雷達輻射源信號分選研究進展

隋金坪 劉 振 劉 麗 黎 湘

①(海軍大連艦艇學(xué)院作戰(zhàn)軟件與仿真研究所 大連 116016)

②(國防科技大學(xué)電子科學(xué)學(xué)院 長沙 410073)

③(國防科技大學(xué)系統(tǒng)工程學(xué)院 長沙 410073)

1 引言

雷達輻射源信號分選，又稱雷達輻射源信號去交錯，是指從隨機交錯的脈沖流中分離出各個雷達脈沖列的過程[1]。雷達輻射源信號分選是雷達信號偵察處理的關(guān)鍵技術(shù)之一，同時也是重要的基礎(chǔ)前提，只有從高密度、高混合度的脈沖流中正確分離出各個雷達脈沖信號，才能高質(zhì)量完成后續(xù)的信號處理工作，因此，雷達輻射源信號分選技術(shù)直接影響著雷達信號偵察處理，是電子戰(zhàn)場態(tài)勢感知的核心步驟之一，嚴重影響著后續(xù)的決策判斷。

然而，隨著各類型雷達的廣泛采用，電磁環(huán)境空前復(fù)雜，雷達輻射源信號分選也面臨著前所未有的挑戰(zhàn)，主要體現(xiàn)在3個方面：一是雷達輻射源數(shù)量多，導(dǎo)致脈沖密度激增。當前，典型的信號環(huán)境密度已突破每秒百萬量級甚至達到千萬量級，同時各輻射源脈沖的交疊，非合作源脈沖信號難以截獲或稀缺等現(xiàn)實挑戰(zhàn)日益凸顯；二是雷達信號調(diào)制日益復(fù)雜且參數(shù)多變。傳統(tǒng)脈沖(如固定載頻、重頻以及無調(diào)制脈沖)在雷達信號中所占比例減小，伴隨而來的是線性、非線性調(diào)頻，相位、頻率編碼，復(fù)合調(diào)制雷達信號的逐漸增多，以及參數(shù)捷變甚至隨機變化，信號的反偵察，抗干擾的能力極大增強；三是信息戰(zhàn)場的瞬息萬變對雷達輻射源信號分選與識別的實時性、準確性的需求日益增強。同時，電子戰(zhàn)正向多域聯(lián)合、協(xié)同作戰(zhàn)發(fā)展，快速的雷達信號分選是實現(xiàn)多域信息融合的重要前提。

客觀來講，電磁環(huán)境的日益復(fù)雜推動著雷達輻射源信號分選技術(shù)向前快速發(fā)展。從20世紀70年代相關(guān)研究興起開始到今天，雷達輻射源信號分選始終是國內(nèi)外相關(guān)研究人員的重點研究課題，大批新穎研究成果不斷涌現(xiàn)。然而，這些工作比較分散，往往基于某種特定場景或針對特定雷達輻射源分選而展開，缺乏較為系統(tǒng)的梳理與總結(jié)。本文系統(tǒng)地介紹了雷達輻射源信號分選技術(shù)的特點，全面梳理了國內(nèi)外關(guān)于雷達輻射源信號分選技術(shù)的相關(guān)文獻，重點對近年來以機器學(xué)習(xí)、深度學(xué)習(xí)、數(shù)據(jù)流處理為技術(shù)支撐的雷達輻射源信號分選工作進行了總結(jié)分析，并對雷達輻射源信號分選工作尚存問題以及未來發(fā)展方向進行了概括與預(yù)測。本文結(jié)構(gòu)如下：第2節(jié)系統(tǒng)闡述雷達輻射源信號分選的研究進展，重點對最新的基于深度神經(jīng)網(wǎng)絡(luò)、數(shù)據(jù)流聚類的分選技術(shù)進行闡釋歸納。第3節(jié)對目前雷達輻射源信號分選的不足進行概括并對未來可能發(fā)展的趨勢進行預(yù)測。最后，第4節(jié)對全文進行總結(jié)。

2 雷達輻射源信號分選研究現(xiàn)狀與趨勢

雷達輻射源信號分選問題的相關(guān)研究國際上興起于20世紀70年代，我國學(xué)者的研究始于20世紀80年代[2,3]。如圖1所示，雷達輻射源信號分選是指從隨機交錯的脈沖流中分離出各個雷達脈沖列的過程，其本質(zhì)是“匹配”問題。

圖1 雷達輻射源分選示意圖Fig.1 Diagram of radar emitter signal deinterleaving

幾十年來，研究者基本都是沿著“匹配”思路解決該類問題：即利用脈間或脈內(nèi)，不同域內(nèi)測量或提取的特征參數(shù)，或與模板匹配，或彼此匹配，從而將最相似的脈沖視為同一輻射源產(chǎn)生的脈沖序列，否則視為不同輻射源產(chǎn)生的脈沖，來完成脈沖流的去交錯。整體上講，雷達輻射源信號分選的研究工作可以主要分為3個研究方向：即基于脈間調(diào)制特征的雷達輻射源分選、基于脈內(nèi)調(diào)制特征的雷達輻射源分選和基于機器學(xué)習(xí)的雷達輻射源分選，如圖2所示。

圖2 雷達輻射源信號分選發(fā)展脈絡(luò)Fig.2 The development of radar emitter signal deinterleaving

需要指出的是，傳統(tǒng)意義上信號的分選和識別是兩個串行的過程。然而，隨著電磁環(huán)境的持續(xù)復(fù)雜，同時，隨著信號特征提取等處理技術(shù)的創(chuàng)新發(fā)展，信號的分選與識別已經(jīng)沒有嚴格意義上的區(qū)分，往往在對雷達信號分選的同時就實現(xiàn)了對信號的識別；反之，信號的識別也時常作為信號的主分選手段在分選過程中扮演重要角色，同時，識別結(jié)果反饋到分選中，又提高了分選的效率和準確率[4]。因此，分選和識別已經(jīng)不再是兩個獨立的過程，也不再是簡單的串行關(guān)系。目前，已有一大批成果圍繞利用脈內(nèi)調(diào)制特征，并結(jié)合神經(jīng)網(wǎng)絡(luò)等分類器完成信號分選。為了全面梳理分選技術(shù)發(fā)展，本文在涵蓋傳統(tǒng)分選技術(shù)的同時，也將這些不可忽視的新的分選識別交叉技術(shù)考慮在內(nèi)。本文不再對分選和識別進行特別區(qū)分。

2.1 基于脈間調(diào)制特征的雷達輻射源信號分選

雷達偵察系統(tǒng)接收到脈沖信號后，參數(shù)檢測與測量模塊首先對脈沖的到達時間(Time of Arrival,TOA)，載波頻率(Radio Frequency,RF)，脈沖寬度(Pulse Width,PW)，脈沖幅度(Pulse Amplitude,PA) 以及到達方向(Direction of Arrival,DOA) 等主要參數(shù)進行測量。上述的TOA,RF,PW,PA和DOA是脈沖描述字(Pulse Descriptive Word，PDW)最典型的5個瞬時參數(shù)，即經(jīng)測量可直接獲得的參數(shù)。除了瞬時參數(shù)，經(jīng)多次測量或通過計算可得到的參數(shù)為二次參數(shù)，最主要的代表是脈沖重復(fù)間隔(Pulse Repetitive Interval,PRI)。無論是瞬時參數(shù)，還是二次參數(shù)，它們的本質(zhì)都屬于脈間調(diào)制特征，PDW各參數(shù)的物理意義如圖3所示。經(jīng)典的雷達輻射源分選就是基于這些脈間調(diào)制特征展開的，具體可分為模板匹配法和基于PRI兩個研究方向。

圖3 脈沖描述子各參數(shù)的物理意義Fig.3 The physical meaning of each parameter of PDW

2.1.1 模板匹配法

20世紀70年代，電磁環(huán)境比較簡單，輻射源數(shù)量稀少且種類相對固定。在此背景下，模板匹配法應(yīng)運而生，該方法由Saperstein等人[5]提出。模板匹配方法的思路比較簡單，即預(yù)先建立雷達輻射源主要特征參數(shù)數(shù)據(jù)庫，然后通過對接收信號的PDW參數(shù)進行量測并與數(shù)據(jù)庫中的參數(shù)信息進行比對，從而對參數(shù)相同或相近的脈沖進行分選。這種方法操作相對簡單，適用于輻射源較少的場景。然而，隨著雷達信號發(fā)射技術(shù)的迅猛發(fā)展，雷達體制極大豐富，該方法在數(shù)據(jù)庫建立的完備性方面遭遇重大挑戰(zhàn)：首先是對復(fù)雜多變的雷達信號，如參數(shù)捷變信號、參數(shù)隨機信號，難以建立完備的字典；其次是對廣泛存在的非合作輻射源，其信號參數(shù)等先驗信息難以獲取，因此難以預(yù)先在字典中建立相應(yīng)模板；最后隨著脈內(nèi)調(diào)制技術(shù)的發(fā)展成熟，單純依靠PDW參數(shù)的分選呈現(xiàn)出分選力匱乏的現(xiàn)象。

2.1.2 基于PRI的雷達輻射源信號分選

在PDW常規(guī)的脈沖描述字中，TOA參數(shù)比其他參數(shù)容易測，而且對于一個脈沖序列而言，一般其PRI是相對比較穩(wěn)定的。同時，PRI參數(shù)是TOA參數(shù)的一級差，因此，雷達輻射源信號分選的另一個龐大研究分支是基于PRI的分選。典型的方法包括PRI搜索法、PRI直方圖、PRI變換、平面變換法[6]，總體來說，這些方法基本圍繞如何在交疊脈沖流中，估計、提取出比較合理的PRI的問題上展開的。

2.1.2.1 PRI搜索法(試探法)

又稱動態(tài)關(guān)聯(lián)法[7]。該方法的處理流程一般是選擇兩個脈沖分別作基準脈沖與參考脈沖(例如前兩個脈沖)，假設(shè)基準脈沖與參考脈沖的到達時間可分別表示為 TOAbase和T OAref(T OAref＞TOAbase)，則計算二者之間的差值D TOA=TOAref-TOAbase，DTOA 若處于合理區(qū)間，則將D TOA視為一個準PRI。隨后，按照準PRI以一定的PRI容差(考慮實際測量等誤差)進行試探性的擴展搜索，逐一將符合準則的脈沖挑選出來，直到搜索出符合預(yù)設(shè)個數(shù)的脈沖。挑選出來的脈沖序列視為一個雷達的脈沖串，將此脈沖串進行后續(xù)處理，若無法挑選出符合的雷達脈沖串或已經(jīng)挑選出某準PRI下的脈沖串，則重新選取參考脈沖，重復(fù)此過程。PRI搜索法的關(guān)鍵點之一在于PRI容差的選擇。

PRI搜索法在輻射源類型少、PRI參數(shù)固定的簡單電磁環(huán)境中可以達到不錯的分選效果，比較容易實現(xiàn)。但其存在不可忽略的缺點，該方法每一次只挑選一部雷達脈沖列，且要對脈沖流不斷篩選，這造成該方法的計算成本高。同時，該方法對復(fù)雜電磁環(huán)境很難適應(yīng)。特別是當面對信號密集、信噪比(Signal to Noise Ratio,SNR)低或者信號本身具有PRI捷變、隨機調(diào)制等復(fù)雜情況時，該方法的準確率下降明顯。

2.1.2.2 PRI直方圖法

PRI搜索法若想取得較高的準確度，關(guān)鍵在于如何確定合理的PRI。前述的PRI搜索法顯然是比較耗時的，因此相關(guān)學(xué)者圍繞如何在交疊的脈沖流中提取出最可能的準PRI值開展了大量的工作，PRI直方圖法成為基于脈間調(diào)制特征的雷達信號分選中的主流研究方法，比較成熟的方法包括TOA差值直方圖、積累差直方圖(Cumulative Difference Histogram,CDIF)[8]以及時序差直方圖(Sequential Difference Histogram,SDIF)[9]。

整體上，這些PRI直方圖的基本原理是基于各個脈沖的TOA信息，計算不同級TOA差值，并通過統(tǒng)計得到不同級的PRI直方圖，通過設(shè)置一定的合理閾值從直方圖提取出比較合理的PRI值，再通過搜索法進行分選。PRI直方圖法的3種典型算法(即TOA差值直方圖、CDIF、SDIF)的不同之處主要體現(xiàn)在如何用直方圖對準PRI的提取上。需要指出的是，從20世紀90年代CDIF (1989年)以及SDIF(1992年)被提出至今的30年間，相關(guān)科研人員圍繞PRI直方圖進行脈沖分選開展了很豐富的工作。這些工作基本上是以CDIF或SDIF為基礎(chǔ)，結(jié)合具體實際問題，在如門限函數(shù)選擇、預(yù)處理進行脈沖稀釋等方面做了主要改進。盡管這些方法從一定程度提升了分選的準確率，但均是基于直方圖分析展開的。

2.1.2.3 PRI變換法

與PRI直方圖方法同一時期，Nelson[10]從譜變換角度對脈沖流可能的PRI進行提取。具體地，該方法將脈沖流的各脈沖TOA建模為沖擊函數(shù)的和，即

將式(1)進行如下變換可得到一種PRI譜圖，即

其中，τ ＞0，這種變換稱為PRI變換，由式(2)分析可知，這種變換類似于自相關(guān)函數(shù)，同時引入了因子 exp[2πitn/(tn-tm)]，稱為相位因子。自相關(guān)函數(shù)挖掘了脈沖序列的相關(guān)性，使得在真實PRI及其整數(shù)倍處會出現(xiàn)峰值，即出現(xiàn)諧波，而相位因子的引入很大程度上抑制了諧波的影響，代價是增加了運算開支，PRI變換法比PRI直方圖法在運算量上加大了很多。PRI變換法依靠自相關(guān)函數(shù)提取PRI值，因此當雷達發(fā)射脈沖信號PRI具有非恒定特性時(如PRI參差、PRI抖動等)，PRI變換法的效果將大幅下降。針對此問題，相關(guān)學(xué)者從不同角度對該方法進行了改進[11–14]，一定程度擴展了PRI變換法向具有非恒定PRI特性的脈沖流的應(yīng)用，但應(yīng)該指出的是，無論PRI變換法還是改進方法都很難適應(yīng)PRI復(fù)雜變化的雷達信號分選，這是自相關(guān)方法的天然“缺陷”所決定的。

2.1.2.4 平面變換法

與前述方法同一時期，以國內(nèi)胡來招為代表的學(xué)者陸續(xù)提出了平面變換法[15–17]。該方法的本質(zhì)是基于脈沖流的TOA信息將全脈沖以一定方式映射到二維平面，然后對平面寬度進行一定的調(diào)整，通過觀察或自動提取獲得重頻規(guī)律，從而完成脈沖重復(fù)分選。文獻[15]通過將信號分段截取再逐行排列，得到平面矩陣，通過調(diào)整變化得到信號累積特征曲線。而文獻[16]提出了周期性對稱調(diào)制模式的自動搜索算法，避免了人工觀察提取變換特征曲線帶來的準確率低，以及效率慢等缺點。文獻[17]在平面變換法的基礎(chǔ)上提出提取脈沖瞬時PRI算法，該算法不需要調(diào)節(jié)平面顯示寬度，具有一定的可操作性。但本質(zhì)上平面變換法都是假定同一雷達信號脈沖的PRI的變化不劇烈，因此平面變換法很難適應(yīng)復(fù)雜電磁環(huán)境，而且很難對具有復(fù)雜調(diào)制的脈沖進行分選。

綜上所述，基于PRI分選的方法本質(zhì)是利用了TOA信息，對脈沖流中各脈沖的TOA信息進行分析，如統(tǒng)計分析、譜分析、變換分析等，試圖挖掘隱藏在TOA信息之下的各脈沖序列的PRI。但這種方式僅適用于脈沖密度小、輻射源少且PRI參數(shù)比較固定的場景中。當前，隨著雷達信號調(diào)制技術(shù)的不斷升級，PRI捷變、隨機調(diào)制已經(jīng)成熟[18,19]，而且脈沖密度持續(xù)增加，基于PRI分選的方法已經(jīng)難以適應(yīng)復(fù)雜電磁環(huán)境，處理性能也大幅下降。

無論模板匹配還是基于PRI的方法本質(zhì)都是利用了脈間調(diào)制特征進行分選。然而，脈間調(diào)制特征在當今電磁環(huán)境中，對各輻射源的脈沖區(qū)分能力已經(jīng)十分有限。因此，越來越多的學(xué)者將研究重點從脈間調(diào)制特征轉(zhuǎn)移到脈內(nèi)調(diào)制特征的提取上，試圖通過挖掘區(qū)分度更高的脈內(nèi)調(diào)制特征來完成對交疊脈沖流的分選。

2.2 基于脈內(nèi)調(diào)制特征的雷達輻射源信號分選

隨著雷達體制的日益豐富，常規(guī)脈沖雷達信號在電磁環(huán)境中的比重逐漸降低，線性調(diào)頻(Linear Frequency Modulation,LFM)、非線性調(diào)頻(Non-Linear Frequency Modulation,NLFM)、相位編碼等各類調(diào)制信號增加。日益復(fù)雜的電磁環(huán)境不斷地給基于脈間調(diào)制特征的雷達輻射源信號分選方法帶來諸多嚴峻的考驗，相關(guān)研究者開始著力于提取更穩(wěn)定、更細微、參數(shù)交疊更少、區(qū)分度更高的脈內(nèi)調(diào)制特征來解決這一問題[20]。因此，脈內(nèi)調(diào)制特征提取成為雷達輻射源信號分選研究的一個龐大研究分支。

雷達脈內(nèi)調(diào)制特征，按照調(diào)制方式的有意與否，一般可分為有意調(diào)制特征(Intentional Modulation on Pulse,IMOP)和無意調(diào)制特征(Unintentional Modulation on Pulse,UMOP)。

2.2.1 基于有意調(diào)制特征的雷達輻射源信號分選

有意調(diào)制特征是由于雷達波形設(shè)計者為了滿足某些特別的功能，人為地對信號進行相應(yīng)調(diào)制，包括幅度、頻率、相位調(diào)制及兩種或兩種以上的混合調(diào)制等，從而使雷達信號在信號包絡(luò)、頻率分布、相位分布、幅度分布、能量分布等呈現(xiàn)的特征。通過對這些能夠反映雷達信號本質(zhì)信息的脈內(nèi)調(diào)制特征進行分析研究，對于有效識別雷達調(diào)制信號類型和掌握敵方雷達態(tài)勢具有重要意義。因此，基于有意調(diào)制特征的雷達輻射源信號分選是目前雷達信號分選研究領(lǐng)域的主要研究方向之一，每年圍繞該方向有大量的研究成果問世。概括說來，其主要核心研究思路是：通過研究高效的脈內(nèi)特征提取手段，盡可能地提取一些區(qū)分度高、分選力強的特征來完成信號分選。因此，如何提取特征、提取何種特征成為該方向兩個關(guān)鍵研究問題。

早期由于計算機硬件水平有限以及信號調(diào)制類型普遍比較簡單，研究者主要在時域、頻域?qū)π盘柼卣鬟M行提取，比較典型的特征提取方法有時域自相關(guān)法、相位差分法、調(diào)制域分析法、譜相關(guān)法和數(shù)字中頻法等[21]。例如，文獻[22]利用調(diào)制域分析法分析信號相鄰兩個上升零點之間的相位差，一定程度實現(xiàn)了信號分選。但該方法對器件提出嚴格的要求，且受信噪比影響比較大。應(yīng)該指出，這些方法盡管原理簡單，但適用范圍較小，抗噪性較差，難以完成信號分選任務(wù)。

隨后，研究者相繼提出以時頻域為主要代表的其他變換域內(nèi)的特征提取方法，主要包括時頻分析法、模糊函數(shù)法和高階統(tǒng)計量法等。

2.2.1.1 時頻分析法

時頻分析即時頻聯(lián)合域分析，是十分有效的研究時變非平穩(wěn)信號的方法，能夠清晰地描述信號頻率隨時間變化的關(guān)系，是目前雷達信號特征提取的主要手段。典型的時頻分析方法包括短時傅里葉變換(Short-Time Fourier Transform,STFT)、小波變換(Wavelet Transform,WT)[22,23]、Hilbert-Huang 變換、魏格納-威利分布(Wigner-Ville Distribution,WVD)等。研究者依托這些時頻分析手段對信號的時頻分布、包絡(luò)特征[24]、小波脊特征[25,26]、高階統(tǒng)計特征[27]、小波系數(shù)的聚斂性[27]等特征進行分析與提取，實現(xiàn)對不同調(diào)制信號進行識別。

2.2.1.2 模糊函數(shù)法

模糊函數(shù)(Ambiguity Function,AF)是對雷達信號進行分析和波束形成設(shè)計的有效工具，模糊函數(shù)能夠反映信號在時間與相位上的相關(guān)程度，提供信號與本身經(jīng)過時延與頻移后的相似性程度[28]，因此部分學(xué)者利用模糊函數(shù)刻畫雷達信號特征。典型的特征包括AF主脊特征，如主脊方向、慣性半徑及切面重心等特征[29,30]。普運偉先后利用窮舉法、三維圖提取等手段構(gòu)建了AF主脊特征。不過，這一類方法計算量普遍較大，該方向目前主要研究課題為如何加速主脊搜索精度和速度。

2.2.1.3 高階統(tǒng)計量法

高階統(tǒng)計量，又稱為高階累積量或高階譜，典型的如三階譜，即雙譜(Bispectra)。高階統(tǒng)計量具有尺度不變性、時移不變性和抑制高斯噪聲等特性，能夠較好地保留信號的相位信息，因此在雷達信號特征提取中廣泛采用。代表性的工作如文獻[31]通過非參數(shù)化直接估計法得到雷達輻射源信號的雙譜幅度譜，并從雙譜二維切片中提取了盒維數(shù)和信息維數(shù)等復(fù)雜度特征。文獻[32]采用直接法得到雷達信號的雙譜估計，再通過基于廣義維數(shù)方法從雙譜對角切片中提取出3個區(qū)分度大的特征q值作為特征參數(shù)用于信號的分選識別。

總之，基于有意調(diào)制特征的雷達輻射源信號分選的主要研究思路是通過各種信號分析手段不斷放大不同調(diào)制信號的差異程度，但需要指出的是，目前這些方法主要存在3個共性問題：一是這些方法在抗噪性方面普遍表現(xiàn)較差，無法適應(yīng)低信噪比的復(fù)雜電磁環(huán)境；二是大部分方法主要是對雷達信號的調(diào)制類型進行區(qū)分，而對同一調(diào)制類型信號的區(qū)分能力比較差；三是從整體上看，目前的基于脈內(nèi)調(diào)制特征的雷達信號分選識別工作比較分散，研究者運用不同方法提取了種類繁多的特征，但這些特征的泛化性十分有限，往往只對某幾種特定調(diào)制類型信號具有一定的區(qū)分度，且穩(wěn)定性不強，這就造成了目前特征比較多，但具有強泛化性的特征十分稀少的局面。

上述共性問題已經(jīng)得到研究者的重點關(guān)注，這些共性問題可從以下兩個方面予以研究解決。其一是不斷地尋求區(qū)分力、魯棒性更強的變換空間以及研究特征提取、融合新手段來增強分選能力[33]；其二是在利用遷移學(xué)習(xí)來增強算法的泛化性。近年來，基于遷移學(xué)習(xí)的雷達信號分選識別正成為一個新興研究領(lǐng)域[34]。

2.2.2 基于無意調(diào)制特征的雷達輻射源信號分選

無意調(diào)制特征又稱為指紋特征[35]，一般是發(fā)射機內(nèi)部非理想原因引入的附加在信號的特征。無意調(diào)制特征常常隨著雷達個體不同而不同，且人為難以修改，因此基于無意調(diào)制特征的雷達信號分選也稱為雷達輻射源個體識別(Specific Emitter Identification,SEI)。隨著戰(zhàn)場信號環(huán)境的持續(xù)復(fù)雜，雷達調(diào)制方式的逐漸多變，基于有意調(diào)制特征的雷達信號分選的性能不斷下降，而SEI技術(shù)理論上可捕捉到輻射源最難以修改的固有特征，甚至可實現(xiàn)對同一型號、同一批次的不同雷達進行區(qū)分，這種高分辨力使得SEI研究成為近年來雷達信號分選識別的主要研究方向之一。

本質(zhì)上，無意調(diào)制是一種寄生調(diào)制，主要是由于雷達發(fā)射機的頻率源相位噪聲及放大鏈路非線性效應(yīng)等引起的，是雷達輻射源信號的固有特征之一。然而，現(xiàn)實中，這種特征極其細微，在實際中通常比較難以提取。無意調(diào)制特征可大致分為兩類，即附帶調(diào)幅和附帶調(diào)相，其中附帶調(diào)相相對附帶調(diào)幅而言更加穩(wěn)定。多年來，國內(nèi)外研究者圍繞無意調(diào)制特征提取展開了大量的研究，主要包括以下幾個方面：(1)雜散輸出特征，這主要是由于輻射源器件個體差異、頻率源不穩(wěn)定以及眾多器件的非線性特性所導(dǎo)致的諧波、寄生、互調(diào)產(chǎn)生及變頻產(chǎn)物等雜散輸出。不同的輻射源雜散不同，研究者提取了信號包絡(luò)的高階特征，如J值特征[36]、R值特征，高階譜特征、時頻特征[37]等；(2)相位噪聲特征，這主要是由于不同發(fā)射機存在著不同的相位噪聲，代表性工作如文獻[22,38]，可實現(xiàn)在高信噪比條件下的雷達輻射源信號分選；(3)信號包絡(luò)特征，不同的輻射源的脈沖信號具有不同的信號包絡(luò)。典型的工作有提取包絡(luò)的上升或下降沿特征[39,40]，如文獻[41]利用包絡(luò)的上升、下降時間，上升、下降角度及傾斜時間等特征進行分選；(4)調(diào)制參數(shù)特征，不同的輻射源對信號的調(diào)制參數(shù)存在偏差，這些偏差為輻射源分選識別提供了可能，如提取調(diào)幅、調(diào)頻特征[38]；(5)頻率穩(wěn)定度特征，不同的輻射源因振蕩器差異導(dǎo)致了絕對頻率偏差和相對頻率偏差存在差異，因此可提取頻率穩(wěn)定度特征作為輻射源分選的依據(jù)，如文獻[42]提取了FSK信號碼元持續(xù)時間內(nèi)短時頻率穩(wěn)定度特征，實現(xiàn)了對FSK信號電臺的個體識別。

綜上分析，盡管目前理論上供分選的無意調(diào)制特征較多，應(yīng)該指出的是，這些特征在現(xiàn)實中通常差異微弱，且在低信噪比、信號污染等環(huán)境條件下無法實現(xiàn)精準提取，但隨著信號特征提取分析手段的不斷增強，基于無意調(diào)制特征的信號分選正逐漸成為可能，并蘊含廣闊的研究前景。

2.3 基于機器學(xué)習(xí)的雷達輻射源信號分選

機器學(xué)習(xí)(Machine Learning,ML)[43]可以實現(xiàn)從樣本數(shù)據(jù)中獲得規(guī)律并利用規(guī)律對未知數(shù)據(jù)進行預(yù)測，是近年來最受關(guān)注的研究課題之一。機器學(xué)習(xí)目前已經(jīng)廣泛應(yīng)用于數(shù)據(jù)分析與挖掘、圖像識別與處理、語音識別與處理等相關(guān)領(lǐng)域。實際上，越來越多的學(xué)者已經(jīng)開始嘗試在ML的框架下實現(xiàn)對雷達輻射源信號的分選，這成為雷達輻射源信號分選識別的新的發(fā)展趨勢。目前，基于機器學(xué)習(xí)的雷達輻射源分選識別算法包括以下幾個主要研究方向。

2.3.1 基于有監(jiān)督模型的雷達輻射源信號分選

2.3.1.1 基于傳統(tǒng)有監(jiān)督分類的雷達輻射源信號分選

有監(jiān)督分類模型是目前機器學(xué)習(xí)的主要研究方向之一。由于雷達輻射源信號分選問題與分類問題相類似，因此相當一部分學(xué)者在有監(jiān)督分類的框架下研究雷達輻射源信號分選識別問題。這其中除有少部分學(xué)者選用決策樹[44]作為分選模型之外，其余絕大部分工作是結(jié)合支持向量機(Support Vector Machine,SVM)展開的。SVM[45]是機器學(xué)習(xí)最經(jīng)典的算法之一，以高效率、高準確率在機器學(xué)習(xí)中長期占據(jù)核心地位。其主要思想是將低維線性不可分的特征空間向高維進行映射，在線性可分的高維空間內(nèi)構(gòu)建分類器。需要指出的是，現(xiàn)有基于有監(jiān)督分類模型的雷達信號分選識別工作絕大部分都是沿著“信號截獲—特征提取—特征選擇—信號分選識別”這一路線展開的[46]。盡管這些研究相比于傳統(tǒng)的統(tǒng)計方法取得了一定的效果，然而，實際中，在復(fù)雜電磁環(huán)境下這些方法的效果并不理想，主要原因有：首先現(xiàn)有工作主要是基于有監(jiān)督模型展開，這些模型為了獲得較好的泛化能力，需要預(yù)先獲取大量的、有標記的待識別輻射源樣本對分類器進行訓(xùn)練。然而，實際中，預(yù)先獲取非合作輻射源的信號樣本是極其不現(xiàn)實的，且數(shù)以百萬記的樣本的標記需要大量的人力和時間，這些嚴重影響了信號分選識別效率。其次是這些分類器對符合訓(xùn)練數(shù)據(jù)分布的數(shù)據(jù)具有比較好的分類效果，但處理不同分布的數(shù)據(jù)時模型泛化能力較差，模型分選識別的準確度大幅下降。

2.3.1.2 基于神經(jīng)網(wǎng)絡(luò)的雷達信號分選

神經(jīng)網(wǎng)絡(luò)是人工神經(jīng)網(wǎng)絡(luò)的簡稱，是一種模仿生物神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)和功能的數(shù)學(xué)模型或計算模型，用于對函數(shù)進行估計或近似。典型的神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)包括輸入層、輸出層和一個或多個隱藏層。依據(jù)隱藏層數(shù)的多少，通常可將神經(jīng)網(wǎng)絡(luò)區(qū)分為淺層神經(jīng)網(wǎng)絡(luò)和深層神經(jīng)網(wǎng)絡(luò)。神經(jīng)網(wǎng)絡(luò)對數(shù)據(jù)集分布無須任何限制，且具有強大的分類能力，因此廣泛用于雷達輻射源信號分選任務(wù)中。

(1) 基于淺層神經(jīng)網(wǎng)絡(luò)的雷達輻射源信號分選

20世紀80年代，學(xué)者首次將神經(jīng)網(wǎng)絡(luò)應(yīng)用到雷達輻射源信號分選，自此學(xué)者陸續(xù)將反向傳播神經(jīng)網(wǎng)絡(luò)[47]、自組織概率神經(jīng)網(wǎng)絡(luò)[48]、Kohonen神經(jīng)網(wǎng)絡(luò)[49]、RBF神經(jīng)網(wǎng)絡(luò)[50]、自組織特征映射(Selforganizing Feature Mapping,SOFM)神經(jīng)網(wǎng)絡(luò)[51]等應(yīng)用在雷達輻射源分選識別中，盡管取得了一定的效果，然而需要注意的是，大部分神經(jīng)網(wǎng)絡(luò)需要一定的先驗知識或預(yù)訓(xùn)練才可以獲得良好的分類效果，這與雷達脈沖流中常常包含非合作源信號相矛盾，因此在現(xiàn)實場景中的效果不是非常好。

(2) 基于深度神經(jīng)網(wǎng)絡(luò)的雷達輻射源信號分選

上述的淺層神經(jīng)網(wǎng)絡(luò)方法囿于淺層結(jié)構(gòu)而對樣本缺乏強大的擬合能力，因此往往在實際分選中效果不理想，模型泛化能力較差。部分學(xué)者開始嘗試利用以深度神經(jīng)網(wǎng)絡(luò)為代表的深度學(xué)習(xí)(Deep Learning,DL)算法來解決雷達輻射源信號分選問題?？紤]到循環(huán)神經(jīng)網(wǎng)絡(luò)(Recurrent Neural Networks,RNN)相比其他深度神經(jīng)網(wǎng)絡(luò)在處理序列數(shù)據(jù)具有一定優(yōu)勢，因此目前主要工作集中在將RNN及其優(yōu)化版本—長短時記憶(Long Short-Term Memory,LSTM)用于解決雷達信號分選問題。國防科技大學(xué)的Liu等人[52]使用RNN對雷達輻射源進行分選。其利用RNN挖掘了輻射源的高層次特征，實現(xiàn)了對脈沖流的分選，并具有一定的抗噪性。Notaro等人[53]在此基礎(chǔ)上優(yōu)化了歸一化方法，并利用LSTM實現(xiàn)了17個輻射源的識別。另一個較常見的用于雷達輻射源信號分選的神經(jīng)網(wǎng)絡(luò)是卷積神經(jīng)網(wǎng)絡(luò)(Convolutional Neural Networks,CNN)及其改進結(jié)構(gòu)。Cain等人利用脈沖寬度、載頻和脈沖重復(fù)間隔組成的特征空間的三維圖像，并利用CNN成功實現(xiàn)了對58個獨立雷達發(fā)射源的分選。Li等人[54–58]在此方向上也做了較多的工作，針對常規(guī)脈沖分選問題，提出基于迭代卷積神經(jīng)網(wǎng)絡(luò)(Iterative Convolutional Neural Networks,ICNN)的分選新結(jié)構(gòu)。仿真實驗表明，在同樣的參數(shù)設(shè)置下，ICNN 比傳統(tǒng)方法具有更高的分選準確性和對誤差更強的適應(yīng)性。針對高比例丟失脈沖和虛假脈沖等復(fù)雜條件問題，其提出基于卷積神經(jīng)網(wǎng)絡(luò)的重頻類型識別方法CNN-PRIR (Convolutional Neural Networks based Pulse Repetitive Interval Recognition)[54]，該方法利用深度學(xué)習(xí)強大的表示能力建立輻射源脈沖與重頻類型之間的映射關(guān)系進行識別。針對復(fù)雜場景下的雷達輻射源型號識別問題，包括低截獲概率技術(shù)和雷達周期旋轉(zhuǎn)導(dǎo)致的觀測信息不均勻，以及多功能體制雷達和復(fù)雜模式雷達部分模式相同或相似的情況，提出基于注意力機制的多循環(huán)神經(jīng)網(wǎng)絡(luò)(Attention-based Multi-RNNs,ABMR)[56]信號識別方法。

總體來說，目前圍繞基于深度學(xué)習(xí)的雷達脈沖分選的研究工作還不多見，不過可以預(yù)見的是，隨著深度學(xué)習(xí)的再次興起與諸多理論的完善發(fā)展，這必將是一個具有較大潛力的研究方向。但應(yīng)該指出，這一類方法在訓(xùn)練樣本獲取、算法實時性上面臨較大的挑戰(zhàn)：在戰(zhàn)場上，很難獲得大量的訓(xùn)練樣本，特別是很難獲得非合作輻射源的信號樣本供模型進行驅(qū)動，同時模型需要不容忽視的訓(xùn)練時間才能達到收斂效果，很難滿足未來戰(zhàn)場對實時性的要求。

2.3.1.3 基于粗糙集理論的雷達信號分選

粗糙集(Rough Set)理論是波蘭數(shù)學(xué)家Pawlak于1982年提出的一種刻畫不完整性和不確定性知識的數(shù)學(xué)工具。粗糙集理論最大的優(yōu)勢是在無需先驗知識的情況下，僅僅充分利用數(shù)據(jù)本身的內(nèi)部知識，對冗余數(shù)據(jù)或特征進行約簡，挖掘內(nèi)部規(guī)則。目前，在數(shù)據(jù)挖掘、機器學(xué)習(xí)、決策支持系統(tǒng)和模式識別等眾多領(lǐng)域，粗糙集理論均具有廣泛應(yīng)用。

由于雷達輻射源信號也具有不完整性和不確定性，因此使用粗糙集理論進行分類識別具有一定的合理性。近年來，國內(nèi)研究者提出了許多基于粗糙集理論的輻射源識別方法，這些方法在粗糙集理論框架下，將雷達輻射源識別看成是一個分類問題，其對粗糙集理論的具體運用可大概分為兩個方面：其一是直接利用粗糙集理論構(gòu)造分類器，利用約簡得到的規(guī)則的分類功能來識別新的輻射源，代表性工作如文獻[59,60]。其二是利用粗糙集理論對數(shù)據(jù)進行預(yù)處理，識別和刪除無助于給定訓(xùn)練數(shù)據(jù)分類的屬性，提煉出重要的屬性和約簡屬性集，再進一步結(jié)合其他智能算法如神經(jīng)網(wǎng)絡(luò)、支持向量機、遺傳算法等，從而提高分類的準確率、收斂速度等。相較于前者，利用粗糙集與其他智能算法相結(jié)合的分選方法研究更加廣泛，代表性工作包括文獻[61–63]。值得注意的是，粗糙集理論在離散化過程中對噪聲是非常敏感的，若離散化不當，其分類準確性會大幅下降，同時，粗糙集理論在處理大樣本時，對存儲空間的需求也比較大，這些都一定程度制約了這一類方法的實際應(yīng)用。

2.3.2 基于無監(jiān)督模型的雷達輻射源信號分選

在實際中，待分選的輻射源樣本基本上是沒有先驗信息的，同時輻射源個數(shù)也應(yīng)該是未知的，因此從雷達輻射源信號分選的任務(wù)來講，其本質(zhì)更貼近無監(jiān)督聚類模型。幾十年來，相當一部分成果是圍繞無監(jiān)督模型展開的。

按照待分選數(shù)據(jù)的收集方式，一般可將無監(jiān)督聚類任務(wù)分為靜態(tài)聚類和數(shù)據(jù)流聚類。靜態(tài)聚類是傳統(tǒng)的聚類，是指在一個完整的數(shù)據(jù)集中進行聚類。而在相當一部分領(lǐng)域，數(shù)據(jù)的收集往往是動態(tài)的，即數(shù)據(jù)是逐個流入的，這類數(shù)據(jù)一般稱為數(shù)據(jù)流(Data Stream)[64]，典型的數(shù)據(jù)流有傳感器數(shù)據(jù)、網(wǎng)上購物數(shù)據(jù)、社交媒體數(shù)據(jù)等。對于數(shù)據(jù)流而言，不可能等到收集所有點之后再處理，因此只能以一種在線或增量的方式進行處理，這一類方式稱為數(shù)據(jù)流聚類(Data Stream Clustering)。

由于靜態(tài)聚類是經(jīng)典傳統(tǒng)的聚類方式，而數(shù)據(jù)流聚類是近年來剛剛興起的研究領(lǐng)域，因此圍繞靜態(tài)聚類而展開雷達輻射源信號分選的研究比較多，但本質(zhì)上，雷達輻射源信號是一種特殊的數(shù)據(jù)流(脈沖流)，而對雷達輻射源信號的在線分選，就是對這種數(shù)據(jù)流進行在線聚類的過程。雷達輻射源信號以一種在線方式進行分選，更加符合實際需求，因此這一類方法蘊含著較大的研究價值，目前是雷達輻射源信號分選領(lǐng)域最新的研究方向之一。

2.3.2.1 基于靜態(tài)聚類的雷達輻射源信號分選

靜態(tài)聚類主要指傳統(tǒng)的聚類，如K-Means等，是按照批量方式將數(shù)據(jù)劃分成若干個子集，也稱簇(Cluster)，使得同一子集內(nèi)的點盡量相似，而不同子集內(nèi)的點盡量不相似。由于同一部雷達發(fā)射的脈沖之間彼此具有天然的相似性，而這種相似性比不同雷達輻射源的脈沖的相似性普遍要高。自20世紀90年代開始，相關(guān)研究者陸續(xù)嘗試運用聚類對雷達輻射源信號進行分選識別。其中典型的工作主要可分為以下幾個類別：

(1) 基于劃分聚類的分選方法

基于劃分聚類的分選方法通常利用K-Means、模糊C均值等典型的劃分聚類方法對輻射源信號進行分選[65–68]。但劃分聚類算法由于是采用到類中心的距離來對數(shù)據(jù)點進行劃分，因此不能處理任意形狀類簇，這從一定程度上限制了該類方法的適用范圍。

(2) 基于層次聚類的分選方法

層次聚類是聚類算法的一種，通過計算不同類別的相似度創(chuàng)建一個有層次的嵌套的樹。部分學(xué)者運用層次聚類方法完成雷達輻射源分選與識別[69–71]。然而，盡管層次聚類對類的形狀沒有嚴格要求，但在計算量上比較大。

(3) 基于網(wǎng)格聚類的分選方法

基于網(wǎng)格聚類的方法采用空間驅(qū)動的方法，把嵌入空間劃分成獨立于輸入對象分布的單元，形成了網(wǎng)格結(jié)構(gòu)，基于該結(jié)構(gòu)完成聚類。和基于劃分及層次聚類的分選方法相比，基于網(wǎng)格聚類的信號分選方法能夠識別呈非凸面形狀分布的簇[72,73]。然而，此類方法的性能對網(wǎng)格步長、密度閾值兩個參數(shù)的選擇十分敏感，在對未知雷達輻射源信號分選時，易出現(xiàn)“漏批”的情況。

(4) 基于密度聚類的分選方法

基于密度聚類算法假設(shè)聚類結(jié)構(gòu)能通過樣本分布的緊密程度確定，理論上可以發(fā)現(xiàn)任意形狀的簇，是應(yīng)用十分廣泛的聚類方法，因此，很多學(xué)者提出了基于密度聚類的信號分選方法[74,75]，然而，這些方法也依賴預(yù)先定義鄰域半徑等先驗知識，且計算復(fù)雜度比較高。

(5) 基于模糊聚類的分選方法

模糊聚類算法是模糊理論與聚類分析相結(jié)合的產(chǎn)物，其擴展了數(shù)據(jù)隸屬度的取值范圍，尤其是對類與類之間有交叉的數(shù)據(jù)樣本集能夠進行有效的聚類。部分學(xué)者將模糊聚類方法用于解決信號分選問題，其中比較有代表性的有基于模糊C-均值的信號分選方法[76–78]，但值得注意的是，模糊聚類方法的計算復(fù)雜度較高，不適用于大數(shù)據(jù)量的情況。

盡管將信號分選視為聚類問題理論上取得一定的效果，但不可忽視的是靜態(tài)聚類方法對數(shù)據(jù)的分布通常具有一定的限制，同時待分選的信號通常數(shù)量巨大，靜態(tài)聚類方法在計算任意兩點相似度時耗費大量的計算資源，因此在實時性方面不盡理想。

2.3.2.2 基于數(shù)據(jù)流聚類的雷達輻射源信號在線分選

數(shù)據(jù)流是指大量連續(xù)到達的、潛在無限的數(shù)據(jù)有序序列，數(shù)據(jù)流聚類是數(shù)據(jù)挖掘領(lǐng)域的重要手段，本質(zhì)上，雷達輻射源信號是一種特殊的數(shù)據(jù)流(脈沖流)，而對雷達輻射源信號的在線分選，就是對這種數(shù)據(jù)流進行在線聚類的過程。從此意義上講，雷達輻射源信號在線分選完全可抽象為一個特殊的數(shù)據(jù)流聚類問題。

近年來，作者及所在團隊率先成功將數(shù)據(jù)流聚類思想引入到雷達輻射源信號分選領(lǐng)域，并且較為完整地構(gòu)建了基于數(shù)據(jù)流聚類思想的雷達輻射源在線分選理論統(tǒng)一框架，取得了一系列具有一定開創(chuàng)性的代表性成果[79–82]，實現(xiàn)了雷達輻射源信號的在線式、非監(jiān)督式分選。

本團隊首先針對基于數(shù)據(jù)流聚類的雷達輻射源信號在線分選問題進行了數(shù)學(xué)建模與分析，并從數(shù)據(jù)流聚類角度出發(fā)，提出了基于數(shù)據(jù)流聚類的雷達輻射源在線分選處理的統(tǒng)一框架(如圖4)，奠定了基于數(shù)據(jù)流聚類的雷達輻射源信號在線分選實現(xiàn)的基礎(chǔ)。從該框架可以看到，框架可分為兩個階段，即靜態(tài)學(xué)習(xí)和動態(tài)聚類。數(shù)據(jù)流相應(yīng)分為兩個部分，用于靜態(tài)學(xué)習(xí)階段的數(shù)據(jù)稱為支撐點(Supporting Points)，而用于動態(tài)聚類的數(shù)據(jù)稱為流入點(Streaming Points)。首先選用某種靜態(tài)聚類方法對支撐點進行處理，所得的靜態(tài)結(jié)果作為初始化結(jié)果保存在聚類概要中。此后，整個數(shù)據(jù)流聚類的過程本質(zhì)上是對該聚類概要的在線維護過程。具體地，對于流入點而言需要依據(jù)某種判決判斷其為在群點(Inlier)還是離群點(Outlier)。在群點表示該點可以由當前聚類概要所代表的模式所概括，而離群點則相反。對于在群點，直接將其更新到聚類概要中，而對于離群點要暫存在離群點儲存池中。針對輻射源的演化行為，該框架設(shè)計了類演化判斷部分來實時監(jiān)測各類(輻射源)的行為，確保及時發(fā)現(xiàn)與適應(yīng)數(shù)據(jù)流中存在的演化形式。傳統(tǒng)的分選方法對信號采用批量處理方式，忽略了脈沖流中蘊含的時間信息?；跀?shù)據(jù)流聚類的雷達輻射源信號在線分選可挖掘脈沖流的動態(tài)特性。

圖4 基于數(shù)據(jù)流聚類的雷達輻射源在線分選處理統(tǒng)一框架Fig.4 A unified framework for online radar emitter deinterleaving based on data stream clustering

本團隊針對低維特征空間下的雷達輻射源信號在線分選問題，提出I-STRAP (Improved-STReam Affinity Propagation)算法[79]，詳細分析并定義了雷達輻射源的動態(tài)特性所對應(yīng)的演化形式，針對輻射源出現(xiàn)、消失、復(fù)現(xiàn)3種演化形式設(shè)計了檢測方法，取得了不錯的分選效果。

考慮到目前用于分選的特征維度普遍較高，傳統(tǒng)的基于距離相似度度量的聚類方法在高維空間中不再有效的問題，本團隊提出EDSSC (Evolutionary Dynamic Sparse Subspace Clustering)算法，并實現(xiàn)了高維空間的輻射源個數(shù)自估計，通過提出平均稀疏凝聚指數(shù)ASCI (Average Sparsity Concentration Index)替代了傳統(tǒng)的基于距離度量的相似度計算，實現(xiàn)了高維空間下的雷達輻射源信號在線分選[80,81]。

實際中，由于各個輻射源的功能、工作時間差異較大，同時一些非合作輻射源的脈沖通常比較難以獲取，這往往造成在收集到的脈沖流中，各輻射源的脈沖數(shù)量彼此不均衡，甚至差異巨大。這種數(shù)據(jù)量不平衡現(xiàn)象對于基于有監(jiān)督模型的分選方法以及基于傳統(tǒng)聚類的分選方法均會造成較大影響。針對此問題，本團隊創(chuàng)新提出DI-ESC (Dynamic Improved Exemplar-based Subspace Clustering)算法[82]。DI-ESC通過一種二次采樣機制，削弱了原本數(shù)據(jù)之間的不平衡度，再通過計算數(shù)據(jù)之間的ASCI，完成高維空間的數(shù)據(jù)在線聚類，從而實現(xiàn)了對非均衡演化數(shù)據(jù)流的輻射源在線分選。

文獻[79–82]系統(tǒng)驗證了在數(shù)據(jù)流聚類框架下解決雷達輻射源在線分選問題的可行性和先進性，是雷達輻射源在線分選的新的發(fā)展趨勢之一，應(yīng)該指出的是，這一方向尚處于發(fā)展研究階段，還有一些問題尚需要進一步研究與解決，比如如何在高脈沖丟失率、高脈沖交疊等更復(fù)雜的電磁環(huán)境下實現(xiàn)在線分選，但不可否認的是，這一思路使得雷達輻射源在線分選工作更貼近實際，效率也更高，因此該方向蘊含較大的發(fā)展?jié)摿Α?/p>

3 雷達輻射源信號分選尚存問題及未來方向

長期以來，雷達輻射源分選始終是電子偵察領(lǐng)域的重點研究問題。盡管目前圍繞雷達輻射源信號分選研究成果層出不窮，但整體來看，雷達輻射源信號分選工作尚存在不足之處，需要突破現(xiàn)有瓶頸，才能滿足日益復(fù)雜的電磁環(huán)境的需求。

3.1 雷達輻射源信號分選尚存問題

現(xiàn)有的各算法普遍成熟度不夠，實際應(yīng)用范圍有限，主要體現(xiàn)在以下幾個方面：

(1) 對高密度、脈沖交疊嚴重等非理想情況考慮普遍不充分

現(xiàn)有方法普遍基于比較理想的假設(shè)，即脈沖信號已被完整偵收，信噪比保持在較高水平，然而，實際戰(zhàn)場情況遠非如此，非理想情況普遍存在，一方面受電磁干擾影響，信噪比通常較低；另一方面，電磁環(huán)境擁堵嚴重，高密度雷達脈沖極易導(dǎo)致偵收端脈沖交疊率高、脈沖丟失嚴重等情況。這些非理想情況導(dǎo)致現(xiàn)有模型實測能力遠遠低于理論分選能力，極大程度限制了眾多模型的實際應(yīng)用范圍。

(2) 模型泛化能力普遍不強

整體來看，現(xiàn)有方法的另一個普遍問題是各模型的泛化能力不足。歸結(jié)起來主要有兩點原因，其一是由于目前所提取的脈內(nèi)特征對信號的分選能力還不強，通常僅能在特定情況下區(qū)分幾種單一調(diào)制方式信號，且通常無法分選復(fù)合調(diào)制信號，從而導(dǎo)致一種方法只能分選某幾種調(diào)制方式的信號，這種對信號流中預(yù)先假定僅存在幾種調(diào)制方式的強假設(shè)嚴重影響了模型的泛化能力；其二是由于分類器需要大量樣本進行訓(xùn)練，造成分類器在訓(xùn)練樣本存在過擬合現(xiàn)象，導(dǎo)致了分類器對信號數(shù)據(jù)的分布高度敏感，很難進行面向具有其他分布信號數(shù)據(jù)的推廣。

(3) 實時響應(yīng)普遍較差

除基于數(shù)據(jù)流聚類的雷達輻射源信號在線分選方法外，目前眾多方法均采用的是批量處理方式，即統(tǒng)一收集再處理，這種方式本身就不能滿足雷達信號分選實際任務(wù)的快速響應(yīng)的需求。同時，由于目前眾多方法采用有監(jiān)督分類器、神經(jīng)網(wǎng)絡(luò)甚至是深度神經(jīng)網(wǎng)絡(luò)方法完成信號分類，勢必會面臨不可忽視的訓(xùn)練時間長、模型復(fù)雜度高等問題，這些嚴重消耗了計算資源和影響了模型響應(yīng)時間。以基于深度學(xué)習(xí)的雷達輻射源信號分選為例，模型需要大量有標簽樣本進行模型訓(xùn)練，這些樣本的收集、貼標簽等工作本身便需要消耗相當大的時間和人力，再加上不可忽視的模型訓(xùn)練時長才能保證模型性能達到收斂，導(dǎo)致這些方法在實時響應(yīng)方面性能不盡理想。

(4) 缺乏對雷達輻射源脈沖流動態(tài)特性的挖掘

現(xiàn)有方法對雷達輻射源的動態(tài)特性考慮不足，導(dǎo)致模型在開發(fā)設(shè)計時便缺少對輻射源脈沖流動態(tài)特性處理能力。眾所周知，雷達輻射源在戰(zhàn)場上具有很強的動態(tài)特性，部分雷達輻射源具有多功能特點，常常會根據(jù)執(zhí)行任務(wù)的變化而發(fā)生變化，這些動態(tài)特性往往蘊含更大的態(tài)勢信息，預(yù)示著態(tài)勢的變化。目前大部分方法僅在調(diào)制方式層面對輻射源進行了分選，而無法完成針對同一輻射源的不同調(diào)制信號的分選，對輻射源脈沖流動態(tài)特性缺乏實時處理能力。

3.2 雷達輻射源信號分選未來方向

基于上述針對現(xiàn)有雷達輻射源信號分選眾多方法模型的分析與研究，對雷達輻射源信號分選未來的發(fā)展趨勢判斷如下：

(1) 實現(xiàn)非理想情況下的模型升級研究

雷達輻射源信號分選工作在未來必然要從理論轉(zhuǎn)向?qū)嶋H，因此圍繞這一目標，目前方法將完成面向非理想情況的模型升級，這要求模型具備在高密度脈沖流中完成分選的能力，同時能夠應(yīng)對實測數(shù)據(jù)中可能出現(xiàn)的脈沖交疊、脈沖丟失以及同時低信噪比等非理想情況。

(2) 模型泛化能力提升研究

雷達輻射源信號分選研究的另一個趨勢將是提高模型泛化能力。這將從兩方面入手，其一是引入新的特征提取方法，在更多的變換域內(nèi)提取分選力、抗噪性強的特征；其二是結(jié)合以遷移學(xué)習(xí)、不均衡學(xué)習(xí)、小樣本學(xué)習(xí)、零樣本學(xué)習(xí)為代表的新興的人工智能技術(shù)，著重研究實現(xiàn)非監(jiān)督或半監(jiān)督條件下的分選，拓展模型在不同數(shù)據(jù)集的泛化能力。

(3) 在線分選方法研究

戰(zhàn)場瞬息萬變，對雷達輻射源信號分選的實時性要求也持續(xù)加大，因此在線分選方法將是未來主要研究趨勢之一。以數(shù)據(jù)流聚類為代表的在線學(xué)習(xí)、增量學(xué)習(xí)方式勢必將得到廣泛關(guān)注并與雷達輻射源信號分選任務(wù)繼續(xù)融合。

(4) 輻射源脈沖流動態(tài)特性研究

雷達輻射源信號是以脈沖流的形式存在并被接受的，其本身蘊含著重要的時間維度信息，然而目前對脈沖流隨時間變化信息的挖掘能力依然不足，但其實這些信息不可忽視。這些信息揭示著雷達輻射源的動態(tài)行為變化，代表著戰(zhàn)場態(tài)勢的改變，具有十分重要的價值。因此，這一信息的挖掘必將成為另一個重要研究方向，即提高分選算法對脈沖流動態(tài)特性的研究，著重發(fā)現(xiàn)變化時刻并掌握變化規(guī)律，結(jié)合在線挖掘及異常檢測技術(shù)，挖掘更強的特征手段以及演化檢測機制，實現(xiàn)更準確地對脈沖流動態(tài)特性挖掘。

4 結(jié)論

雷達輻射源信號分選是戰(zhàn)場偵察系統(tǒng)的關(guān)鍵技術(shù)之一，是戰(zhàn)場態(tài)勢感知的重要基礎(chǔ)，因此雷達輻射源信號分選技術(shù)始終得到廣泛關(guān)注與研究。然而，對雷達輻射源信號分選技術(shù)仍缺乏系統(tǒng)與全面的梳理。本文系統(tǒng)闡述了雷達輻射源信號分選的研究進展，特別對基于深度神經(jīng)網(wǎng)絡(luò)、數(shù)據(jù)流聚類等新型分選技術(shù)進行了闡釋，還分析了目前分選技術(shù)所面臨的嚴峻挑戰(zhàn)以及未來可能的發(fā)展趨勢。作者認為隨著雷達技術(shù)的迅猛發(fā)展，電磁環(huán)境的持續(xù)復(fù)雜，雷達輻射源信號分選將面臨更嚴峻的挑戰(zhàn)。因此，雷達輻射源信號分選技術(shù)需要不斷解決非理想、無監(jiān)督或半監(jiān)督、輻射源具備高動態(tài)特性條件下的分選問題，提高分選技術(shù)的實時性與泛化性，不斷推動分選技術(shù)迎合戰(zhàn)場實際需要。