电磁目标表征： 知识-数据联合驱动新范式

摘 要：电磁目标表征是电磁空间态势感知中的一项共性基础性问题。 早期目标表征基于专家经验知识， 需要设计者具有较强的专业背景与先验知识， 其在复杂信号环境下的性能不佳。 近年来发展起来的深度学习为复杂电磁环境下的目标信号表征提供了新的途径， 它通过模拟人脑的深层结构建立机器学习模型， 以端到端的方式自动表征和处理目标数据， 在电磁目标检测、 分类、 识别、 参数估计、 行为认知等感知任务中显示出良好的性能。 然而， 深度学习严重依赖海量高质量标注数据， 在现实电磁环境中存在一定局限。 将知识融入智能系统一直是人工智能的研究方向， 结合知识与数据进行电磁目标表征， 将有望提升目标感知精度与泛化能力， 正在成为电磁目标表征中新的方向。 本文回顾了电磁目标表征技术的发展过程， 对新的知识-数据联合驱动的电磁目标感知范式进行了展望。

关键词：  目标表征； 专家知识； 深度学习； 知识-数据联合驱动； 知识图谱

中图分类号：TJ760

文献标识码： A

文章编号：  1673-5048（2024）02-0017-15

DOI： 10.12132/ISSN.1673-5048.2024.0065

0 引  言

电磁目标感知是电磁空间态势感知的一项重要内容［1］， 旨在通过采集装备在飞机、 导弹、 舰船以及防空系统中侦察设备所接收的信号， 形式化电磁目标信息， 获得通信电台、 雷达辐射源等各类电磁目标的特征参数和工作参数等， 并实现对其属性、 类型、 模式、 威胁、 用途等决策信息的提取， 进而能够对空间态势、 威胁等级、 活动规律和战术意图等进行推理。

目标表征是电磁目标感知中的基础性问题。 它旨在从目标信号数据中找到与任务密切相关的特征来代替原始电磁数据， 不仅可以降低数据维度并减少计算量， 而且可以提取任务的相关特征， 对电磁目标的检测、 分类、 识别、 参数估计等效果， 以及后续的关联预测等性能均有着直接的影响［2］。 在几十年的发展过程中， 电磁目标表征经历了从传统专家知识下的电磁目标经验表征方法到基于人工智能技术的电磁目标表征方法的发展过程。

当前人工智能（AI）技术正加速向电磁领域渗透应用， 以深度学习为代表的智能目标表征备受关注。 2019年10月， 美国国防高级研究计划局（DARPA）的“频谱协同挑战赛”初步验证了深度学习在电磁目标感知中的巨大潜力［3］。 2021年8月， 美国陆军发布的《未来司令部作战概念2028： 赛博空间与电磁作战》中指出： 当前和未来对手利用先进技术观察与感知电磁特征的能力正在不断提升。 美国国防部2024财年计划中继续加大了对电子战项目的投资预算， 支持美国空军推进与电磁频谱作战相关的新的“认知电磁战”项目， 在人工智能的帮助下做出实时决策， 并实施有效的电磁攻击。

人工智能技术正在不断提升电磁目标表征与感知的智能化程度， 然而， 深度学习严重依赖于海量高质量的标注数据， 在现实电磁环境中存在局限。 将知识融入智能系统一直是人工智能的研究方向， 结合知识与数据进行电磁目标表征， 将有望提升目标感知精度与泛化能力， 正成为电磁目标表征的新方向。 本文回顾了电磁目标表征的发展， 综述了智能化的电磁目标表征技术， 在分析其局限性的基础上， 探索新的知识-数据联合驱动的表征新范式。

1 专家知识下的电磁目标经验表征

早期电磁目标表征采用基于专家经验知识的方法， 即以单一信号类型作为分析对象， 借助先验知识， 采用空域、 时域、 频域的细微特征提取方法［4-38］实现电磁目标的表征。 例如， 常用传统的脉冲描述字（Pulse Description Word， PDW）的5个参数对雷达脉冲信号进行描述， 即脉冲幅度、 脉冲频率、 脉冲宽度、 脉冲到达时间和脉冲到达角。 连续波通信信号的特征提取则采用谱分析、 小波变换等方法。 这些特征大致可以分为时域特征、 频域特征、 时频域特征、 混合特征和其他特征。 航空兵器 2024年第31卷第2期

杨淑媛， 等： 电磁目标表征： 知识-数据联合驱动新范式

时域特征。 电磁目标的时序信号中包含了信号随时间变化的信息， 因此， 电磁目标的时序信号及其各类统计参数能够提供关于电磁目标物理属性和动态行为的详细信息。 电磁信号的时域特征包括时序I/Q信号、 包络、 均值、 方差、 瞬时幅度、 瞬时频率、 瞬时相位、 偏度、 峰度等。 例如， 在通信信号领域， Lin等人［4］设计了一种基于时序信号幅度的调制识别方法。 该方法使用累积分布函数来统计信号幅度分布曲线， 并通过特征匹配的方法识别调制类型。 Reising等人［5］通过使用多重判别分析与最大似然估计（MDA/ML）对GSM-GMSK信号的近瞬态和中继区域的射频指纹进行分类， 以增强安全性。 结果表明， 使用GSM-GMSK近瞬时相位特征的分类效果显著提升。 Xu等人［6］提出了一种基于正交分量重构的新方法， 用于估计非稳定和非线性信号的瞬时参数。 实验结果表明， 所提取的瞬时参数在信号严重失真或信噪比极低的情况下， 能够有效完成通信辐射源的识别任务。 Deng等人［7］提取通信信号的峰度和偏度作为射频指纹， 并通过特征库匹配来识别通信辐射源个体。 实验证明了所提取特征的有效性。 此外， Ur Rehman等人［8］采用信号包络曲线的持续时间、 积分面积、 最大斜率、 峰度和方差作为射频指纹对蓝牙设备进行识别。 实验结果表明， 在低采样率下， 基于信号包络的射频指纹能够准确地对蓝牙设备进行分类。 在雷达信号领域中， 张国柱等人［9］提出了一种新的雷达辐射源信号个体识别方法。 该方法利用小波变换技术提取辐射源的细微特征， 克服了传统包络分析方法的缺点， 提高了信号包络信息的提取精度， 并通过实验验证了其有效性。 章建辉等人［10］提取雷达辐射源的瞬时频率特征从而识别不同体制的雷达信号。  王宏伟等人［11］使用雷达脉冲包络前沿波形作为辐射源的“指纹”， 并将其与“标准”前沿波形曲线进行比较， 实现了较高精度的辐射源个体识别。 Wang等人［12］计算电磁信号的均值、 标准偏差、 偏度和峰度等4个统计特征来增强指纹特征， 并使用逻辑回归和支持向量机实现了雷达辐射源的个体识别。

通过对时域信号进行分析， 可以得到信号的持续时间、 幅度、 频率及其变化趋势等重要信息。 此外， 时域特征为实时信号处理系统提供了快速的计算方式， 因为它们不需要进行复杂的变换。 然而， 时域特征也有其明显的缺点。 首先， 对于非平稳信号， 时域特征可能无法提供足够的信息， 因为这些特征通常假设信号在整个观察窗口内是平稳的。 其次， 时域特征对噪声比较敏感， 尤其是对于低信噪比的情况。 最后， 时域特征可能无法捕捉到信号的所有重要特性， 尤其是在频域或其他域可能存在的特性。

频域特征。 频域特征反映了电磁目标的频率响应特性， 对于分析和识别电磁目标具有重要意义。 频域特征包括频谱、 功率谱、 循环谱、 相位谱、 高阶累积量等。 在通信信号领域， Kennedy等人［13］提出了一种基于频域特征的通信辐射源识别方法， 通过提取接收信号的频谱对通信辐射源个体进行分类。 Williams等人［14］为增强之前的时域方法， 提出一种频域射频指纹识别方法。 该方法将信号功率谱作为指纹特征， 实现了通信辐射源的个体识别。 蔡忠伟等人［15］在研究了现有通信辐射源识别方法后， 选择双谱作为基本特征向量， 显著提高了低信噪比条件下的识别结果。 王涵［16］认为相位谱特征能够更好地体现通信信号的调制特性， 设计了基于相位谱的调制识别方法。 在雷达信号领域， Ru等人［17］研究了信号的频域分布密度特征。 实验结果表明， 频域分布密度比传统的频谱特性展现出更好的识别性能。 Li等人［18］使用最小二乘法来估计雷达辐射源的循环谱特征， 并利用循环谱的零频率切片进行雷达辐射源个体识别。 与通信辐射源识别类似， 肖乐群等人［19］认为双谱特征能够更好地表现出电磁信号的特性， 提出了一种新的对角积分双谱方法。 该方法通过沿平行于双谱次对角线的直线序列积分减少了数据量， 同时保留更多的相位和幅度信息， 应用于低截获概率雷达信号的特征提取任务， 结果显示其识别性能优于其他积分双谱方法。 此外， Suski等人［20］提取功率谱密度作为射频指纹并使用谱相关性进行分类。

频域特征的优点在于其对信号频率成分和谐波结构的高度敏感性， 这使得它能有效描述和区分不同的电磁目标。 此外， 频域特征具有良好的抗噪能力， 能够在一定程度上保证特征提取的准确性和稳定性。 然而， 频域特征也存在一些缺点。 首先， 频域特征的提取通常需要大量的计算资源， 这在一些实时性要求较高的应用场景中可能存在问题。 其次， 频域特征对于非平稳信号的处理能力较弱， 这可能会影响到特征提取的有效性。 最后， 频域特征无法提供信号的时间信息， 这在一些需要考虑信号时间演变规律的应用场景中是一个重要的限制。

时频域特征。 时频域特征通常利用小波变换、 短时傅里叶变换（Short-Time Fourier Transform， STFT）、 魏格纳-威利分布（Wigner-Ville Distribution， WVD）、 希尔伯特-黄变换（Hilbert-Huang Transform， HHT）等分析方法从时间和频率两个角度对信号进行表征。 由于时频域特征能同时反映出信号在时域与频域上的特性， 因此被广泛应用于电磁目标表征中。 王小颖［21］提取了HHT及矩形积分双谱专家特征， 分别针对两种特征设计了ECANet及一维残差神经网络， 最终通过融合两种特征实现了辐射源个体识别。 惠周勃等人［22］利用HHT计算时频能量谱和边缘谱， 再计算正则化维数联合能量熵实现辐射源个体识别。 王欢欢等人［23］基于HHT提出一种改进算法IHHT， 实现了对瞬时专家特征的精确估计， 提高了对信号时频特征描述下的辐射源识别精确度。 任东方等人［24］针对HHT可分性差的问题提出了结合固有时间尺度分解和纹理分析的舰船辐射源信号识别方法， 其直接利用了HHT专家特征的方法。 柳征等人［25］基于小波变换采用局部判别基（LDB）专家特征， 实现了辐射源信号无意调制差异信息的挖掘。 陈韬伟等人［26］将小波变换后低频系数能量分布熵与经尺度相关去噪计算的高频系数能量分布熵进行结合， 在10部雷达辐射源信号上取得了很好的抗噪性能。 贾依菲［27］重点提取了脉冲雷达信号的STFT、 WVD和小波变换的时频专家特征， STFT特征达到了最佳识别精度。 周琳等人［28］针对通信信号调制识别， 提取了STFT、 WVD和小波变换3类专家特征， 其中WVD和小波变换实现了最佳抗噪性能。

在电磁目标表征的研究中， 时频域特征的使用具有明显的优点。 首先， 它能够捕获到复杂信号在时域和频域上的特性， 可以更全面、 更精细地描述电磁目标的特性。 其次， 通过对时频域特征的分析， 可以发现许多在单一时域或单一频域中无法观察到的特性和规律， 从而提升电磁目标的识别精度。 然而， 时频域特征也存在一些明显的缺点。 首先， 时频域分析相比于单一时域或单一频域分析， 计算复杂度更高， 需要更多的计算资源。 其次， 对于非稳态信号， 时频域分析的结果会受到时间窗函数选择的影响， 从而影响到最终的特征提取结果。 最后， 时频域分析需要专业的知识和经验， 对于非专家来说， 理解和应用时频域特征会有一定的困难。

虽然上述专家特征能够一定程度地反映出电磁目标的特性， 但仅使用单一的特征只能提供有限的信息， 无法全面地描述电磁目标， 从而降低了目标识别的准确性。 其次， 如果电磁目标的某些特性不在该特征的描述范围内， 那么单一的特征就无法有效地识别目标。 因此， 使用混合特征能够更好地描述电磁目标的特性。 江扬帆［29］提取了小波特征、 高阶谱特征、 分形特征等多种专家联合特征， 构建了卫星通信辐射源指纹库。 李润东［30］提取了通信信号参数统计、 高阶统计量和循环平稳3类专家特征， 在特定信号场景取得了不错的效果。 Zheng等人［31］提取了瞬时特征、 统计特征及频谱特征， 这几种不同域的特征形成联合向量， 与I/Q信号深度特征进行融合分类， 构建了知识和数据联合驱动框架， 在36类调制信号上依然取得优越的效果。 Liu等人［32］提取了HHT下的瞬时特征联合信号统计特征， 形成混合专家特征， 所设计的对比学习方法融合了I/Q原始信号和关键专家特征， 在开源调制数据集上实现了显著的性能提升。