基于半監(jiān)督學(xué)習(xí)的畸變雷達(dá)電磁信號(hào)快速識(shí)別研究

中圖分類號(hào)：TB9；TP247.44 文獻(xiàn)標(biāo)志碼：A文章編號(hào)：1674-5124（2025）07-0147-07

Abstract： Once the radar signal is distorted， itcancause errors in the target recognition process，leading toa decrease in target recognition accuracy. In this context，conducting research on fast identification of distorted radar electromagnetic signals based onsemi supervised learning is of great practical significance.This study utilizes the short-time Fourier transform algorithm to perform time-frequency conversion on radar electromagnetic signals，obtaining time-frequency images and implementing preprocessing. Extract four texture features of time-frequency images through grayscale co-occurrence matrix. Representing four texture features as samples， input them into a semi supervised support vector machine in semi supervised learning to achieverapid recognitionof distorted radar electromagnetic signals.The results indicate thatthe intersection to union ratio is higher and the time is shorter， indicating that the studied method can complete more accurate distortion identification at a faster speed， proving the performance of the studied method.

Keywords： semi supervised learning; distortion; radar electromagnetic signal; quick identification methods

0 引言

雷達(dá)作為一種重要的無線電設(shè)備，在軍事、航空、氣象等領(lǐng)域具有廣泛的應(yīng)用。然而，由于信號(hào)傳輸過程中存在的復(fù)雜環(huán)境和噪聲干擾，雷達(dá)信號(hào)往往會(huì)出現(xiàn)畸變，造成嚴(yán)重的后果[1]。首先使得目標(biāo)在識(shí)別過程中出現(xiàn)誤差，導(dǎo)致目標(biāo)識(shí)別準(zhǔn)確率下降。若是在軍事領(lǐng)域，這可能導(dǎo)致對(duì)敵方目標(biāo)的誤判或漏判，影響作戰(zhàn)效果。其次信號(hào)的波形、頻率等特征發(fā)生變化后會(huì)增加信號(hào)處理的難度，導(dǎo)致工作量增加。最后在雷達(dá)通信系統(tǒng)中，如果發(fā)送的信號(hào)出現(xiàn)畸變，接收端可能無法正確解碼，導(dǎo)致通信失敗或出現(xiàn)誤碼。因此，研究如何快速準(zhǔn)確地識(shí)別畸變雷達(dá)電磁信號(hào)，對(duì)于提高雷達(dá)系統(tǒng)的性能和作戰(zhàn)能力具有重要意義。

近年來，有較多的研究學(xué)者對(duì)雷達(dá)信號(hào)識(shí)別方面進(jìn)行了深人的研究。張先洪等[2]提出了基于Pearson相關(guān)性的雷達(dá)交疊信號(hào)識(shí)別方法，在考慮兩個(gè)信號(hào)脈沖波形相關(guān)性的情況下，基于Pearson算法選擇相關(guān)性較弱的信號(hào)脈沖載波特征，對(duì)交疊信號(hào)分選進(jìn)行處理，實(shí)現(xiàn)對(duì)雷達(dá)交疊信號(hào)的識(shí)別。但是信號(hào)之間的相關(guān)性可能不僅僅由幅度和相位決定，還可能受到非線性、時(shí)變等因素的影響。因此，Pearson相關(guān)性算法可能無法準(zhǔn)確描述復(fù)雜雷達(dá)信號(hào)之間的相關(guān)性，導(dǎo)致無法準(zhǔn)確地識(shí)別和分類。陳琳等[提出了基于擴(kuò)張殘差網(wǎng)絡(luò)的雷達(dá)信號(hào)識(shí)別方法，采用多種時(shí)頻分析方法將雷達(dá)信號(hào)變換為不同的時(shí)頻圖，通過時(shí)頻圖融合處理，提取時(shí)頻圖特征，構(gòu)建擴(kuò)張殘差網(wǎng)絡(luò)模型，實(shí)現(xiàn)對(duì)雷達(dá)信號(hào)的識(shí)別。但是擴(kuò)張殘差網(wǎng)絡(luò)結(jié)構(gòu)相對(duì)復(fù)雜，需要進(jìn)行大量的前向和后向傳播計(jì)算，導(dǎo)致計(jì)算復(fù)雜度高。在處理大規(guī)模數(shù)據(jù)或?qū)崟r(shí)處理時(shí)，識(shí)別的時(shí)間較長(zhǎng)，缺少實(shí)時(shí)性。董章華等[4]提出基于SwinTransformer神經(jīng)網(wǎng)絡(luò)的雷達(dá)信號(hào)識(shí)別方法，利用平滑偽Wigner-Ville分布對(duì)信號(hào)進(jìn)行時(shí)頻變換，然后將轉(zhuǎn)換后的一維時(shí)域信號(hào)經(jīng)過處理后轉(zhuǎn)換為二維時(shí)頻圖像，通過

SwinTransformer神經(jīng)網(wǎng)絡(luò)提取時(shí)頻圖像特征，實(shí)現(xiàn)對(duì)不同雷達(dá)信號(hào)的有效識(shí)別。但是在雷達(dá)信號(hào)識(shí)別過程中，SwinTransformer神經(jīng)網(wǎng)絡(luò)常通過自注意力機(jī)制進(jìn)行特征提取，雷達(dá)信號(hào)的特性可能較為復(fù)雜，僅依靠自注意力機(jī)制可能無法完全提取有效的特征，降低對(duì)畸變雷達(dá)信號(hào)的識(shí)別準(zhǔn)確性。

半監(jiān)督學(xué)習(xí)是一種機(jī)器學(xué)習(xí)算法，利用未標(biāo)記數(shù)據(jù)和部分標(biāo)記數(shù)據(jù)的混合信息進(jìn)行模型的訓(xùn)練和優(yōu)化。它能夠充分利用大量未標(biāo)記數(shù)據(jù)中的信息，因此可以更好地處理噪聲和異常值，從而提高模型的魯棒性，在處理大規(guī)模數(shù)據(jù)集時(shí)具有較高的效率和準(zhǔn)確性。并且在面對(duì)新的、未見過的數(shù)據(jù)時(shí)，能夠更好地適應(yīng)并給出正確的分類結(jié)果，在畸變雷達(dá)電磁信號(hào)快速識(shí)別中具有更高的效率和準(zhǔn)確性。因此，本文基于半監(jiān)督學(xué)習(xí)對(duì)畸變雷達(dá)電磁信號(hào)快速識(shí)別方法展開研究。

1畸變雷達(dá)電磁信號(hào)快速識(shí)別方法

與深度學(xué)習(xí)、無監(jiān)督學(xué)習(xí)、監(jiān)督學(xué)習(xí)相比，半監(jiān)督學(xué)習(xí)利用未標(biāo)記數(shù)據(jù)可以讓模型學(xué)習(xí)到更加魯棒和泛化能力更強(qiáng)的特征表示，從而提高模型在測(cè)試集上的性能。另外，相較于監(jiān)督學(xué)習(xí)需要大量標(biāo)記數(shù)據(jù)的情況，半監(jiān)督學(xué)習(xí)可以通過較少的標(biāo)記數(shù)據(jù)和大量未標(biāo)記數(shù)據(jù)來訓(xùn)練模型，從而降低了標(biāo)記成本，提高識(shí)別速度。本文基于半監(jiān)督學(xué)習(xí)的畸變雷達(dá)電磁信號(hào)快速識(shí)別方法包括3個(gè)步驟，即雷達(dá)電磁信號(hào)的時(shí)頻轉(zhuǎn)換與預(yù)處理、時(shí)頻圖像特征提取、半監(jiān)督學(xué)習(xí)模型識(shí)別畸變。

1.1 雷達(dá)電磁信號(hào)的時(shí)頻轉(zhuǎn)換與預(yù)處理

畸變是雷達(dá)電磁信號(hào)采集過程中常常發(fā)生的一種問題，原因主要有以下4點(diǎn)：

1）當(dāng)雷達(dá)信號(hào)遇到目標(biāo)或其他物體時(shí)，會(huì)發(fā)生反射、折射和散射等作用，導(dǎo)致信號(hào)的傳播路徑變得復(fù)雜，從而引起信號(hào)的衰減、延遲和頻譜變化等畸變。

2）當(dāng)目標(biāo)以一定速度相對(duì)于雷達(dá)運(yùn)動(dòng)時(shí)，會(huì)產(chǎn)生多普勒效應(yīng)，即雷達(dá)接收到的信號(hào)頻率會(huì)發(fā)生變化，從而引起信號(hào)的畸變[5]

3）雷達(dá)系統(tǒng)的硬件和軟件都可能存在誤差，包括發(fā)射信號(hào)的質(zhì)量、接收機(jī)的靈敏度和選擇性、天線的方向性和增益等，這些因素都可能導(dǎo)致雷達(dá)電磁信號(hào)的畸變[]。

4）雷達(dá)系統(tǒng)可能受到各種干擾和噪聲的影響，例如電磁波干擾、機(jī)械振動(dòng)和熱噪聲等，這些因素都可能引起雷達(dá)電磁信號(hào)的畸變。

雷達(dá)信號(hào)可通過下述公式表示出來：

式中： a 脈內(nèi)信號(hào)的幅度包絡(luò)；K （2號(hào) -正整數(shù)；b_k 雷達(dá)信號(hào)頻率編碼；t_F 每個(gè)頻率編碼碼元寬度；δ（t） -相位編碼；ε（t） -高斯白噪聲;t- -時(shí)間。

雷達(dá)信號(hào)通常包含豐富的頻率成分和時(shí)間變化特征。時(shí)頻轉(zhuǎn)換可以將信號(hào)從時(shí)域轉(zhuǎn)換到頻域，揭示信號(hào)的頻率內(nèi)容和隨時(shí)間的變化情況，提供雷達(dá)信號(hào)的可視化表示，從而更好地理解和解釋信號(hào)的特征和性質(zhì)[7]。另外，時(shí)頻圖像可以提供信號(hào)的多維特征，這有助于提取更多的信號(hào)信息和特征，有助于提高目標(biāo)識(shí)別的準(zhǔn)確性和可靠性。在雷達(dá)電磁信號(hào)進(jìn)行時(shí)頻圖像轉(zhuǎn)化的過程中，短時(shí)傅里葉變換（short-timeFouriertransform，STFT）具有重要作用。STFT是一種常用的信號(hào)處理工具，用于分析和處理時(shí)變信號(hào)。它可以將信號(hào)分成許多小段，在每個(gè)小段內(nèi)進(jìn)行傅里葉變換，并將結(jié)果逐個(gè)匯總以得到整體頻譜[8]。STFT能夠?qū)π盘?hào)進(jìn)行局部分析，即在不同時(shí)間點(diǎn)上分別考察信號(hào)的頻域特性。這有助于識(shí)別和提取信號(hào)中的有用信息，可以在不同時(shí)間點(diǎn)上對(duì)信號(hào)進(jìn)行頻譜分析，并通過噪聲去除和冗余信息過濾，更好地保存圖像的邊緣和高頻細(xì)節(jié)信息，有助于提高畸變雷達(dá)電磁信號(hào)識(shí)別的準(zhǔn)確性。具體過程如下：

步驟1：定義窗函數(shù) η（t） ，讓窗滑動(dòng)。STFT算法的核心是窗函數(shù)的選擇和處理。窗函數(shù)的作用是將信號(hào)局部化，以便更好地提取信號(hào)的局部特征[9]。窗函數(shù)的選擇需要根據(jù)具體應(yīng)用場(chǎng)景來確定，常用的窗函數(shù)包括高斯窗、漢寧窗、漢明窗等。其中漢明窗函數(shù)表達(dá)式如下：

式中： η（t） —窗口函數(shù)的值;

t? 采樣時(shí)間；

T -采樣時(shí)長(zhǎng)。

步驟2：對(duì)于每個(gè)時(shí)間窗口，將窗內(nèi)的信號(hào) 與窗函數(shù) η（t） 進(jìn)行卷積運(yùn)算，得到該時(shí)間窗口內(nèi)的短時(shí)信號(hào) s（t） ：

其中， 代表卷積運(yùn)算。

步驟3：對(duì)短時(shí)信號(hào) s（t） 進(jìn)行傅里葉變換，得到該時(shí)間窗口內(nèi)的頻譜表示 s（t，f）

式中： f -頻率；j——虛數(shù)單位;T- -時(shí)移參數(shù)。

步驟4：移動(dòng)時(shí)間窗口，重復(fù)步驟2和步驟3，得到不同時(shí)間窗口內(nèi)的頻譜表示。

步驟5：將不同時(shí)間窗口的頻譜表示繪制在時(shí)頻平面上，得到雷達(dá)電磁信號(hào)的時(shí)頻分布圖。

針對(duì)雷達(dá)電磁信號(hào)的時(shí)頻圖像，首先將時(shí)頻圖像轉(zhuǎn)換為灰度圖，轉(zhuǎn)換過程如下：

F=0.2989R+0.5870G+0.1140B

式中： R，G 和 B -時(shí)頻圖像像素的紅、綠、藍(lán)通道值;

F 一 一計(jì)算出的灰度值。

接著對(duì)灰度時(shí)頻圖像進(jìn)行開運(yùn)算，可以有效地去除噪聲和小的冗余信息，以便更好地保存圖像的邊緣和高頻細(xì)節(jié)信息[10]

H=（FΘQ₁）⊕Q₂

式中： H 1 -灰度時(shí)頻圖像開運(yùn)算結(jié)果；Q₁ 、 Q₂ ———腐蝕和膨脹的結(jié)構(gòu)元素；Θ 、 ⊕ 腐蝕運(yùn)算、膨脹運(yùn)算。

1.2 時(shí)頻圖像特征提取

雷達(dá)電磁信號(hào)常常包含非線性成分，而時(shí)頻圖像特征提取能夠有效地處理這些非線性信號(hào)，利用時(shí)頻分布提取有用的特征，通過分析信號(hào)在不同時(shí)間和頻率下的變化，可以更好地識(shí)別和分類目標(biāo)，這有助于提高目標(biāo)識(shí)別的精度。并且時(shí)頻圖像特征提取算法通常具有較快的運(yùn)算速度，這使它在實(shí)時(shí)性要求較高的應(yīng)用場(chǎng)景中具有優(yōu)勢(shì)，并且能夠快速地識(shí)別畸變雷達(dá)電磁信號(hào)。因此，本文對(duì)雷達(dá)電磁信號(hào)的時(shí)頻圖像特征進(jìn)行提取。

通過將圖像從原始屬性空間轉(zhuǎn)化到特征屬性空間，可以更好地理解和表示圖像的信息[1]。在時(shí)頻圖像中，每個(gè)像素的灰度值可以視為該像素在時(shí)頻平面上的表現(xiàn)，因此它可以用于測(cè)量圖像的紋理特征[12]。灰度共生矩陣通過計(jì)算圖像中一定距離和角度的兩個(gè)像素的灰度級(jí)共生情況，得到一個(gè)矩陣，該矩陣的每個(gè)元素 h（i，j） 表示兩個(gè)像素的灰度級(jí)共生出現(xiàn)的次數(shù)或頻率[13]

1）能量

能量表明圖像灰度分布均勻性。角二階矩的值越大，圖像的紋理越均勻。

2）熵

熵值描述灰度分布復(fù)雜程度。

3）相關(guān)性

相關(guān)性可以反映圖像中紋理的方向性和規(guī)律性。如果圖像中的紋理有一定的方向性和規(guī)律性，那么GLCM的相關(guān)性就會(huì)比較高。

式中： r_i，r_j 均值;q_i，q_j 1 -方差。

4）對(duì)比度

對(duì)比度反映圖像中紋理的清晰度和邊緣的銳利程度。如果圖像中的紋理比較清晰，邊緣比較銳利，那么GLCM的對(duì)比度就會(huì)比較高。

將提取到的特征轉(zhuǎn)換為數(shù)值向量，這個(gè)數(shù)值向量就是特征向量。特征向量集合是機(jī)器學(xué)習(xí)和數(shù)據(jù)處理中的一個(gè)重要概念，它被廣泛應(yīng)用于訓(xùn)練模型和進(jìn)行分類或回歸等任務(wù)。

1.3半監(jiān)督學(xué)習(xí)模型識(shí)別畸變

半監(jiān)督學(xué)習(xí)模型是一種介于監(jiān)督學(xué)習(xí)模型和無監(jiān)督學(xué)習(xí)模型之間的機(jī)器學(xué)習(xí)模型[14]。在半監(jiān)督學(xué)習(xí)模型中，首先通常會(huì)使用有標(biāo)簽的數(shù)據(jù)進(jìn)行訓(xùn)練，以學(xué)習(xí)到數(shù)據(jù)的內(nèi)在結(jié)構(gòu)和規(guī)律。然后，使用未標(biāo)記的數(shù)據(jù)進(jìn)行進(jìn)一步訓(xùn)練，以改進(jìn)模型的性能和泛化能力。與監(jiān)督學(xué)習(xí)模型相比，半監(jiān)督學(xué)習(xí)模型可以利用未標(biāo)記的數(shù)據(jù)來提高學(xué)習(xí)性能，因此可以更好地處理大規(guī)模數(shù)據(jù)集[15]。同時(shí)，由于未標(biāo)記的數(shù)據(jù)通常比有標(biāo)簽的數(shù)據(jù)更容易獲得，因此半監(jiān)督學(xué)習(xí)模型也可以更好地利用數(shù)據(jù)資源。

半監(jiān)督支持向量機(jī)（semi-supervised supportvectormachine，S3VM結(jié)合了監(jiān)督學(xué)習(xí)和無監(jiān)督學(xué)習(xí)的特點(diǎn)，能夠同時(shí)利用標(biāo)記數(shù)據(jù)和未標(biāo)記數(shù)據(jù)進(jìn)行訓(xùn)練，提高了算法的訓(xùn)練效率。通過利用未標(biāo)記數(shù)據(jù)，能夠更好地理解數(shù)據(jù)的內(nèi)在結(jié)構(gòu)和分布。這有助于提高模型的泛化能力，減少過擬合現(xiàn)象。并且可以在短時(shí)間內(nèi)處理大量的雷達(dá)電磁信號(hào)數(shù)據(jù)，滿足實(shí)時(shí)性要求較高的應(yīng)用場(chǎng)景，實(shí)現(xiàn)畸變雷達(dá)電磁信號(hào)的快速識(shí)別[16]。S3VM利用未標(biāo)記數(shù)據(jù)進(jìn)行半監(jiān)督學(xué)習(xí)的示意圖如圖1所示。

在畸變雷達(dá)電磁信號(hào)快速識(shí)別中，通過將輸入特征向量映射到高維空間中，使得數(shù)據(jù)在高維空間中更容易分割。在S3VM中，標(biāo)記數(shù)據(jù)樣本用于訓(xùn)練初始模型，而未標(biāo)記數(shù)據(jù)樣本則提供額外的信息，幫助模型更好地學(xué)習(xí)數(shù)據(jù)的特征。通過最大化間隔和最小化誤差，S3VM可以找到一個(gè)最優(yōu)的劃分超平面，使標(biāo)記和未標(biāo)記數(shù)據(jù)都被正確分類。具體過程如下：

步驟1：數(shù)據(jù)劃分。將預(yù)處理后的特征數(shù)據(jù)分為標(biāo)記數(shù)據(jù)和未標(biāo)記數(shù)據(jù)兩部分。標(biāo)記數(shù)據(jù)由專家或其他可靠方式進(jìn)行標(biāo)注，未標(biāo)記數(shù)據(jù)則可以通過自動(dòng)化方式獲取。

步驟2：訓(xùn)練初始模型。使用標(biāo)記數(shù)據(jù)通過標(biāo)準(zhǔn)支持向量機(jī)算法訓(xùn)練一個(gè)初始分類識(shí)別模型。初始模型如下：

f（E）=w?E+ν

E={E₁，E₂，E₃，E₄}

式中： f（E） ———識(shí)別結(jié)果;

E 時(shí)頻圖像紋理特征向量；

w 決定決策邊界方向和尺度的參數(shù)向量；

V- 偏移量。

步驟3：構(gòu)建圖結(jié)構(gòu)。將未標(biāo)記數(shù)據(jù)轉(zhuǎn)化為圖形結(jié)構(gòu)，與標(biāo)記數(shù)據(jù)構(gòu)成一個(gè)整體圖形結(jié)構(gòu)。在這個(gè)圖形結(jié)構(gòu)中，標(biāo)記數(shù)據(jù)點(diǎn)與它們的標(biāo)簽作為節(jié)點(diǎn)，而未標(biāo)記數(shù)據(jù)點(diǎn)則作為圖的邊緣節(jié)點(diǎn)。

步驟4：計(jì)算半監(jiān)督損失函數(shù)。根據(jù)初始模型和圖結(jié)構(gòu)計(jì)算半監(jiān)督損失函數(shù)，該損失函數(shù)由標(biāo)記和未標(biāo)記數(shù)據(jù)的損失組成。通過最大化損失函數(shù)，以優(yōu)化模型。半監(jiān)督損失函數(shù)表達(dá)式為：

式中： N —標(biāo)記數(shù)據(jù)集;q 1 樣本的真實(shí)類別標(biāo)簽；ζ（f（E）） 將 f（E） 映射到目標(biāo)空間的函數(shù)；ψ ———分類超平面和樣本之間的漢明距離。步驟5：模型優(yōu)化。使用隨機(jī)梯度下降進(jìn)行迭代優(yōu)化，使模型可以逐漸學(xué)習(xí)到畸變雷達(dá)電磁信號(hào)的特征，并提高識(shí)別準(zhǔn)確率。隨機(jī)梯度下降（SGD）的基本公式為：

V（k+1）=V（k）-β（k）J_i（k）

式中： V（k） 第 k 次迭代后的模型參數(shù)；β（k） 學(xué)習(xí)率；J_i（k） 第i個(gè)樣本的損失函數(shù)。

步驟6：分類識(shí)別模型應(yīng)用。輸入測(cè)試樣本到半監(jiān)督支持向量機(jī)分類識(shí)別模型當(dāng)中，實(shí)現(xiàn)畸變雷達(dá)電磁信號(hào)快速識(shí)別。

2 測(cè)試與分析

2.1雷達(dá)電磁信號(hào)樣本準(zhǔn)備

實(shí)驗(yàn)用雷達(dá)電磁信號(hào)樣本來自公開數(shù)據(jù)集RADARSET（專門為雷達(dá)信號(hào)處理和相關(guān)研究領(lǐng)域設(shè)計(jì)的數(shù)據(jù)集）。它包含了在各種不同環(huán)境和條件下采集的雷達(dá)電磁信號(hào)樣本，且都經(jīng)過了精確的標(biāo)注，包括目標(biāo)的位置、速度、加速度等信息。這些標(biāo)注信息可以用于訓(xùn)練和驗(yàn)證各種雷達(dá)信號(hào)處理算法，如目標(biāo)檢測(cè)、跟蹤和識(shí)別等。從公開數(shù)據(jù)集RADARSET各選取若干數(shù)據(jù)組成本實(shí)驗(yàn)的測(cè)試樣本，其中畸變樣本有1200條，正常樣本1500條。每個(gè)測(cè)試樣本具有唯一的樣本編號(hào)，并提供了相關(guān)的雷達(dá)和目標(biāo)信息，如雷達(dá)類型、目標(biāo)類型、距離、速度等，樣本示例如表1所示。

2.2 時(shí)頻圖像

利用短時(shí)傅里葉變換將每一段雷達(dá)電磁信號(hào)樣本轉(zhuǎn)換為時(shí)頻圖像，轉(zhuǎn)換示例如圖2所示。可以觀察到畸變雷達(dá)電磁信號(hào)波紋呈現(xiàn)不規(guī)則且較為雜亂的狀態(tài)。

2.3 時(shí)頻圖像紋理特征

灰度共生矩陣提取雷達(dá)電磁信號(hào)時(shí)頻圖像的4個(gè)紋理特征，示例如表2所示。

0.600之間，只有編號(hào)為2和4的樣本的能量值超過這個(gè)范圍。這可能表示這兩組數(shù)據(jù)在某種程度上由表可知，大部分樣本的能量值在 0.400～ 是異常的。熵值在 0.821～0.941 之間，說明樣本的復(fù)雜度相對(duì)較高。其中編號(hào)為3、5、7和9的樣本熵值相對(duì)較低，可能表示這些樣本的內(nèi)容較為簡(jiǎn)單或規(guī)律性強(qiáng)。相關(guān)性數(shù)值在 0.596～0.789 之間，說明各樣本間具有一定的相關(guān)性。其中編號(hào)為3、7和9的樣本相關(guān)性較低，可能表示這些樣本與其他樣本間的關(guān)聯(lián)度較低。對(duì)比度數(shù)值在0.198～0.365之間，說明各樣本間的對(duì)比度較強(qiáng)。其中編號(hào)為3和7的樣本對(duì)比度較低，可能表示這些樣本與其他樣本間的差異度較小。

2.4 識(shí)別性能分析

為了驗(yàn)證本文所提方法的應(yīng)用性能，將文獻(xiàn)[2]基于Pearson相關(guān)性的識(shí)別方法、文獻(xiàn)[3]基于擴(kuò)張殘差網(wǎng)絡(luò)的識(shí)別方法和文獻(xiàn)[4基于SwinTransformer神經(jīng)網(wǎng)絡(luò)的識(shí)別方法作為實(shí)驗(yàn)對(duì)比，與本文所提的基于半監(jiān)督學(xué)習(xí)的識(shí)別方法共同進(jìn)行實(shí)驗(yàn)。將識(shí)別結(jié)果的交并比和時(shí)間開銷作為評(píng)價(jià)指標(biāo)，驗(yàn)證方法的識(shí)別準(zhǔn)確性和識(shí)別時(shí)效性。

交并比（IoU）：IoU指標(biāo)可以識(shí)別結(jié)果與實(shí)際結(jié)果的交集面積與并集面積的比值，以此來衡量雷達(dá)電磁信號(hào)樣本畸變識(shí)別的準(zhǔn)確度。如果IoU值高，說明雷達(dá)電磁信號(hào)樣本畸變識(shí)別結(jié)果與實(shí)際結(jié)果重合度高，識(shí)別結(jié)果準(zhǔn)確。

時(shí)間開銷：可用于衡量雷達(dá)電磁信號(hào)樣本畸變識(shí)別的時(shí)效性，時(shí)間開銷越小，說明識(shí)別速度越快，時(shí)效性越好。

在畸變樣本中隨機(jī)選擇100條信號(hào)，分別采用4種不同方法對(duì)樣本信號(hào)進(jìn)行識(shí)別，識(shí)別結(jié)果如圖3和圖4所示。

通過圖3可以看出，文獻(xiàn)[2]方法的IoU為0.42～0.73，文獻(xiàn)[3]方法的IoU為0.30～0.55，文獻(xiàn)[4]方法的IoU為 0.42～0.69 ，而應(yīng)用本文方法對(duì)畸變雷達(dá)電磁信號(hào)樣本進(jìn)行識(shí)別的IoU為0.80～0.95，始終保持在0.8以上，說明雷達(dá)電磁信號(hào)樣本畸變識(shí)別結(jié)果與實(shí)際結(jié)果重合度高，識(shí)別結(jié)果準(zhǔn)確。這是由于本文采用STFT算法處理雷達(dá)電磁的時(shí)變信號(hào)，并通過噪聲去除和冗余信息過濾，更好地保存圖像的邊緣和高頻細(xì)節(jié)信息，有效提高了畸變雷達(dá)電磁信號(hào)識(shí)別的準(zhǔn)確性。

從圖4可以看出，文獻(xiàn)[2]方法的識(shí)別時(shí)間為12.8～15.9s ，文獻(xiàn)[3]方法的識(shí)別時(shí)間為 16.0～21.5s 文獻(xiàn)[4]方法的識(shí)別時(shí)間為 18.0～20.5s ，而應(yīng)用本方法對(duì)畸變雷達(dá)電磁信號(hào)樣本進(jìn)行識(shí)別的時(shí)間為8.3～9.5s ，始終保持在10s以下，說明識(shí)別速度較快，時(shí)效性較好。這是由于本文對(duì)雷達(dá)電磁信號(hào)的時(shí)頻圖像特征進(jìn)行了提取，可以更好地識(shí)別和分類目標(biāo)，在提高目標(biāo)識(shí)別精度的同時(shí)，快速地識(shí)別畸變雷達(dá)電磁信號(hào)。

3結(jié)束語(yǔ)

本文提出了一種基于半監(jiān)督學(xué)習(xí)的畸變雷達(dá)電磁信號(hào)快速識(shí)別方法。該方法通過引人半監(jiān)督學(xué)習(xí)算法，可以更充分地利用雷達(dá)信號(hào)中的信息，提高目標(biāo)檢測(cè)和識(shí)別的準(zhǔn)確性，最后通過實(shí)驗(yàn)驗(yàn)證了該方法的識(shí)別性能。總之，通過對(duì)基于半監(jiān)督學(xué)習(xí)的畸變雷達(dá)電磁信號(hào)快速識(shí)別研究，得出半監(jiān)督學(xué)習(xí)在雷達(dá)電磁信號(hào)處理中具有較好的應(yīng)用前景和潛力。未來可進(jìn)一步深人研究半監(jiān)督學(xué)習(xí)算法的優(yōu)化和擴(kuò)展，為雷達(dá)信號(hào)處理領(lǐng)域提供更多創(chuàng)新的解決方案。

參考文獻(xiàn)

[1]顏康，金煒東，黃穎坤，等.基于元學(xué)習(xí)的畸變雷達(dá)電磁信號(hào) 識(shí)別[J].電子與信息學(xué)報(bào)，2022，44（4）：1351-1357. YANK，JINWD，HUANGYK，etal.Distorted radar electromagnetic signal recognition based on meta-learning[J]. Journal of Electronics amp; Information Technology，2022， 44（4）： 1351-1357.

[2]張先洪，李永禎.基于Pearson 相關(guān)性的雷達(dá)交疊信號(hào)識(shí)別 [J].雷達(dá)科學(xué)與技術(shù)，2023，21（3）：329-333. ZHANG X H， LI Y Z. Radar overlapping signal recognition method based on pearson correlation[J]. Radar Science and Technology，2023，21（3）： 329-333.

[3]陳琳，唐駿，余躍，等.一種基于擴(kuò)張殘差網(wǎng)絡(luò)的雷達(dá)信號(hào)識(shí) 別方法[J].電光與控制，2023，30（1）：97-102. CHENL，TANGJ，YUY，etal.Aradarsignal recognition method based on dilated residual network[J].Electronics Optics amp; Control， 2023，30（1）： 97-102.

[4]董章華，趙士杰，賴?yán)?一種基于 Swin Transformer神經(jīng)網(wǎng) 絡(luò)的低截獲概率雷達(dá)信號(hào)調(diào)制類型的識(shí)別方法［J].四川大 學(xué)學(xué)報(bào)（自然科學(xué)版），2023，60（2）：42-48. DONG ZH， ZHAO SJ， LAI L.A radar signal modulation type recognition method based on Swin Transformer neural network[J]. Journal of Sichuan University（Natural Science Edition），2023，60（2）： 42-48.

[5]徐帥，劉魯濤.P-Net框架下的小樣本雷達(dá)信號(hào)識(shí)別算法 [J].哈爾濱工程大學(xué)學(xué)報(bào)，2022，43（5）：739-744+752. XU S，LIU L T. Small sample radar signal recognition algorithm under the P-Net framework[J]. Journal of Harbin Engineering University， 2022， 43（5）： 739-744+752.

[6]韓晶晶，王樹紅.基于CEEMD的壓縮感知降噪在雷達(dá)信號(hào) 識(shí)別中的應(yīng)用研究[J].電子器件，2022，45（05）：1094-1099. HAN J J， WANG S H. The CEEMD and compressed sensing theory de-noising method and its application to radar emitter signal recognition[J]. Chinese Joumal of Electron Devices， 2022，45（05）： 1094-1099.

[7]吳禮洋，咼鵬程，劉超，等.基于注意力機(jī)制增強(qiáng)殘差網(wǎng)絡(luò)的 雷達(dá)信號(hào)調(diào)制類型識(shí)別[J].兵工學(xué)報(bào)，2023，44（8）：2310- 2318. WUL Y，GUO P C，LIU C，et al. Radar signal modulation type recognition based on attention mechanism enhanced residual networks[J].Acta Armamentarii， 2023，44（8）： 2310- 2318.

[8] 王曉峰，董會(huì)旭，于巖，等.基于改進(jìn)RBF神經(jīng)網(wǎng)絡(luò)的雷達(dá) 信號(hào)識(shí)別「1]國(guó)外由子測(cè)量技術(shù) 20224175）：52-56 recognition method based on improved RBFneural network[J]. Foreign Electronic Measurement Technology， 2022，41（5）： 52-56.

[9] 熊德智，肖宇，胡軍華，等.矩形窗三點(diǎn)插值傅里葉變換高精 度頻率估計(jì)方法[J].中國(guó)測(cè)試，2023，49（9）：57-62. XIONG D Z，XIAO Y，HU JH， etal.Rectangular window three-point interpolation Fourier transform high-precision frequency estimation method[J]. China Measurement amp; Test， 2023，49（9）： 57-62.

[10] 蘇琮智，王美玲，楊承志，等.基于改進(jìn)EficientNet的雷達(dá) 信號(hào)調(diào)制方式識(shí)別[J].電訊技術(shù)，2023，63（1）：93-100. SUCZ，WANG ML，YANG C Z，et al.Radar signal modulation recognition based on improved EfficientNet[J]. Telecommunication Engineering，2023， 63（1）： 93-100.

[11]曲志昱，李根，鄧志安.基于知識(shí)蒸餾與注意力圖的雷達(dá)信 號(hào)識(shí)別方法[J].電子與信息學(xué)報(bào)，2022，44（9）：3170-3177. QU ZY，LI G，DENG Z A.Radar signal recognition method based on knowledge distillation and attention map[J]. Journal of Electronics amp; Information Technology，2022， 44（9）： 3170- 3177.

[12]劉玉欣，田潤(rùn)瀾，任琳，等.基于BSRes_SK_GRU的雷達(dá)信 號(hào)調(diào)制樣式識(shí)別[J].電訊技術(shù)，2023，63（7）：1002-1009. LIU Y X， TIAN R L，REN L， et al. Radar signal modulation type recognition basedon BSRes_SK_GRU[J]. Telecommunication Engineering，2023，63（7）：1002-1009.

[13]劉魯濤，陳林軍，李品.多窗口譜圖分析的低截獲概率雷達(dá) 信號(hào)識(shí)別[J].國(guó)防科技大學(xué)學(xué)報(bào)，2022，44（2）：112-117. LIUL T，CHENL J，LI P.Low probability of intercept radar signal recognition based on multi-window spectrogram analysis［J]. Journal of National University ofDefense Technologyy，2022， 44（2）： 112-117.

[14] 全大英，陳贊，唐澤雨，等.基于雙通道卷積神經(jīng)網(wǎng)絡(luò)的雷達(dá) 信號(hào)識(shí)別[J].上海交通大學(xué)學(xué)報(bào)，2022，56（7）：877-885. QUAN D Y，CHEN Y，TANG Z Y，et al.Radar signal recognition based on dual channel convolutional neural network[J]. Journal of Shanghai Jiaotong University，2022， 56（7）： 877-885.

[15] 吳力華，楊露菁，袁園.基于多特征融合的LPI雷達(dá)信號(hào)調(diào) 制樣式識(shí)別[J].計(jì)算機(jī)仿真，2023，40（5）：37-42. WU L H， YANG L J， YUAN Y. Modulation recognition of LPI radar signals based on multi-feature fusion[J]. Computer Simulation， 2023， 40（5）： 37-42.

[16] 高卓妍，賈巖，劉淑一，等.SFCW干涉雷達(dá)用于高鐵車橋耦 合振動(dòng)監(jiān)測(cè)的實(shí)驗(yàn)研究[J].中國(guó)測(cè)試，2023，49（3）：135- 141. GAO Z Y， JIA Y，LIU S Y，et al.Experimental study of SFCW interferometry radar applied to vehicle-bridge coupling vibration monitoring of high-speed railway bridge[J].China Measurement amp; Test，2023， 49（3）：135-141.

（編輯：商丹丹）