【抗干扰】低SNR环境稳了！AWSPNet赋能MIMO雷达精准识别目标+抑制DRFM干扰【附p...

来源：市场资讯

（来源：EW Frontier）

知识星球：

https://wx.zsxq.com/group/15554455154582

面包多：

https://mbd.pub/o/author-a2mYl2tsbA==/work

个人博客：

https://www.cnblogs.com/EWFrontier

QQ交流群：1074124098

注：本文为参考文章代码为对其部分内容进行复现~

✿低SNR环境稳了！AWSPNet赋能MIMO雷达精准识别目标+抑制DRFM干扰✿

一、文章题目

基于注意力机制的双树小波散射原型网络（AWSPNet）在MIMO雷达目标识别与干扰抑制中的应用

二、摘要

基于数字射频存储器（DRFM）的电子对抗技术日益发展，对雷达系统的生存能力和作战效能构成重大威胁。这类干扰器可生成大量欺骗性假目标，超出雷达处理能力并遮蔽真实目标。因此，在低信噪比（SNR）环境下，稳健区分真实目标与复杂干扰信号的能力至关重要。本文提出一种基于注意力机制的双树小波散射原型网络（AWSPNet），这是一种用于雷达目标识别与干扰抑制同步实现的深度学习框架。

AWSPNet的核心是编码器，其利用双树复小波变换（DTCWT）提取对噪声和信号平移具有固有稳健性的特征，这些特征经注意力机制和预训练骨干网络进一步优化。为解决标签数据有限的问题并提升泛化能力，训练阶段采用监督对比学习策略；分类任务由原型网络完成，该网络在少样本学习场景中表现突出，能快速适配新的信号类型。

大量实验验证了所提方法的有效性：在-6 dB SNR下，AWSPNet的识别准确率达90.45%；通过t-SNE可视化对网络内部工作机制进行物理解释，分析了模型不同阶段的特征可分性；将AWSPNet与时域滑动窗口方法相结合，提出一套完整算法，既能识别各类干扰，又能实现有效抑制，验证了其在复杂电磁环境中的实际应用潜力。

关键词：MIMO雷达；双树小波变换；原型网络；干扰识别；Transformer

三、引言

现代雷达系统的作战效能正受到先进电子对抗技术的严重威胁，尤其是基于数字射频存储器（DRFM）的干扰技术[1]-[5]。DRFM干扰器可相干截获、篡改并转发雷达信号，生成密集且逼真的假目标，大幅降低雷达性能。这种技术对抗凸显了在复杂电磁环境中实现精准目标区分与有效干扰抑制的迫切需求[6]，本文正是针对这一挑战，致力于开发一种能可靠区分目标与欺骗性干扰信号的统一框架。

干扰识别任务已得到广泛研究，方法从传统信号处理逐步演进至现代深度学习。传统方法主要依赖人工从时频域等信号域提取判别特征，再输入支持向量机、决策树等机器学习分类器[7]。例如，文献[8]利用时频特征实现复杂干扰的智能识别，但这类方法在复杂、灵活的复合干扰场景中往往表现不佳，手工设计的特征缺乏足够的稳健性和泛化能力。

近年来，深度学习（尤其是卷积神经网络（CNN））凭借其自动从原始或轻度处理数据中学习分层特征的能力，成为干扰识别的主流范式[9]。众多研究采用ResNet[10]、DenseNet[11]等CNN架构，基于时频表征实现高准确率的干扰分类[12]-[15]。为解决数据依赖性和噪声敏感性问题，近期研究探索了更复杂的方案：文献[16]提出融合可解释散射中心层的先验知识引导神经网络，在数据不完整和低SNR环境下提升雷达目标识别性能；文献[17]将小波散射网络与集成学习结合用于欺骗干扰识别，兼具良好可解释性和少样本适应性；文献[18]提出PSPNet原型网络，通过预训练和自监督微调实现少标签样本下的稳健干扰识别。

然而，现有方法仍存在三大核心挑战：一是泛化能力不足，在训练集未覆盖的信号参数变化或低SNR条件下性能大幅下降[19]；二是样本稀缺问题突出，真实场景中干扰信号的采集与标注难度大，导致少样本学习困境[20]-[22]，易引发过拟合；三是深度学习模型的“黑箱”问题，决策过程缺乏可解释性，阻碍其在国防关键领域的应用[17]。

为解决上述局限，本文提出注意力机制双树小波散射原型网络（AWSPNet），用于稳健的MIMO雷达目标识别与干扰抑制。该架构融合小波分析、注意力机制和度量型少样本学习的优势：首先通过双树复小波变换（DTCWT）模块将原始雷达数据转换为稳健特征表示，DTCWT相较于标准离散小波变换具有近平移不变性和更好的方向选择性，降低特征对信号平移和噪声的敏感性；随后通过注意力模块动态加权特征，聚焦信号关键信息；核心特征提取由预训练EfficientNetV2[24]骨干网络完成，并采用监督对比学习目标[25]微调，使同类样本特征聚类、异类样本特征分离，提升特征可分性；最终采用原型网络[18]替代传统线性分类器，适配少样本场景，增强对小众信号类别的泛化能力。

四、方法简介

AWSPNet的核心架构分为编码器（特征提取）和原型网络（分类与少样本适配）两部分，同时结合时域滑动窗口实现目标识别与干扰抑制一体化，具体设计如下：

1. 整体框架

编码器负责将雷达回波的快慢时矩阵转换为高判别性特征向量，原型网络基于该特征向量完成分类，最终通过时域滑动窗口算法实现干扰抑制，全程无需脉冲压缩预处理，保留原始回波的时频信息。

2. 核心模块详解

• 双树小波散射网络（DTWSN）：基于双树复小波变换（DTCWT），通过预定义小波滤波器提取信号的低频近似和高频细节特征，具有近平移不变性和抗噪声能力，可稳定表征高速运动目标的畸变信号，且计算复杂度低（无需从数据中学习滤波器系数）。

• 注意力模块：对DTCWT提取的初始特征进行动态加权，强化信号关键信息、抑制无关噪声，尤其在低SNR环境下引导模型聚焦有效特征区域。

• 预训练骨干网络与监督对比学习：采用预训练EfficientNetV2作为深度特征提取器，通过迁移学习复用大规模数据集的通用特征，减少雷达领域标签数据需求；训练阶段采用监督对比学习损失，强制同类样本特征聚类、异类样本特征远离，构建高可分性的特征嵌入空间。

• 原型网络：从支持集中学习各类别的原型中心（特征均值），查询样本通过计算与原型中心的距离实现分类，特别适配少样本场景，提升对新类型信号的快速适配能力。

3. 目标识别与干扰抑制方案

将目标视为一类，所有干扰/杂波视为另一类，采用时域滑动窗口对回波矩阵进行分段处理，通过AWSPNet输出各段的目标类别概率；对概率序列进行脉冲宽度等效的矩形卷积累加，峰值位置即为目标距离单元，孤立的干扰概率峰值被平滑抑制，最终实现目标定位与干扰抑制同步完成。

五、结论

本文提出AWSPNet深度学习框架，专为复杂电磁环境下MIMO雷达的目标识别与干扰抑制设计，融合DTCWT稳健特征提取、注意力机制特征优化、预训练网络表示学习和原型网络少样本分类四大核心能力，旨在实现高识别准确率、强泛化能力、抗噪声性与实用化部署的统一。

实验结果验证了AWSPNet的有效性：消融实验表明，DTCWT模块、注意力机制和预训练权重的融合是低SNR环境下性能的关键保障，在-6 dB SNR下准确率达90.45%；t-SNE可视化揭示了特征可分性与分类准确率的强相关性，证实完整架构对有效特征分离的必要性；将AWSPNet与时域滑动窗口结合，实现了目标识别、定位与干扰抑制的一体化，即使在低SNR、杂波存在或未见过的干扰类型场景中，仍能保持稳健性能。

该框架为MIMO雷达应对DRFM类复杂干扰提供了新方案，其强抗噪声性和少样本适配能力，使其在实际复杂电磁环境中具有广阔的应用前景。

相关学习资料见面包多链接https://mbd.pub/o/author-a2mYl2tsbA==/work欢迎加入我的知识星球：

https://wx.zsxq.com/group/15554455154582