[论文解读] A New Radar Signal Multiparameter-Based Deinterleaving Method

Chao Wang, Weisong Liu+3 more|arXiv (Cornell University)|Aug 21, 2022

Wireless Signal Modulation Classification被引用 7

一句话总结

该论文提出了一种基于双向门控循环单元（BGRU）的新型雷达信号解交织方法，通过多维语义特征——脉冲重复间隔（PRI）、脉冲宽度（PW）、射频（RF）和脉冲幅度（PA）——对交织脉冲流中的脉冲进行分类。该方法在复杂场景下实现了99.8%的准确率，通过在单步学习框架中联合利用参数耦合，优于基于PRI的方法及现有多种参数方法。

ABSTRACT

Radar signal deinterleaving has been extensively and thoroughly investigated in the electronic reconnaissance field. In this work, a new radar signal multiparameter-based deinterleaving method is proposed. In this method, semantic information composed of the pulse repetition interval (PRI), pulse width (PW), radio frequency (RF), and pulse amplitude (PA) of a radar signal is used to deinterleave radar signals. A bidirectional gated recurrent unit (BGRU) is employed, and the difference of time of arrival (DTOA)/RF, DTOA/PW, and DTOA/PA of the pulse stream are input into the BGRU. Based on the semantic information contained in different radar signal types, each pulse in the obtained pulse stream is classified according to the semantic information category, and the radar signals are deinterleaved. Compared to the PRI-based deinterleaving methods, the proposed method utilizes the multidimensional information of radar signals. As a result, higher deinterleaving accuracy is achieved. Compared to other existing radar signal multiparameter-based deinterleaving methods, the proposed method can adapt to radar signals with complex parameter features as well as to complex signal environments, and can complete the use of multiparameter in one step.

研究动机与目标

• 解决传统基于PRI的解交织方法在非周期性、密集或丢包雷达信号中表现不佳的局限性。
• 克服现有PRI估计技术（如SDIF和PRI-Tran）对阈值敏感及迭代计算复杂的问题。
• 构建统一的端到端深度学习框架，同时利用多种雷达信号参数（PRI、PW、RF、PA）以提升解交织性能。
• 在存在重叠或调制参数、脉冲丢失和噪声的复杂信号环境中实现鲁棒的解交织。
• 将语义分割原理从单参数扩展到多参数雷达信号分类，以增强区分能力。

提出的方法

• 该方法采用双向门控循环单元（BGRU）建模交织脉冲流中的时间依赖性，处理多参数间的时间差（DTOA）特征。
• 输入特征包括DTOA/RF、DTOA/PW和DTOA/PA，用于编码脉冲间相对时间和参数变化模式。
• 融合PRI、PW、RF和PA的语义信息，为每个脉冲生成多维特征向量，实现对不同雷达信号类别的分类。
• 模型采用端到端训练方式，基于组合参数模式将每个脉冲分类至其对应的雷达源，避免依赖阈值的PRI估计。
• 该方法将解交织视为序列标注问题，利用BGRU捕捉脉冲序列中长距离依赖关系的能力。
• 该方法设计用于处理复杂信号特征，如敏捷RF、相位扫描PA以及非均匀PRI调制，通过学习参数耦合效应实现鲁棒性。

实验结果

研究问题

• RQ1 深度学习模型能否在单一统一框架中，有效利用多参数（PRI、PW、RF、PA）实现雷达信号的解交织？
• RQ2 在脉冲丢失和随机噪声条件下，所提出的基于BGRU的方法相较于传统基于PRI的方法（如SDIF、PRI-Tran）表现如何？
• RQ3 PRI与其他参数（如PRI-PW、PRI-RF、PRI-PA）之间的耦合，在个体参数难以区分的场景下，能在多大程度上提升解交织准确率？
• RQ4 该方法能否在多种雷达信号类型上实现泛化，包括具有恒定、敏捷或分组调制的RF与PA信号？
• RQ5 当将语义分割从单参数扩展到多参数输入时，雷达解交织性能的理论上限是多少？

主要发现

• 在实验2中，所提出的SSD-Multipara方法在PRI与PW重叠条件下实现了99.8%的解交织准确率，显著优于SSD-PRI方法（93.7%）和PRI-Tran方法（70.64%）。
• 在实验1中，由于PRI非周期性导致基于PRI的方法失效，SSD-Multipara方法仍通过利用PW与PRI的耦合特征实现了99.4%的准确率。
• 在实验4中，即使在50%脉冲丢失和50%随机噪声脉冲条件下，该方法仍保持99.6%的准确率，而PRI-Tran的准确率骤降至22.41%。
• 结果表明，PRI与RF（恒定、敏捷或分组敏捷）或PA（非扫描、机械扫描、相位扫描）的耦合显著提升了解交织性能，即使在个体参数重叠时亦然。
• 控制实验显示，传统方法如SDIF和PRI-Tran常因阈值调优导致准确率虚高，但此结果并不能反映真实目标脉冲检测性能。
• 该方法通过一步处理多参数，相比顺序处理或基于阈值的方法，展现出更高的准确率和在复杂信号环境中的适应能力。