss(y_true, y_pred): # 裁剪防止 log(0)alpha 平衡少数类gamma 压制易分类样本 y_pred tf.clip_by_value(y_pred, 1e-7, 1 - 1e-7) ce -y_true * tf.math.log(y_pred) weight (1 - y_pred) ** gamma alpha_weight y_true * alpha (1 - y_true) * (1 - alpha) return tf.reduce_mean(alpha_weight * weight * ce) return lossgamma 等于 2 时预测概率 0.9 的样本权重约为 0.01预测概率 0.5 的样本权重为 0.25模型注意力自然向难样本倾斜。alpha 取 0.25 表示少数类样本在损失里的权重乘 0.25别误解为少数类总权重变低——它在交叉熵贡献里是给正类乘 alpha、给负类乘 1-alpha配合 gamma 一起起作用。实际项目中我会先跑一版交叉熵基线再用 Focal Loss 对比如果少数类的 F1 没有提升就调回去避免过度调参。评估指标也要跟着换。别只看 accuracy多数类占比 90% 时 accuracy 永远很高。改用 macro F1或者直接看各类别召回率的混淆矩阵哪类召回率是零一眼就能看出来。这比任何损失函数调参都更能反映识别系统的真实水平。5. 避坑指南辐射源识别里最容易翻车的五个问题5.1 仿真模型训练完换上实测数据就翻车最典型的翻车现场是仿真数据上准确率 99%拿到外场截获的数据一测直接掉到 60% 以下。原因是仿真只建模了波形加高斯白噪声真实信道里还有多径、相位噪声、脉冲后沿拖尾、本振频率漂移这些都没进训练集。解决思路是仿真阶段就给模型“上难度”信噪比铺到 -5 dB 到 25 dB叠加一两个多径分量给载频加一个缓慢漂移的偏移量。更重要的是保留 20% 到 30% 的实测数据混进训练集做微调哪怕样本少也能把仿真学到的特征分布往真实分布拉一拉。5.2 同一部雷达的两个工作模式被模型识别成两类雷达不是固定一个参数发到底的搜索模式、跟踪模式、制导模式的 PRI 和脉宽可能完全不同。特征空间里同一部雷达就成了多模态分布模型会把不同模态判成不同类别。这类问题我见过太多次现象是训练集里同一部雷达挂两个标签测试时还总觉得成绩挺好。解决方法是标注阶段就把工作模式拆开标签写成“雷达型号 工作模式”如果旧数据已经标混了就先对 PRI 序列做聚类把模式分开再重新标注。血泪经验是这个工作在标注阶段做最便宜放到模型阶段返工成本翻倍。5.3 时频图没按前沿对齐模型只学到了时间片段模型在时频图上收敛很快但换一段新数据立刻变差这个坑属于典型的玄学问题——锅不在模型在输入。STFT 帧如果从脉冲不同位置开始卷积核实际学到的是“某个固定时间位置长什么样”而不是“雷达的调频结构长什么样”。我早期做实验时直接对整段截获信号随机切窗撞过这个坑。解决方法是先做触发电平检测粗定位前沿再用峰值相关精对齐最后以脉冲前沿为起点截取固定长度。对齐之后同一个雷达噪点多的脉冲、噪点少的脉冲时频图才保持稳定。5.4 多数类主导训练少数类雷达的召回率归零准确率显示 85%打开混淆矩阵却发现有三类雷达完全没被识别出来全被判成了样本量最大的那类。这是多分类 softmax 的典型偏置训练时多数类样本量大损失函数被多数类主导少数类边界学不出来。单靠调学习率没用我之前试过只加 class_weight效果有改善但不彻底。现在标准做法是平衡采样和 Focal Loss 一起上并且盯住每一类的召回率看变化。少数类往往才是系统里真正要重点关注的辐射源宁可整体准确率降两个点也得把少数类拉起来。5.5 按脉冲随机划分数据集评估指标虚高一截这是最隐蔽的坑同一批数据按脉冲随机切分测试准确率 90%按雷达分组切分只剩 70%。原因是同一部雷达的相邻脉冲在训练集和测试集里都出现了模型记住的是雷达个体的特征而不是类别共有的特征。这个坑在文献里讨论得少因为很多公开数据集已经做过去重但自建数据集几乎必踩。解决方式就是第 4 章代码里的 GroupKFold分组粒度至少到一部雷达最好到一种装备型号。验证时把这条标准当成硬约束否则指标好看没有意义部署时一样翻车。6. 进阶原型注册与增量微调让模型跟上新体制雷达6.1 原型注册用余弦相似度替代末层分类器固定训练集训出来的 softmax 分类头一旦碰到没见过的雷达就卡住了。传统做法是收集新样本后重训整个网络成本高还容易对旧类产生灾难性遗忘。我现在的兜底方案是原型注册把分类头拆掉只保留特征提取器每个已知类别维护一个原型向量识别时计算输入特征与各类原型的余弦相似度。新雷达出现时只需要提取它的脉冲特征求平均注册一个新原型旧类原型不动几十个脉冲就能完成增量注册。这里用 PyTorch 写核心逻辑其他框架按算子平移即可import torch class PrototypeRegistry: def __init__(self, encoder, threshold0.8): self.encoder encoder # 已训练好的特征提取器 self.prototypes {} # radar_id - 归一化后的原型向量 self.threshold threshold # 低于该相似度判为 unknown def register(self, radar_id, samples): # 用一批脉冲的平均特征作为类别原型 feat self.encoder(samples).mean(dim0) feat feat / feat.norm() self.prototypes[radar_id] feat def predict(self, samples): feat self.encoder(samples).mean(dim0) feat feat / feat.norm() best_id, best_sim None, -1.0 for radar_id, proto in self.prototypes.items(): sim torch.dot(feat, proto).item() if sim best_sim: best_id, best_sim radar_id, sim return best_id if best_sim self.threshold else unknownthreshold 决定“未知雷达”的判定边界取高了容易把已知雷达误报成 unknown取低了容易把新雷达认成旧雷达。这个值不建议拍脑袋定拿一小批真实数据画相似度分布取已知类与未知类分布交叉点附近的值效果最稳。6.2 增量注册的操作流程与适用范围增量注册的流程不复杂新雷达样本先做同样的预处理和对齐过特征提取器取平均归一化后存成原型。每隔一段时间把新旧样本混合做一次特征归一化校准防止特征分布漂移。如果两个原型的余弦相似度超过 0.95说明它们可能是同一雷达的不同工作模式要用聚类合并避免注册表越来越臃肿。这个方法适用于已知装备体系内的增量扩充如果出现大量风格完全不同的未知信号说明特征提取器本身老了该重新训练。我做信号识别这些年最大的教训是初期总迷信更大的网络后来被新体制雷达折腾到彻底重训才开始重视原型注册这类兜底设计。现在只要业务里有持续新增辐射源的需求识别模块一定会留这个口子省下的重训成本远比加几个参数要多。希望帮到你。本文还有配套的精品资源点击获取
阅读完成 · 觉得有帮助？
)
