原文链接

雷达抗干扰新突破！基于CNN的融合学习技术，破解欺骗式干扰识别难题

在现代电子战的复杂电磁环境中，雷达作为战场“千里眼”，其生存与作战效能面临着日益严峻的干扰威胁。尤其是数字射频存储（DRFM）技术加持下的新型欺骗式干扰，凭借逼真的假目标模拟、低能耗特性，成为雷达系统的主要挑战。而准确识别雷达干扰信号类型，是实施有效抗干扰策略的核心前提，直接决定着雷达在电子对抗中的主动权。

传统的雷达干扰识别方法，无论是基于似然估计的模型匹配法，还是依赖专家经验的人工特征提取法，都存在着先天短板：前者需要大量先验知识，建模复杂度高，适用场景受限；后者耗时耗力，特征提取的质量直接决定识别效果，难以适配多变的新型干扰信号。随着深度学习技术在信号处理领域的快速渗透，卷积神经网络（CNN）凭借强大的自动特征提取能力，为雷达干扰识别开辟了全新路径，成为当前该领域的研究热点。

近期两篇聚焦于CNN的雷达干扰识别研究成果，从特征融合、小样本学习两大核心痛点出发，提出了各具特色的解决方案，为实战化的雷达抗干扰应用提供了重要的技术参考，也让我们看到了深度学习赋能雷达信号处理的更多可能性。

多域特征深度融合，让干扰信号“无所遁形”

针对单一域特征无法充分表征雷达干扰信号复杂特性的问题，哈尔滨工业大学的研究团队提出了基于CNN的深度融合分类模型，实现了对压制式、欺骗式及复合干扰的高精度识别。

该研究的核心创新在于构建了1D-CNN+2D-CNN+融合网络的三级架构，实现了雷达干扰信号时域与频域特征的深度互补。一方面，利用1D-CNN直接提取原始干扰信号的时域深度特征，为了充分挖掘信号信息，研究团队还将信号的实部、虚部、模值、相位分别输入独立的1D-CNN子网络，再对提取的特征进行拼接融合，最大程度保留了时域的原始信息；另一方面，针对雷达干扰信号的非平稳特性，采用短时傅里叶变换（STFT）将原始信号转换为时频谱图，通过2D-CNN提取时频域的深层特征，捕捉信号频率随时间的变化规律，这是单一时域分析难以实现的。

在特征提取的基础上，研究团队设计了全连接深度融合网络，将时域和时频域的特征进行拼接融合，通过LeakyReLU激活函数缓解梯度消失问题，结合批归一化（BN）加速模型收敛，最终利用Softmax完成分类。同时，为了解决深度学习模型易过拟合、泛化能力不足的问题，该研究还提出了软标签平滑（SLS）策略，通过引入软系数优化概率分布，在标签平滑的基础上减少信息丢失，进一步提升了模型的鲁棒性。

实验结果显示，该深度融合模型在12类典型雷达干扰信号数据集上表现优异，当每类训练样本为80个时，总体识别准确率达97.98%，远高于SVM、随机森林等传统方法，甚至优于单一的1D-CNN和2D-CNN模型。即使在不同采样率下，模型仍能保持较高的识别精度，展现出良好的环境适应性，分类误差主要仅出现在干扰机制、参数相似的信号类型上，充分验证了多域特征融合的有效性。

小样本+集成学习，破解战场样本稀缺难题

在实际战场环境中，雷达干扰信号的标注样本获取难度大、成本高，小样本场景下的识别精度不足，成为深度学习落地雷达干扰识别的主要瓶颈。西安电子科技大学的研究团队针对这一痛点，提出了基于迁移学习的加权集成CNN（WECNN-TL）算法，实现了小样本下雷达主动欺骗式干扰的高精度识别。

该研究的核心思路是整合集成学习与迁移学习的优势，同时充分挖掘干扰信号时频域的多维特征。首先，同样利用STFT将干扰信号转换为时频分布图谱，提取其实现、虚部、模值和相位特征，并通过15种不同的特征组合方式构建多样化的子数据集，避免人工特征提取的局限性，充分挖掘信号的内在信息，为后续集成学习提供丰富的数据基础。

在此基础上，构建由15个结构相同的CNN子分类器组成的集成模型，每个子分类器对应处理一种特征组合的子数据集。与传统的多数投票法不同，该研究设计了基于验证集准确率的加权投票策略，为识别精度更高的子分类器分配更大的权重，有效规避了低精度子分类器对整体结果的误导，让集成模型能够充分聚合各子分类器的优势。

为了解决小样本下模型训练耗时、泛化能力不足的问题，研究团队引入了模型基迁移学习：将基于模值数据集训练的源模型参数，作为其他子分类器的初始化参数，仅对第一卷积层进行随机初始化（适配不同的特征通道数），后续通过少量迭代微调即可实现最优识别效果。这一策略让目标模型能够共享源模型的学习知识，大幅减少训练时间，同时显著提升小样本场景下的识别精度。

该算法在包含模拟和实测数据的12类欺骗式干扰数据集上进行了验证，即使在仅5%训练样本的极端小样本场景下，总体识别准确率仍达95.00%，远高于传统的1D-CNN、2D-CNN及单一融合CNN模型，且稳定性显著优于其他方法。同时，迁移学习的引入让模型训练时间减少45%以上，在保证识别精度的同时，大幅提升了算法的实时性，更适配战场的实际应用需求。

技术融合，开启雷达抗干扰新征程

两篇研究成果虽切入点不同，但均围绕CNN的特征提取能力展开创新，从不同维度解决了雷达干扰识别的核心技术难题，也为该领域的后续研究提供了重要的思路启示。

前者的多域特征深度融合思路，验证了时域与频域特征互补对提升干扰识别精度的关键作用，说明充分挖掘信号的多维信息，是突破单一模型性能瓶颈的重要方向；后者的集成学习+迁移学习策略，则为深度学习在小样本、少标注的工程化场景落地提供了可行方案，解决了实验室海量样本与战场稀缺样本之间的矛盾。

而将两大研究的核心创新点进行融合，或许能成为未来雷达干扰识别的重要发展方向：以多域特征融合为基础，构建多样化的子数据集，结合加权集成学习聚合多模型优势，再通过迁移学习解决小样本训练问题，同时引入标签平滑等正则化策略提升模型鲁棒性，有望打造出更适配复杂战场环境、更高精度、更强泛化能力的雷达干扰识别模型。

在电子对抗愈演愈烈的今天，雷达干扰识别技术的发展始终与干扰技术的升级同频共振。随着深度学习技术的不断发展，以及与雷达信号处理的深度融合，相信未来将有更多高精度、高鲁棒性、工程化的干扰识别算法落地，为雷达系统筑牢“抗干扰防线”，让战场“千里眼”看得更清、更远、更准。