相控阵多功能雷达工作模式识别技术综述

相控阵雷达工作模式识别技术综述：从信号特征到深度学习

一、引言

相控阵雷达（Phased Array Radar）作为现代雷达技术的典型代表，凭借其波束快速扫描、多目标跟踪和多功能集成等优势，在军事和民用领域得到了广泛应用(1)。相控阵雷达的工作模式识别（Working Mode Recognition）是指通过对雷达发射信号的分析，确定雷达当前的工作状态和执行的任务类型，这对于电子对抗、威胁评估和情报分析具有重要意义(4)。随着相控阵雷达技术的不断发展，其工作模式变得越来越复杂，工作模式识别面临着巨大挑战。

近年来，随着人工智能技术的迅速发展，相控阵雷达工作模式识别方法也从传统的基于信号特征的方法向基于深度学习的智能识别方法转变。当前，相控阵雷达工作模式识别技术已经成为电子侦察领域的研究热点，国内外学者在这一领域开展了大量研究工作。然而，现有的综述文章已无法全面涵盖该领域的最新技术进展，特别是深度学习方法在相控阵雷达工作模式识别中的应用。

本文旨在对相控阵雷达工作模式识别技术进行全面系统的综述，涵盖从早期基础研究到最新技术进展的所有相关内容。首先介绍相控阵雷达的工作模式分类和基本原理，然后详细阐述基于信号特征的工作模式识别方法、基于机器学习的识别方法以及基于深度学习的识别方法，最后对当前技术面临的挑战和未来发展趋势进行分析和展望。本文的组织结构如图 1 所示。

二、相控阵雷达工作模式分类与基本原理

2.1 相控阵雷达工作模式分类

相控阵雷达为满足复杂的电子战应用场景对雷达的功能需求，通常采用多种工作模式(19)。根据雷达的功能和应用场景，相控阵雷达的工作模式可以分为以下几类：

1. 搜索模式：包括速度搜索（Velocity Search, VS）、边测距边搜索（Range While Search, RWS）、边跟踪边搜索（Track While Search, TWS）等(19)。其中，VS 模式主要用于大范围的搜索，战术上一般用于威胁告警和远距离发现目标，数据率低，不能引导武器攻击，是威胁等级较低的一种工作模式；RWS 模式通过发射不同调制斜率信号实现远距离无模糊测距；TWS 模式在搜索的同时对目标进行跟踪(19)。

2. 跟踪模式：包括单目标跟踪（Single Target Track, STT）、多目标跟踪（Multi Target Tracking, MTT）、跟踪加搜索（Track And Search, TAS）等。其中，STT 模式下雷达天线波束中心随动于被跟踪目标，信号波形幅值基本等幅，与波位无关；MTT 模式主要目的是对多个目标进行跟踪；TAS 模式具有很强的波束捷变能力，每个目标经历的状态包括搜索、确认、跟踪、小搜和航迹终结(19)。

3. 其他模式：包括态势感知模式（Situation Awareness Mode, SAM）、合成孔径雷达模式（SAR）等(19)。其中，SAM 模式用于在跟踪单个目标的同时保持对特定空域的搜索；SAR 模式用于对地成像(19)。

表 1 列出了典型相控阵雷达工作模式的信号参数特征，包括脉冲宽度（PW）、脉冲重复频率（PRF）、脉内调制类型和数据率等参数的范围(19)。这些参数特征是进行工作模式识别的重要依据。

注：CP 表示常规信号，LFM 表示线性调频信号，NLFM 表示非线性调频信号

2.2 相控阵雷达工作模式识别原理

相控阵雷达工作模式识别的基本原理是通过分析雷达发射信号的特征参数，确定雷达当前的工作状态和执行的任务类型。具体来说，相控阵雷达工作模式识别系统的工作流程通常包括以下几个步骤：

1. 信号截获与预处理：通过侦察接收机截获雷达发射的信号，并进行放大、滤波和数字化处理，得到脉冲描述字（Pulse Description Word, PDW）序列(5)。PDW 通常包含脉冲到达时间（TOA）、脉冲宽度（PW）、载频（RF）、脉冲幅度（PA）等信息(8)。

2. 特征提取：从 PDW 序列中提取能够表征雷达工作模式的特征参数，如脉冲宽度、脉冲重复频率、脉内调制类型、数据率、扫描包络等(4)。这些特征参数可以分为时域特征、频域特征和调制特征等类别。

3. 模式识别：将提取的特征参数与已知工作模式的特征库进行匹配，确定雷达当前的工作模式(8)。模式识别方法可以分为基于信号特征的传统方法、基于机器学习的方法和基于深度学习的方法等几类。

4. 结果输出与评估：输出识别结果，并对识别性能进行评估，如计算识别准确率、召回率、F1 值等指标。

相控阵雷达工作模式识别的关键在于如何从复杂的雷达信号中提取有效的特征参数，并选择合适的模式识别方法进行分类。随着相控阵雷达技术的发展，其工作模式越来越复杂，传统的基于信号特征的方法面临着特征提取困难、抗干扰能力弱等挑战，而基于深度学习的方法则表现出了强大的特征学习能力和模式识别性能。

二、基于信号特征的相控阵雷达工作模式识别方法

2.1 基于时域特征的识别方法

基于时域特征的相控阵雷达工作模式识别方法主要利用雷达信号在时间域上的变化规律进行模式识别(4)。这类方法通常从脉冲到达时间（TOA）、脉冲宽度（PW）、脉冲重复频率（PRF）等时域参数中提取特征，如脉冲重复间隔（PRI）调制模式、脉冲幅度包络等(8)。

脉冲重复间隔（PRI）分析是最常用的时域特征分析方法之一。不同工作模式下的雷达通常具有不同的 PRI 调制模式，如固定 PRI、参差 PRI、抖动 PRI 和滑变 PRI 等(8)。例如，搜索模式下的雷达通常采用固定 PRI 或参差 PRI，而跟踪模式下的雷达则可能采用固定 PRI 或抖动 PRI(4)。通过分析 PRI 的变化规律，可以区分不同的工作模式。

脉冲幅度包络分析也是一种重要的时域特征分析方法。不同工作模式下的雷达，其脉冲幅度包络具有不同的特征(20)。例如，相控阵雷达在搜索模式下通常采用机械扫描或电子扫描方式，其脉冲幅度包络呈现出周期性变化；而在跟踪模式下，雷达波束指向固定目标，脉冲幅度基本保持不变(20)。张冠荣等人提出了一种基于脉冲幅度特征分析的相控阵雷达识别方法，通过建立脉冲幅度模型，计算正弦序列与脉冲序列的相似系数，实现了相控阵雷达的识别(20)。

数据率分析是另一种有效的时域特征分析方法。数据率是指雷达单位时间内对特定方向或目标照射的采样次数(4)。不同工作模式下的雷达数据率存在明显差异：搜索模式下的数据率较低，而跟踪模式下的数据率较高(4)。李晓等人提出了一种基于多特征联合的相控阵火控雷达工作模式判定方法，其中数据率是四个关键特征维度之一(4)。

此外，扫描包络分析也是一种常用的时域特征分析方法。相控阵雷达的扫描包络可以分为台阶式和 Sinc 函数式两种(4)。台阶式扫描包络出现在固定波位发射完整 PRI 序列的情况下，信号幅度稳定；而 Sinc 函数式扫描包络则类似于机械扫描雷达的天线波束扫描，信号幅度随时间缓慢变化(4)。通过分析扫描包络的形状，可以区分不同的工作模式。

2.2 基于频域特征的识别方法

基于频域特征的相控阵雷达工作模式识别方法主要利用雷达信号在频率域上的特性进行模式识别。这类方法通常从雷达信号的载频（RF）、带宽、频率调制类型等频域参数中提取特征(8)。

频率调制类型分析是最常用的频域特征分析方法之一。不同工作模式下的雷达通常采用不同的频率调制方式，如常规脉冲（CP）、线性调频（LFM）、非线性调频（NLFM）、相位编码等(19)。例如，搜索模式下的雷达通常采用线性调频信号，以提高距离分辨率；而跟踪模式下的雷达则可能采用常规脉冲或相位编码信号(19)。通过分析频率调制类型，可以区分不同的工作模式。

频率捷变分析也是一种重要的频域特征分析方法。频率捷变是指雷达在不同脉冲间快速改变载频的技术，具有抗干扰能力强等优点(8)。不同工作模式下的雷达，其频率捷变特性可能不同，如搜索模式下的雷达可能采用更复杂的频率捷变模式(8)。通过分析频率捷变模式，可以识别雷达的工作模式。

频谱分析是另一种常用的频域特征分析方法。通过对雷达信号进行傅里叶变换，可以得到其频谱特性，如谱宽、谱峰位置、谱形状等。不同工作模式下的雷达信号通常具有不同的频谱特征，如线性调频信号的频谱呈现出倾斜的矩形形状，而非线性调频信号的频谱则可能更加复杂。

2.3 基于调制特征的识别方法

基于调制特征的相控阵雷达工作模式识别方法主要利用雷达信号的调制特性进行模式识别。这类方法通常从雷达信号的脉内调制、脉间调制等调制特性中提取特征(8)。

脉内调制分析是最常用的调制特征分析方法之一。脉内调制是指在单个脉冲内对信号进行的调制，如线性调频、非线性调频、相位编码等(19)。不同工作模式下的雷达通常采用不同的脉内调制方式，如搜索模式下的雷达可能采用线性调频或非线性调频，而跟踪模式下的雷达则可能采用常规脉冲或相位编码(19)。通过分析脉内调制类型，可以区分不同的工作模式。

脉间调制分析也是一种重要的调制特征分析方法。脉间调制是指在相邻脉冲之间进行的调制，如脉冲重复频率调制、脉冲幅度调制、脉冲相位调制等(8)。不同工作模式下的雷达，其脉间调制特性可能不同，如搜索模式下的雷达可能采用更复杂的脉间调制模式(8)。通过分析脉间调制特征，可以识别雷达的工作模式。

调制识别算法是基于调制特征的相控阵雷达工作模式识别的核心。常用的调制识别算法包括基于高阶统计量的方法、基于时频分析的方法、基于人工神经网络的方法等。例如，张生杰等人提出了一种基于域变换的机载火控雷达工作模式识别技术，通过对雷达信号进行时频分析，提取调制特征，实现了工作模式的识别。

2.4 基于信号模型的识别方法

基于信号模型的相控阵雷达工作模式识别方法主要利用雷达信号的生成模型进行模式识别。这类方法通常需要建立雷达工作模式的数学模型，然后通过模型匹配或参数估计的方法确定雷达当前的工作模式(8)。

隐马尔可夫模型（HMM）是最常用的信号模型之一。HMM 是一种统计模型，用于描述一个含有隐含未知参数的马尔可夫过程(33)。在相控阵雷达工作模式识别中，HMM 可以用于建模雷达工作模式的状态转移过程，其中隐含状态表示雷达的工作模式，观测序列表示雷达信号的特征参数(33)。朱梦韬等人提出了一种基于 HMM 的逆雷达辐射源状态识别推理方法，通过建立逆状态识别任务模型，实现了对干扰系统中雷达辐射源状态识别模块处理结果的逆向估计(33)。

随机上下文无关文法（SCFG）也是一种重要的信号模型。SCFG 是一种用于描述语言结构的形式文法，能够处理上下文无关的语言结构(43)。在相控阵雷达工作模式识别中，SCFG 可以用于建模雷达信号的句法结构，其中雷达信号被视为由雷达字（Radar Word）、雷达短语（Radar Phrase）和雷达句子（Radar Sentence）等多层次结构组成的语言(43)。Visnevski 等人提出了一种基于 SCFG 的多功能雷达信号处理方法，通过建立雷达信号的句法模型，实现了对雷达工作模式的估计和识别(43)。

预测状态表示（PSR）模型是另一种有效的信号模型。PSR 模型是一种用于动态系统建模的方法，能够处理部分可观测的动态系统(9)。在相控阵雷达工作模式识别中，PSR 模型可以用于建模雷达工作模式的动态变化过程，其中雷达的工作模式被视为隐状态，观测序列表示雷达信号的特征参数(9)。欧健等人引入了线性预测状态表示模型（PSR），通过噪声阈值实现对状态转移频数矩阵的降噪处理，提高了工作模式识别的鲁棒性(9)。

2.5 基于证据理论的识别方法

基于证据理论的相控阵雷达工作模式识别方法主要利用证据理论（Dempster-Shafer Theory）进行多源信息融合和不确定性推理(4)。这类方法通常将多个特征参数的识别结果进行融合，提高识别的准确性和可靠性(8)。

D-S 证据理论是最常用的证据理论方法。D-S 证据理论是一种不确定性推理方法，能够处理不确定性和不完整性信息(4)。在相控阵雷达工作模式识别中，D-S 证据理论可以用于融合多个特征参数的识别结果，形成综合的识别结论(4)。李晓等人借鉴 D-S 证据理论，提出了一种多特征联合的相控阵火控雷达工作模式判定方法，通过构建雷达工作模式判定特征库和设计工作模式判定准则门限库，实现了雷达工作模式的准确识别(4)。

证据组合规则是 D-S 证据理论的核心。证据组合规则用于将多个独立证据的基本概率分配函数（BPA）合并为一个综合的 BPA(4)。在相控阵雷达工作模式识别中，证据组合规则可以用于融合不同特征参数的识别结果，提高识别的准确性和可靠性(4)。例如，王玉冰等人提出了一种基于 D-S 证据理论的机载火控雷达空空工作模式判定方法，通过融合多个特征参数的识别结果，实现了雷达工作模式的准确判定(8)。

基于证据理论的决策方法也是相控阵雷达工作模式识别的重要环节。基于证据理论的决策方法用于从综合的 BPA 中得出最终的识别结论(4)。常用的决策方法包括最大信任度法、最大似然法、最小风险法等(4)。

三、基于机器学习的相控阵雷达工作模式识别方法

3.1 基于传统机器学习的识别方法

基于传统机器学习的相控阵雷达工作模式识别方法主要利用传统机器学习算法进行特征分类和模式识别。这类方法通常包括特征提取、特征选择和分类器设计三个步骤。

支持向量机（SVM）是最常用的传统机器学习算法之一。SVM 是一种二分类模型，其基本思想是寻找一个最优分类超平面，使得不同类别的样本点尽可能远离该超平面。在相控阵雷达工作模式识别中，SVM 可以用于对提取的特征参数进行分类，确定雷达的工作模式。方佳璐利用特征矩阵，基于特征参数的选取方法构建出一种多任务 SVM 分类器，基于动态决策实现了针对多功能相控阵雷达工作模式的智能识别方法。

随机森林（Random Forest）也是一种重要的传统机器学习算法。随机森林是一种集成学习方法，由多个决策树组成，通过投票或平均的方式进行预测。在相控阵雷达工作模式识别中，随机森林可以用于对提取的特征参数进行分类，具有较好的泛化能力和抗干扰能力。

K 最近邻（KNN）是另一种常用的传统机器学习算法。KNN 是一种基于实例的学习方法，其基本思想是根据测试样本与训练样本的相似度进行分类(30)。在相控阵雷达工作模式识别中，KNN 可以用于对提取的特征参数进行分类，具有简单、直观的优点(30)。田卫东提出了一种基于改进 K 近邻的工作模式识别技术，利用 K 近邻算法在多分类问题以及 1-NN 策略在训练数据集模糊边界剔除问题上的优势，实现了对相控阵雷达多工作模式的分类识别(30)。

隐马尔可夫模型（HMM）也可以视为一种传统机器学习方法。HMM 是一种统计模型，用于描述一个含有隐含未知参数的马尔可夫过程(34)。在相控阵雷达工作模式识别中，HMM 可以用于建模雷达工作模式的状态转移过程，其中隐含状态表示雷达的工作模式，观测序列表示雷达信号的特征参数