一种低信噪比自适应时域网络，结合智能掩码注意力机制用于雷达信号调制识别

《Digital Signal Processing》：A Low-SNR-Adaptive Temporal Network with Smart Mask Attention for Radar Signal Modulation Recognition

本文提出一种融合双向时间卷积网络（Bi-TCN）和双通道智能掩码注意力模块（DSMA）的雷达信号调制识别模型TSMANet，有效提升低信噪比环境下的识别精度。实验表明，在-20 dB SNR时准确率达63%，-6 dB时超过99%，优于现有方法，且在时间、频率、自相关域均表现优异。

　　本文探讨了一种用于雷达信号自动调制识别的新方法，旨在提高在低信噪比（SNR）条件下的识别准确率和鲁棒性。雷达信号的自动调制识别是电子战和通信系统中的关键技术，传统的人工特征提取方法在低SNR条件下往往难以达到高识别精度。随着人工智能技术的快速发展，基于深度学习的方法成为调制识别的新选择。本文提出了一种低SNR自适应的网络架构，该架构融合了双向时间卷积网络（Bi-TCN）和双通道智能掩码注意力（DSMA）模块，以提升模型在复杂电磁环境下的识别能力。

雷达信号的自动调制识别技术已经取得了显著进展。传统方法主要分为基于似然（LB）和基于特征（FB）两类。LB方法依赖于统计推断技术，利用概率知识进行决策，通常基于贝叶斯或奈曼-皮尔逊假设检验框架。相比之下，FB方法不依赖于信号的显式统计模型，而是通过提取能够稳健表征信号的特征组合来进行调制类型区分，如高阶累积量、小波变化、循环功率谱、星座图等。然而，随着无线电环境复杂性的增加和信号调制方式的多样化，传统方法在低SNR条件下识别信号和处理多调制类型方面逐渐暴露出局限性。深度学习的引入为调制识别系统带来了更高的准确率和更强的鲁棒性。

近年来，深度学习技术在调制识别领域的应用取得了显著成果。研究主要集中在将二维（2-D）图像输入的分析框架应用于电磁信号处理任务上，这些方法通过将电磁波形转换为时间-频率或星座图等二维表示，再使用深度学习模型进行处理，从而提高了信号识别的准确性。例如，结合双谱特征图像与分层极端学习机的方法，实现了在-10 dB SNR下对四种雷达信号类型的可靠识别，准确率接近90%。此外，将频率域、自相关域和Choi–Williams分布（CWD）图像融合于非对称卷积压缩激励网络中，再通过支持向量机（SVM）分类器，增强了多域特征的利用。Gramian角域（GAF）编码与掩码自编码器（MAE）的结合也展示了自监督学习的优势，在RadioML2016.10a数据集上仅使用5%的标注数据即可达到54.85%的平均准确率。尽管二维输入方法在复杂电磁环境中表现出色，但它们也存在固有的局限性，如需要复杂的雷达信号预处理、网络结构复杂以及计算资源消耗大等问题。因此，近期的研究开始系统性地开发和评估能够处理一维（1-D）时间序列信号的深度神经网络架构。

在处理一维序列时，卷积神经网络（CNN）能够通过卷积操作有效提取局部特征，而循环神经网络（RNN）则通过其递归结构捕捉序列的时序依赖性。然而，这两种模型在处理长距离依赖和复杂非线性关系时均存在一定的限制。为了解决这些问题，研究者引入了注意力机制，使网络能够动态地分配权重以关注信号中最有信息量的时间点，从而提升识别性能。例如，结合长短期记忆（LSTM）网络与随机擦除策略及注意力加权的方法，通过生成多个扰动测试样本，增强了分类的鲁棒性。进一步地，引入双向LSTM网络并结合自注意力机制，实现了在-20 dB SNR下的61.25%准确率和-10 dB SNR下的95%以上准确率。同时，受Transformer模型启发的解决方案也被广泛探索，如Pyramid Signal Transformer（SigFormer）模型，它结合了双注意力模块与小核卷积，能够同时捕捉全局和局部结构，并在开放雷达数据集上表现出色。注意力机制还被集成到混合CNN–LSTM框架中，如CLADNN模型，该模型通过融合卷积空间特征提取与时间序列建模，结合注意力机制以突出关键特征，并在训练数据有限的情况下仍能保持良好的识别性能。在频率域中，频率学习注意力网络（FLANs）利用多频谱注意力跟踪频谱偏差，实现了在RadioML2018.01A数据集上的93.12%分类准确率。此外，基于自注意力的多尺度特征融合也被证明可以提升多个数据集上的识别准确率，整体性能超过62%（RadioML2016.10a）和64%（RadioML2016.10b）。最近，结合通道-空间自注意力机制（CSSAM）的CNN模型也被开发出来，以应对动态噪声干扰，进一步强化了基于注意力的架构在调制识别任务中的优势。

尽管在调制识别领域，深度学习方法取得了显著进展，但这些方法在实际应用中仍面临一些挑战。例如，低识别准确率和非线性失真对识别性能的影响，以及大多数现有研究依赖于标准通信数据集，难以适应雷达信号的复杂性和非合作性。为了解决这些问题，本文设计了一种新颖的端到端序列识别网络，专门用于高效识别十种典型的雷达脉冲内调制类型。该模型融合了双向时间卷积网络（Bi-TCN）以提取全面的双向时序特征，并结合双通道智能掩码注意力（DSMA）模块，以动态突出显著模式并减轻噪声和非线性的影响。本文的主要贡献包括以下几个方面：

首先，提出了一种新的注意力机制，称为DSMA，旨在增强信号序列中信息区域的自适应聚焦。DSMA采用两个并行分支生成动态注意力掩码，其中一个分支用于提取局部模式，另一个分支用于捕捉全局时序依赖性。这些掩码引导两个自注意力路径，其输出通过可学习的门控模块进行自适应融合。

其次，设计了一种端到端的序列识别网络，命名为TSMANet，该网络由Bi-TCN模块和DSMA模块组成。Bi-TCN模块能够有效捕捉全面的双向时序依赖性，而DSMA模块则能够自适应调整其注意力机制，从而提升信号识别的准确率和鲁棒性。

最后，提出了一种专门针对雷达信号脉冲内调制的模拟数据集。该数据集能够有效区分本文方法与其他主要针对通信信号的方法。通过从时域、频域和自相关域提取特征序列，并系统地比较和分析其识别性能，验证了所提模型的优越性。实验结果表明，该模型在低SNR条件下表现尤为突出，特别是在-20 dB SNR下达到了63%的识别准确率，而在-6 dB SNR下更是超过了99%。这些结果突显了模型在雷达信号调制识别任务中的鲁棒性和高分类准确率。

本文的其余部分组织如下：第二部分简要介绍了雷达信号理论，并描述了其多域特征的特性；第三部分介绍了TSMANet的建模框架；第四部分详细描述了实验设计、数据集配置和训练设置；第五部分展示了对十种雷达调制类型的分类结果，并进行了讨论；第六部分总结了本文的研究成果，并提出了未来的研究方向。

在信号建模部分，本文介绍了信号接收过程，特别是在加性白高斯噪声（AWGN）环境下的建模方式。接收信号被建模为发射信号与加性噪声的叠加，并可表示为：
x(t) = s(t) + n(t), 0 ≤ t ≤ T
其中，x(t)是接收信号，s(t)代表目标信号，n(t)是具有零均值和恒定功率谱密度的加性白高斯噪声，T表示脉冲宽度，即信号的持续时间。该模型为后续的信号处理和特征提取提供了理论基础。

在方法论部分，本文提出了一种新型的调制识别模型TSMANet，其由Bi-TCN层、两个连续的DSMA模块和密集层组成。模型的框架如图1所示。原始的模拟信号需要经过处理以评估其在时域、频域和自相关域中的识别能力。时域特征序列可以直接从原始信号中获取，而频域和自相关域的特征则需要进一步的转换和处理。这一部分详细描述了模型的结构和各模块的功能，为后续的实验设计和结果分析奠定了基础。

在实验部分，本文确保了实验设计的科学性和有效性，涵盖了数据集的多样性、评估标准的严谨性以及实验协议的一致性。实验数据集包括多种雷达信号类型，以测试模型在不同条件下的性能。同时，本文还采用了多种评估指标，如准确率、召回率和F1分数，以全面衡量模型的识别能力。

在结果与讨论部分，本文通过与当前最先进的网络进行比较实验，进一步验证了所提模型在识别准确率和鲁棒性方面的优势。实验结果表明，TSMANet在低SNR条件下表现出色，特别是在-20 dB SNR下达到了63%的识别准确率，而在-6 dB SNR下更是超过了99%。此外，模型在不同数据集上的表现也显示出其较强的泛化能力。通过分析不同域特征的识别效果，本文确定了自相关域在雷达信号调制识别中的优越性，并进一步探讨了DSMA模块在提升模型性能中的关键作用。

在结论部分，本文总结了TSMANet模型的优势和应用前景。该模型通过融合Bi-TCN和DSMA模块，实现了对雷达信号的高效识别，并在低SNR条件下表现出显著的鲁棒性和高分类准确率。与现有基准模型相比，TSMANet在多个域中均展现出更优的性能，为雷达信号调制识别提供了新的思路和方法。

此外，本文还详细描述了作者的贡献。Chaofeng Huang负责概念化、方法论、调查、撰写初稿和软件开发；Xiaowo Xu负责验证、数据管理、可视化和撰写初稿；Fan Fan负责概念化、方法论、形式分析、验证、资金获取和撰写审阅与编辑；Shunjun Wei、Xiaoling Zhang、Dongmei Liu均参与了撰写审阅与编辑工作；Min Gu则负责概念化、方法论、监督、项目管理等方面的工作。这些分工确保了研究工作的系统性和完整性，体现了团队合作的重要性。

最后，本文声明了作者不存在任何已知的财务利益冲突或个人关系，这些关系可能会影响本文所报告的研究工作的客观性。这一声明增强了研究结果的可信度，表明作者在研究过程中保持了独立性和公正性。

综上所述，本文提出了一种基于深度学习的雷达信号自动调制识别方法，通过引入Bi-TCN和DSMA模块，有效提升了模型在低SNR条件下的识别性能。实验结果表明，该模型在多个数据集上均表现出色，特别是在自相关域中实现了更高的识别准确率。本文的研究不仅为雷达信号调制识别提供了新的解决方案，也为未来在复杂电磁环境下的信号处理研究奠定了基础。