雷达辐射源信号分选研究进展隋金坪①      刘  振*②      刘  丽*③      黎  湘②①(海军大连舰艇学院作战软件与仿真研究所   大连   116016)②(国防科技大学电子科学学院   长沙   410073)③(国防科技大学系统工程学院   长沙   410073)摘   要：雷达辐射源信号分选是雷达信号侦察的关键技术之一，同时也是战场态势感知的重要环节。该文系统梳理了雷达辐射源信号分选的主流技术，从基于脉间调制特征、基于脉内调制特征、基于机器学习的雷达辐射源信号分选3个角度阐述了目前雷达辐射源信号分选工作的主要研究方向及进展，并重点阐释了基于深度神经网络、数据流聚类等最新分选技术的原理与特点。最后，对现有雷达辐射源信号分选技术的不足进行了总结并对未来趋势进行了预测。关键词：雷达辐射源；脉冲分选；脉冲流；机器学习；深度学习；数据流聚类中图分类号：TN911.7 文献标识码：A DOI: 10.12000/JR21147引用格式：隋金坪, 刘振, 刘丽, 等. 雷达辐射源信号分选研究进展[J]. 雷达学报, 待出版. doi: 10.12000/JR21147.Reference format: SUI Jinping, LIU Zhen, LIU Li, et al. Progress in radar emitter signal deinterleaving[J].Journal of Radars, in press. doi: 10.12000/JR21147.Progress in Radar Emitter Signal DeinterleavingSUI Jinping①      LIU Zhen*②      LIU Li*③      LI Xiang②①(Operational Software and Simulation Research Institute, Dalian Naval Academy, Dalian 116016, China)②(College of Electronic Science and Technology, National University of Defense Technology,Changsha 410073, China)③(College of System Engineering, National University of Defense Technology, Changsha 410073, China)Abstract: Radar emitter signal deinterleaving is a key technology for radar signal reconnaissance and anessential part of battlefield situational awareness. This paper systematically sorts out the mainstreamtechnology of radar emitter signal deinterleaving. It summarizes the main research progress in radar emittersignal deinterleaving from three directions: interpulse modulation characteristics-based, intrapulse modulationcharacteristics-based, and machine learning-based research. Particularly, this paper focuses on explaining theprinciple and technical characteristics of the latest deinterleaving technology, such as neural network-based anddata stream clustering-based techniques. Finally, the shortcomings of the current radar emitter deinterleavingtechnology are summarized, and the future trend is predicted.Key words: Radar emitter; Pulse deinterleaving; Pulse stream; Machine learning; Deep learning; Data streamclustering  收稿日期：2021-10-07；改回日期：2021-12-16*通信作者： 刘振 zhen_liu@nudt.edu.cn； 刘丽 lilyliu_nudt@163.com*Corresponding Author: LIU Zhen, zhen_liu@nudt.edu.cn; LIU Li, lilyliu_nudt@163.com基金项目：国家自然科学基金优秀青年科学基金(62022091)Foundation Item: The National Natural Science Foundation of China (62022091)责任主编：普运伟     Corresponding Editor: PU Yunwei第x卷第x期 雷  达  学  报 Vol. xNo. x2021年x月 Journal of Radars x 2021网络首发时间：2021-12-16 07:03:59网络首发地址：https://kns.cnki.net/kcms/detail/10.1030.TN.20211215.0948.004.html1    引言雷达辐射源信号分选，又称雷达辐射源信号去交错，是指从随机交错的脉冲流中分离出各个雷达脉冲列的过程[1]。雷达辐射源信号分选是雷达信号侦察处理的关键技术之一，同时也是重要的基础前提，只有从高密度、高混合度的脉冲流中正确分离出各个雷达脉冲信号，才能高质量完成后续的信号处理工作，因此，雷达辐射源信号分选技术直接影响着雷达信号侦察处理，是电子战场态势感知的核心步骤之一，严重影响着后续的决策判断。然而，随着各类型雷达的广泛采用，电磁环境空前复杂，雷达辐射源信号分选也面临着前所未有的挑战，主要体现在3个方面：一是雷达辐射源数量多，导致脉冲密度激增。当前，典型的信号环境密度已突破每秒百万量级甚至达到千万量级，同时各辐射源脉冲的交叠，非合作源脉冲信号难以截获或稀缺等现实挑战日益凸显；二是雷达信号调制日益复杂且参数多变。传统脉冲(如固定载频、重频以及无调制脉冲)在雷达信号中所占比例减小，伴随而来的是线性、非线性调频，相位、频率编码，复合调制雷达信号的逐渐增多，以及参数捷变甚至随机变化，信号的反侦察，抗干扰的能力极大增强；三是信息战场的瞬息万变对雷达辐射源信号分选与识别的实时性、准确性的需求日益增强。同时，电子战正向多域联合、协同作战发展，快速的雷达信号分选是实现多域信息融合的重要前提。客观来讲，电磁环境的日益复杂推动着雷达辐射源信号分选技术向前快速发展。从20世纪70年代相关研究兴起开始到今天，雷达辐射源信号分选始终是国内外相关研究人员的重点研究课题，大批新颖研究成果不断涌现。然而，这些工作比较分散，往往基于某种特定场景或针对特定雷达辐射源分选而展开，缺乏较为系统的梳理与总结。本文系统地介绍了雷达辐射源信号分选技术的特点，全面梳理了国内外关于雷达辐射源信号分选技术的相关文献，重点对近年来以机器学习、深度学习、数据流处理为技术支撑的雷达辐射源信号分选工作进行了总结分析，并对雷达辐射源信号分选工作尚存问题以及未来发展方向进行了概括与预测。本文结构如下：第2节系统阐述雷达辐射源信号分选的研究进展，重点对最新的基于深度神经网络、数据流聚类的分选技术进行阐释归纳。第3节对目前雷达辐射源信号分选的不足进行概括并对未来可能发展的趋势进行预测。最后，第4节对全文进行总结。  2    雷达辐射源信号分选研究现状与趋势雷达辐射源信号分选问题的相关研究国际上兴起于20世纪70年代，我国学者的研究始于20世纪80年代[2,3]。如图1所示，雷达辐射源信号分选是指从随机交错的脉冲流中分离出各个雷达脉冲列的过程，其本质是“匹配”问题。几十年来，研究者基本都是沿着“匹配”思路解决该类问题：即利用脉间或脉内，不同域内测量或提取的特征参数，或与模板匹配，或彼此匹配，从而将最相似的脉冲视为同一辐射源产生的脉冲序列，否则视为不同辐射源产生的脉冲，来完成脉冲流的去交错。整体上讲，雷达辐射源信号分选的研究工作可以主要分为3个研究方向：即基于脉间调制特征的雷达辐射源分选、基于脉内调制特征的雷达辐射源分选和基于机器学习的雷达辐射源分选，如图2所示。需要指出的是，传统意义上信号的分选和识别是两个串行的过程。然而，随着电磁环境的持续复杂，同时，随着信号特征提取等处理技术的创新发展，信号的分选与识别已经没有严格意义上的区分，往往在对雷达信号分选的同时就实现了对信号的识别；反之，信号的识别也时常作为信号的主分选手段在分选过程中扮演重要角色，同时，识别结果反馈到分选中，又提高了分选的效率和准确率[4]。因 雷达辐射源1雷达辐射源2雷达辐射源3脉冲流雷达辐射源1雷达辐射源2雷达辐射源3 图 1 雷达辐射源分选示意图Fig. 1  Diagram of radar emitter signal deinterleaving2 雷  达  学  报 第x卷此，分选和识别已经不再是两个独立的过程，也不再是简单的串行关系。目前，已有一大批成果围绕利用脉内调制特征，并结合神经网络等分类器完成信号分选。为了全面梳理分选技术发展，本文在涵盖传统分选技术的同时，也将这些不可忽视的新的分选识别交叉技术考虑在内。本文不再对分选和识别进行特别区分。  2.1  基于脉间调制特征的雷达辐射源信号分选雷达侦察系统接收到脉冲信号后，参数检测与测量模块首先对脉冲的到达时间(Time of Arrival,TOA)，载波频率(Radio Frequency, RF)，脉冲宽度(Pulse Width, PW)，脉冲幅度(Pulse Amplitude,PA) 以及到达方向(Direction of Arrival, DOA) 等主要参数进行测量。上述的TOA, RF, PW, PA和DOA是脉冲描述字(Pulse Descriptive Word，PDW)最典型的5个瞬时参数，即经测量可直接获得的参数。除了瞬时参数，经多次测量或通过计算可得到的参数为二次参数，最主要的代表是脉冲重复间隔(Pulse Repetitive Interval, PRI)。无论是瞬时参数，还是二次参数，它们的本质都属于脉间调制特征，PDW各参数的物理意义如图3所示。经典的雷达辐射源分选就是基于这些脉间调制特征展开的，具体可分为模板匹配法和基于PRI两个研究方向。  2.1.1 模板匹配法20世纪70年代，电磁环境比较简单，辐射源数量稀少且种类相对固定。在此背景下，模板匹配法应运而生，该方法由Saperstein等人[5]提出。模板匹配方法的思路比较简单，即预先建立雷达辐射源主要特征参数数据库，然后通过对接收信号的PDW参数进行量测并与数据库中的参数信息进行比对，从而对参数相同或相近的脉冲进行分选。这种方法操作相对简单，适用于辐射源较少的场景。然而，随着雷达信号发射技术的迅猛发展，雷达体制极大丰富，该方法在数据库建立的完备性方面遭遇重大挑战：首先是对复杂多变的雷达信号，如参数捷变信号、参数随机信号，难以建立完备的字典；其次是对广泛存在的非合作辐射源，其信号参数等先验信息难以获取，因此难以预先在字典中建立相应模板；最后随着脉内调制技术的发展成熟，单纯依靠PDW参数的分选呈现出分选力匮乏的现象。  2.1.2 基于PRI的雷达辐射源信号分选在PDW常规的脉冲描述字中，TOA参数比其他参数容易测，而且对于一个脉冲序列而言，一般其PRI是相对比较稳定的。同时，PRI参数是TOA参数的一级差，因此，雷达辐射源信号分选的另一个庞大研究分支是基于PRI的分选。典型的方法包括PRI搜索法、PRI直方图、PRI变换、平面变换法[6]，总体来说，这些方法基本围绕如何在交叠脉冲流中，估计、提取出比较合理的PRI的问题上展开的。  2.1.2.1 PRI搜索法(试探法)TOAbase TOAref TOAref >TOAbase DTOA=TOAref  TOAbase DTOA DTOA又称动态关联法[7]。该方法的处理流程一般是选择两个脉冲分别作基准脉冲与参考脉冲(例如前两个脉冲)，假设基准脉冲与参考脉冲的到达时间可分别表示为 和  ( )，则计算二者之间的差值 ，若处于合理区间，则将 视为一个准 基于脉间调制特征 基于脉内调制特征PDW模板匹配基于PRIPRI搜索法PRI直方图法PRI变换法平面变换法无意调制特征 有意调制特征频率漂移前沿调制功率谱分布延时自相关特性小波特征时频特征相位差分基于机器学习的方法有监督分类 无监督聚类支持向量机决策树集成模型静态聚类数据流聚类神经网络浅层神经网络深度神经网络 图 2 雷达辐射源信号分选发展脉络Fig. 2  The development of radar emitter signal deinterleaving 雷达脉冲流PRIPWTOAPARF(DOA) 图 3 脉冲描述子各参数的物理意义Fig. 3  The physical meaning of each parameter of PDW第x期 隋金坪等：雷达辐射源信号分选研究进展 3PRI。随后，按照准PRI以一定的PRI容差(考虑实际测量等误差)进行试探性的扩展搜索，逐一将符合准则的脉冲挑选出来，直到搜索出符合预设个数的脉冲。挑选出来的脉冲序列视为一个雷达的脉冲串，将此脉冲串进行后续处理，若无法挑选出符合的雷达脉冲串或已经挑选出某准PRI下的脉冲串，则重新选取参考脉冲，重复此过程。PRI搜索法的关键点之一在于PRI容差的选择。PRI搜索法在辐射源类型少、PRI参数固定的简单电磁环境中可以达到不错的分选效果，比较容易实现。但其存在不可忽略的缺点，该方法每一次只挑选一部雷达脉冲列，且要对脉冲流不断筛选，这造成该方法的计算成本高。同时，该方法对复杂电磁环境很难适应。特别是当面对信号密集、信噪比(Signal to Noise Ratio, SNR)低或者信号本身具有PRI捷变、随机调制等复杂情况时，该方法的准确率下降明显。  2.1.2.2 PRI直方图法PRI搜索法若想取得较高的准确度，关键在于如何确定合理的PRI。前述的PRI搜索法显然是比较耗时的，因此相关学者围绕如何在交叠的脉冲流中提取出最可能的准PRI值开展了大量的工作，PRI直方图法成为基于脉间调制特征的雷达信号分选中的主流研究方法，比较成熟的方法包括TOA差值直方图、积累差直方图(Cumulative DifferenceHistogram, CDIF)[8]以及时序差直方图(SequentialDifference Histogram, SDIF)[9]。整体上，这些PRI直方图的基本原理是基于各个脉冲的TOA信息，计算不同级TOA差值，并通过统计得到不同级的PRI直方图，通过设置一定的合理阈值从直方图提取出比较合理的PRI值，再通过搜索法进行分选。PRI直方图法的3种典型算法(即TOA差值直方图、CDIF、SDIF)的不同之处主要体现在如何用直方图对准PRI的提取上。需要指出的是，从20世纪90年代CDIF (1989年)以及SDIF(1992年)被提出至今的30年间，相关科研人员围绕PRI直方图进行脉冲分选开展了很丰富的工作。这些工作基本上是以CDIF或SDIF为基础，结合具体实际问题，在如门限函数选择、预处理进行脉冲稀释等方面做了主要改进。尽管这些方法从一定程度提升了分选的准确率，但均是基于直方图分析展开的。  2.1.2.3 PRI变换法与PRI直方图方法同一时期，Nelson[10]从谱变换角度对脉冲流可能的PRI进行提取。具体地，该方法将脉冲流的各脉冲TOA建模为冲击函数的和，即g(t)=N 1 ∑n=0