電磁目標(biāo)表征： 知識(shí)-數(shù)據(jù)聯(lián)合驅(qū)動(dòng)新范式

楊淑媛 楊晨 馮志璽 潘求凱

摘 要：電磁目標(biāo)表征是電磁空間態(tài)勢(shì)感知中的一項(xiàng)共性基礎(chǔ)性問(wèn)題。 早期目標(biāo)表征基于專家經(jīng)驗(yàn)知識(shí)， 需要設(shè)計(jì)者具有較強(qiáng)的專業(yè)背景與先驗(yàn)知識(shí)， 其在復(fù)雜信號(hào)環(huán)境下的性能不佳。 近年來(lái)發(fā)展起來(lái)的深度學(xué)習(xí)為復(fù)雜電磁環(huán)境下的目標(biāo)信號(hào)表征提供了新的途徑， 它通過(guò)模擬人腦的深層結(jié)構(gòu)建立機(jī)器學(xué)習(xí)模型， 以端到端的方式自動(dòng)表征和處理目標(biāo)數(shù)據(jù)， 在電磁目標(biāo)檢測(cè)、 分類、 識(shí)別、 參數(shù)估計(jì)、 行為認(rèn)知等感知任務(wù)中顯示出良好的性能。 然而， 深度學(xué)習(xí)嚴(yán)重依賴海量高質(zhì)量標(biāo)注數(shù)據(jù)， 在現(xiàn)實(shí)電磁環(huán)境中存在一定局限。 將知識(shí)融入智能系統(tǒng)一直是人工智能的研究方向， 結(jié)合知識(shí)與數(shù)據(jù)進(jìn)行電磁目標(biāo)表征， 將有望提升目標(biāo)感知精度與泛化能力， 正在成為電磁目標(biāo)表征中新的方向。 本文回顧了電磁目標(biāo)表征技術(shù)的發(fā)展過(guò)程， 對(duì)新的知識(shí)-數(shù)據(jù)聯(lián)合驅(qū)動(dòng)的電磁目標(biāo)感知范式進(jìn)行了展望。

關(guān)鍵詞：? 目標(biāo)表征； 專家知識(shí)； 深度學(xué)習(xí)； 知識(shí)-數(shù)據(jù)聯(lián)合驅(qū)動(dòng)； 知識(shí)圖譜

中圖分類號(hào)：TJ760

文獻(xiàn)標(biāo)識(shí)碼： A

文章編號(hào)：? 1673-5048（2024）02-0017-15

DOI： 10.12132/ISSN.1673-5048.2024.0065

0 引? 言

電磁目標(biāo)感知是電磁空間態(tài)勢(shì)感知的一項(xiàng)重要內(nèi)容［1］， 旨在通過(guò)采集裝備在飛機(jī)、 導(dǎo)彈、 艦船以及防空系統(tǒng)中偵察設(shè)備所接收的信號(hào)， 形式化電磁目標(biāo)信息， 獲得通信電臺(tái)、 雷達(dá)輻射源等各類電磁目標(biāo)的特征參數(shù)和工作參數(shù)等， 并實(shí)現(xiàn)對(duì)其屬性、 類型、 模式、 威脅、 用途等決策信息的提取， 進(jìn)而能夠?qū)臻g態(tài)勢(shì)、 威脅等級(jí)、 活動(dòng)規(guī)律和戰(zhàn)術(shù)意圖等進(jìn)行推理。

目標(biāo)表征是電磁目標(biāo)感知中的基礎(chǔ)性問(wèn)題。 它旨在從目標(biāo)信號(hào)數(shù)據(jù)中找到與任務(wù)密切相關(guān)的特征來(lái)代替原始電磁數(shù)據(jù)， 不僅可以降低數(shù)據(jù)維度并減少計(jì)算量， 而且可以提取任務(wù)的相關(guān)特征， 對(duì)電磁目標(biāo)的檢測(cè)、 分類、 識(shí)別、 參數(shù)估計(jì)等效果， 以及后續(xù)的關(guān)聯(lián)預(yù)測(cè)等性能均有著直接的影響［2］。 在幾十年的發(fā)展過(guò)程中， 電磁目標(biāo)表征經(jīng)歷了從傳統(tǒng)專家知識(shí)下的電磁目標(biāo)經(jīng)驗(yàn)表征方法到基于人工智能技術(shù)的電磁目標(biāo)表征方法的發(fā)展過(guò)程。

當(dāng)前人工智能（AI）技術(shù)正加速向電磁領(lǐng)域滲透應(yīng)用， 以深度學(xué)習(xí)為代表的智能目標(biāo)表征備受關(guān)注。 2019年10月， 美國(guó)國(guó)防高級(jí)研究計(jì)劃局（DARPA）的“頻譜協(xié)同挑戰(zhàn)賽”初步驗(yàn)證了深度學(xué)習(xí)在電磁目標(biāo)感知中的巨大潛力［3］。 2021年8月， 美國(guó)陸軍發(fā)布的《未來(lái)司令部作戰(zhàn)概念2028： 賽博空間與電磁作戰(zhàn)》中指出： 當(dāng)前和未來(lái)對(duì)手利用先進(jìn)技術(shù)觀察與感知電磁特征的能力正在不斷提升。 美國(guó)國(guó)防部2024財(cái)年計(jì)劃中繼續(xù)加大了對(duì)電子戰(zhàn)項(xiàng)目的投資預(yù)算， 支持美國(guó)空軍推進(jìn)與電磁頻譜作戰(zhàn)相關(guān)的新的“認(rèn)知電磁戰(zhàn)”項(xiàng)目， 在人工智能的幫助下做出實(shí)時(shí)決策， 并實(shí)施有效的電磁攻擊。

人工智能技術(shù)正在不斷提升電磁目標(biāo)表征與感知的智能化程度， 然而， 深度學(xué)習(xí)嚴(yán)重依賴于海量高質(zhì)量的標(biāo)注數(shù)據(jù)， 在現(xiàn)實(shí)電磁環(huán)境中存在局限。 將知識(shí)融入智能系統(tǒng)一直是人工智能的研究方向， 結(jié)合知識(shí)與數(shù)據(jù)進(jìn)行電磁目標(biāo)表征， 將有望提升目標(biāo)感知精度與泛化能力， 正成為電磁目標(biāo)表征的新方向。 本文回顧了電磁目標(biāo)表征的發(fā)展， 綜述了智能化的電磁目標(biāo)表征技術(shù)， 在分析其局限性的基礎(chǔ)上， 探索新的知識(shí)-數(shù)據(jù)聯(lián)合驅(qū)動(dòng)的表征新范式。

1 專家知識(shí)下的電磁目標(biāo)經(jīng)驗(yàn)表征

早期電磁目標(biāo)表征采用基于專家經(jīng)驗(yàn)知識(shí)的方法， 即以單一信號(hào)類型作為分析對(duì)象， 借助先驗(yàn)知識(shí)， 采用空域、 時(shí)域、 頻域的細(xì)微特征提取方法［4-38］實(shí)現(xiàn)電磁目標(biāo)的表征。 例如， 常用傳統(tǒng)的脈沖描述字（Pulse Description Word， PDW）的5個(gè)參數(shù)對(duì)雷達(dá)脈沖信號(hào)進(jìn)行描述， 即脈沖幅度、 脈沖頻率、 脈沖寬度、 脈沖到達(dá)時(shí)間和脈沖到達(dá)角。 連續(xù)波通信信號(hào)的特征提取則采用譜分析、 小波變換等方法。 這些特征大致可以分為時(shí)域特征、 頻域特征、 時(shí)頻域特征、 混合特征和其他特征。 航空兵器 2024年第31卷第2期

楊淑媛， 等： 電磁目標(biāo)表征： 知識(shí)-數(shù)據(jù)聯(lián)合驅(qū)動(dòng)新范式

時(shí)域特征。 電磁目標(biāo)的時(shí)序信號(hào)中包含了信號(hào)隨時(shí)間變化的信息， 因此， 電磁目標(biāo)的時(shí)序信號(hào)及其各類統(tǒng)計(jì)參數(shù)能夠提供關(guān)于電磁目標(biāo)物理屬性和動(dòng)態(tài)行為的詳細(xì)信息。 電磁信號(hào)的時(shí)域特征包括時(shí)序I/Q信號(hào)、 包絡(luò)、 均值、 方差、 瞬時(shí)幅度、 瞬時(shí)頻率、 瞬時(shí)相位、 偏度、 峰度等。 例如， 在通信信號(hào)領(lǐng)域， Lin等人［4］設(shè)計(jì)了一種基于時(shí)序信號(hào)幅度的調(diào)制識(shí)別方法。 該方法使用累積分布函數(shù)來(lái)統(tǒng)計(jì)信號(hào)幅度分布曲線， 并通過(guò)特征匹配的方法識(shí)別調(diào)制類型。 Reising等人［5］通過(guò)使用多重判別分析與最大似然估計(jì)（MDA/ML）對(duì)GSM-GMSK信號(hào)的近瞬態(tài)和中繼區(qū)域的射頻指紋進(jìn)行分類， 以增強(qiáng)安全性。 結(jié)果表明， 使用GSM-GMSK近瞬時(shí)相位特征的分類效果顯著提升。 Xu等人［6］提出了一種基于正交分量重構(gòu)的新方法， 用于估計(jì)非穩(wěn)定和非線性信號(hào)的瞬時(shí)參數(shù)。 實(shí)驗(yàn)結(jié)果表明， 所提取的瞬時(shí)參數(shù)在信號(hào)嚴(yán)重失真或信噪比極低的情況下， 能夠有效完成通信輻射源的識(shí)別任務(wù)。 Deng等人［7］提取通信信號(hào)的峰度和偏度作為射頻指紋， 并通過(guò)特征庫(kù)匹配來(lái)識(shí)別通信輻射源個(gè)體。 實(shí)驗(yàn)證明了所提取特征的有效性。 此外， Ur Rehman等人［8］采用信號(hào)包絡(luò)曲線的持續(xù)時(shí)間、 積分面積、 最大斜率、 峰度和方差作為射頻指紋對(duì)藍(lán)牙設(shè)備進(jìn)行識(shí)別。 實(shí)驗(yàn)結(jié)果表明， 在低采樣率下， 基于信號(hào)包絡(luò)的射頻指紋能夠準(zhǔn)確地對(duì)藍(lán)牙設(shè)備進(jìn)行分類。 在雷達(dá)信號(hào)領(lǐng)域中， 張國(guó)柱等人［9］提出了一種新的雷達(dá)輻射源信號(hào)個(gè)體識(shí)別方法。 該方法利用小波變換技術(shù)提取輻射源的細(xì)微特征， 克服了傳統(tǒng)包絡(luò)分析方法的缺點(diǎn)， 提高了信號(hào)包絡(luò)信息的提取精度， 并通過(guò)實(shí)驗(yàn)驗(yàn)證了其有效性。 章建輝等人［10］提取雷達(dá)輻射源的瞬時(shí)頻率特征從而識(shí)別不同體制的雷達(dá)信號(hào)。? 王宏偉等人［11］使用雷達(dá)脈沖包絡(luò)前沿波形作為輻射源的“指紋”， 并將其與“標(biāo)準(zhǔn)”前沿波形曲線進(jìn)行比較， 實(shí)現(xiàn)了較高精度的輻射源個(gè)體識(shí)別。 Wang等人［12］計(jì)算電磁信號(hào)的均值、 標(biāo)準(zhǔn)偏差、 偏度和峰度等4個(gè)統(tǒng)計(jì)特征來(lái)增強(qiáng)指紋特征， 并使用邏輯回歸和支持向量機(jī)實(shí)現(xiàn)了雷達(dá)輻射源的個(gè)體識(shí)別。

通過(guò)對(duì)時(shí)域信號(hào)進(jìn)行分析， 可以得到信號(hào)的持續(xù)時(shí)間、 幅度、 頻率及其變化趨勢(shì)等重要信息。 此外， 時(shí)域特征為實(shí)時(shí)信號(hào)處理系統(tǒng)提供了快速的計(jì)算方式， 因?yàn)樗鼈儾恍枰M(jìn)行復(fù)雜的變換。 然而， 時(shí)域特征也有其明顯的缺點(diǎn)。 首先， 對(duì)于非平穩(wěn)信號(hào)， 時(shí)域特征可能無(wú)法提供足夠的信息， 因?yàn)檫@些特征通常假設(shè)信號(hào)在整個(gè)觀察窗口內(nèi)是平穩(wěn)的。 其次， 時(shí)域特征對(duì)噪聲比較敏感， 尤其是對(duì)于低信噪比的情況。 最后， 時(shí)域特征可能無(wú)法捕捉到信號(hào)的所有重要特性， 尤其是在頻域或其他域可能存在的特性。

頻域特征。 頻域特征反映了電磁目標(biāo)的頻率響應(yīng)特性， 對(duì)于分析和識(shí)別電磁目標(biāo)具有重要意義。 頻域特征包括頻譜、 功率譜、 循環(huán)譜、 相位譜、 高階累積量等。 在通信信號(hào)領(lǐng)域， Kennedy等人［13］提出了一種基于頻域特征的通信輻射源識(shí)別方法， 通過(guò)提取接收信號(hào)的頻譜對(duì)通信輻射源個(gè)體進(jìn)行分類。 Williams等人［14］為增強(qiáng)之前的時(shí)域方法， 提出一種頻域射頻指紋識(shí)別方法。 該方法將信號(hào)功率譜作為指紋特征， 實(shí)現(xiàn)了通信輻射源的個(gè)體識(shí)別。 蔡忠偉等人［15］在研究了現(xiàn)有通信輻射源識(shí)別方法后， 選擇雙譜作為基本特征向量， 顯著提高了低信噪比條件下的識(shí)別結(jié)果。 王涵［16］認(rèn)為相位譜特征能夠更好地體現(xiàn)通信信號(hào)的調(diào)制特性， 設(shè)計(jì)了基于相位譜的調(diào)制識(shí)別方法。 在雷達(dá)信號(hào)領(lǐng)域， Ru等人［17］研究了信號(hào)的頻域分布密度特征。 實(shí)驗(yàn)結(jié)果表明， 頻域分布密度比傳統(tǒng)的頻譜特性展現(xiàn)出更好的識(shí)別性能。 Li等人［18］使用最小二乘法來(lái)估計(jì)雷達(dá)輻射源的循環(huán)譜特征， 并利用循環(huán)譜的零頻率切片進(jìn)行雷達(dá)輻射源個(gè)體識(shí)別。 與通信輻射源識(shí)別類似， 肖樂(lè)群等人［19］認(rèn)為雙譜特征能夠更好地表現(xiàn)出電磁信號(hào)的特性， 提出了一種新的對(duì)角積分雙譜方法。 該方法通過(guò)沿平行于雙譜次對(duì)角線的直線序列積分減少了數(shù)據(jù)量， 同時(shí)保留更多的相位和幅度信息， 應(yīng)用于低截獲概率雷達(dá)信號(hào)的特征提取任務(wù)， 結(jié)果顯示其識(shí)別性能優(yōu)于其他積分雙譜方法。 此外， Suski等人［20］提取功率譜密度作為射頻指紋并使用譜相關(guān)性進(jìn)行分類。

頻域特征的優(yōu)點(diǎn)在于其對(duì)信號(hào)頻率成分和諧波結(jié)構(gòu)的高度敏感性， 這使得它能有效描述和區(qū)分不同的電磁目標(biāo)。 此外， 頻域特征具有良好的抗噪能力， 能夠在一定程度上保證特征提取的準(zhǔn)確性和穩(wěn)定性。 然而， 頻域特征也存在一些缺點(diǎn)。 首先， 頻域特征的提取通常需要大量的計(jì)算資源， 這在一些實(shí)時(shí)性要求較高的應(yīng)用場(chǎng)景中可能存在問(wèn)題。 其次， 頻域特征對(duì)于非平穩(wěn)信號(hào)的處理能力較弱， 這可能會(huì)影響到特征提取的有效性。 最后， 頻域特征無(wú)法提供信號(hào)的時(shí)間信息， 這在一些需要考慮信號(hào)時(shí)間演變規(guī)律的應(yīng)用場(chǎng)景中是一個(gè)重要的限制。

時(shí)頻域特征。 時(shí)頻域特征通常利用小波變換、 短時(shí)傅里葉變換（Short-Time Fourier Transform， STFT）、 魏格納-威利分布（Wigner-Ville Distribution， WVD）、 希爾伯特-黃變換（Hilbert-Huang Transform， HHT）等分析方法從時(shí)間和頻率兩個(gè)角度對(duì)信號(hào)進(jìn)行表征。 由于時(shí)頻域特征能同時(shí)反映出信號(hào)在時(shí)域與頻域上的特性， 因此被廣泛應(yīng)用于電磁目標(biāo)表征中。 王小穎［21］提取了HHT及矩形積分雙譜專家特征， 分別針對(duì)兩種特征設(shè)計(jì)了ECANet及一維殘差神經(jīng)網(wǎng)絡(luò)， 最終通過(guò)融合兩種特征實(shí)現(xiàn)了輻射源個(gè)體識(shí)別。 惠周勃等人［22］利用HHT計(jì)算時(shí)頻能量譜和邊緣譜， 再計(jì)算正則化維數(shù)聯(lián)合能量熵實(shí)現(xiàn)輻射源個(gè)體識(shí)別。 王歡歡等人［23］基于HHT提出一種改進(jìn)算法IHHT， 實(shí)現(xiàn)了對(duì)瞬時(shí)專家特征的精確估計(jì)， 提高了對(duì)信號(hào)時(shí)頻特征描述下的輻射源識(shí)別精確度。 任東方等人［24］針對(duì)HHT可分性差的問(wèn)題提出了結(jié)合固有時(shí)間尺度分解和紋理分析的艦船輻射源信號(hào)識(shí)別方法， 其直接利用了HHT專家特征的方法。 柳征等人［25］基于小波變換采用局部判別基（LDB）專家特征， 實(shí)現(xiàn)了輻射源信號(hào)無(wú)意調(diào)制差異信息的挖掘。 陳韜偉等人［26］將小波變換后低頻系數(shù)能量分布熵與經(jīng)尺度相關(guān)去噪計(jì)算的高頻系數(shù)能量分布熵進(jìn)行結(jié)合， 在10部雷達(dá)輻射源信號(hào)上取得了很好的抗噪性能。 賈依菲［27］重點(diǎn)提取了脈沖雷達(dá)信號(hào)的STFT、 WVD和小波變換的時(shí)頻專家特征， STFT特征達(dá)到了最佳識(shí)別精度。 周琳等人［28］針對(duì)通信信號(hào)調(diào)制識(shí)別， 提取了STFT、 WVD和小波變換3類專家特征， 其中WVD和小波變換實(shí)現(xiàn)了最佳抗噪性能。

在電磁目標(biāo)表征的研究中， 時(shí)頻域特征的使用具有明顯的優(yōu)點(diǎn)。 首先， 它能夠捕獲到復(fù)雜信號(hào)在時(shí)域和頻域上的特性， 可以更全面、 更精細(xì)地描述電磁目標(biāo)的特性。 其次， 通過(guò)對(duì)時(shí)頻域特征的分析， 可以發(fā)現(xiàn)許多在單一時(shí)域或單一頻域中無(wú)法觀察到的特性和規(guī)律， 從而提升電磁目標(biāo)的識(shí)別精度。 然而， 時(shí)頻域特征也存在一些明顯的缺點(diǎn)。 首先， 時(shí)頻域分析相比于單一時(shí)域或單一頻域分析， 計(jì)算復(fù)雜度更高， 需要更多的計(jì)算資源。 其次， 對(duì)于非穩(wěn)態(tài)信號(hào)， 時(shí)頻域分析的結(jié)果會(huì)受到時(shí)間窗函數(shù)選擇的影響， 從而影響到最終的特征提取結(jié)果。 最后， 時(shí)頻域分析需要專業(yè)的知識(shí)和經(jīng)驗(yàn)， 對(duì)于非專家來(lái)說(shuō)， 理解和應(yīng)用時(shí)頻域特征會(huì)有一定的困難。

雖然上述專家特征能夠一定程度地反映出電磁目標(biāo)的特性， 但僅使用單一的特征只能提供有限的信息， 無(wú)法全面地描述電磁目標(biāo)， 從而降低了目標(biāo)識(shí)別的準(zhǔn)確性。 其次， 如果電磁目標(biāo)的某些特性不在該特征的描述范圍內(nèi)， 那么單一的特征就無(wú)法有效地識(shí)別目標(biāo)。 因此， 使用混合特征能夠更好地描述電磁目標(biāo)的特性。 江揚(yáng)帆［29］提取了小波特征、 高階譜特征、 分形特征等多種專家聯(lián)合特征， 構(gòu)建了衛(wèi)星通信輻射源指紋庫(kù)。 李潤(rùn)東［30］提取了通信信號(hào)參數(shù)統(tǒng)計(jì)、 高階統(tǒng)計(jì)量和循環(huán)平穩(wěn)3類專家特征， 在特定信號(hào)場(chǎng)景取得了不錯(cuò)的效果。 Zheng等人［31］提取了瞬時(shí)特征、 統(tǒng)計(jì)特征及頻譜特征， 這幾種不同域的特征形成聯(lián)合向量， 與I/Q信號(hào)深度特征進(jìn)行融合分類， 構(gòu)建了知識(shí)和數(shù)據(jù)聯(lián)合驅(qū)動(dòng)框架， 在36類調(diào)制信號(hào)上依然取得優(yōu)越的效果。 Liu等人［32］提取了HHT下的瞬時(shí)特征聯(lián)合信號(hào)統(tǒng)計(jì)特征， 形成混合專家特征， 所設(shè)計(jì)的對(duì)比學(xué)習(xí)方法融合了I/Q原始信號(hào)和關(guān)鍵專家特征， 在開(kāi)源調(diào)制數(shù)據(jù)集上實(shí)現(xiàn)了顯著的性能提升。

其他特征。 除上述特征外， 研究人員還發(fā)現(xiàn)一些特征能夠幫助更好地理解和識(shí)別電磁目標(biāo)。 劉凱等人［33］基于雷達(dá)字特征構(gòu)建了區(qū)間灰關(guān)聯(lián)的專家知識(shí)， 結(jié)合二級(jí)匹配的知識(shí)推理方法實(shí)現(xiàn)對(duì)未知雷達(dá)輻射源的智能識(shí)別。 李昕［34］基于通信輻射源提取觀測(cè)信號(hào)的雙譜直方圖專家特征， 通過(guò)在決策圖上選擇聚類中心， 并給非中心點(diǎn)手動(dòng)分配標(biāo)簽， 實(shí)現(xiàn)對(duì)無(wú)監(jiān)督輻射源的個(gè)體識(shí)別。 朱家威等人［35］提取了相位噪聲導(dǎo)致的公共相位誤差（Common Phase Error， CPE）專家特征， 并結(jié)合星座點(diǎn)錯(cuò)誤矢量平均功率構(gòu)建融合特征進(jìn)行MIMO OFDM信號(hào)的輻射源個(gè)體識(shí)別。 黃淵凌等人［36］構(gòu)建了相位噪聲特性的自回歸滑動(dòng)平均（ARMA）模型， 并通過(guò)ARMA參數(shù)估計(jì)提取出輻射源指紋專家特征， 實(shí)現(xiàn)對(duì)輻射源的個(gè)體識(shí)別。 龔再蘭［37］設(shè)計(jì)修正的Rife算法（M-Rife算法）， 提取雷達(dá)輻射源信號(hào)相位噪聲專家特征， 其性能優(yōu)于傳統(tǒng)的Rife算法。

上述這類利用專家先驗(yàn)知識(shí)進(jìn)行人工特征提取的過(guò)程在機(jī)器學(xué)習(xí)領(lǐng)域又稱為“特征工程”， 即利用專業(yè)背景知識(shí)和技巧處理數(shù)據(jù)， 使特征能在機(jī)器學(xué)習(xí)算法上發(fā)揮更好的作用［38］。 為方便參考， 表1總結(jié)了一些專家特征提取方法。

早期電磁目標(biāo)數(shù)量少、 體制單一、 功能簡(jiǎn)單、 頻域覆蓋范圍小， 信號(hào)波形簡(jiǎn)單且參數(shù)相對(duì)穩(wěn)定， 這種傳統(tǒng)專家設(shè)計(jì)特征的方法簡(jiǎn)單有效。 然而， 在現(xiàn)代戰(zhàn)場(chǎng)環(huán)境下這種“特征工程”方法面臨諸多困難： ①它要求設(shè)計(jì)者具有較強(qiáng)的專業(yè)背景與先驗(yàn)知識(shí)； ②它僅適用于稀疏的信號(hào)環(huán)境； ③它的強(qiáng)針對(duì)性， 會(huì)使數(shù)據(jù)庫(kù)更新升級(jí)緩慢。 因此， 選取單一的專家特征無(wú)法在復(fù)雜電磁環(huán)境中有效表征電磁目標(biāo)的完整特性， 具有較大的局限性。

2 數(shù)據(jù)驅(qū)動(dòng)的電磁目標(biāo)深度表征

近年來(lái)發(fā)展起來(lái)的深度學(xué)習(xí)技術(shù)為復(fù)雜電磁環(huán)境下的目標(biāo)表征提供了有效的技術(shù)途徑。 作為一種不需要廣泛領(lǐng)域知識(shí)的通用技術(shù)， 深度模型具有整合海量、 多源、 動(dòng)態(tài)大數(shù)據(jù)的能力， 并且可以從無(wú)標(biāo)記數(shù)據(jù)中進(jìn)行魯棒與快速的特征學(xué)習(xí)， 這與電磁目標(biāo)智能感知的發(fā)展趨勢(shì)和要求不謀而合。 其方法流程如圖1所示。 常用的深度神經(jīng)網(wǎng)絡(luò)包括卷積神經(jīng)網(wǎng)絡(luò)［39-51］、 循環(huán)神經(jīng)網(wǎng)絡(luò)［52-58］、 生成對(duì)抗網(wǎng)絡(luò)［59-73］、 自編碼器網(wǎng)絡(luò)［74-87］、 圖卷積神經(jīng)網(wǎng)絡(luò)［88-97］、 Transformer［98-110］等。 這類方法適用于大量訓(xùn)練樣本的場(chǎng)景， 特征提取能力強(qiáng)， 但依賴于數(shù)據(jù)集。

2.1 卷積神經(jīng)網(wǎng)絡(luò)

卷積神經(jīng)網(wǎng)絡(luò)（Convolutional Neural Network， CNN）是最常用的深度神經(jīng)網(wǎng)絡(luò)之一， 一般由卷積層、 池化層、 全連接層等組成。 CNN提取的特征具有平移不變性、 縮放不變性和旋轉(zhuǎn)不變性等特征。 因此， CNN是電磁目標(biāo)表征領(lǐng)域中應(yīng)用最早、 最多的網(wǎng)絡(luò)結(jié)構(gòu)。 電磁信號(hào)經(jīng)過(guò)變換后得到的時(shí)頻圖、 星座圖和高階譜圖等也可被視作圖像， 因此可以直接設(shè)計(jì)適合電磁信號(hào)的CNN， 完成電磁目標(biāo)表征。 在通信信號(hào)領(lǐng)域， Wang等人［39］設(shè)計(jì)了基于星座圖的CNN模型， 用于識(shí)別通信信號(hào)的調(diào)制方式。 實(shí)驗(yàn)結(jié)果表明， 該模型（稱為DrCNN）在低信噪比條件下， 能夠有效提高對(duì)難以區(qū)分的調(diào)制類別（如QAM16和QAM64）的識(shí)別能力。 Zhang等人［40］將接收信號(hào)轉(zhuǎn)化為時(shí)頻圖， 再利用ResNet152作為特征提取器， 將提取的深度時(shí)頻特征與手工特征進(jìn)行融合， 成功地提高了在低信噪比條件下的調(diào)制方式識(shí)別的準(zhǔn)確率。 Ding等人［41］將通信信號(hào)轉(zhuǎn)化為雙譜圖， 并針對(duì)輻射源個(gè)體識(shí)別任務(wù)設(shè)計(jì)了改進(jìn)的CNN（稱為SEICNN）進(jìn)行訓(xùn)練， 從而提升了輻射源識(shí)別的性能。 Pan等人［42］利用HHT將接收信號(hào)轉(zhuǎn)化為時(shí)頻圖， 并設(shè)計(jì)了一個(gè)深度殘差網(wǎng)絡(luò)（HilSpec-ResNet）用于自動(dòng)提取指紋特征。 實(shí)驗(yàn)結(jié)果表明， 使用深度學(xué)習(xí)從時(shí)頻圖中提取的指紋比專家的指紋更有效并具有更強(qiáng)的魯棒性。 韓剛濤等人［43］構(gòu)建了一種輕量型的YOLOv4模型， 應(yīng)用于寬帶信號(hào)檢測(cè)， 不僅提升了檢測(cè)的精度， 同時(shí)也滿足了實(shí)時(shí)檢測(cè)的需求。 在雷達(dá)信號(hào)領(lǐng)域， Kong等人［44］利用STFT分別將雷達(dá)輻射源信號(hào)的I通道和Q通道轉(zhuǎn)為時(shí)頻圖， 并設(shè)計(jì)了兩個(gè)CNN。 結(jié)果表明， 經(jīng)過(guò)STFT后， 網(wǎng)絡(luò)（稱為M3dNet）學(xué)習(xí)到了更多有判別的特征表示， 具有更好的泛化能力。 楊海宇等人［45］將雷達(dá)輻射源信號(hào)轉(zhuǎn)化為雙譜圖， 并設(shè)計(jì)了一種基于注意力機(jī)制的CNN（稱為AM-CNN）， AM-CNN有效提升了雷達(dá)輻射源識(shí)別的性能。 Wang等人［46］提出了一種多頭CNN（稱為MCNN）。 實(shí)驗(yàn)結(jié)果表明， MCNN能夠準(zhǔn)確檢測(cè)出脈沖多普勒雷達(dá)的R-D圖像中的雷達(dá)目標(biāo)， 且檢測(cè)性能高于傳統(tǒng)CFAR雷達(dá)目標(biāo)檢測(cè)方法。

雖然上述二維卷積神經(jīng)網(wǎng)絡(luò)（2D CNN）在電磁信號(hào)領(lǐng)域的多種任務(wù)上已經(jīng)取得了顯著的成功， 但仍然存在一些明顯的不足。 例如， 2D CNN龐大的參數(shù)量和復(fù)雜的結(jié)構(gòu)可能會(huì)阻礙實(shí)時(shí)處理的實(shí)現(xiàn)， 2D CNN難以有效捕捉電磁信號(hào)的時(shí)間依賴性， 2D CNN并不能直接應(yīng)用于時(shí)間序列電磁信號(hào)的處理， 經(jīng)過(guò)變換后的電磁信號(hào)會(huì)出現(xiàn)不同程度的信息流失。 因此， 許多研究人員將一維卷積神經(jīng)網(wǎng)絡(luò)（1D CNN）應(yīng)用于電磁信號(hào)領(lǐng)域。 例如， 在通信信號(hào)領(lǐng)域， OShea等人［47］首次將1D CNN應(yīng)用于通信信號(hào)調(diào)制識(shí)別， 設(shè)計(jì)的ConvNet能夠直接處理I/Q數(shù)據(jù)， 實(shí)驗(yàn)結(jié)果也驗(yàn)證了其有效性。 宋雨萱［48］設(shè)計(jì)了一種基于卷積神經(jīng)網(wǎng)絡(luò)的深度自進(jìn)化聚類（DSEC-CNN1D）模型。 該模型能夠在無(wú)標(biāo)記的條件下完成通信輻射源個(gè)體精準(zhǔn)分選。 由于電磁信號(hào)的自然表示形式為復(fù)數(shù)， 因此Gopalakrishnan等人［49］針對(duì)ADS-B信號(hào)設(shè)計(jì)了一種復(fù)數(shù)1D CNN模型（CCNN）。 實(shí)驗(yàn)結(jié)果表明， CCNN要明顯優(yōu)于實(shí)數(shù)CNN。 在雷達(dá)信號(hào)領(lǐng)域， 金濤等人［50］提出了一種一維時(shí)間卷積網(wǎng)絡(luò)（1D-TCN）， 能夠有效平衡模型識(shí)別速度和精度。 陳濤等人［51］巧妙地將雷達(dá)信號(hào)分選的問(wèn)題轉(zhuǎn)化為分割問(wèn)題， 利用深度分割模型U-Net對(duì)雷達(dá)描述字進(jìn)行信號(hào)分選。 實(shí)驗(yàn)結(jié)果表明， U-Net能夠顯著提升變參數(shù)雷達(dá)信號(hào)分選的準(zhǔn)確性。

上述方法在電磁目標(biāo)的深度表征中發(fā)揮了顯著的作用， 特別是在處理具有空間關(guān)聯(lián)性的數(shù)據(jù)時(shí)， CNN的表現(xiàn)特別出色。 其最大的優(yōu)點(diǎn)在于其卷積操作可以有效地捕捉和利用輸入數(shù)據(jù)的局部特征， 而不需要預(yù)先定義特征提取器。 CNN能夠自動(dòng)學(xué)習(xí)和提取有意義的特征， 從而在電磁目標(biāo)的深度表征中取得優(yōu)異的性能， 解決了傳統(tǒng)電磁表征方法高度依賴專家經(jīng)驗(yàn)的問(wèn)題。 此外， CNN還具有平移不變性， 這意味著無(wú)論目標(biāo)在圖像中的位置如何變化， CNN都可以準(zhǔn)確地識(shí)別目標(biāo)。 這是在處理電磁目標(biāo)識(shí)別問(wèn)題時(shí)非常重要的特性。 盡管CNN具有許多優(yōu)點(diǎn)， 但也存在一些不可忽視的缺點(diǎn)。 首先， CNN需要大量的標(biāo)注數(shù)據(jù)來(lái)進(jìn)行訓(xùn)練， 而獲取和標(biāo)注這些數(shù)據(jù)可能需要大量的時(shí)間和資源， 這在實(shí)際應(yīng)用中是一個(gè)挑戰(zhàn)。 其次， CNN的訓(xùn)練過(guò)程需要大量的計(jì)算資源， 可能會(huì)限制其在資源有限環(huán)境中的應(yīng)用。 此外， 如何理解CNN預(yù)測(cè)結(jié)果仍然是一個(gè)挑戰(zhàn)。 CNN在電磁目標(biāo)深度表征方法中具有顯著的優(yōu)勢(shì)， 但也存在一些挑戰(zhàn)和限制。 這就需要在實(shí)際應(yīng)用中權(quán)衡其優(yōu)缺點(diǎn)， 以實(shí)現(xiàn)最佳的性能。

2.2 循環(huán)神經(jīng)網(wǎng)絡(luò)

相比于CNN， 循環(huán)神經(jīng)網(wǎng)絡(luò)（Recurrent Neural Network， RNN）在計(jì)算當(dāng)前輸出時(shí)會(huì)保存前面的信息， 可以實(shí)現(xiàn)信息在時(shí)間上的聯(lián)系， 因此， RNN可以更好地刻畫出電磁信號(hào)的時(shí)序連續(xù)特征。 RNN通常以一維時(shí)序信號(hào)作為輸入， 代表的網(wǎng)絡(luò)結(jié)構(gòu)包括長(zhǎng)短時(shí)記憶網(wǎng)絡(luò)（Long-Short Term Memory， LSTM）和門控循環(huán)單元（Gated Recurrent Unit， GRU）。 在通信信號(hào)領(lǐng)域， Das等人［52］設(shè)計(jì)了一種可以直接處理I/Q信號(hào)的LSTM模型， 在包含30個(gè)無(wú)線物聯(lián)網(wǎng)設(shè)備數(shù)據(jù)集上的實(shí)驗(yàn)結(jié)果證明了其有效性。 查雄等人［53］設(shè)計(jì)了一種基于LSTM的調(diào)制識(shí)別算法， 克服了傳統(tǒng)方法依賴先驗(yàn)信息的問(wèn)題。 在雷達(dá)信號(hào)領(lǐng)域， 劉括然［54］將LSTM應(yīng)用于雷達(dá)輻射源識(shí)別任務(wù)中， 結(jié)果表明LSTM能夠較好地識(shí)別雷達(dá)輻射源。 胡濤［55］設(shè)計(jì)了一種基于GRU的雷達(dá)信號(hào)分選模型， 能夠直接處理I/Q雷達(dá)信號(hào)， 并且在開(kāi)放集識(shí)別環(huán)境中展現(xiàn)出了優(yōu)異的性能。 王純鑫［56］針對(duì)雷達(dá)目標(biāo)跟蹤任務(wù)， 設(shè)計(jì)了一種雙向長(zhǎng)短時(shí)記憶網(wǎng)絡(luò)（Bi-LSTM）， 能夠提取到目標(biāo)更加豐富的時(shí)序特征。

RNN是一種強(qiáng)大的深度學(xué)習(xí)模型， 它在處理電磁目標(biāo)深度表征問(wèn)題時(shí)， 能夠有效捕捉到電磁信號(hào)的時(shí)序特性。 RNN的優(yōu)點(diǎn)在于其獨(dú)特的循環(huán)結(jié)構(gòu)， 使其能夠保存歷史信息， 對(duì)于包含時(shí)間序列的電磁目標(biāo)深度表征問(wèn)題具有顯著的優(yōu)勢(shì)。 此外， RNN能夠處理長(zhǎng)度可變的輸入序列， 這使得它在處理不同長(zhǎng)度的電磁信號(hào)時(shí)具有很大的靈活性。 然而， RNN也存在一些缺點(diǎn)。 首先， RNN在處理長(zhǎng)序列數(shù)據(jù)時(shí)， 可能會(huì)遇到梯度消失或梯度爆炸的問(wèn)題， 使得網(wǎng)絡(luò)難以學(xué)習(xí)和記憶過(guò)去的信息。 其次， RNN的訓(xùn)練過(guò)程往往需要大量的計(jì)算資源， 這對(duì)于大規(guī)模的電磁目標(biāo)深度表征問(wèn)題可能是一個(gè)挑戰(zhàn)。 最后， RNN的黑箱特性使得其內(nèi)部工作機(jī)制難以理解， 這在一定程度上限制了它在實(shí)際應(yīng)用中的可解釋性。 此外， 在實(shí)際應(yīng)用中， RNN通常會(huì)與CNN結(jié)合使用。 例如， 劉濤濤等人［57］設(shè)計(jì)了一種1D CNN和雙向門控循環(huán)單元（Bi-GRU）相結(jié)合的模型， 在雷達(dá)輻射源識(shí)別任務(wù)中的實(shí)驗(yàn)結(jié)果表明， 該方法能夠有效提高低信噪比條件下的識(shí)別準(zhǔn)確率。 石禮盟等人［58］提出了一種融合了CNN和LSTM的網(wǎng)絡(luò)模型。 該模型將CNN用于處理雷達(dá)信號(hào)的時(shí)頻圖， LSTM用于處理雷達(dá)時(shí)序信號(hào)。 通過(guò)這種特征融合的策略， 成功實(shí)現(xiàn)了雷達(dá)信號(hào)調(diào)制的識(shí)別。 實(shí)驗(yàn)結(jié)果顯示， 與單一模型相比， 這種融合策略顯著提高了識(shí)別的準(zhǔn)確性。 RNN在電磁目標(biāo)深度表征問(wèn)題中展示了強(qiáng)大的性能， 但也存在一些問(wèn)題。 未來(lái)研究集中在改進(jìn)RNN的結(jié)構(gòu)和訓(xùn)練方法， 以解決其存在的問(wèn)題， 并進(jìn)一步提高其在電磁目標(biāo)深度表征問(wèn)題中的性能。

2.3 生成對(duì)抗網(wǎng)絡(luò)

生成對(duì)抗網(wǎng)絡(luò)（Generative Adversarial Network， GAN）屬于一種生成式模型， 用于生成符合真實(shí)數(shù)據(jù)分布的樣本。 其主要分為生成器（Generator）和判別器（Discriminator）兩部分， 生成器產(chǎn)生與真實(shí)樣本盡可能相似的樣本， 以欺騙判別器， 而判別器用于區(qū)分真實(shí)樣本和判別器產(chǎn)生的虛假樣本， 兩者通過(guò)對(duì)抗學(xué)習(xí)交替訓(xùn)練得到均衡狀態(tài)。 由于GAN所具備的高質(zhì)量樣本生成能力， 其已經(jīng)被用于電磁信號(hào)數(shù)據(jù)生成。 在通信信號(hào)領(lǐng)域， 陳昌美等人［59］將CGAN和ACGAN用于AM和FM模擬調(diào)制信號(hào)生成， 結(jié)果表明ACGAN在模擬信號(hào)生成上質(zhì)量?jī)?yōu)于CGAN。 楊鴻杰等人［60］利用邊界平衡生成對(duì)抗網(wǎng)絡(luò)（Boundary Equilibrium Generative Adversarial Networks， BEGAN）生成數(shù)字調(diào)制信號(hào)BPSK和8PSK， 并利用自編碼器模型度量Wassertein距離以衡量偏差， 仿真實(shí)驗(yàn)生成了高逼真度的數(shù)字信號(hào)。 Tang等人［61］利用ACGAN的生成器產(chǎn)生星座圖樣本， 并將其作為一種數(shù)據(jù)增強(qiáng)方式用于識(shí)別網(wǎng)絡(luò)訓(xùn)練。 Bu等人［62］將GAN作為遷移學(xué)習(xí)中源域和目標(biāo)域的域判別器， 通過(guò)對(duì)抗訓(xùn)練和知識(shí)遷移進(jìn)一步提高了在目標(biāo)域上信號(hào)識(shí)別性能。 王華華等人［63］使用GAN進(jìn)行時(shí)頻圖降噪， 降噪后的時(shí)頻圖送入CNN-Attention模塊， 原始I/Q信號(hào)則送入LSTM-Attention模塊， 最后利用Channel-Attention層完成多模態(tài)信號(hào)分類。 Gong等人［64］從輻射源信號(hào)中提取射頻指紋信息， 基于指紋信息在InfoGAN基礎(chǔ)上設(shè)計(jì)了輔助分類器以完成輻射源信號(hào)的識(shí)別。 Roy等人［65］提取I/Q不平衡特征， 并基于該特征使用GAN判別非法輻射源和已知輻射源， 針對(duì)已知輻射源進(jìn)一步使用CNN和DNN完成輻射源識(shí)別。 朱苗苗［66］利用偽Wigner-Ville分布構(gòu)建時(shí)頻圖數(shù)據(jù)集， 基于GAN模型設(shè)計(jì)了去噪網(wǎng)絡(luò)， 實(shí)現(xiàn)了時(shí)頻圖像的去噪和修復(fù)。 在雷達(dá)信號(hào)領(lǐng)域， Truong等人［67］設(shè)計(jì)了基于雷達(dá)目標(biāo)檢測(cè)數(shù)據(jù)的GAN模型， 用于產(chǎn)生無(wú)目標(biāo)、 大目標(biāo)及小目標(biāo)3種情況下的雷達(dá)信號(hào)數(shù)據(jù)。 Saarinen等人［68］設(shè)計(jì)GAN模型用于生成低截率目標(biāo)以及小目標(biāo)雷達(dá)信號(hào)， 在該模型結(jié)構(gòu)中AF圖像被用于判別器的決斷。 何重航等人［69］設(shè)計(jì)CNN用于時(shí)頻圖舊樣本預(yù)訓(xùn)練， 設(shè)計(jì)GAN網(wǎng)絡(luò)用于新加入的樣本微調(diào)， 通過(guò)對(duì)抗學(xué)習(xí)自適應(yīng)地完成模型參數(shù)微調(diào)， 提升了對(duì)測(cè)試樣本的識(shí)別性能。 于浩洋［70］通過(guò)對(duì)DCGAN模型的損失進(jìn)行優(yōu)化， 設(shè)計(jì)最小二乘損失生成雷達(dá)樣本信號(hào)， 再將生成樣本混入真實(shí)樣本進(jìn)行識(shí)別。 Li等人［71］設(shè)計(jì)了MDGAN模型用于生成多樣化的雷達(dá)輻射源信號(hào)數(shù)據(jù)集， 同時(shí)設(shè)計(jì)了TPAMDPN網(wǎng)絡(luò)用于輻射源信號(hào)識(shí)別。 Tan等人［72］提取了雙譜特征， 基于雙譜圖設(shè)計(jì)了自分類CGAN模型， 實(shí)現(xiàn)半監(jiān)督雷達(dá)輻射源識(shí)別， 所設(shè)計(jì)的模型適用于多種通信場(chǎng)景。

GAN在電磁信號(hào)深度表征中發(fā)揮了重要作用， 具有多方面的優(yōu)點(diǎn)： 首先， GAN能夠生成與真實(shí)數(shù)據(jù)分布極為相近的數(shù)據(jù)， 其逼真的效果可用于電磁信號(hào)的樣本擴(kuò)充。 其次， GAN可以無(wú)監(jiān)督方式進(jìn)行訓(xùn)練， 能夠利用現(xiàn)實(shí)場(chǎng)景中的大量無(wú)標(biāo)記數(shù)據(jù)。 除此之外， GAN具有強(qiáng)大的表達(dá)能力， 可以在潛在空間中采樣， 從而生成新的實(shí)例。 然而， GAN也存在一些明顯的缺點(diǎn)： 首先， GAN網(wǎng)絡(luò)訓(xùn)練困難， 生成器和判別器較難平衡， 且損失難以收斂。 其次， GAN的訓(xùn)練過(guò)程中存在模式崩潰（Mode Collapse）問(wèn)題， 即生成器傾向于生成某些特定類型的樣本， 而忽略了數(shù)據(jù)分布的其他部分。 因此， 高詩(shī)飏［73］設(shè)計(jì)了1D-CWGAN-GP的雷達(dá)輻射源信號(hào)生成方法， 通過(guò)改進(jìn)生成器結(jié)構(gòu)和損失函數(shù)阻止了模式崩潰。 此外， GAN也存在難以評(píng)價(jià)模型性能的問(wèn)題， 常用的評(píng)價(jià)指標(biāo)， 如Inception Score等， 不能完全反映模型生成的樣本質(zhì)量和多樣性。 總的來(lái)說(shuō)， 雖然GAN在基于數(shù)據(jù)驅(qū)動(dòng)的電磁目標(biāo)深度表征方法中展示出強(qiáng)大的能力， 但其訓(xùn)練的復(fù)雜性和模式崩潰等問(wèn)題也需要進(jìn)一步研究和解決。

2.4 自編碼器網(wǎng)絡(luò)

自編碼器（Autoencoder， AE）是一種無(wú)監(jiān)督的深度網(wǎng)絡(luò)模型， 其主要由編碼器（Encoder）和解碼器（Decoder）組成， 編碼器將數(shù)據(jù)編碼為潛在低維空間， 而解碼器將低維表示進(jìn)行還原。 由于自編碼器通常采用無(wú)監(jiān)督訓(xùn)練方式， 因此已經(jīng)被廣泛用于處理大量無(wú)標(biāo)記的電磁信號(hào)數(shù)據(jù)。 在通信信號(hào)領(lǐng)域， Ke等人［74］設(shè)計(jì)了基于LSTM的去噪自編碼器， 可以從噪聲調(diào)制信號(hào)數(shù)據(jù)中提取穩(wěn)定和魯棒的特征。 Ali等人［75］提取了I/Q星座圖以及高階累積量特征作為輸入， 設(shè)計(jì)了兩層稀疏自編碼器用于調(diào)制識(shí)別。 Yao等人［76］設(shè)計(jì)了非對(duì)稱掩碼自編碼器， 用于輻射源信號(hào)預(yù)訓(xùn)練。 在微調(diào)階段經(jīng)預(yù)訓(xùn)練的編碼器連接分類器， 用于解決小樣本輻射源識(shí)別問(wèn)題。 葉文強(qiáng)等人［77］基于信號(hào)時(shí)頻圖設(shè)計(jì)了棧式降噪自編碼器， 重點(diǎn)解決在低信噪比下輻射源信號(hào)特征提取難度大且識(shí)別率低的問(wèn)題。 劉亞博［78］設(shè)計(jì)了卷積自編碼器結(jié)構(gòu)， 在編碼層和解碼層之間引入跳線連接， 加速了去噪網(wǎng)絡(luò)的訓(xùn)練過(guò)程。 吉磊等人［79］設(shè)計(jì)了一種變分自編碼器結(jié)構(gòu)， 用于生成與目標(biāo)ADS-B信號(hào)相似的樣本數(shù)據(jù)， 從而實(shí)現(xiàn)通信干擾波形的生成。 在雷達(dá)信號(hào)領(lǐng)域， Qu等人［80］設(shè)計(jì)了卷積降噪自編碼器結(jié)構(gòu)用于雷達(dá)信號(hào)時(shí)頻圖的降噪修復(fù)， 進(jìn)一步設(shè)計(jì)深度卷積網(wǎng)絡(luò)以實(shí)現(xiàn)雷達(dá)信號(hào)脈內(nèi)調(diào)制識(shí)別。 郭立民等人［81］利用Choi-Williams分布和一系列預(yù)處理操作， 構(gòu)建二值化時(shí)頻圖數(shù)據(jù)集， 設(shè)計(jì)棧式稀疏自編碼器以完成低截獲概率雷達(dá)信號(hào)調(diào)制識(shí)別。 丁辰偉［82］將時(shí)頻圖送入稀疏自編碼器進(jìn)行特征提取， 接著對(duì)輸出特征進(jìn)行直方圖均衡得到增強(qiáng)特征， 用于雷達(dá)輻射源信號(hào)個(gè)體識(shí)別。 劉慧玲［83］基于卷積自編碼器加入分類分支， 獲取已知類別雷達(dá)樣本和自編碼器重構(gòu)樣本的相似度和熵分布， 進(jìn)而進(jìn)行未知雷達(dá)樣本檢測(cè)， 從而完成雷達(dá)輻射源信號(hào)開(kāi)集識(shí)別任務(wù)。 丁宦城［84］設(shè)計(jì)了改進(jìn)的條件變分自編碼器生成高質(zhì)量樣本， 擴(kuò)充了樣本較少的特定類別。 洪淑婕等人［85］設(shè)計(jì)了一種卷積降噪自編碼器對(duì)混合脈沖序列進(jìn)行分選， 將目標(biāo)脈沖之外的脈沖序列視為噪聲， 提高了在脈沖丟失、 脈沖參差及參數(shù)估計(jì)誤差大等復(fù)雜場(chǎng)景下的智能雷達(dá)信號(hào)分選性能。 申慧芳［86］設(shè)計(jì)了一種卷積自編碼器， 對(duì)無(wú)標(biāo)簽含噪TOA序列進(jìn)行去噪處理， 同時(shí)完成重點(diǎn)雷達(dá)目標(biāo)的快速分選。

自編碼器在電磁信號(hào)表征上具有以下優(yōu)點(diǎn)： 首先， 自編碼器能夠以無(wú)監(jiān)督學(xué)習(xí)方式從大量無(wú)標(biāo)簽的電磁數(shù)據(jù)中學(xué)習(xí)到有用的深度表征， 這為充分利用現(xiàn)實(shí)場(chǎng)景大量無(wú)標(biāo)記數(shù)據(jù)提供了解決思路。 其次， 自編碼器能夠?qū)崿F(xiàn)數(shù)據(jù)降維的同時(shí)保留其主要成分， 這尤其適用于處理高維度的電磁數(shù)據(jù)。 第三， 自編碼器可用于生成新數(shù)據(jù)， 這對(duì)于高質(zhì)量樣本擴(kuò)展具有重要意義。 然而， 自編碼器也存在一些缺點(diǎn)。 首先， 自編碼器的性能取決于網(wǎng)絡(luò)結(jié)構(gòu)和參數(shù)的選擇， 這需要大量的經(jīng)驗(yàn)和專業(yè)知識(shí)。 因此， Shi等人［87］設(shè)計(jì)了卷積自編碼器和LSTM自編碼并行結(jié)構(gòu)ConvLSTMAE， 充分利用了CNN和LSTM的優(yōu)勢(shì)， 靈活應(yīng)用于監(jiān)督和半監(jiān)督場(chǎng)景。 最后， 自編碼器網(wǎng)絡(luò)對(duì)于噪聲和異常值的敏感性較高， 這可能影響其在實(shí)際應(yīng)用中的穩(wěn)定性和可靠性。

2.5 圖卷積神經(jīng)網(wǎng)絡(luò)

圖卷積神經(jīng)網(wǎng)絡(luò)（Graph Convolutional Neural Networks， GCNNs）是圖神經(jīng)網(wǎng)絡(luò)（Graph Neural Network， GNN）的重要分支。 不同于傳統(tǒng)CNN， GCNNs的優(yōu)勢(shì)在于可以處理非歐氏數(shù)據(jù)， 一些研究已經(jīng)將電磁信號(hào)數(shù)據(jù)轉(zhuǎn)化為非結(jié)構(gòu)化圖進(jìn)行處理。 在通信信號(hào)領(lǐng)域， Liu等人［88］設(shè)計(jì)了圖映射CNN網(wǎng)絡(luò)， 將I/Q信號(hào)轉(zhuǎn)換為圖結(jié)構(gòu)， 再利用GCNNs實(shí)現(xiàn)調(diào)制識(shí)別。 Ghasemzadeh等人［89］設(shè)計(jì)了GRU網(wǎng)絡(luò)提取深度特征， 并結(jié)合高階統(tǒng)計(jì)特征得到信號(hào)融合特征， 接著基于融合特征設(shè)計(jì)圖卷積網(wǎng)絡(luò)進(jìn)行調(diào)制信號(hào)分類。 Hao等人［90］利用兩層GCN基于mini-RML2016.10A-TFD、 mini-RML2018.01A-TFD以及mini-Constellation等時(shí)頻圖和星座圖數(shù)據(jù)集， 對(duì)元學(xué)習(xí)驅(qū)動(dòng)的跨域小樣本信號(hào)調(diào)制識(shí)別進(jìn)行了研究。 Li等人［91］設(shè)計(jì)了時(shí)域圖張量注意力網(wǎng)絡(luò)， 將輻射源信號(hào)編碼為圖張量， 其針對(duì)每個(gè)輻射源信號(hào)模態(tài)分量都通過(guò)GCNNs進(jìn)行圖轉(zhuǎn)換， 在真實(shí)數(shù)據(jù)集上顯示了其優(yōu)越的輻射源信號(hào)識(shí)別性能。 在雷達(dá)信號(hào)領(lǐng)域， Meng等人［92］設(shè)計(jì)了一種空-時(shí)-頻圖注意卷積網(wǎng)絡(luò)， 獲得穩(wěn)定的語(yǔ)義多域特征， 針對(duì)RCS雷達(dá)信號(hào)識(shí)別兩類飛機(jī)目標(biāo)輻射源。 龐春逸［93］提取了“雷達(dá)字-雷達(dá)短語(yǔ)-雷達(dá)句”層級(jí)結(jié)構(gòu)特征， 進(jìn)一步構(gòu)建GCNNs進(jìn)行機(jī)載雷達(dá)工作模式識(shí)別， 克服了CNN和RNN無(wú)法處理非歐數(shù)據(jù)的缺點(diǎn)。 Lang等人［94］設(shè)計(jì)了半監(jiān)督框架下的ResGCN網(wǎng)絡(luò)， 有效提高了小樣本場(chǎng)景下的分選模型通用性。 王杰［95］利用ILPVG算法對(duì)脈沖序列進(jìn)行預(yù)處理， 提出一種GraphSAGE圖網(wǎng)絡(luò)結(jié)構(gòu)， 利用節(jié)點(diǎn)在網(wǎng)絡(luò)中的結(jié)構(gòu)信息進(jìn)一步提高了分選正確率。

基于GCNNs的電磁信號(hào)深度表征方法的優(yōu)點(diǎn)在于其捕獲目標(biāo)的內(nèi)在特性以及學(xué)習(xí)復(fù)雜的電磁數(shù)據(jù)模式和結(jié)構(gòu)的強(qiáng)大能力。 除此之外， GCNNs對(duì)于非歐幾里得數(shù)據(jù)的靈活處理能力， 使得它特別適合處理具有復(fù)雜結(jié)構(gòu)和相互依賴關(guān)系的電磁數(shù)據(jù)。 盡管GCNNs在電磁信號(hào)表征上展現(xiàn)了顯著的優(yōu)勢(shì)， 但也存在一些限制和挑戰(zhàn)。 首先， GCNNs的訓(xùn)練過(guò)程需要大量的平臺(tái)計(jì)算資源， 這降低了其實(shí)際應(yīng)用的效率。 其次， GCNNs對(duì)于圖結(jié)構(gòu)的設(shè)計(jì)非常敏感， 不恰當(dāng)?shù)膱D結(jié)構(gòu)可能會(huì)導(dǎo)致性能急劇下降。 因此， Xuan等人［96］擺脫圖結(jié)構(gòu)設(shè)計(jì)的固有規(guī)則， 靈活設(shè)計(jì)了自適應(yīng)視覺(jué)圖AVG結(jié)構(gòu)， 其性能超越了一系列現(xiàn)有方法。 最后， GCNNs對(duì)于極端復(fù)雜或者噪聲過(guò)大的電磁場(chǎng)景， 其性能會(huì)受到影響。 因此， Ghasemzadeh等人［97］針對(duì)低信噪比場(chǎng)景設(shè)計(jì)了魯棒的圖卷積網(wǎng)絡(luò)分類器， 用于調(diào)制識(shí)別， 在-10 dB對(duì)于易混淆類別也取得了較好性能。 總之， GCNNs在處理復(fù)雜的電磁場(chǎng)景數(shù)據(jù)方面具有顯著的優(yōu)勢(shì)， 但同時(shí)也面臨一些挑戰(zhàn)。 未來(lái)的研究應(yīng)該集中在優(yōu)化GCNNs的訓(xùn)練過(guò)程、? 改進(jìn)圖結(jié)構(gòu)的設(shè)計(jì)， 以及提高其對(duì)于復(fù)雜電磁數(shù)據(jù)的處理能力。

2.6 Transformer

Transformer是近年來(lái)興起的模型結(jié)構(gòu)， 其主要由輸入嵌入（Input Embeddings）、 位置編碼（Positional Encoding）、 編碼器（Encoder）、 解碼器（Decoder）及注意力機(jī)制（Attention Mechanism）等組成。 得益于其采用的多頭注意力機(jī)制， Transformer可以提取全局上下文信息， 因此， 其已被用于捕捉電磁信號(hào)中的長(zhǎng)距離依賴關(guān)系。 在通信信號(hào)領(lǐng)域， Cai等人［98］首次將Transformer網(wǎng)絡(luò)用于調(diào)試識(shí)別， 所提出的TRN模型提取了信號(hào)全局語(yǔ)義信息， 并充分利用與分類有關(guān)的語(yǔ)義信息， 提高了低信噪比下的分類性能。 Hamidi-Rad等人［99］提出了MCformer， 用于充分挖掘卷積層所產(chǎn)生的時(shí)序特征之間的關(guān)聯(lián)性。 該模型在所有信噪比上獲得了優(yōu)異的性能。 李振星等人［100］首先對(duì)I/Q數(shù)據(jù)進(jìn)行增強(qiáng)， 其經(jīng)過(guò)切片被送入Transfor-mer模型， 在不同符號(hào)速率調(diào)制識(shí)別數(shù)據(jù)集上獲得了較高的準(zhǔn)確率。 Deng等人［101］設(shè)計(jì)了一種輕量化的Transformer網(wǎng)絡(luò)GLFormer， 提取輻射源信號(hào)原始同相分量指紋特征用于識(shí)別。 Xu等人［102］提出了一種改進(jìn)的Transformer結(jié)構(gòu)， 并結(jié)合改進(jìn)的類內(nèi)劃分方法實(shí)現(xiàn)了開(kāi)集輻射源識(shí)別。 在雷達(dá)信號(hào)領(lǐng)域， Ziemann等人［103］設(shè)計(jì)了一種Transformer模型雷達(dá)脈沖識(shí)別。 與CNN網(wǎng)絡(luò)相比， Transformer網(wǎng)絡(luò)在抵抗對(duì)抗攻擊上具有更強(qiáng)的魯棒性。 董章華等人［104］基于Swin Transformer網(wǎng)絡(luò)對(duì)WVD時(shí)頻圖進(jìn)行分類， 其對(duì)低信噪比條件下低截獲概率雷達(dá)信號(hào)數(shù)據(jù)具有很強(qiáng)的適應(yīng)性。 馬聰聰［105］提出了一種基于Transformer 網(wǎng)絡(luò)的雷達(dá)輻射源識(shí)別方法， 建立了雷達(dá)序列信號(hào)每個(gè)時(shí)間步和其他時(shí)間步的依賴關(guān)系， 可以有效提取輻射源指紋特征。 王亮等人［106］首先提取原始信號(hào)的相位特征以及包絡(luò)特征， 設(shè)計(jì)了Transformer網(wǎng)絡(luò)進(jìn)一步提取時(shí)序邏輯相關(guān)性特征， 在3部雷達(dá)輻射源上取得了優(yōu)異性能。 張旭威等人［107］設(shè)計(jì)了Transformer模型， 用于對(duì)所提取的脈沖描述字進(jìn)行分選。 該方法適用于復(fù)雜雷達(dá)調(diào)制信號(hào)， 且更加靈活。

Transformer模型電磁信號(hào)深度表征上具備諸多優(yōu)點(diǎn)， 例如， 其自注意力機(jī)制捕捉電磁信號(hào)中的長(zhǎng)距離依賴關(guān)系， 有利于挖掘全局信號(hào)特征； 其次， Transformer模型的并行計(jì)算可以提高對(duì)大規(guī)模電磁信號(hào)數(shù)據(jù)的處理效率。 然而， 基于Transformer的表征方法也存在一些缺點(diǎn)。 首先， Transformer模型的計(jì)算和內(nèi)存需求會(huì)隨著輸入序列長(zhǎng)度的增加或者層數(shù)的堆疊而急劇增加。 因此， Zheng等人［108］設(shè)計(jì)了一種輕量化的無(wú)線電信號(hào)Transformer模型MobileRaT， 其在減少參數(shù)量的同時(shí)保持了很好的魯棒性， 大大提高了識(shí)別的效率。 該模型可適配于無(wú)人化小型平臺(tái)。 其次， Transformer模型可能會(huì)過(guò)度關(guān)注全局的上下文信息， 而忽略了局部信息。 因此， 李慧瓊［109］在Transformer基礎(chǔ)上結(jié)合CNN提出改進(jìn)的CTNN模型， 在提取全局上下文信息的同時(shí)， 通過(guò)卷積層的平移不變性， 增強(qiáng)對(duì)局部特征的學(xué)習(xí)能力。 最后， Transformer模型的訓(xùn)練通常需要大量的標(biāo)注數(shù)據(jù)， 這在設(shè)計(jì)電磁場(chǎng)景中可能難以實(shí)現(xiàn)。 因此， Kong等人［110］設(shè)計(jì)了基于Transformer的自監(jiān)督學(xué)習(xí)框架， 可以利用大量未標(biāo)注數(shù)據(jù)， 進(jìn)一步提升下游識(shí)別任務(wù)的準(zhǔn)確率。 Transformer模型作為基礎(chǔ)大模型的骨干網(wǎng)絡(luò)， 其在電磁信號(hào)領(lǐng)域的改進(jìn)設(shè)計(jì)研究有待進(jìn)一步發(fā)展。

基于數(shù)據(jù)驅(qū)動(dòng)的電磁目標(biāo)深度表征方法見(jiàn)表2。

3 知識(shí)-數(shù)據(jù)聯(lián)合的電磁目標(biāo)表征

盡管專家知識(shí)下的電磁目標(biāo)表征方法和數(shù)據(jù)驅(qū)動(dòng)的電磁目標(biāo)深度表征方法已顯示出其有效性， 但隨著電子對(duì)抗環(huán)境的日益復(fù)雜化， 復(fù)雜電磁環(huán)境中的電磁目標(biāo)表征研究正遇到新的挑戰(zhàn)。

第一， 特征表征不全面。 依賴于電磁領(lǐng)域內(nèi)專家的知識(shí)和經(jīng)驗(yàn)， 且需要手工選取有效特征， 傳統(tǒng)的特征選取手段很難全面反映電磁目標(biāo)的特征。 此外， 隨著新的電磁技術(shù)和材料的出現(xiàn)， 電磁目標(biāo)的特性可能會(huì)發(fā)生變化。 專家知識(shí)下的電磁目標(biāo)表征可能難以及時(shí)更新以反映這些變化， 導(dǎo)致特征表征不再準(zhǔn)確， 難以適應(yīng)快速發(fā)展和不斷變化的電磁環(huán)境需求。

第二， 目標(biāo)信息不完備。 在傳統(tǒng)的監(jiān)督機(jī)器學(xué)習(xí)范式下， 標(biāo)記數(shù)據(jù)的規(guī)模與質(zhì)量對(duì)于算法能力起著決定性作用， 數(shù)目龐大、 標(biāo)識(shí)正確的電磁目標(biāo)數(shù)據(jù)集是深層機(jī)器學(xué)習(xí)方法應(yīng)用的基礎(chǔ)。 然而， 在常規(guī)應(yīng)用場(chǎng)景下， 輻射源數(shù)據(jù)通過(guò)非合作方式獲取， 接收方能夠捕獲和積累的歷史數(shù)據(jù)極少， 關(guān)于目標(biāo)的信息不完備。 例如， 在導(dǎo)彈末端制導(dǎo)目標(biāo)識(shí)別中， 威脅目標(biāo)很多情況下樣本嚴(yán)重不足（少樣本或零樣本）， 無(wú)法達(dá)到識(shí)別所需的樣本規(guī)模。 此外， 目前基于深層機(jī)器學(xué)習(xí)的輻射源識(shí)別方法多采用專家人工標(biāo)記的方式， 形成大規(guī)模數(shù)據(jù)集所需的人力與時(shí)間成本較高； 而且由于分析人員的經(jīng)驗(yàn)、 狀態(tài)等差異， 在多種目標(biāo)密集分布情況下人工標(biāo)注結(jié)果可能存在偏差， 導(dǎo)致樣本標(biāo)注難以確保完全正確。 因此， 形成規(guī)模較大、 高質(zhì)量、 標(biāo)識(shí)正確的目標(biāo)數(shù)據(jù)集非常困難。

第三， 模型泛化性欠佳。 戰(zhàn)場(chǎng)環(huán)境具有不可描述與不可預(yù)知性， 其中的雷達(dá)輻射源目標(biāo)信息面臨各類要素變化， 目標(biāo)信息產(chǎn)生的可能組合將呈現(xiàn)爆炸式增長(zhǎng)， 加之信號(hào)傳播環(huán)境復(fù)雜， 信號(hào)在發(fā)送端、 信道傳輸和接收端都會(huì)受到衰落、 損耗、 干擾等各種非理想因素的影響， 目標(biāo)信號(hào)噪聲與干擾嚴(yán)重。 這些因素均使得概率分布一致性假設(shè)下的機(jī)器學(xué)習(xí)模型泛化性欠佳， 很難在真實(shí)環(huán)境下達(dá)到預(yù)期性能。 另外， 輻射源是一個(gè)移動(dòng)的實(shí)體， 環(huán)境和目標(biāo)隨時(shí)會(huì)發(fā)生變化， 環(huán)境中也存在不確定的對(duì)抗， 將導(dǎo)致深層機(jī)器學(xué)習(xí)方法對(duì)這種不確定環(huán)境下變化目標(biāo)的泛化性能欠佳。

第四， 學(xué)習(xí)自主性不足。 盡管國(guó)內(nèi)外已涌現(xiàn)出許多CNN+Transformer［109］， GRU+GCN［89］通信信號(hào)調(diào)制識(shí)別I/Q時(shí)序信號(hào)基于深層機(jī)器學(xué)習(xí)模型的電磁目標(biāo)表征研究工作， 但這些智能算法多預(yù)設(shè)特定場(chǎng)景與感知設(shè)備下的任務(wù)， 即基于靜態(tài)環(huán)境與封閉場(chǎng)景的假設(shè)，? 在應(yīng)用中通常先由專家

對(duì)問(wèn)題進(jìn)行定義， 抽象成一個(gè)預(yù)設(shè)任務(wù)后準(zhǔn)備訓(xùn)練數(shù)據(jù)進(jìn)行學(xué)習(xí)， 其應(yīng)用性能嚴(yán)重依賴專家對(duì)問(wèn)題定義的合理性， 以及所選擇模型的適應(yīng)性。 然而， 電磁目標(biāo)表征是一個(gè)現(xiàn)實(shí)人工智能問(wèn)題， 面臨復(fù)雜未知的非結(jié)構(gòu)化場(chǎng)景。 這種靜態(tài)環(huán)境與封閉場(chǎng)景假設(shè)下的處理流程， 導(dǎo)致智能算法難以適應(yīng)復(fù)雜電磁環(huán)境中一些未知的任務(wù)變化， 即學(xué)習(xí)自主性不足： 既不能夠在開(kāi)放環(huán)境下自主更新， 也不能夠適應(yīng)任務(wù)的演化（尤其是強(qiáng)博弈對(duì)抗的環(huán)境下）。

本質(zhì)上看， 專家知識(shí)下的電磁目標(biāo)經(jīng)驗(yàn)表征方法和數(shù)據(jù)驅(qū)動(dòng)的電磁目標(biāo)深度表征方法， 都源于對(duì)人類知識(shí)的總結(jié)和擴(kuò)展。 專家知識(shí)下的電磁目標(biāo)表征方法能通過(guò)已經(jīng)積累的領(lǐng)域知識(shí)、 專家知識(shí)更有效地完成感知任務(wù)， 可解釋性較強(qiáng)， 還能在某些場(chǎng)景下彌補(bǔ)數(shù)據(jù)的不完備性， 但是專家知識(shí)提取的特征往往通用性有限， 即特征僅在特定的場(chǎng)景下有效， 當(dāng)場(chǎng)景發(fā)生變化時(shí)需要提取新的特征。 數(shù)據(jù)驅(qū)動(dòng)的電磁目標(biāo)深度表征方法性能高度依賴于訓(xùn)練樣本數(shù)據(jù)的規(guī)模和質(zhì)量。 同時(shí)， 基于數(shù)據(jù)驅(qū)動(dòng)的方法由于缺乏對(duì)結(jié)果的解釋性， 通常需要人工進(jìn)一步分析決策。 因此， 研究知識(shí)-數(shù)據(jù)聯(lián)合的方法能夠更有效地完成電磁目標(biāo)表征。 文獻(xiàn)［111］將知識(shí)-數(shù)據(jù)聯(lián)合方法概括為數(shù)據(jù)、 模型和優(yōu)化3個(gè)方面。 本文從數(shù)據(jù)、 模型、 優(yōu)化3個(gè)方面闡述基于知識(shí)-數(shù)據(jù)聯(lián)合驅(qū)動(dòng)的電磁目標(biāo)表征感知研究進(jìn)展， 如圖2所示。

3.1 數(shù)? 據(jù)

觀察偏置是指通過(guò)引入知識(shí)驅(qū)動(dòng)方法中特定的數(shù)據(jù)預(yù)處理方法或數(shù)據(jù)增強(qiáng)方法， 使得神經(jīng)網(wǎng)絡(luò)能夠更好地學(xué)習(xí)數(shù)據(jù)所蘊(yùn)含的知識(shí)［112］。 因此， 在數(shù)據(jù)層面引入知識(shí)是最直接有效的方法， 現(xiàn)有研究通常采用數(shù)據(jù)增強(qiáng)+自監(jiān)督學(xué)習(xí)的方式將知識(shí)引入到數(shù)據(jù)中。 張杰［113］針對(duì)高分辨距離像（High Resolution Range Profile， HRRP）雷達(dá)信號(hào)的數(shù)據(jù)特點(diǎn)， 設(shè)計(jì)了強(qiáng)度歸一、 重心對(duì)齊、 重心平移等HRRP雷達(dá)信號(hào)專用數(shù)據(jù)增強(qiáng)方法， 有效增加了樣本多樣性。 隨后， 借助SimSiam網(wǎng)絡(luò)成功提取了HRRP雷達(dá)信號(hào)的通用特征。 陳洋［114］認(rèn)為通信輻射源信號(hào)在不同位置處截取的波形因攜帶的符號(hào)序列不同會(huì)存在較大差異。 其次， 接收到的信號(hào)常常存在不同的頻偏、 相偏影響， 且接收信噪比也往往會(huì)發(fā)生變化， 上述情況均會(huì)造成信號(hào)波形上的差別， 但信號(hào)的調(diào)制方式并未改變。 針對(duì)上述分析， 陳洋［114］對(duì)一維I/Q通信輻射源信號(hào)加入了頻偏擾動(dòng)、 相位擾動(dòng)和噪聲擾動(dòng)等數(shù)據(jù)增強(qiáng)方法。 實(shí)驗(yàn)結(jié)果證明， 基于上述數(shù)據(jù)增強(qiáng)方法和SimCLR自監(jiān)督網(wǎng)絡(luò)的訓(xùn)練后， 大幅降低了模型訓(xùn)練所需標(biāo)簽樣本數(shù)量。 劉慧玲［83］首先提取雷達(dá)輻射源信號(hào)的模糊函數(shù)時(shí)頻特征， 借用地形描述中的等高線對(duì)模糊函數(shù)進(jìn)行分析， 得到對(duì)信號(hào)內(nèi)在信息描述更詳細(xì)的時(shí)頻特征。 劉慧玲［83］基于上述特征與SimCLR網(wǎng)絡(luò)提取雷達(dá)輻射源信號(hào)的判別特征， 并成功實(shí)現(xiàn)了雷達(dá)輻射源信號(hào)的盲分選任務(wù)。 Soltani等人［115］發(fā)現(xiàn)不依賴專家知識(shí)的CNN在輻射源識(shí)別任務(wù)中非常有效， 但在不同通道條件下收集的數(shù)據(jù)集上表現(xiàn)不佳。 因此， 針對(duì)這種情況提出了兩種數(shù)據(jù)增強(qiáng)方法， 使CNN能夠適應(yīng)變信道條件下的輻射源識(shí)別。 實(shí)驗(yàn)結(jié)果證明， 引入專用數(shù)據(jù)增強(qiáng)后的CNN在變信道條件下的準(zhǔn)確率得到了顯著提升。

3.2 模? 型

歸納偏置是引入知識(shí)的有效方法， 但相對(duì)于將知識(shí)引入數(shù)據(jù)中， 將知識(shí)轉(zhuǎn)化為符合特定性質(zhì)的網(wǎng)絡(luò)結(jié)構(gòu)存在較大的難度。 Kumawat等人［116］針對(duì)原始卷積層存在的計(jì)算成本高、 內(nèi)存密集、 容易過(guò)度擬合等問(wèn)題， 設(shè)計(jì)了時(shí)-空短時(shí)傅里葉變換塊。 時(shí)-空短時(shí)傅里葉變換塊由不可訓(xùn)練的卷積層組成， 這些卷積層使用STFT內(nèi)核在多個(gè)低頻點(diǎn)捕獲空間和/或時(shí)間局部傅里葉信息。 與原始CNN相比， 應(yīng)用時(shí)-空短時(shí)傅里葉變換塊的網(wǎng)絡(luò)參數(shù)量和計(jì)算量都顯著下降， 而且應(yīng)用時(shí)-空短時(shí)傅里葉變換塊的網(wǎng)絡(luò)特征提取能力也顯著優(yōu)于原始CNN及變體。 雖然直接將知識(shí)轉(zhuǎn)化為符合特定性質(zhì)的網(wǎng)絡(luò)結(jié)構(gòu)存在較大的難度， 但已有不少研究人員以知識(shí)圖譜的形式實(shí)現(xiàn)了知識(shí)嵌入。 江志浩等人［117］設(shè)計(jì)了作戰(zhàn)目標(biāo)知識(shí)圖譜構(gòu)建方法， 并以“知識(shí)圖譜+圖卷積神經(jīng)網(wǎng)絡(luò)”的方式實(shí)現(xiàn)了作戰(zhàn)關(guān)系分析與挖掘。 李英凱等人［118］構(gòu)建了多域特征（時(shí)域、 頻域、 深度）的電磁知識(shí)圖譜， 基于構(gòu)建的電磁知識(shí)圖譜， 設(shè)計(jì)了信號(hào)特征知識(shí)圖譜和特征融合的SEI算法。 實(shí)驗(yàn)結(jié)果表明， 該方法能夠有效地識(shí)別輻射源目標(biāo)。 左毅等人［119］構(gòu)建了戰(zhàn)場(chǎng)?？漳繕?biāo)知識(shí)圖譜， 包括時(shí)空活動(dòng)規(guī)律、 輻射源活動(dòng)規(guī)律、 航行計(jì)劃、 機(jī)場(chǎng)港口知識(shí)和飛機(jī)艦船知識(shí)， 然后通過(guò)將現(xiàn)有智能化識(shí)別方法應(yīng)用于推理算法層、 多智能體推理層、 推理應(yīng)用層， 為后續(xù)研究提供新思路。

3.3 優(yōu)? 化

學(xué)習(xí)偏置是指通過(guò)選擇恰當(dāng)?shù)膿p失函數(shù)或?qū)p失函數(shù)添加恰當(dāng)?shù)募s束， 促使神經(jīng)網(wǎng)絡(luò)在訓(xùn)練過(guò)程中傾向于收斂到遵循物理規(guī)律的解［112］。 Yang等人［120］針對(duì)輻射源時(shí)序信號(hào)特有的I/Q形式， 設(shè)計(jì)了合作-對(duì)比-分類（Cooperative-Contrastive-Classification， C3）損失， 所設(shè)計(jì)損失能夠更有效地提取信號(hào)特征。 實(shí)驗(yàn)結(jié)果表明， 經(jīng)過(guò)C3損失訓(xùn)練后的網(wǎng)絡(luò)分類精度有所提高。 黃科舉［112］針對(duì)開(kāi)集條件下輻射源目標(biāo)特征對(duì)未知輻射源區(qū)分能力不強(qiáng)的問(wèn)題， 設(shè)計(jì)了附加角邊緣損失。 附加角邊緣損失在角度空間為特征添加附加邊緣約束， 促進(jìn)神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)更加緊致的特征。 實(shí)驗(yàn)證明， 經(jīng)過(guò)附加角邊緣損失訓(xùn)練后的網(wǎng)絡(luò)提高了對(duì)未知輻射源目標(biāo)的區(qū)分能力。

4 結(jié) 束 語(yǔ)

本文針對(duì)專家知識(shí)下的電磁目標(biāo)表征方法、 數(shù)據(jù)驅(qū)動(dòng)的電磁目標(biāo)深度表征方法和知識(shí)-數(shù)據(jù)聯(lián)合驅(qū)動(dòng)的電磁目標(biāo)表征方法研究進(jìn)行了綜述。 專家知識(shí)下的電磁目標(biāo)表征方法雖然可解釋性強(qiáng)， 但由于存在復(fù)雜度高、 通用性差等問(wèn)題， 已經(jīng)逐漸被數(shù)據(jù)驅(qū)動(dòng)表征方法取代。 數(shù)據(jù)驅(qū)動(dòng)的電磁目標(biāo)深度表征方法能夠自動(dòng)提取輻射源目標(biāo)特征， 但往往需要大量高質(zhì)量訓(xùn)練樣本數(shù)據(jù)， 且可解釋性差、 泛化性差。 知識(shí)-數(shù)據(jù)聯(lián)合驅(qū)動(dòng)的電磁目標(biāo)表征方法能夠結(jié)合兩者的優(yōu)點(diǎn)， 進(jìn)一步提高電磁目標(biāo)表征能力， 但現(xiàn)有研究還較少， 大多還處于摸索階段。 未來(lái)需要抓住現(xiàn)有研究中的主要矛盾， 進(jìn)一步促進(jìn)電磁目標(biāo)表征技術(shù)的發(fā)展。

參考文獻(xiàn)：

［1］ 楊珂. 電磁態(tài)勢(shì)智能感知關(guān)鍵技術(shù)研究［D］. 西安：? 西安電子科技大學(xué)， 2022.

Yang Ke. Research on Key Technologies of Intelligent Sensing of Electromagnetic Situation［D］.Xian： Xidian University， 2022. （in Chinese）

［2］ 張葛祥. 雷達(dá)輻射源信號(hào)智能識(shí)別方法研究［D］. 成都： 西南交通大學(xué)， 2005.

Zhang Gexiang. Intelligent Recognition Methods for Radar Emitter Signals［D］. Chengdu： Southwest Jiaotong University， 2005. （in Chinese）

［3］ Michael K. 應(yīng)用了人工智能的頻譜技術(shù)將何去何從？［J］. 科技縱覽， 2019（12）： 8.

Michael K. Where will Spectrum Technology with Artificial Intelligence Go？［J］. Technology Overview， 2019（12）： 8. （in Chinese）

［4］ Lin X， Eldemerdash Y A， Dobre O A， et al. Modulation Classification Using Received Signals Amplitude Distribution for Coherent Receivers［J］. IEEE Photonics Technology Letters， 2017， 29（21）： 1872-1875.

［5］ Reising D R， Temple M A， Mendenhall M J. Improved Wireless Security for GMSK-Based Devices Using RF Fingerprinting［J］. International Journal of Electronic Security and Digital Forensics， 2010， 3（1）： 41-59.

［6］ Xu S H， Yin W H， Huang B X. Novel Method for Estimating the Instantaneous Parameters of Radio Transmitter Signals［C］∥2007 9th International Symposium on Signal Processing and Its Applications，? 2007.

［7］ Deng S Y， Huang Z T， Wang X. A Novel Specific Emitter Identification Method Based on Radio Frequency Fingerprints［C］∥2nd IEEE International Conference on Computational Intelligence and Applications， 2017.

［8］ Ur Rehman S， Sowerby K， Coghill C. RF Fingerprint Extraction from the Energy Envelope of an Instantaneous Transient Signal［C］∥ Australian Communications Theory Workshop，? 2012.

［9］ 張國(guó)柱， 黃可生， 姜文利， 等. 基于信號(hào)包絡(luò)的輻射源細(xì)微特征提取方法［J］. 系統(tǒng)工程與電子技術(shù)， 2006， 28（6）： 795-797.

Zhang Guozhu， Huang Kesheng， Jiang Wenli， et al. Emitter Feature Extract Method Based on Signal Envelope［J］. Systems Engineering and Electronics， 2006， 28（6）： 795-797.（in Chinese）

［10］ 章建輝， 黃高明， 李敬輝. 利用瞬時(shí)頻率提取雷達(dá)輻射源特征的新算法［J］.航天電子對(duì)抗， 2008， 24（5）：? 36-39.

Zhang Jianhui， Huang Gaoming， Li Jinghui. A New Algorithm of Radar Emitters Feature Extraction Using Instantaneous Frequency［J］. Aerospace Electronic Warfare， 2008， 24（5）： 36-39.（in Chinese）

［11］ 王宏偉， 趙國(guó)慶， 王玉軍. 基于脈沖包絡(luò)前沿波形的雷達(dá)輻射源個(gè)體識(shí)別［J］. 航天電子對(duì)抗， 2009， 25（2）： 35-38.

Wang Hongwei， Zhao Guoqing， Wang Yujun. A Specific Emitter Identification Method Based on Front Edge Waveform of Radar Signal Envelop［J］. Aerospace Electronic Warfare， 2009， 25（2）： 35-38.（in Chinese）

［12］ Wang X L， Zhang Y F， Zhang H X， et al. Identification and Authentication for Wireless Transmission Security Based on RF-DNA Fingerprint［J］. EURASIP Journal on Wireless Communications and Networking， 2019， 2019（1）： 1-12.

［13］ Kennedy I O， Scanlon P， Mullany F J， et al. Radio Transmitter Fingerprinting： A Steady State Frequency Domain Approach［C］∥ IEEE 68th Vehicular Technology Conference， 2008.

［14］ Williams M D， Munns S A， Temple M A， et al. RF-DNA Fingerprinting for Airport WiMax Communications Security［C］∥ Fourth International Conference on Network and System Security， IEEE， 2010.

［15］ 蔡忠偉， 李建東. 基于雙譜的通信輻射源個(gè)體識(shí)別［J］. 通信學(xué)報(bào)， 2007， 28（2）： 75-79.

Cai Zhongwei， Li Jiandong. Study of Transmitter Individual Identification Based on Bispectra［J］. Journal on Communications， 2007， 28（2）： 75-79.（in Chinese）

［16］ 王涵. 通信輻射源調(diào)制方式智能識(shí)別方法研究［D］. 西安： 西安電子科技大學(xué)， 2022.

Wang Han. Research on Intelligent Identification Method of Modulation Mode of Communication Emitter［D］.Xian： Xidian University， 2022. （in Chinese）

［17］ Ru X H， Huang Z T， Liu Z， et al. Frequency-Domain Distribution and Band-Width of Unintentional Modulation on Pulse［J］. Electronics Letters， 2016， 52（22）： 1853-1855.

［18］ Li L， Ji H B. Radar Emitter Recognition Based on Cyclostationary Signatures and Sequential Iterative Least-Square Estimation［J］. Expert Systems with Applications， 2011， 38（3）： 2140-2147.

［19］ 肖樂(lè)群， 張玉靈， 趙擁軍. 基于對(duì)角積分雙譜的雷達(dá)輻射源信號(hào)識(shí)別［J］. 信息工程大學(xué)學(xué)報(bào)， 2012， 13（1）： 95-99.

Xiao Lequn， Zhang Yuling， Zhao Yongjun. Radar Emitter Signal Recognition Based on Diagonally Integral Bispectrum［J］. Journal of Information Engineering University， 2012， 13（1）： 95-99.（in Chinese）

［20］ Suski W C， Temple M A， Mendenhall M J， et al. Using Spectral Fingerprints to Improve Wireless Network Security［C］∥IEEE Global Telecommunications Conference， 2008.

［21］ 王小穎. 電子偵察中的調(diào)制識(shí)別和身份識(shí)別［D］. 成都： 電子科技大學(xué)， 2022.

Wang Xiaoying. Research on Modulation Recognition and Emitter Identification in Electronic Reconnaissance［D］. Chengdu： University of Electronic Science and Technology of China， 2022. （in Chinese）

［22］ 惠周勃， 劉偉， 王世舉， 等. 基于HHT與正則化維數(shù)的輻射源個(gè)體識(shí)別［J］. 信息工程大學(xué)學(xué)報(bào)， 2023， 24（5）： 544-551.

Hui Zhoubo， Liu Wei， Wang Shiju， et al. Specific Emitter Identification Based on Hilbert-Huang Transform and Regularization Dimension［J］. Journal of Information Engineering University， 2023， 24（5）： 544-551.（in Chinese）

［23］ 王歡歡， 張濤， 孟凡玉. 基于時(shí)頻域細(xì)微特征的輻射源個(gè)體識(shí)別［J］. 信息工程大學(xué)學(xué)報(bào)， 2018， 19（1）： 23-29.

Wang Huanhuan， Zhang Tao， Meng Fanyu. Specific Emitter Identification Based on Time-Frequency Domain Characteristic［J］. Journal of Information Engineering University， 2018， 19（1）： 23-29.（in Chinese）

［24］ 任東方， 張濤， 韓潔， 等. 基于ITD與紋理分析的特定輻射源識(shí)別方法［J］. 通信學(xué)報(bào)， 2017， 38（12）： 160-168.

Ren Dongfang， Zhang Tao， Han Jie， et al. Specific Emitter Identification Based on ITD and Texture Analysis［J］. Journal on Communications， 2017， 38（12）： 160-168.（in Chinese）

［25］ 柳征， 姜文利， 周一宇， 等. 基于小波包變換的輻射源信號(hào)識(shí)別［J］. 信號(hào)處理， 2005， 21（5）： 460-464.

Liu Zheng， Jiang Wenli， Zhou Yiyu， et al. Emitter Signals Reco-gnition Based on Wavelet Packet Transform［J］. Journal of Signal Processing， 2005， 21（5）： 460-464.（in Chinese）

［26］ 陳韜偉， 辛明. 基于小波變換的雷達(dá)輻射源信號(hào)特征提?。跩］. 信息與電子工程， 2010， 8（4）： 436-440.

Chen Taowei， Xin Ming. Feature Extraction Based on Wavelet Transform for Radar Emitter Signals［J］. Information and Electronic Engineering， 2010， 8（4）： 436-440.（in Chinese）

［27］ 賈依菲. 脈沖雷達(dá)信號(hào)快速調(diào)制識(shí)別算法研究［D］. 西安： 西安電子科技大學(xué)， 2011.

Jia Yifei. Research on Fast Modulation Recognition Algorithm of Pulse Radar Signal［D］.Xian： Xidian University， 2011. （in Chinese）

［28］ 周琳， 楊紹全. 時(shí)-頻分析算法在通信信號(hào)調(diào)制識(shí)別中的應(yīng)用［J］. 航天電子對(duì)抗， 2002， 18（5）： 40-45.

Zhou Lin， Yang Shaoquan. Application of Time-Frequency Analysis Algorithm in Communication Signal Modulation Recognition［J］. Aerospace Electronic Warfare， 2002， 18（5）： 40-45.（in Chinese）

［29］ 江揚(yáng)帆. 基于專家知識(shí)的衛(wèi)星通信輻射源個(gè)體識(shí)別方法研究［D］. 合肥： 中國(guó)科學(xué)技術(shù)大學(xué)， 2023.

Jiang Yangfan. Research on Individual Identification Method of Satellite Communication Emitter Based on Expert Knowledge［D］.Hefei： University of Science and Technology of China， 2023. （in Chinese）

［30］ 李潤(rùn)東. 基于深度學(xué)習(xí)的通信信號(hào)智能盲檢測(cè)與識(shí)別技術(shù)研究［D］. 成都： 電子科技大學(xué)， 2021.

Li Rundong. Research on Intelligent Blind Detection and Recognition of Communication Signals Based on Deep Learning［D］. Chengdu： University of Electronic Science and Technology of China， 2021. （in Chinese）

［31］ Zheng S L， Zhou X Y， Zhang L X， et al. Toward Next-Generation Signal Intelligence： A Hybrid Knowledge and Data-Driven Deep Learning Framework for Radio Signal Classification［J］. IEEE Transactions on Cognitive Communications and Networking， 2023， 9（3）： 564-579.

［32］ Liu F G， Pan J Y， Zhou R L. Contrastive Learning-Based Multimodal Fusion Model for Automatic Modulation Recognition［J］. IEEE Communications Letters， 2024， 28（1）： 78-82.

［33］ 劉凱， 王杰貴， 吳建飛. 基于區(qū)間灰關(guān)聯(lián)的未知雷達(dá)輻射源智能識(shí)別［J］. 現(xiàn)代防御技術(shù)， 2013， 41（6）： 25-31.

Liu Kai， Wang Jiegui， Wu Jianfei. Intelligent Recognition Method Based on Interval Grey Association for Unknown Radar Emitter［J］. Modern Defence Technology， 2013， 41（6）： 25-31.（in Chinese）

［34］ 李昕. 基于無(wú)監(jiān)督學(xué)習(xí)的通信輻射源個(gè)體識(shí)別技術(shù)研究［D］. 長(zhǎng)沙： 國(guó)防科技大學(xué)， 2019.

Li Xin. Research on Individual Identification Technology of Communication Emitter Based on Unsupervised Learning［D］.Changsha： National University of Defense Technology， 2019. （in Chinese）

［35］ 朱家威， 李天昀， 寸陳韜. 一種基于相位噪聲的MIMO OFDM輻射源個(gè)體識(shí)別方法［J］. 信息工程大學(xué)學(xué)報(bào)， 2021， 22（6）： 647-654.

Zhu Jiawei， Li Tianyun， Cun Chentao. Method for Specific Emitter Identification Based on Phase Noise in MIMO OFDM System［J］. Journal of Information Engineering University， 2021， 22（6）： 647-654.（in Chinese）

［36］ 黃淵凌， 鄭輝. 一種基于相噪特性的輻射源指紋特征提取方法［J］. 計(jì)算機(jī)仿真， 2013， 30（9）： 182-185.

Huang Yuanling， Zheng Hui. Emitter Fingerprint Feature Extraction Method Based on Characteristics of Phase Noise［J］. Compu-ter Simulation， 2013， 30（9）： 182-185.（in Chinese）

［37］ 龔再蘭. 雷達(dá)輻射源信號(hào)指紋特征提取及識(shí)別［D］. 哈爾濱： 哈爾濱工程大學(xué)， 2015.

Gong Zailan. Radar Emitter Signal Fingerprint Feature Extraction and Recognition［D］. Harbin： Harbin Engineering University， 2015. （in Chinese）

［38］ 喬平娟， 謝鈞， 李林， 等. 輻射源個(gè)體識(shí)別研究綜述［J］. 信息技術(shù)與信息化， 2023（12）： 156-164.

Qiao Pingjuan， Xie Jun， Li Lin， et al. Review on Individual Identification of Radiation Sources［J］. Information Technology and Informatization， 2023（12）： 156-164.（in Chinese）

［39］ Wang Y， Liu M， Yang J， et al. Data-Driven Deep Learning for Automatic Modulation Recognition in Cognitive Radios［J］. IEEE Transactions on Vehicular Technology， 2019， 68（4）： 4074-4077.

［40］ Zhang Z F， Wang C， Gan C Q， et al. Automatic Modulation Classification Using Convolutional Neural Network with Features Fusion of SPWVD and BJD［J］. IEEE Transactions on Signal and Information Processing Over Networks， 2019， 5（3）： 469-478.

［41］ Ding L D， Wang S L， Wang F G， et al. Specific Emitter Identification via Convolutional Neural Networks［J］. IEEE Communications Letters， 2018， 22（12）： 2591-2594.

［42］ Pan Y W， Yang S H， Peng H， et al. Specific Emitter Identification Based on Deep Residual Networks［J］. IEEE Access， 2019， 7： 54425-54434.

［43］ 韓剛濤， 馬瑞鵬， 吳迪. 基于時(shí)頻圖切割的寬帶信號(hào)智能檢測(cè)與識(shí)別［J］. 鄭州大學(xué)學(xué)報(bào)： 工學(xué)版， 2023， 44（3）： 42-49.

Han Gangtao， Ma Ruipeng， Wu Di. Intelligent Detection and Identification of Broadband Signals Based on Time-Frequency Map Cutting［J］. Journal of Zhengzhou University： Engineering Science， 2023， 44（3）： 42-49.（in Chinese）

［44］ Kong M X， Zhang J， Liu W F， et al. Radar Emitter Identification Based on Deep Convolutional Neural Network［C］∥International Conference on Control， Automation and Information Sciences，? 2018.

［45］ 楊海宇， 郭文普， 康凱， 等. 注意力機(jī)制和CNN結(jié)合的雷達(dá)輻射源個(gè)體識(shí)別［J］. 兵器裝備工程學(xué)報(bào)， 2023， 44（4）： 290-296.

Yang Haiyu， Guo Wenpu， Kang Kai， et al. Individual Identification for a Radar Emitter Combined with Attention Mechanism and CNN［J］. Journal of Ordnance Equipment Engineering， 2023， 44（4）： 290-296.（in Chinese）

［46］ Wang C X， Tian J M， Cao J W， et al. Deep Learning-Based UAV Detection in Pulse-Doppler Radar［J］. IEEE Transactions on Geoscience and Remote Sensing， 2022， 60： 1-12.

［47］ OShea T J， Corgan J， Clancy T C. Convolutional Radio Modulation Recognition Networks［M］∥Jayne C， Iliadis L. Engineering Applications of Neural Networks. Cham：? Springer International Publishing， 2016： 213-226.

［48］ 宋雨萱. 演化深度學(xué)習(xí)研究與通信信號(hào)識(shí)別應(yīng)用［D］. 西安： 西安電子科技大學(xué)， 2020.

Song Yuxuan. Research on Evolutionary Deep Learning and Application of Communication Signal Identification［D］. Xian： Xidian University， 2020. （in Chinese）

［49］ Gopalakrishnan S， Cekic M， Madhow U. Robust Wireless Fingerprinting via Complex-Valued Neural Networks［C］∥ IEEE Global Communications Conference， 2019.

［50］ 金濤， 王曉峰， 田潤(rùn)瀾， 等. 基于改進(jìn)1D CNN+TCN的雷達(dá)輻射源快速識(shí)別方法［J］. 系統(tǒng)工程與電子技術(shù)， 2022， 44（2）： 463-469.

Jin Tao， Wang Xiaofeng， Tian Runlan， et al. Rapid Recognition Method of Radar Emitter Based on Improved 1D CNN+TCN［J］. Systems Engineering and Electronics， 2022， 44（2）： 463-469.（in Chinese）

［51］ 陳濤， 劉福悅， 李金鑫， 等. 基于深度分割的端到端雷達(dá)信號(hào)分選［J］. 系統(tǒng)工程與電子技術(shù)， 2023， 45（5）： 1351-1358.

Chen Tao， Liu Fuyue， Li Jinxin， et al. End-to-End Radar Signal Sorting Based on Deep Segmentation［J］. Systems Engineering and Electronics， 2023， 45（5）： 1351-1358.（in Chinese）

［52］ Das R， Gadre A， Zhang S H， et al. A Deep Learning Approach to IoT Authentication［C］∥IEEE International Conference on Communications， 2018.

［53］ 查雄， 彭華， 秦鑫， 等. 基于循環(huán)神經(jīng)網(wǎng)絡(luò)的衛(wèi)星幅相信號(hào)調(diào)制識(shí)別與解調(diào)算法［J］. 電子學(xué)報(bào)， 2019， 47（11）： 2443-2448.

Zha Xiong， Peng Hua， Qin Xin， et al. Satellite Amplitude-Phase Signals Modulation Identification and Demodulation Algorithm Based on the Cyclic Neural Network［J］. Acta Electronica Sinica， 2019， 47（11）： 2443- 2448.（in Chinese）

［54］ 劉括然. 基于LSTM的雷達(dá)輻射源識(shí)別技術(shù)［J］. 艦船電子工程， 2019， 39（12）： 92-95.

Liu Kuoran. Radar Emitter Recognition Technology Based on LSTM［J］. Ship Electronic Engineering， 2019， 39（12）： 92-95.（in Chinese）

［55］ 胡濤. 基于強(qiáng)化學(xué)習(xí)的雷達(dá)輻射源信號(hào)分選方法研究［D］. 哈爾濱： 哈爾濱工業(yè)大學(xué)， 2022.

Hu Tao. Research on Radar Emitter Signal Sorting Method Based on Reinforcement Learning［D］. Harbin： Harbin Institute of Technology， 2022. （in Chinese）

［56］ 王純鑫. 結(jié)合數(shù)據(jù)驅(qū)動(dòng)的雷達(dá)目標(biāo)跟蹤方法研究［D］. 西安： 西安電子科技大學(xué)， 2022.

Wang Chunxin. Research on Radar Target Tracking Method Combined with Data-Driven［D］. Xian： Xidian University， 2022. （in Chinese）

［57］ 劉濤濤， 田春瑾， 普運(yùn)偉， 等. 基于一維卷積循環(huán)神經(jīng)網(wǎng)絡(luò)的雷達(dá)輻射源信號(hào)識(shí)別［J］. 四川大學(xué)學(xué)報(bào)： 自然科學(xué)版， 2023， 60（4）： 89-95.

Liu Taotao， Tian Chunjin， Pu Yunwei， et al. Radar Emitter Signal Recognition Based on One-Dimension Convolutional Recurrent Neural Network［J］. Journal of Sichuan University： Natural Science Edition， 2023， 60（4）：? 89-95.（in Chinese）

［58］ 石禮盟， 楊承志， 王美玲， 等. 基于深度網(wǎng)絡(luò)的雷達(dá)信號(hào)調(diào)制方式識(shí)別［J］. 兵器裝備工程學(xué)報(bào)， 2021， 42（6）： 190-193.

Shi Limeng， Yang Chengzhi， Wang Meiling， et al. Recognition Method of Radar Signal Modulation Method Based on Deep Network［J］. Journal of Ordnance Equipment Engineering， 2021， 42（6）： 190-193.（in Chinese）

［59］ 陳昌美， 李艷斌， 楊鴻杰， 等. 基于條件生成對(duì)抗網(wǎng)絡(luò)的信號(hào)生成技術(shù)［J］. 信息技術(shù)， 2023， 47（10）： 136-140.

Chen Changmei， Li Yanbin， Yang Hongjie， et al. Signal Generation Technology Based on Conditional Generative Adversarial Networks［J］. Information Technology， 2023， 47（10）： 136-140.（in Chinese）

［60］ 楊鴻杰， 陳麗， 張君毅. 基于生成對(duì)抗網(wǎng)絡(luò)的數(shù)字信號(hào)生成技術(shù)研究［J］. 電子測(cè)量技術(shù)， 2020， 43（20）： 127-132.

Yang Hongjie， Chen Li， Zhang Junyi. Research on Digital Signal Generation Technology Based on Generative Adversarial Network［J］. Electronic Measurement Technology， 2020， 43（20）： 127-132.（in Chinese）

［61］ Tang B， Tu Y， Zhang Z Y， et al. Digital Signal Modulation Classification with Data Augmentation Using Generative Adversarial Nets in Cognitive Radio Networks［J］. IEEE Access， 2018， 6： 15713-15722.

［62］ Bu K， He Y， Jing X J， et al. Adversarial Transfer Learning for Deep Learning Based Automatic Modulation Classification［J］. IEEE Signal Processing Letters， 2020， 27： 880-884.

［63］ 王華華， 張睿哲， 黃永洪. 基于生成式對(duì)抗網(wǎng)絡(luò)和多模態(tài)注意力機(jī)制的擴(kuò)頻與常規(guī)調(diào)制信號(hào)識(shí)別方法［J/OL］. 電子與信息學(xué)報(bào)， doi： 10.11999/JEIT230518.

Wang Huahua， Zhang Ruizhe， Huang Yonghong. Spread Spectrum and Conventional Modulation Signal Recognition Method Based on Generative Adversarial Network and Multi-modal Attention Mechanism［J/OL］. Journal of Electronics & Information Technology，doi： 10.11999/JEIT230518.（in Chinese）

［64］ Gong J L， Xu X D， Lei Y K. Unsupervised Specific Emitter Identification Method Using Radio-Frequency Fingerprint Embedded InfoGAN［J］. IEEE Transactions on Information Forensics and Security， 2020， 15： 2898-2913.

［65］ Roy D， Mukherjee T， Chatterjee M， et al. Detection of Rogue RF Transmitters Using Generative Adversarial Nets［C］∥ IEEE Wireless Communications and Networking Conference， 2019.

［66］ 朱苗苗. 基于深度學(xué)習(xí)的信號(hào)調(diào)制識(shí)別研究［D］. 重慶： 重慶郵電大學(xué)， 2022.

Zhu Miaomiao. Research on Signal Modulation Recognition Based on Deep Learning［D］.Chongqing： Chongqing University of Posts and Telecommunications， 2022. （in Chinese）

［67］ Truong T， Yanushkevich S. Generative Adversarial Network for Radar Signal Synthesis［C］∥International Joint Conference on Neural Networks， 2019.

［68］ Saarinen V， Koivunen V. Radar Waveform Synthesis Using Genera-tive Adversarial Networks［C］∥IEEE Radar Conference， 2020.

［69］ 何重航， 劉佳琪， 王憲棟， 等. 基于卷積網(wǎng)絡(luò)和對(duì)抗式學(xué)習(xí)的雷達(dá)信號(hào)識(shí)別算法［J］. 導(dǎo)彈與航天運(yùn)載技術(shù)， 2021（2）： 121-126.

He Zhonghang， Liu Jiaqi， Wang Xiandong， et al. Radar Signal Recognition Algorithm Based on the Convolutional Neural Networks and Adversarial Learning［J］. Missiles and Space Vehicles， 2021（2）： 121-126.（in Chinese）

［70］ 于浩洋. 基于深度學(xué)習(xí)的雷達(dá)信號(hào)小樣本識(shí)別方法研究［D］. 北京： 北京郵電大學(xué)， 2021.

Yu Haoyang. Research on Radar Signal Little Sample Recognition Method Based on Deep Learning［D］. Beijing： Beijing University of Posts and Telecommunications， 2021. （in Chinese）

［71］ Li K， Xue Y C， Lan H B. MDGAN-TPAMDPN-Net： A Self-Sufficient and Calibrated Network for Radar Emitter Identification［J］. IEEE Internet of Things Journal， 2024， 11（4）： 7153-7171.

［72］ Tan K W， Yan W J， Zhang L M， et al. Semi-Supervised Specific Emitter Identification Based on Bispectrum Feature Extraction CGAN in Multiple Communication Scenarios［J］. IEEE Transactions on Aerospace and Electronic Systems， 2023，59（1）： 292-310.

［73］ 高詩(shī)飏. 基于深度學(xué)習(xí)的雷達(dá)輻射源序列信號(hào)識(shí)別算法研究［D］. 長(zhǎng)春： 吉林大學(xué)， 2022.

Gao Shiyang. Research on Recognition Algorithm of Radar Emitter Sequence Signal Based on Deep Learning［D］.Changchun： Jilin University， 2022. （in Chinese）

［74］ Ke Z Q， Vikalo H. Real-Time Radio Technology and Modulation Classification via an LSTM Auto-Encoder［J］. IEEE Transactions on Wireless Communications， 2022， 21（1）： 370-382.

［75］ Ali A F， Fan Y Y， Shu L. Automatic Modulation Classification of Digital Modulation Signals with Stacked Autoencoders［J］. Digital Signal Processing， 2017， 71： 108-116.

［76］ Yao Z S， Fu X， Guo L T， et al. Few-Shot Specific Emitter Identification Using Asymmetric Masked Auto-Encoder［J］. IEEE Communications Letters， 2023， 27（10）： 2657-2661.

［77］ 葉文強(qiáng)， 俞志富， 張奎， 等. 棧式降噪自編碼器在輻射源信號(hào)識(shí)別中的應(yīng)用［J］. 空軍工程大學(xué)學(xué)報(bào)： 自然科學(xué)版， 2019， 20（6）： 47-53.

Ye Wenqiang， Yu Zhifu， Zhang Kui， et al. Application of sDAE in Emitter Signal Recognition［J］. Journal of Air Force Engineering University： Natural Science Edition， 2019， 20（6）： 47-53.（in Chinese）

［78］ 劉亞博. 基于神經(jīng)網(wǎng)絡(luò)的調(diào)制類型識(shí)別算法研究［D］. 西安： 西安電子科技大學(xué)， 2019.

Liu Yabo. Research on Modulation Recognition Algorithm Based on Neural Network［D］. Xian： Xidian University， 2019. （in Chinese）

［79］ 吉磊， 劉文斌， 李泓藝. 基于變分自編碼器的通信信號(hào)生成技術(shù)［J］. 通信技術(shù)， 2023， 56（4）： 411-418.

Ji Lei， Liu Wenbin， Li Hongyi. Communication Signal Generation Technology Based on Variational Autoencoder［J］. Communications Technology， 2023， 56（4）： 411-418.（in Chinese）

［80］ Qu Z Y， Wang W Y， Hou C B， et al. Radar Signal Intra-Pulse Modulation Recognition Based on Convolutional Denoising Autoencoder and Deep Convolutional Neural Network［J］. IEEE Access， 2019， 7： 112339-112347.

［81］ 郭立民， 寇韻涵， 陳濤， 等. 基于棧式稀疏自編碼器的低信噪比下低截獲概率雷達(dá)信號(hào)調(diào)制類型識(shí)別［J］. 電子與信息學(xué)報(bào)， 2018， 40（4）： 875-881.

Guo Limin， Kou Yunhan， Chen Tao， et al. Low Probability of Intercept Radar Signal Recognition Based on Stacked Sparse Auto-Encoder［J］. Journal of Electronics & Information Technology， 2018， 40（4）： 875-881.（in Chinese）

［82］ 丁辰偉. 基于深度學(xué)習(xí)的雷達(dá)輻射源個(gè)體識(shí)別技術(shù)研究［D］. 杭州： 杭州電子科技大學(xué)， 2020.

Ding Chenwei. Research on Specific Radar Emitter Identification Technology Based on Deep Learning［D］. Hangzhou： Hangzhou Dianzi University， 2020. （in Chinese）

［83］ 劉慧玲. 基于深度學(xué)習(xí)的雷達(dá)輻射源識(shí)別與行為認(rèn)知［D］. 西安： 西安電子科技大學(xué)， 2022.

Liu Huiling. Radar Emitter Recognition and Behavior Cognition Based on Deep Learning［D］.Xian： Xidian University， 2022. （in Chinese）

［84］ 丁宦城. 基于深度學(xué)習(xí)的雷達(dá)輻射源識(shí)別［D］. 成都： 電子科技大學(xué)， 2023.

Ding Huancheng. Radar Emitter Identification Based on Deep Learning［D］.Chengdu： University of Electronic Science and Technology of China， 2023. （in Chinese）

［85］ 洪淑婕， 孫閩紅， 王之騰， 等. 基于卷積降噪自編碼器的雷達(dá)信號(hào)智能分選［J］. 探測(cè)與控制學(xué)報(bào)， 2022， 44（5）： 83-89.

Hong Shujie， Sun Minhong， Wang Zhiteng， et al. Radar Signal Intelligent Sorting Based on Convolutional Denoising Autoencoder［J］. Journal of Detection & Control， 2022， 44（5）： 83-89.（in Chinese）

［86］ 申慧芳. 復(fù)雜環(huán)境下的雷達(dá)信號(hào)分選技術(shù)研究［D］. 西安： 西安電子科技大學(xué)， 2022.

Shen Huifang. Research on Radar Signal Sorting Technology in Complex Environment［D］.Xian： Xidian University， 2022. （in Chinese）

［87］ Shi Y H， Xu H， Jiang L， et al. ConvLSTMAE：? A Spatiotemporal Parallel Autoencoders for Automatic Modulation Classification［J］. IEEE Communications Letters， 2022， 26（8）： 1804-1808.

［88］ Liu Y B， Liu Y， Yang C. Modulation Recognition with Graph Convolutional Network［J］. IEEE Wireless Communications Letters， 2020， 9（5）： 624-627.

［89］ Ghasemzadeh P， Hempel M， Wang H G， et al. GGCNN：? An Efficiency-Maximizing Gated Graph Convolutional Neural Network Architecture for Automatic Modulation Identification［J］. IEEE Transactions on Wireless Communications， 2023， 22（9）： 6033-6047.

［90］ Hao X Y， Feng Z X， Yang S Y， et al. Automatic Modulation Classification via Meta-Learning［J］. IEEE Internet of Things Journal， 2023， 10（14）： 12276-12292.

［91］ Li H Z， Liao Y L， Wang W H， et al. A Novel Time-Domain Graph Tensor Attention Network for Specific Emitter Identification［J］. IEEE Transactions on Instrumentation and Measurement， 2023， 72： 1-14.

［92］ Meng H， Peng Y X， Wang W B， et al. Spatio-Temporal-Frequency Graph Attention Convolutional Network for Aircraft Recognition Based on Heterogeneous Radar Network［J］. IEEE Transactions on Aerospace and Electronic Systems， 2022， 58（6）： 5548-5559.

［93］ 龐春逸. 機(jī)載雷達(dá)輻射源和工作模式識(shí)別［D］. 西安： 西安電子科技大學(xué)， 2022.

Pang Chunyi. Airborne Radar Emitter and Working Mode Identification［D］.Xian： Xidian University， 2022. （in Chinese）

［94］ Lang P， Fu X J， Dong J， et al. A Novel Radar Signals Sorting Method via Residual Graph Convolutional Network［J］. IEEE Signal Processing Letters， 2023， 30： 753-757.

［95］ 王杰. 基于改進(jìn)有限穿透可視圖網(wǎng)絡(luò)的雷達(dá)信號(hào)分選［D］. 杭州： 杭州電子科技大學(xué)， 2023.

Wang Jie. Radar Signal Sorting Based on Improved Limited Penetrable Visibility Graph Network［D］. Hangzhou： Hangzhou Dianzi University， 2023. （in Chinese）

［96］ Xuan Q， Zhou J C， Qiu K F， et al. AvgNet：? Adaptive Visibility Graph Neural Network and Its Application in Modulation Classification［J］. IEEE Transactions on Network Science and Engineering， 2022， 9（3）： 1516-1526.

［97］ Ghasemzadeh P， Hempel M， Sharif H. A Robust Graph Convolutional Neural Network-Based Classifier for Automatic Modulation Recognition［C］∥ International Wireless Communications and Mobile Computing ，? IEEE， 2022.

［98］ Cai J J， Gan F M， Cao X H， et al. Signal Modulation Classification Based on the Transformer Network［J］. IEEE Transactions on Cognitive Communications and Networking， 2022， 8（3）： 1348-1357.

［99］ Hamidi-Rad S， Jain S. MCformer：? A Transformer Based Deep Neural Network for Automatic Modulation Classification［C］∥ IEEE Global Communications Conference， 2021.

［100］ 李振星， 趙曉蕾， 劉偉承， 等. 基于Transformer的通信信號(hào)調(diào)制識(shí)別方法［J］. 太赫茲科學(xué)與電子信息學(xué)報(bào)， 2022， 20（12）： 1311-1317.

Li Zhenxing， Zhao Xiaolei， Liu Weicheng， et al. A Modulation Recognition Method of Communication Signal Based on Transformer［J］. Journal of Terahertz Science and Electronic Information Technology， 2022， 20（12）： 1311-1317.（in Chinese）

［101］ Deng P F， Hong S H， Qi J， et al. A Lightweight Transformer-Based Approach of Specific Emitter Identification for the Automatic Identification System［J］. IEEE Transactions on Information Forensics and Security， 2023， 18： 2303-2317.

［102］ Xu H F， Xu X D. A Transformer Based Approach for Open Set Specific Emitter Identification［C］∥7th International Conference on Computer and Communications，? 2021.

［103］ Ziemann M R， Metzler C A. Transformers for Robust Radar Waveform Classification［C］∥56th Asilomar Conference on Signals， Systems， and Computers， 2022.

［104］ 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 Zhanghua， Zhao Shijie， Lai Li. 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.（in Chinese）

［105］ 馬聰聰. 雷達(dá)輻射源信號(hào)指紋特征智能分析和識(shí)別［D］. 西安： 西安電子科技大學(xué)， 2020.

Ma Congcong. Intelligent Analysis and Identification of Fingerprint Characteristics of Radar Radiation Source Signals［D］. Xian： Xidian University， 2020. （in Chinese）

［106］ 王亮， 肖易寒. Transformer網(wǎng)絡(luò)在雷達(dá)輻射源識(shí)別中的應(yīng)用［J］. 應(yīng)用科技， 2021， 48（5）： 81-85.

Wang Liang， Xiao Yihan. Application of Transformer Network in Radar Emitter Recognition［J］. Applied Science and Technology， 2021， 48（5）： 81-85.（in Chinese）

［107］ 張旭威， 徐鵬濤， 管振輝. 基于Transformer的雷達(dá)信號(hào)分選方法［J］. 艦船電子對(duì)抗， 2023， 46（5）： 84-87.

Zhang Xuwei， Xu Pengtao， Guan Zhenhui. Radar Signal Sorting Method Based on Transformer［J］. Shipboard Electronic Countermeasure， 2023， 46（5）： 84-87.（in Chinese）

［108］ Zheng Q H， Tian X Y， Yu Z G， et al. MobileRaT： A Lightweight Radio Transformer Method for Automatic Modulation Classification in Drone Communication Systems［J］. Drones， 2023， 7（10）： 596.

［109］ 李慧瓊. 端到端無(wú)線通信信號(hào)的調(diào)制識(shí)別方法研究［D］. 桂林： 廣西師范大學(xué)， 2023.

Li Huiqiong. Research on End-to-End Modulation Recognition Method of Wireless Communication Signal［D］. Guilin：? Guangxi Normal University， 2023. （in Chinese）

［110］ Kong W， Jiao X， Xu Y， et al. A Transformer-Based Contrastive Semi-Supervised Learning Framework for Automatic Modulation Recognition［J］. IEEE Transactions on Cognitive Communications and Networking， 2023， 9（4）： 950-962.

［111］ Wang Y Q， Yao Q M， Kwok J T， et al. Generalizing from a few Examples：? A Survey on Few-Shot Learning［J］. ACM Computing Surveys， 53（3）： 63.

［112］ 黃科舉. 數(shù)據(jù)驅(qū)動(dòng)與知識(shí)引導(dǎo)相結(jié)合的通信輻射源個(gè)體識(shí)別技術(shù)研究［D］. 長(zhǎng)沙： 國(guó)防科技大學(xué)， 2022.

Huang Keju. Communication Emitter Identification Based on Combinations of Data Driven and Knowledge Informed Methods［D］. Changsha： National University of Defense Technology， 2022. （in Chinese）

［113］ 張杰. 基于自監(jiān)督膠囊網(wǎng)絡(luò)的雷達(dá)一維距離像識(shí)別算法研究［D］. 杭州： 杭州電子科技大學(xué)， 2022.

Zhang Jie. Study of Radar High Resolution Range Profile Recognition Based on Self-Supervised Capsule Network［D］. Hangzhou： Hangzhou Dianzi University， 2022. （in Chinese）

［114］ 陳洋. 基于自監(jiān)督特征的通信信號(hào)智能識(shí)別與檢索技術(shù)［D］. 鄭州： 戰(zhàn)略支援部隊(duì)信息工程大學(xué)， 2022.

Chen Yang. Intelligent Identification and Retrieval Technology of Communication Signals by Self-Supervised Characteristics［D］. Zhengzhou： PLA Strategic Support Force Information Engineering University， 2022. （in Chinese）

［115］ Soltani N， Sankhe K， Dy J， et al. More is Better： Data Augmentation for Channel-Resilient RF Fingerprinting［J］. IEEE Communications Magazine， 2020， 58（10）： 66-72.

［116］ Kumawat S， Verma M， Nakashima Y， et al. Depthwise Spatio-Temporal STFT Convolutional Neural Networks for Human Action Recognition［J］. IEEE Transactions on Pattern Analysis and Machine Intelligence， 2021： 1.

［117］ 江志浩， 周卿， 石敏， 等. 作戰(zhàn)目標(biāo)知識(shí)圖譜構(gòu)建與應(yīng)用［J］. 海軍航空工程學(xué)院學(xué)報(bào)， 2020， 35（6）： 471-477.

Jiang Zhihao， Zhou Qing， Shi Min， et al. Construction and Application of Knowledge Graph for Target in Battlefield［J］. Journal of Naval Aeronautical and Astronautical University， 2020， 35（6）： 471-477.（in Chinese）

［118］ 李英凱， 王淑菲， 張逸彬， 等. 基于信號(hào)特征知識(shí)圖譜和特征融合的特定輻射源識(shí)別技術(shù)［J］. 移動(dòng)通信， 2023， 47（6）： 115-121.

Li Yingkai， Wang Shufei， Zhang Yibin， et al. Specific Emitter Identification Technology Based on Signal Feature Knowledge Graph and Feature Fusion［J］. Mobile Communications， 2023， 47（6）： 115-121.（in Chinese）

［119］ 左毅， 張桂林， 吳蔚， 等. 面向戰(zhàn)場(chǎng)?？漳繕?biāo)識(shí)別的知識(shí)圖譜應(yīng)用［J］. 指揮信息系統(tǒng)與技術(shù)， 2019， 10（3）： 1-5.

Zuo Yi， Zhang Guilin， Wu Wei， et al. Knowledge Graph Application for Battlefield Airborne/Maritime Target Intelligent Recognition［J］. Command Information System and Technology， 2019， 10（3）： 1-5.（in Chinese）

［120］ Yang C， Yang S Y， Feng Z X， et al. Quadruplet Convolution Neural Network with C3 Loss （C3-QCNN） for Signal Classification［J］. IEEE Transactions on Instrumentation and Measurement， 2022， 71： 1-8.

A New Paradigm for Knowledge-Data Driven Electromagnetic

Target Representation

Yang Shuyuan*， Yang Chen， Feng Zhixi， Pan Qiukai

（Xidian University， Xian 710071， China）

Abstract： Electromagnetic target representation is a common fundamental problem in electromagnetic space situational awareness. Early target representation was based on expert empirical knowledge， which required designers to have strong professional background and prior knowledge， and is performed poorly in complex signal environments. Deep learning， which has been developed in recent years， provides a new way for signal representation in complex electromagnetic environments. It simulates the deep structure of the human brain to build a machine learning model to automatically represent and process target data in an end-to-end manner， and shows good performance in perception tasks such as electromagnetic target detection， classification， identification， parameter estimation， and behavioral cognition. However， deep learning relies heavily on massive amounts of high-quality labelled data， and has certain limitations in the real electromagnetic environment. Incorporating know-ledge into intelligent systems has always been the research direction of artificial intelligence. Combining know-ledge and data for electromagnetic target representation will hopefully improve target perception accuracy and generalization ability， and is becoming a new direction in electromagnetic target representation. This paper reviews the development process of electromagnetic target representation techniques， and provide an outlook on the new paradigm of electromagnetic target perception driven by joint knowledge-data.

Key words：target representation； expert knowledge； deep learning； joint knowledge-data-driven；? know-ledge graph