微信公众号：EW Frontier
关注可了解更多的雷达、通信、人工智能相关代码。问题或建议，请公众号留言;
如果你觉得EW Frontier对你有帮助，欢迎加入我的知识星球或面包多，更多代码等你来学
知识星球：https://wx.zsxq.com/dweb2/index/group/15552518881412
面包多：https://mbd.pub/o/author-a2mYl2tsbA==/workQQ交流群：1022600869
如有侵权请联系删除~
摘要
雷达波形的自动分类是电子对抗中的一项基本技术。近年来，基于有监督深度学习的方法在这类分类任务中取得了巨大的成功。但是当系统为非合作系统时，很难获得系统的标号。提出了一种基于表示学习的IQ（Inphase / Quadrature，同相/正交）信号特征提取算法。首先，利用多种数据增广技术，以自监督的方式训练托词模型，提取与类别相关的特征。在此基础上，引入伪监督对比训练，进一步促进提取的类相关特征之间的分离。仿真结果表明，所提方法训练的模型可用于多种下游分类任务，包括无监督聚类、半监督学习、零炮和少炮转移分类。
引言
雷达波形的自动分类是现代雷达对抗的一项重要任务。雷达波形的准确分类可以帮助雷达侦察系统进行脉冲分选，确定敌方雷达的功能和类型。
目前，研究者主要集中在基于深度学习的雷达波形分类方法上。一些基于DL的方法将雷达信号转换为时频图像（TFI），并利用计算机视觉领域的DL网络结构对TFI进行分类。Wang et.al [1]使用Wigner-Ville分布来生成TFI，并设计了一个CNN来执行优于基于自相关的方法的图像分类。在文献[2]中，提出了卷积去噪自动编码器来对12个脉内调制信号进行分类。在低信噪比条件下，该方法能有效去除TFI信号中的噪声，达到较高的识别正确率.其他研究人员使用原始的一维（或二维IQ）雷达信号作为输入来设计网络结构，例如CNN及其变体[3]、[4]、基于长短时间存储器（LSTM）网络的方法[5]。在不使用任何特征提取技术的情况下，这些方法具有与使用TFI的方法相当的性能。这些基于DL的方法受到监督，需要大量的标记信号才能正常工作，并且在实际的战争场景中，截获的波形可能总是包含未知的调制，尽管可以重新训练模型以适应新的环境，但标记数据可能非常耗时，并且需要大量的专业知识[6]，[7]。
自监督代表性学习的最新进展在自然语言处理（NLP）和计算机视觉（CV）领域取得了巨大成功。Devlin et.al [8]提出了一种双向Transformer，以自我监督的方式预测Masked token，在11个下游任务中大幅优于以前的最先进方法。Chen et.al [9]提出了一个简单的视觉表示对比学习框架（Simplified），它在ImageNet上的性能优于以前的监督模型，只使用1%的标记数据。在雷达信号分选领域，Mi et.al提出了一种对比时频学习[10]方法，利用多同步压缩变换产生的TFI对六类雷达信号进行分选，在低信噪比下取得了比多层感知器（MLP）更好的分类精度。
在本文中，由于以下两个原因，而不是使用TFI进行对比学习，对原始IQ输入进行调整。首先，将信号转换为TFI会显著增加编码器网络用于特征提取的计算成本，这需要非常长的训练时间。其次，这些对比自监督方法的性能在很大程度上依赖于数据增强策略的选择，使用TFI进行增强可能不方便。此外，我们提出了一个额外的伪监督对比训练阶段，以进一步促进类间分离和减少类内变化。定性实验表明，该方法优于许多表示学习的各种下游分类任务。
文章插图
结论
本文主要研究雷达信号的表示学习。在不使用任何标记数据的情况下，使用所提出的增强策略训练的模型可以自动地从接收到的IQ数据点中提取有用的特征，以较少的先验信息执行分类。它甚至可以推广到具有不同信噪比的新信号类别，为识别具有未知调制的雷达波形提供了一种有前途的方法。
