雷达辐射源识别技术新进展

刘松涛， 赵 帅， 汪慧阳

(海军大连舰艇学院，辽宁 大连 116018)

0 引 言

现代海空战场日益复杂的电磁环境、日趋激烈的雷达攻防手段、信息制胜日渐凸显的战场背景愈发考验雷达对抗信息处理的技术及装备水平。雷达对抗信息处理的核心之一是雷达信号识别，其通过比较被测辐射源信号参数与数据库中预先存放的辐射源参数来确认该辐射源本来的属性。雷达信号识别通常包括辐射源识别、辐射源载体识别、威胁等级确定以及识别可信度估计。辐射源识别是保证充分发挥雷达对抗侦察和干扰效能的重要基础，根据辐射源的性能、空间位置以及与其他辐射源的联系，判断辐射源载体(如：飞机或导弹)，可进一步根据辐射源性能、载体、当前工作状态以及距离远近，判断威胁等级。辐射源识别主要指分析截获的雷达信号，提取其工作参数和特征参数(含常规特征、脉内特征与个体特征)，并利用特定识别方法获取该雷达的用途、型号、个体和工作状态等信息。辐射源识别的含义是随着侦察对象的发展而丰富的，早期简单电磁环境下的辐射源识别主要指雷达用途和型号识别。但在复杂电磁环境下,飞机、舰艇等平台装备的雷达系统大多型号相同或者工作参数接近，仅依靠载频、重频、脉宽、脉幅和脉冲到达角等常规参数已不能识别雷达辐射源，同时仅识别型号也不能充分满足作战需求，必须更进一步地识别这些辐射源个体，才能更准确、深入地把握战场态势，因此辐射源识别加入了个体识别。再者，仅仅利用型号识别也无法确定多功能雷达的威胁程度，这是因为多功能雷达的能力和威胁程度取决于其正在执行的任务和工作状态，因此，发展出了雷达工作状态识别。随着辐射源识别含义的拓展，面临的挑战也越来越大，主要表现在：1)现代战场中电磁信号不仅十分密集，而且雷达信号、通信信号及其他各种电磁信号混杂在一起，增加了雷达辐射源识别的难度；2)夹杂在雷达信号中的各种噪声，以及极其相似的干扰信号给精准识别雷达辐射源带来了更大的难度；3)实际作战环境中雷达同种型号不同个体、同一雷达不同环境的信号互相都有差异，同一辐射源在不同距离的信号特征参数也不一致，导致辐射源个体识别(Specific Emitter Identification, SEI)困难重重；4)新体制雷达信号样式复杂，工作模式多，即使是同一种工作模式，噪声也会导致雷达信号在一定范围内变化，增加了辐射源识别难度；5)现代化雷达种类繁多、工作参数复杂且新型雷达层出不穷，很难做到对所有类型的雷达建立完善的数据库。上述挑战使得传统的雷达辐射源识别技术难以适应现代战场要求，迫切需要向智能化、自适应化、动态化等认知方向发展。

文献[1]从特征提取、分类识别两个方面进行了综述，其中特征参数选择与评估、多传感器识别是亮点；文献[2]从特征提取、分类识别、SEI和多传感器融合识别四个方面进行了综述，两者基本思路都是从辐射源识别的阶段划分进行综述。本文首先给出雷达辐射源识别的框架，从特征提取、特征选择和分类识别三个阶段阐述了辐射源识别过程；然后，从辐射源识别面临的任务综述新进展，重点是信号波形识别、个体识别和工作状态识别的研究现状；最后，对辐射源识别的发展热点和趋势进行概括总结，为全面了解和掌握雷达辐射源识别的研究进展提供参考。

1 雷达辐射源识别框架

图1是雷达辐射源自动识别框架。针对信号接收系统截获的雷达信号，首先，通过预处理剔除无效数据；然后，对数据进行特征提取，利用全脉冲数据对信号进行分选，获得辐射源常规特征参数及其相应类型，利用全脉冲分选数据和脉内数据，获得信号的个体特征，利用脉內数据对脉內调制类型进行识别，获得信号的脉内调制类型；最后，结合常规特征、脉内特征和个体特征实现对辐射源类型、型号、个体和工作状态的识别。

图1 雷达辐射源自动识别框架

对已知辐射源，首先利用几个典型全脉冲数据完成型号识别和平台识别，有了目标先验知识后，再进行信号样式识别和工作状态识别。对未知辐射源，首先，进行信号样式识别和工作状态识别;然后，推测其辐射源类型。

(1)特征提取

特征提取包括常规特征提取、脉内特征提取和个体特征提取。常规特征提取主要指雷达信号的脉间特征提取，包括载频、重频、脉宽、脉幅和脉冲到达角。脉内特征提取，主要是识别脉内调制类型，常称为信号波形识别。雷达电路和器件具有非理想特性，但个体特征是附加在雷达信号上的固有属性，不会受到雷达工作参数改变的影响。个体特征可以从全脉冲数据提取(如：脉间特征参数)，或从脉内数据提取(如：脉冲上升沿)，是更加细微且稳健的特征。

除了特征提取，特征参数建模效果的好坏也会影响辐射源识别的性能。特征参数建模方法主要包括以下三种：1)统计参数模型。利用分选后脉冲序列各个特征的统计信息来表征该组脉冲，是迄今为止应用最为广泛的雷达辐射源信号模型，由于情报获取渠道的多源性、各种干扰和噪声的存在以及固有的测量误差，特征参数会存在区间和残缺类型的不确定性，因此，该模型能够反映特征参数的整体变化，但无法体现参数间的联合变化，也不能表征多功能雷达发射波形的结构组成。2)脉冲序列参数模型。主要利用模板数据库中存储的脉冲样本，对分选后的目标雷达辐射源信号进行脉冲匹配得到识别结果。该模型能够反映信号的时序特征和各参数的联合变化规律，但没有对信号的整体特征进行描述，且对存储空间的需求大。3)句法模型。该模型能够更清晰地表征多功能雷达内部状态与外部信号之间的联系，并反映出状态信号的变化规律，反映出多功能雷达的信号特点和状态转换规律，非常适合于研究多功能雷达信号处理技术。

(2)特征选择

雷达辐射源识别的特征参数多而杂，如何选择合适的特征参数用于分类识别是关键环节。特征选择是指针对雷达信号的多个特征参数，通过性能评估来选择合适的特征参数。比较有效的特征选择方法包括：基于粗糙集的特征选择法、基于主成分分析的特征选择法等。目前，对特征参数综合评估和选择尚处于起步阶段，还没有深入细致的研究。

(3)分类识别

分类识别方法主要经历了模板匹配识别、人工智能识别、数据融合识别、深度学习识别等发展阶段。

模板匹配识别是将载频、脉冲重复频率、脉宽、脉幅等雷达参数直接与已知雷达辐射源信息进行匹配来识别雷达型号等信息。主要应用在电磁环境简单、信号密度不高、特征参数稳定的场景。

人工智能识别主要包括专家系统方法、神经网络方法和支持向量机(Support Vector Machines, SVM)方法等。雷达辐射源信号参数具有非线性特性。由于支持向量机具有对非线性数据的分类能力、强大的自学习和自适应能力的特点，以及对先验知识的低依赖性，因此逐渐成为辐射源识别领域的热点研究方向。

由于单传感器雷达侦察获取的信息量有限，难以减少误差的干扰，无法实现良好的识别效果，因此，数据融合识别被提出，多传感器获取的多源情报保证了辐射源识别的准确度。与数据融合识别类似，组合分类识别是将多个识别方法进行融合。在雷达辐射源识别中，特征参数类型多种多样，如标量型、区间型、函数型、序列型、残缺型等，如何构造一种组合分类器能够同时，实现对上述几种类型特征参数的融合识别值得研究[3]。

深度学习识别具有较强的特征挖掘及建模能力，能够高效描述复杂系统内部元素间的相互关系，且其在信息建模时跨过了特征设计阶段，直接从原始数据或简单预处理数据中进行特征提取和筛选。深度学习算法通过大量学习迭代，动态更新神经元权值，具备自主学习及动态智能化能力。由此看来，深度学习与雷达侦察的发展方向颇为契合。基于深度学习的雷达辐射源识别是当前雷达侦察认知化发展的重要途径，必将显著提高雷达侦察的智能化水平。

(4)识别结果

从辐射源特征角度，根据特征的表征程度，结合不同的分类识别方法，识别结果可以是信号波形、雷达类型、雷达型号、雷达个体或工作状态。

雷达工作状态是以所接收的信号参数，包括雷达脉冲描述字、雷达的调制模式等为基本依据来判定的目标雷达所处的状态，如搜索、跟踪、制导等。电子对抗时，一旦敌方雷达进入跟踪状态，意味着威胁程度严重，必须及时准确进行雷达侦察告警，并根据威胁程度实时进行干扰资源分配才能充分发挥干扰效果。雷达工作模式是雷达具体功能状态下的脉冲序列组成。从多功能雷达角度，雷达工作模式就是雷达短语，而雷达短语是串联的有限数目雷达字，雷达字又是固定排列的有限数目脉冲。比如：“水星”多功能雷达的搜索状态有7种工作模式。

2 雷达辐射源信号波形识别研究现状

信号调制方式是重要的雷达信号脉内特征，雷达信号波形识别就是对信号调制方式进行识别。针对信号调制方式等脉内特征分类器的选择，基于分类、回归的机器学习方法主要为浅层网络结构，当样本数量有限时，难以拟合复杂结构函数，也不能有效地对愈发复杂的信号脉内特征建模。随着深度学习理论的应用拓展，近年来涌现出了众多基于深度学习的辐射源信号波形识别新算法，展现了优异的性能。本文将其归结为基于时频变换域的信号波形识别方法、基于高阶统计量的信号波形识别方法和基于信号序列的信号波形识别方法。

2.1 基于时频变换域的信号波形识别方法

基于时频分析的雷达波形识别算法框架如图2所示。首先，天线侦收到敌方发出的射频信号经过一系列操作，输出可处理的中频信号；然后，通过时频分析算法处理中频信号得到时频图；接着，利用人工标注数据训练深度学习网络；最后，输入后续侦收到的未知信号进行波形的检测识别。该类方法的关键在于通过时频分析算法获取高质量的雷达信号时频变换域特征或时频图像。雷达信号是典型的非平稳信号，需要从时间与频率两个维度对其进行特征提取，获得的时频特征具备对雷达信号的唯一可辨性。常用的时频分析方法主要包括：短时傅里叶变换(Short-Time Fourier Transform, STFT)、小波变换、Wigner-Ville分布(WVD)及其变式、Bord-Jondan分布(BJD)以及Choi-William分布(CWD)。

图2 雷达波形识别算法框图

对时频图像的预处理算法是该方向上众多学者的研究重点。文献[4]首先采用随机投影法和主成分分析法对STFT时频图像降维；然后，搭建堆栈自编码器(Stacked Auto Encoder, SAE)模型，并通过无监督训练及有监督精调确定模型参数；最后，采用逻辑回归分类器Softmax完成识别任务。文献[5]提出了一种DAE+CNN的辐射源识别算法，该算法提取降噪自编码器(Denoising Auto Encoder, DAE)中间层输出以获得降维效果更好的STFT时频图像，并利用卷积神经网络(Convolutional Neural Network, CNN)实现快速准确识别。文献[6]利用小波变换来获得时频图像，搭建栈式降噪自编码模型(SDAE)提取时频图像特征，并利用集成学习思想构造集成多个不同SVM组合分类器的模型进行识别。文献[7]研究WVD时频图像的噪声统计特性并进行去噪处理，将图像输入自行设计的CNN结构实现对5种信号的识别。

针对多分量信号，WVD容易产生交叉项干扰，因此衍生出了伪维格纳-维尔分布 (Pseudo Wigner-Ville distribution，PWVD)、平滑PWVD(Smoothed PWVD，SPWVD)两种变体以抑制交叉项干扰的影响，文献[8]结合三种WVD图像，利用非负矩阵分解网络和不同的CNN进行训练，对其结果利用SAE进行融合和SVM分类，并利用人工蜂群算法进行集成学习。该方法充分利用了图像处理领域大量的CNN，比如：VGG-19, ResNet-50, GoogleNet等，适用于大量不同类型不同信噪比的雷达信号识别。文献[9]采用深度卷积生成对抗网络(Deep Convolutional Generative Adversarial Network, DCGAN)对BJD时频图像进行二次生成，有效去除了噪声，改善了图像时频结构和聚集性。除了以上提到的四种时频变换方式，文献[10]使用CWD生成时频图像，结合优化超参数后的CNN，实现了对12种低截获概率(Low Probability of Intercept, LPI)雷达信号识别。

CNN优化方面，文献[11]在较早的时候便进行了细致的研究，针对8种LPI信号的识别问题，对CNNs的卷积层数量、隐藏单元数量及池化层种类进行了对比优化，确定出最为适合其算法的CNN超参数。文献[12]详细总结了CNN的优化方法，并应用到雷达辐射源识别。LPI雷达多采用伪随机编码，针对伪随机序列相位调制信号的时频图像难以区分的问题，文献[13]提出了特征融合的CNN分类方法，即一个CNN的输入为时频图像，一个CNN的输入为经过预处理的相位信号，并通过特征融合层和经Softmax分类器输出识别效果。

针对LPI雷达信号脉冲检测可能不准确的问题，文献[14]首先用STFT将信号转化成时频图像；然后，利用Hough变换检测时频图像中的脉冲；最后，用时频图像中包含脉冲的区域来训练CNN。

文献[15]摒弃传统的图像分类做法，使用SSD和YOLOv3目标检测模型对LPI雷达时频图像中的信号进行检测识别。由于目标检测不仅可以从时频图中自动提取特征，还可以定位图像中目标信号的区域，因此，很好地解决了时频图像中非目标脉冲信息的干扰问题。

以上所提及的研究均是对时频图像整体进行操作，而文献[16]将时频图像按列分割，把一幅时频图按照时间轴转换为多个向量输入给长短时记忆网络(Long Short-Term Memory, LSTM)，实现对信号各频率分量的时序变化建模。与时频图像整体处理的方法相比，该方法进一步缩短了处理时间。

总结上述研究，CNN作为该方向主流分类器，对其优化大多采用人工设置多组超参数，依次训练对比结果的方式，智能化、时效性还有待加强。

2.2 基于高阶统计量的信号波形识别方法

对复杂电磁环境下的雷达信号特征分析与提取，基于高阶统计量的信号波形识别方法优势明显，主要表现在：1)高阶统计量包含的信息更多；2)高阶统计量可以有效降低高斯噪声对识别的影响；3)高阶统计量的相位特性使其对线性相移不敏感。上述特性使得高阶统计量适合于低信噪比(Signal Noise Ratio, SNR)信号的波形识别。常见的高阶统计量有：复包络矩及积累量、最大互相关时滞等二阶统计量；瞬时相位标准差、瞬时频率标准差等瞬时信号特征以及功率谱密度(Power Spectral Density, PSD)特征等。

在基于高阶统计量的雷达信号识别方法中，大多是将高阶统计量与少数时频图像代数特征如图像的中心矩、伪Zernike矩、瞬时斜率等结合起来共同作为特征参数。文献[17]搭建双多层感知机网络(Multilayer Perceptron, MLP)，为剔除冗余特征和减小计算复杂度，使用基于最大化类别与特征间互信息的贪婪算法为两个网络选取最优特征，实现对8种LPI雷达信号的识别。在文献[17]的基础上，文献[18]使用骨架提取、主成分分析等图像处理操作优化了WVD时频图像代数特征提取效果，使用双三层Elman神经网络代替MLP实现了更好的识别准确率。

仅依靠高阶统计量的信号识别方法多应用于通信信号识别领域，该类方法也可为信号波形的识别提供一定的参考。文献[19]结合通信信号调制特点，使用包括PSD峰值在内的三种关键参数实现了对6种数字调制信号的识别。文献[20]提取21种特征构建标签数据集，训练的深度神经网络(Deep Neural Network, DNN)可对包括16QAM、64QAM在内的5种信号进行准确识别。文献[21]构建维度为14的特征向量训练所搭建的SAE-DNN模型，同时为更好地模拟真实信道，考虑了频率选择性衰落、多普勒频移等因素。以上研究都对调制信号机理进行了深入的数学研究，精心挑选特征参数，更好地模拟真实环境可提高算法的实用性，但对雷达信号识别算法大多仅考虑高斯白噪声的影响，与真实环境仍有较大差距。

基于高阶统计量的信号识别方法最大的弊端是需人工设计和特征选择，不仅费时费力，专业知识储备要求高，还需对不同的雷达信号类型设置不同的特征参数组。

2.3 基于信号序列的信号波形识别方法

基于信号序列的信号波形识别方法跳过时频变换及人工设计特征阶段，直接利用雷达信号的时间序列实现信号识别，大大减小了模型复杂度，可较容易地应用到工程实践。通常进行特征提取和识别的网络包括：BP神经网络、径向基(Radial Basis Function, RBF)网络、一维CNN网络以及循环神经网络。

文献[22]依据奈奎斯特采样定理对雷达信号采样，得到时域序列，将其作为所提取的信号特征，使用流形学习中的LLE算法对信号进行特征选择来高效约简降维，随后通过BP或RBF神经网络分类器进行分类识别得出结果。文献[23]首先将雷达信号目标数据输入深度限制玻尔兹曼机(Restricted Boltzmann Machine, RBM)模型；然后，逐层自底向上执行无监督学习获得网络初始权值；接着，用后向传播算法对整个模型进行有监督的权值调谐；最后，基于Softmax进行分类识别。循环神经网络适用于对序列型数据进行建模，可以很好地分析序列间的时间依赖性。文献[24]对7种时序雷达信号进行等间隔采样获得信号序列，利用min-max标准化处理和one-hot向量编码后分别输入双向长短时记忆网络和复杂度更小的双向门控循环单元网络，实现了较好的识别效果。

除了对原始信号序列进行信号波形识别，还可以对变换后的序列进行识别，以提高波形识别的可靠性。文献[25]提出一种基于多尺度信息熵(Multiscale Information Entropy, MSIE)的雷达信号识别方法，具体是通过符号聚合近似算法在不同字符集尺度下将雷达信号转换为符号化序列，并联合各符号序列的信息熵值，组成MSIE特征向量，使用k-NN分类器实现雷达信号识别。

基于信号序列的信号波形识别方法研究较少，该类方法的普适性和抗噪性还有待深入研究。

3 雷达辐射源个体识别研究现状

SEI是指“将辐射源的唯一电磁特征与辐射源个体关联起来的能力”。辐射源个体的唯一电磁特征如同人的指纹一样具有唯一辨识性，因此该特征又称为指纹特征。指纹特征通常为辐射源信号携带的无意调制(Unintentional Modulation on Pulse, UMOP)特征，该特征可分为暂态特征和稳态特征，基于信号特征的个体识别方法也基于此分为两大分支。除了基于信号特征的个体识别方法，还有基于数据的个体识别方法。该类方法是通过数据间的隐含规律实现不同类型辐射源的个体识别，通常需要大量的训练样本。

3.1 基于暂态特征的辐射源个体识别方法

暂态特征是由辐射源工作的过渡状态(如开机、供电激励变化、模式切换等)产生的暂态信号特征。由于暂态信号没有进行任何调制，提取的暂态特征自然能够体现不同个体的差异。暂态特征的特性使得该分支SEI方法分为两步：一是检测分离出暂态信号；二是提取暂态特征和识别个体。

文献[26]将信号的盒数维、信息维和相关维作为提取到的暂态信号指纹特征，实验结果表明，三个分形维数特征中，相关维对辐射源个体的识别率最高。文献[27]改进基于方差分形维数的门限法检测和基本贝叶斯理论检测方法，将其用于暂态起点的检测，并分别使用小波变换和分形技术提取暂态特征，而在分类器的选择上，分别使用了最近邻分类器及BP神经网络。文献[28]提出用经验模态分解进行非平稳信号分析，结果表明生成的瞬时频率估计比小波技术获得的瞬时频率估计更准确。

暂态信号的主要不足是持续时间短，包含的个体信息有限，以及信号捕获难度大，因此，近年来的研究多以基于稳态特征的SEI方法为主。

3.2 基于稳态特征的辐射源个体识别方法

稳态信号指辐射源工作在正常和稳定的环境下发射的信号。由于辐射源设备设计生产工艺的限制及组装调试中的偶发性缺陷，导致器件的非理想特性和技术指标的离散性，稳态特征即蕴藏其中。基于稳态特征的个体识别方法主要包括杂散输出、频率稳定度及信号包络等三类。

(1)杂散输出

辐射源发射机内部器件的非线性特性差异、本振源的稳定度差异以及内部噪声差异使得发射信号中夹杂着谐波频率、交叉调制、相位噪声等杂散成分。利用高阶谱分析、时频分析及提取包络高阶特征等方法来表征这些信号杂散成分，可实现雷达个体特征提取。高阶谱分析可在剔除高斯噪声的基础上提取信号相位、幅度特征。常用的高阶谱分析方法包括：径向、轴向、矩形积分双谱及选择双谱等。文献[29]采用SVM对信号频率漂移曲线特征和经过降维后的双谱正反对角切片联合特征进行分类识别，当SNR=15 dB时，可实现对携带相位噪声信号100%的SEI识别率，对掺杂频率漂移信号99.17%的SEI识别率。文献[30]将信号双谱作为唯一特征，采用监督降维方法缩减双谱特征维度，选用CNN作为分类器。文献[31]提出一种基于平方积分双谱特征的辐射源个体识别算法，并分析了平方积分双谱特征维数及高斯噪声对识别效果的影响。时频分析方法擅长挖掘二维联合域的细微差异，文献[32]将雷达信号希尔伯特-黄变换(Hilbert-Huang transform, HHT)后的边际谱熵以及对信号PWVD时频和奇异值分解后的奇异值熵作为雷达信号二维指纹特征，结合XGBoost分类方法实现个体识别。文献[33]对雷达信号执行HHT变换，并将得到的希尔伯特谱转变为灰度图像输入到深度残差网络进行个体识别。文献[34]基于WVD获取时频图像，采用变分自编码器(VAE)及核主成分分析(KPCA)获得时频图像特征，最后结合SVM实现分类。包络高阶特征一般包括R值、J值特征，二者相互搭配可表征信号加性噪声，对此，文献[27]进行了细致分析。此外，文献[35]提出了一种相位观测模型获取信号无意调相的噪声估计，并基于贝塞尔曲线拟合增强对相位噪声的描述。文献[36]构建囊括时域、频域、时频域及极化域下共51种特征的新型智能特征集，以挖掘信号内的相位噪声指纹特征。

(2)频率稳定度

频率稳定度主要用频率的方差和均值来衡量。由于发射机内部的晶体振荡器差异，即使是同型号、同生产批次的雷达个体，其发射信号的频率偏差也会不同。因此，通过对一段周期内信号频率的监测，分析频率偏差，即可提取信号指纹信息。由于晶体振荡器本身即高精密器件，其振荡周期差异极小，以保证个体频率稳定度，因此对频率偏差的估计难度很高。文献[37]另辟蹊径，通过对信号抽样，将频率波动信息转化到信号瞬时包络特征中，然后采用三次样条插值提取包络特征，巧妙地避免了对信号频率的直接测量。

(3)信号包络

脉冲调制器是雷达发射机的关键部件，其包含的分布电容、引线电感等产生的无意调制让雷达信号包络具有明显的个体特征。有很多学者采用包络上升沿、下降沿等作为识别依据。文献[27]提出了基于复Morlet小波变换和Hilbert变换的稳态信号包络提取，并利用BP神经网络将其分类。文献[38]利用深度强化学习进行雷达辐射源个体识别。与深度学习从训练数据中学习不同，强化学习采用试错机制，以极大化奖赏为学习目标，通过学习与环境交互获得评价反馈信号，主要算法包括：动态规划、蒙特卡罗、时序差分、Q-learning等，以信号包络上升沿作为网络的输入状态，以雷达类别作为输入状态的可能动作，基于CNN自动提取信号包络个体特征，并拟合当前状态动作对的Q值，最后以强化学习算法实现个体识别。文献[39]搭建DBN模型采用无监督数据挖掘预确定网络参数与有监督学习微调参数相结合的方式，提取包络上升沿深层次细微特征并完成模型训练。

3.3 基于数据的辐射源个体识别方法

文献[40]利用大样本全脉冲数据形成脉间参数变化的图像特征表示，从宏观上揭示雷达辐射源隐含的波形设计机理，并设计了基于AlexNet网络的图像特征深度学习网络进行辐射源识别，该方法对一定时间跨度内的有限部同型多功能雷达具有良好的识别性能，为多功能雷达辐射源智能个体识别提供了新的解决思路。

总之，雷达个体稳态特征来源广泛，具有较大的研究空间。与暂态特征相比，稳态特征更加细微复杂，提取难度大，需要更为深入的思考与研究。基于数据的辐射源个体识别侧重于脉间个体特征信息的挖掘，得益于脉间数据获取方便、受信噪比制约小、不受雷达波束合成和参数捷变的影响，该类方法个体识别优势明显。

4 雷达辐射源工作状态识别研究现状

以有源相控阵雷达为代表的具有多功能、多目标、高适应性的新型多功能雷达，可根据实际对抗环境转换工作状态，对其工作状态的识别将有助于判断战场态势，也可为雷达干扰效果评估提供重要参考。

该方向的一大重要研究分支是基于脉冲数据特征分析来识别雷达的工作状态。文献[41]构建并关联雷达相干处理间隔(Coherent Processing Interval, CPI)特征矩阵，通过分析雷达天线扫描特性准确识别雷达工作状态。同样，文献[42]结合雷达天线扫描方式及CPI变化规律，采用平滑度、离散度等特征分析方法构建5维特征参数集，并使用SVM实现分类识别。文献[43]在对相控阵雷达系统各模块建模的基础上，仿真获取雷达信号幅度数据、全脉冲数据，分别进行了雷达工作模式判别问题的探索。文献[44]从脉冲等级、脉冲组等级和工作模式等级联合建模雷达信号参数，辅以信号幅值变化规律，构建了一种基于脉冲多层次的雷达工作状态识别方法。文献[45]基于所提出的雷达脉冲序列自适应窗口划分方法进行特征提取，使用SVM作为分类器识别雷达工作状态。文献[46]从分析相控阵雷达波束调度的时序特征出发，引入一种改进的直方图方法对雷达脉冲幅度进行统计分析，通过峰值检测进行跟踪状态初判，最后结合数据率和平均单次驻留时间实现精确识别。脉冲幅度的变化规律与雷达的工作状态转变密切相关。文献[47]分析了脉冲多普勒雷达不同工作状态下信号脉冲幅度随时间的变化规律，提出了一种脉幅时间包络处理方法，并基于此有效识别雷达工作状态。为解决不准确、不完整雷达信号的状态判别问题，文献[3]组合多个多输入单输出矢量神经网络对缺失信号参数进行填补。文献[48]利用状态断点离散和不完整信息的基本概率分配修正方法，有效整合不完整信息，实现了复杂电磁环境下雷达工作状态的准确判别。

另一个主要分支为基于句法和自动机预测模型的雷达工作状态识别方法，该类方法细致分析雷达数据变化的形成机理，结合简练的分类模型实现状态识别。文献[49]分析并构建雷达的句法模型，利用上下文无关文法来描述多功能雷达的状态变化，以进行多功能雷达脉冲信号中雷达字的提取和识别。文献[50]提出了一种基于预测状态表示模型的多功能雷达状态预测方法。为进一步完善参数统计信息及联合变化规律的建模，文献[51]提出一种适用于多功能雷达的层级句法模型，结合探测目标与雷达之间的相对运动信息，构建双链隐马尔可夫模型，并通过D-S证据实现优化识别。针对虚假脉冲及漏脉冲导致的雷达字错误问题，文献[3]提出基于随机句法引导翻译器算法，能自动校正雷达字错误以实现雷达模式的正确识别。

文献[52]综合上述两大分支方法思想，一方面采用CNN对雷达脉幅序列数据进行特征建模，另一方面基于RNN表征雷达字序列的深度时序特征，随后进行特征融合及基于Softmax的特征分类。

以上方法均为对工作状态已知的雷达进行建模与识别，而在对抗过程中，对抗方雷达随时可能出现之前隐藏的“未知状态”，侦察方要能够快速对未知雷达状态做出响应。文献[53]提出了基于支持向量域描述的有监督分类和基于吸引子传播算法的无监督聚类两种未知雷达状态识别方法，实现了较高的识别准确性。但该研究所使用的大部分参数是侦察方无法获取的，因此不具备现实应用性。

除了识别雷达工作状态，还可以预测雷达工作行为。雷达工作行为是雷达在一段时间内为执行某种任务所采取的工作状态的组合。利用雷达行为潜在的相关性，对未来一段时间的雷达行为进行预测，达到提前告警的目的。雷达行为预测主要通过建立雷达任务和雷达行为的隐马尔可夫模型，以雷达任务为隐藏状态，雷达行为作为观测结果，从历史雷达行为观测结果中估计雷达任务的转移概率矩阵和在每个任务下相应行为的概率分布[54]。

5 雷达辐射源识别技术发展

5.1 基于深度学习的雷达辐射源识别技术

基于深度学习的雷达辐射源识别技术是当前的研究热点，深入研究分析后发现，如下一些问题仍然需要开展针对性研究，具体包括：

1)基于目标检测的信号波形识别方法尽管具有其独特优势，但现有方法并未考虑模型的实时性，模型臃肿而复杂，现实应用性有待提高。文献[55]对现有基于目标检测的波形识别方法进行改进，提出了基于改进SSD的LPI波形识别方法，大幅提高了模型的实时性。

2)CNNs作为信号波形识别领域的主流分类器，现有研究对其结构的选定多采用人工设置多组超参数，依次训练对比结果的方式，该方式缺乏智能性与客观性，十分费时、寻优范围有限且基本不具有环境适应能力。文献[56]结合PSO理论，提出CNNs结构的高效智能寻优算法，大幅提高了波形识别模型的环境适应能力。

3)雷达辐射源个体识别领域尽管研究成果丰硕，但缺乏端到端基准模型方向的研究，建立端到端基准模型并为后续该领域研究提供参考是亟需解决的问题。文献[57]提出了雷达个体识别领域的端到端基准模型，并针对设计搭建的9种深度学习网络模型，即FCN、FCN-64、Res1、Res2、Inc-1、Inc-2、GRU、LSTM和Res-LSTM，给出了不同情况下基准模型的选用参考。

4)现有雷达状态算法不具备对未知雷达状态快速反应的能力。当前相关研究多基于有监督分类方式，对未进行学习的未知模式不能有效区分；少数基于无监督聚类的识别方法聚类效果还不太理想，也缺乏在线增量学习的能力，一次聚类需将全部侦察数据输入以完成聚类，造成计算力浪费且应变性不强。文献[57]基于增强自组织增量神经网络，提出雷达状态聚类分析及在线增量学习方法，解决了雷达状态、模式在线聚类及未知模式快速反应问题。

5)深度学习对样本数量的要求很高，而实际应用中，由于电磁环境复杂性以及研究目标的非合作性质，样本数量往往不足。可考虑两种解决思路：一是采用生成式对抗网络(Generative Adversarial Network,GAN)进行数据增强。当提取雷达信号的二维图像特征后，使用GAN扩充样本库，再对卷积神经网络等模型进行训练；二是深度神经网络与SVM结合。利用SVM适合解决小样本识别问题的优势，由深度神经网络自动提取识别特征，然后用SVM进行分类识别[58]。

5.2 复杂条件下雷达信号波形识别技术

1)研究低SNR下时频图像增强方法，提高波形识别模型的抗噪能力。

2)评估基于更大规模粒子群的PSO-CNN方法的实际寻优效能，改进现行的算法融合体系，并将Inception块、残差块、稠密块等经典模块纳入CNN智能寻优范围。

3)无监督识别。卷积神经网络无法对未知信号波形进行识别，因此，可考虑研究无监督深度学习网络实现雷达信号波形的自动识别。

5.3 实际作战环境辐射源个体识别技术

1)降低雷达有意调制对信号个体特征产生的影响。现代雷达体制众多，脉间也存在各种捷变；同一雷达通常还有多种脉内调制方式，这些变化都对个体特征提取的唯一性和稳定性带来了严峻挑战。解决办法之一是先进行调制识别，后在同一调制方式下进行个体识别，但是这将增加识别系统的复杂性。

2)考虑雷达信号传输过程、不同采集时刻、目标运动、接收机自身硬件特性等因素对雷达个体识别的影响。SEI所使用的特征在信号中表现的普遍比较细微，因此很容易受到上述因素的影响，这为多平台协同识别、个体库迁移等应用带来极大困难。文献[59]通过分析接收机畸变对射频指纹特征的影响，在接收机设计阶段就考虑抑制其影响。但这只是局部的消除，而且必须在接收机设计时就要考虑，适用性有限。比较理想的做法是通过归一化建模处理，消除上述各种因素的影响，让指纹特征真正回归唯一性和稳定性。

5.4 未知雷达辐射源识别技术

未知雷达辐射源识别，就是对雷达识别数据库未能识别的雷达辐射源，根据其参数变化规律和统计结果，识别出雷达的工作状态，如果有可能，进一步分析其威胁等级。

1)研究雷达工作状态的跟踪方法。传统研究都是基于统计信息对某种雷达工作状态进行识别，并不具有对雷达工作状态的实时动态跟踪能力。但是由于多任务的需要，战场上敌方雷达的工作状态并不是固定不变的，而是根据战场环境及任务需求动态调整。文献[60]提出一种基于融合隐马尔科夫模型的雷达工作状态跟踪方法。将雷达工作过程建模成隐马尔科夫模型，通过求解模型获得单平台识别结果，再运用D-S证据理论实现多平台融合识别。该算法实现了对雷达工作状态的准确、实时跟踪，在观测值高错误率的情况下仍具有较高的识别率。

2)研究雷达工作状态的预测方法。雷达辐射源之间脉冲参数的调制规律是有共性的，因此，可用已知的雷达辐射源数据学习到的预测模型先识别未知雷达辐射源参数的调制方式和所处的工作模式，然后以各参数的调制方式和辐射源的工作模式为属性特征，进行二次分类得到辐射源所属的类别。文献[61]将多任务学习的思想结合到迁移学习中，建立了基于多任务学习的多源迁移学习识别模型。

5.5 基于多传感器的辐射源识别技术

随着大量复杂体制雷达、新型电子战装备的应用，战场电磁环境越来越复杂，单传感器提供的信息具有不完整性和不确定性，给准确识别雷达信号带来了很大困难。基于多传感器的雷达辐射源识别方法，通过综合处理多个传感器的测量参数，以提高获得信息的完整性和降低信息的不确定性，可有效提高雷达辐射源识别的精度和可靠性。

1)异类传感器融合识别研究。同质传感器融合识别时，接收的辐射源信号为同类或数据格式相同，难度较小，然而随着异类传感器的广泛使用，通过融合识别实现其辐射源属性判别和行为推断也引起大家关注，但其难度更大。

2)雷达通信一体化辐射源识别研究。与单独雷达辐射源识别相比，雷达通信一体化侦察设备还能够获取目标相应的通信信号，通过结合目标的雷达信号特征和通信信号特征可以显著提高辐射源目标的识别率。

6 结 语

认知电子战理论的问世为未来雷达侦察指明了技术要求及发展方向[62]。作为认知电子战的重要组成部分之一，该定义下的认知侦察模块亟需具备环境交互、自主学习、动态化及智能化能力。这也是未来雷达辐射源识别需要具备的能力。本文在阐述雷达辐射源识别框架的基础上，系统综述了雷达辐射源识别中的信号波形识别方法、个体识别方法和工作状态识别方法，最后概括总结了5个辐射源识别领域的热点和发展趋势，即：基于深度学习的雷达辐射源识别技术、复杂条件下雷达信号波形识别技术、实际作战环境辐射源个体识别技术、未知雷达辐射源识别技术和基于多传感器的辐射源识别技术，相关分析结论和思考可为该领域研究者提供参考。