摘要
无线电信号识别是电子战中的一项重要功能。电子战系统需要精确识别和定位雷达脉冲活动，以产生有效的对抗措施。尽管这些任务很重要，但基于深度学习的雷达脉冲活动识别方法在很大程度上仍未得到充分探索。虽然之前已经探索了用于雷达调制识别的深度学习，但分类任务通常仅限于短且非交织的IQ信号，限制了其在军事应用中的适用性。为了解决这一差距，我们引入了一种端到端的多阶段学习方法，以检测和定位跨扩展时间范围的交错雷达信号的脉冲活动。我们提出了一个简单的，但非常有效的多阶段架构，用于增量预测细粒度的分割掩模，在多个通道上定位雷达脉冲活动。我们展示了我们的方法对一个新的雷达数据集上的几个参考模型的性能，同时也提供了一个第一的雷达脉冲活动分割的基准。
引言
雷达活动识别是认知电子战（CEW）的一项基本能力。它包括关键的子功能，如隐藏在低信噪比（SNR）环境中的未知雷达脉冲活动的检测和分类。这些子功能对于从原始信号生成高精度脉冲描述符字（PDW）至关重要。PDW是雷达系统团体使用的数据结构，其提供用于表示关键信号属性（诸如脉冲宽度（PW）和脉冲重复间隔（PRI））的值的通用格式。识别这些值是部署雷达威胁对抗措施的关键步骤[2]。因此，推导精确的PDW需要精确识别和定位雷达脉冲，这可能会因它们在长时间范围内的存在以及在有争议的环境中多个脉冲的交织而变得复杂。
近年来，基于深度学习的雷达脉冲活动性识别技术取得了显著的性能，但由于该技术是一个新兴的领域，因此在很大程度上还没有得到充分的研究。尽管来自相邻领域的类似任务，例如说话人日记化[7]、生物医学信号处理[8]和图像语义分割[9，10]，为开发鲁棒的和高分辨率的分割模型提供了基础，存在一个领域空白，即缺乏具有适当特征的公开可用雷达数据集来支持雷达脉冲深度学习模型的开发活动分段。
无线电数据集，如RadioML [3]，RadarComms [5]和RadChar [6]存在于公共领域，但它们不适合雷达脉冲活动的语义分割任务，原因有两个。首先，现有的数据集不提供样本注释。该信息对于确定时间占用（例如，PW）在给定信号内。其次，现有的数据集仅限于非交织和短持续时间的IQ信号，而现实的雷达脉冲活动可以共存，并且通常发生在延长的时间范围内。第二个问题特别具有挑战性，简单地说，需要细粒度的多通道语义分割，这是使用基于能量检测[11]和脉冲相关性[12，13]的传统方法不可能实现的。另外，由于课堂活动的不平衡，可能会出现过度分割错误[14，15]。因此，仔细细化的信道预测是必要的，以预测连续和平滑的活动间隔，现实世界的雷达脉冲的特性。
为了解决这些问题，本文提出了一种多阶段学习方法，该方法能够在扩展的时间范围内准确地分割交织雷达信号的脉冲活动。我们的主要贡献有三个方面。首先，我们发布了一个开源数据集1，其中包含具有复杂交织特性和长IQ序列的雷达信号。其次，我们引入了一种简单而高效的端到端多级架构，无需专业的特征工程师即可对原始IQ数据执行样本式信号分类[4，16]。最后，我们建立了第一个雷达脉冲活动分割的基准，并展示了我们的多级结构的竞争性能。
RadSeg数据集
我们引入了一个新的雷达脉冲活动数据集（RadSeg）的语义分割。RadSeg建立在[6]的基础上，包含5个雷达信号类。这些包括相干未调制脉冲（CPT）、巴克码、多相巴克码、弗兰克码和线性调频（LFM）脉冲。巴克码和弗兰克码的码长分别为13和16。与其他数据集[3，5，6]不同，RadSeg包含长持续时间信号，每个信号具有32，768个复基带IQ样本（Xi + j xq），而RadChar [6]提供了512个样本。RadSeg中使用的采样率为3.2 MHz，信号持续时间为10.24 ms，每个样本的时间分辨率为0.3125 µs。选择该分辨率以充分捕获典型脉冲雷达系统的真实PW和PRI [2]。
为了生成独特的雷达脉冲活动，选择若干信号参数，并从均匀分布中递增采样，以创建随机的独特信号排列。重要的是，我们允许雷达信号*交织，以模拟典型电子战环境的时间特性[2]。信号参数包括PW（tpw）、PRI（tpri）、第一脉冲的到达时间（ttoa）、脉冲数（np）和存在的信号类别数（nc）。tpw、tpri、ttoa、np和nc的范围分别为10 − 100 µs、320 − 5120 µs、0 − 5120 µs、2 − 16和1 − 5，我们从这些范围中均匀采样以创建每个雷达信号类别。
我们总共生成了80，000个独特的雷达信号，并将数据集分为三个部分。训练集包含60000个信号，而验证集和测试集各包含10000个信号。加性白色高斯噪声（AWGN）被添加到每个信号以模拟变化的SNR设置。我们对均匀分布的SNR进行采样，以产生分辨率为0.5 dB的−20和20 dB范围内的信号。以5 ×N二进制分割掩码的形式提供样本方面的地面实况注释，其中N是IQ序列的长度。5个通道掩码中的每一个表示信号类别，其中二进制值1指示信号存在于对应的样本位置处。图1显示了数据集的一个示例。
图1.删除了AWGN通道的RadSeg摘录。类别索引1、2、3、4和5分别对应于信号类别CPT、巴克、多相巴克、弗兰克和LFM。这里，Barker和LFM脉冲是交错的。
论文相关算法插图
结论
本文提出了一种简单，但高效的多级分割模型预测细粒度的雷达脉冲活动显着下降的SNR环境。我们创建了一个开源数据集，包含80，000个具有复杂交织雷达信号特征的长IQ序列，并为每种雷达信号类型提供精确的多通道分割掩码。我们的研究结果表明，通过多阶段设计，MS-UNet 1D有效地保留了细粒度的功能，并逐步减少分割错误。因此，它在-20 dB SNR下实现了15.5%的测试性能（IoU）大幅提升，性能与MS-TCN++相当，同时需要的模型参数显著减少。在未来的工作中，数据集可能会扩展到包含更多的雷达类别和行为，以进一步研究所提出的模型的实际效用。
数据集链接
### Raw IQ Data
-[`RadSeg-IQ-Train`](https://radseg.s3.amazonaws.com/train/radseg_iq.hdf5) - approx. file size of 29.3 GB
-[`RadSeg-IQ-Validation`](https://radseg.s3.amazonaws.com/validation/radseg_iq.hdf5) - approx. file size of 4.9 GB
-[`RadSeg-IQ-Test`](https://radseg.s3.amazonaws.com/test/radseg_iq.hdf5) - approx. file size of 4.9 GB
### Segmentation Masks (Channel-wise Annotations)
-[`RadSeg-Masks-Train`](https://radseg.s3.amazonaws.com/train/radseg_labels.hdf5) - approx. file size of 87.9 GB
-[`RadSeg-Masks-Validation`](https://radseg.s3.amazonaws.com/validation/radseg_labels.hdf5) - approx. file size of 14.6 GB
-[`RadSeg-Masks-Test`](https://radseg.s3.amazonaws.com/test/radseg_labels.hdf5) - approx. file size of 14.6 GB
### SNR Labels
-[`RadSeg-SNR-Train`](https://radseg.s3.amazonaws.com/train/radseg_snrs.hdf5) - approx. file size of 470.8 KB
-[`RadSeg-SNR-Validation`](https://radseg.s3.amazonaws.com/validation/radseg_snrs.hdf5) - approx. file size of 80.1 KB
-[`RadSeg-SNR-Test`](https://radseg.s3.amazonaws.com/test/radseg_snrs.hdf5) - approx. file size of 80.1 KB