基于多视图子空间表示和图学习的半监督雷达信号分类

《Digital Signal Processing》：Semi-Supervised Radar Signal Sorting with Multiview Subspace Representations and Graph Learning

本文提出一种基于多视图子空间表示和图学习的半监督雷达信号排序方法，通过融合脉冲内和脉冲间多维度信息解决复杂电磁环境下的脉冲缺失和虚假脉冲问题，创新性地采用端到端优化框架联合学习自表示矩阵与图卷积网络，显著提升排序准确率至99.99%。

　　

黄帅|郭强|田宇航|冯浩|谢尔盖·舒尔加

哈尔滨工程大学，信息与通信工程学院，哈尔滨，150001，黑龙江，中国

摘要

在复杂的电磁环境中，雷达脉冲信号受到噪声的强烈影响，侦察接收器的局限性加剧了测量误差，导致严重的脉冲丢失和大量虚假脉冲的混入。因此，脉冲排序面临两个关键难题：在信息缺失的情况下挖掘脉冲关联关系，以及在参数特征严重重叠的情况下保持类别间的可分性。我们提出了一种基于多视图子空间表示和图学习（MvSR-GCN-RSS）的半监督雷达信号排序方法。首先，编码器将多个视图映射到潜在空间中，解决特定视图和通用自表示矩阵，并从脉冲内部和脉冲间信息构建脉冲序列的邻接关系。然后，通过一致性损失和多样性损失实现多视图信息的互补性。与先构建图再进行谱聚类的两阶段过程不同，我们将邻接矩阵求解与图卷积网络（GCN）结合在一个端到端框架中，共同优化多视图编码器和解码器的参数以提高排序效率。最后，我们设计了一个多视图联合损失，同时优化视图重建、基于GCN的分类、自表示求解和跨视图互补性，用于雷达信号排序。仿真结果表明，在理想情况下，排序准确率达到99.99%；在测量误差较大、脉冲丢失和虚假脉冲较多的情况下，所提出的方法比对比算法表现得更好。

引言

雷达信号排序是电子侦察中的核心任务[1]。其目标是利用来自同一发射体的脉冲之间的特征参数相关性以及不同发射体之间的参数差异，从侦察接收器输出的随机交错脉冲流中识别并聚合属于同一发射体的脉冲[2]。

雷达信号排序的常见参数包括到达时间（TOA）、射频（RF）、脉冲宽度（PW）、脉冲幅度（PA）和到达方向（DOA）。本文在脉冲间参数的基础上，还结合了脉冲内参数信息以实现联合排序。

由于接收器技术的限制，早期的工程实践主要依赖TOA进行排序[3]、[4]、[5]、[6]、[7]、[8]、[9]、[10]。诸如CDIF[3]和SDIF[4]差分直方图方法、PRI变换[5]以及周期估计[6]、[7]等方法都利用脉冲之间的相关性来实现排序。同时，序列搜索方法[8]、[9]引入了多假设跟踪概念来对脉冲序列进行排序。传统的单参数方案受到测量误差和脉冲丢失的显著影响。因此，学者们采用了脉冲描述词（PDWs）参数聚类来对雷达信号进行排序，常用的方法包括k-means[10]、[11]、[12]、ADPC[13]、CNet[14]和SSC-gOMP[15]。其中，ADPC是一种代表性的密度聚类算法，CNet利用最近邻链接构建复杂网络并通过密度峰值聚类进行排序。尽管基于密度的聚类方法对簇中心的初始化不如k-means敏感，但在参数特征严重重叠的情况下，它们的排序准确性仍然有限。SSC-gOMP利用同一子空间内雷达脉冲的自表示属性构建复杂网络，并通过谱聚类完成排序。这种复杂网络方法更好地挖掘了脉冲之间的相关性，但图分割缺乏灵活性，在复杂的电磁环境中难以处理雷达信号排序。

随着深度学习的快速发展，基于深度神经网络（DNNs）的雷达信号排序已成为研究焦点。脉冲间参数被输入到循环卷积神经网络[16]、编码器-解码器网络[17]、语义分割模型[18]、实例分割模型[19]和Transformer网络[20]、[21]等深度模型中，以提高信号排序的鲁棒性。尽管深度学习在雷达信号排序方面取得了良好结果，但它通常需要大量的训练样本和完整的标签进行监督学习。最近，基于图神经网络[22]、[23]、[24]、[25]的半监督雷达信号排序算法在小样本环境中取得了良好的排序性能。[23]提出了一种基于卷积GNN的半监督排序方法，仅使用10%的标签即可完成排序。[24]提出了一种结合卷积GNN和图注意力网络的雷达信号排序算法，考虑了局部和全局特征以提高排序准确性。[25]结合GCN和双向长短期记忆网络提取空间特征和时间信息，在测量误差小、脉冲丢失率低和虚假脉冲比例低的场景中实现了良好的排序性能。

尽管GNN在雷达信号排序方面取得了有希望的结果，但它们仅利用PDW空间中的空间信息，在日益复杂的电磁环境中难以满足排序要求。受到多视图子空间表示[26]、[27]和图深度学习[28]、[29]、[30]的启发，本文结合了脉冲内和脉冲间信息，通过多视图编码器和解码器提取脉冲关联关系，并在训练过程中使邻接矩阵求解和GCN共同收敛，实现了端到端的半监督雷达信号排序。

本文的主要创新点总结如下：

(1) 脉冲内和脉冲间信息的多视图潜在空间融合。脉冲内和脉冲间信息被划分为三个视图：TOA视图、PDW视图和IQ视图。这些视图通过编码器映射到潜在空间，实现相关图构建和稳定的脉冲特征描述，从而在潜在空间内互补融合脉冲内和脉冲间信息，缓解了参数特征严重重叠和脉冲丢失的问题。

(2) 基于多视图自表示的雷达脉冲关联特征提取。在每个视图的特定潜在空间中，采用具有Frobenius范数正则化的自表示模型分别解决特定视图和通用视图的多视图自表示矩阵。通过一致性损失和多样性损失，约束多个视图之间的信息对齐和互补性，并将它们融合成一个统一的邻接矩阵，从多个视图构建脉冲关联图，为后续图学习提供更可靠的拓扑结构。

(3) 实现端到端的半监督雷达信号排序。与传统的多视图谱聚类算法不同，所提出的方法在获得邻接矩阵后直接进行基于GCN的排序，通过反向传播学习最优邻接矩阵，提高排序效率，并在涉及脉冲丢失、虚假脉冲和测量误差的复杂电磁环境中增强鲁棒性。

部分摘录

基于脉冲内和脉冲间信息的雷达信号模型

雷达发射体信号模型是雷达发射体排序和识别的基础。与雷达信号排序中流行的单一信息方法不同，本文提出同时排序脉冲内和脉冲间的多视图信息。如图1所示，脉冲间信息包括PDWs，而脉冲内信息指的是脉冲内的信号调制模式。图1仅展示了固定PRI调制和线性的情况

总体框架

为了解决在复杂电磁环境中雷达信号排序稳定性差和准确性低的问题（在这些环境中，测量误差、脉冲丢失和虚假脉冲普遍存在），受到多视图谱聚类和图深度学习的启发，我们将雷达信号排序建模为基于脉冲内和脉冲间信息的时空图节点分类任务，并提出了一种端到端的半监督方法（MvSR-GCN-RSS），该方法基于多视图子空间表示

实验设置

为了验证所提算法的有效性，本文模拟了四种雷达的工作状态参数，如表1所示。这四种雷达的参数在特征空间中存在严重重叠[15]，每个脉冲间特征参数可以采用多种调制模式。其中，雷达2和雷达4是具有多种工作模式的多功能雷达。这四种雷达的脉冲内调制方法分别是LFM、FH、BPSK和BLFM。

所提出的

结论

本研究提出了一种基于多视图子空间表示和图学习的半监督雷达信号排序框架，以解决在复杂电磁环境中测量误差大、脉冲丢失严重和虚假脉冲众多的实际问题。该方法通过多视图编码器将脉冲内和脉冲间信息映射到潜在空间，解决特定视图和通用自表示矩阵以构建邻接关系。

CRediT作者贡献声明

黄帅：概念化、软件实现、验证、方法论、监督、撰写——审阅与编辑。郭强：概念化、方法论、资金获取。田宇航：调查、验证。冯浩：软件实现、验证、数据整理。谢尔盖·舒尔加：验证、形式分析。

利益冲突声明

作者声明没有利益冲突。