Multi-stage Learning for Radar Pulse Activity Segmentation

📄 arXiv: 2312.09489v1 📥 PDF

作者: Zi Huang, Akila Pemasiri, Simon Denman, Clinton Fookes, Terrence Martin

分类: cs.LG, eess.SP

发布日期: 2023-12-15

备注: 5 pages, 8 figures

💡 一句话要点

提出多阶段学习方法，用于雷达脉冲活动分割与定位，提升电子战系统效能。

🎯 匹配领域: 支柱八：物理动画 (Physics-based Animation)

关键词: 雷达信号处理 脉冲活动分割 多阶段学习 深度学习 电子战 信号识别 时间序列分析

📋 核心要点

  1. 现有雷达脉冲识别方法难以处理长时、交错的复杂信号，限制了在实际电子战场景中的应用。
  2. 论文提出一种端到端的多阶段学习框架，通过增量预测细粒度分割掩码，实现精确的脉冲活动定位。
  3. 实验结果表明，该方法在新的雷达数据集上优于多个参考模型，并为该领域提供了一个新的基准。

📝 摘要（中文）

无线电信号识别是电子战中的一项关键功能。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。尽管这些任务至关重要，但基于深度学习的雷达脉冲活动识别方法仍未得到充分探索。虽然之前已经研究过用于雷达调制识别的深度学习，但分类任务通常仅限于短时和非交错的IQ信号，限制了其在军事应用中的适用性。为了弥补这一差距，我们提出了一种端到端的多阶段学习方法，用于检测和定位扩展时间范围内交错雷达信号的脉冲活动。我们提出了一个简单而高效的多阶段架构，用于增量预测细粒度的分割掩码，从而定位跨多个信道的雷达脉冲活动。我们在一个新的雷达数据集上，针对多个参考模型验证了我们方法的性能，同时也为雷达脉冲活动分割提供了一个首创的基准。

🔬 方法详解

问题定义：现有雷达脉冲活动识别方法主要集中在短时、非交错的IQ信号上，无法有效处理实际电子战场景中常见的长时、交错的复杂雷达信号。这导致无法精确识别和定位雷达脉冲活动，进而影响电子战系统的效能。现有方法的痛点在于对复杂信号的鲁棒性不足，以及缺乏针对长时信号的有效建模能力。

核心思路：论文的核心思路是采用多阶段学习的方式，将复杂的雷达脉冲活动分割任务分解为多个逐步细化的子任务。通过逐步预测细粒度的分割掩码，可以有效地捕捉长时信号中的时序依赖关系，并提高对交错信号的识别精度。这种分解策略降低了学习难度，使得模型更容易收敛，并能够更好地泛化到不同的雷达信号类型。

技术框架：整体架构是一个端到端的多阶段学习框架，包含多个串联的分割模块。每个模块接收前一个模块的输出作为输入，并预测更精细的分割掩码。具体流程如下：首先，输入原始的雷达IQ信号；然后，第一个分割模块预测初始的分割掩码；接着，后续的模块逐步细化分割掩码，直到达到预定的精度；最后，输出最终的分割结果，即雷达脉冲活动的精确位置。

关键创新：最重要的技术创新点在于多阶段学习架构的设计。与传统的单阶段分割方法相比，多阶段学习能够更好地捕捉长时信号中的时序依赖关系，并提高对交错信号的识别精度。此外，该方法采用端到端的训练方式，避免了手工设计特征的繁琐过程，并能够充分利用深度学习的优势。与现有方法的本质区别在于，它能够处理更复杂、更真实的雷达信号，从而更适用于实际的电子战场景。

关键设计：每个分割模块可以采用不同的网络结构，例如U-Net或ResNet等。损失函数可以采用Dice Loss或Focal Loss等，以提高对小目标的识别精度。关键参数包括模块的数量、每个模块的网络结构、损失函数的选择以及学习率等。此外，还可以采用数据增强技术，例如时域拉伸、频率偏移等，以提高模型的泛化能力。

📊 实验亮点

该论文在一个新的雷达数据集上验证了所提出方法的性能，并与多个参考模型进行了比较。实验结果表明，该方法在雷达脉冲活动分割任务上取得了显著的性能提升。具体而言，该方法在分割精度和召回率等指标上均优于现有方法，并为该领域提供了一个新的基准。

🎯 应用场景

该研究成果可应用于电子战系统、雷达信号情报分析、频谱管理等领域。通过精确识别和定位雷达脉冲活动，可以为电子战系统提供更有效的对抗措施，提高雷达信号情报分析的效率，并优化频谱资源的分配和利用。未来，该技术有望应用于更复杂的电磁环境，并与其他人工智能技术相结合，实现更智能化的电磁频谱管理。

📄 摘要（原文）

Radio signal recognition is a crucial function in electronic warfare. Precise identification and localisation of radar pulse activities are required by electronic warfare systems to produce effective countermeasures. Despite the importance of these tasks, deep learning-based radar pulse activity recognition methods have remained largely underexplored. While deep learning for radar modulation recognition has been explored previously, classification tasks are generally limited to short and non-interleaved IQ signals, limiting their applicability to military applications. To address this gap, we introduce an end-to-end multi-stage learning approach to detect and localise pulse activities of interleaved radar signals across an extended time horizon. We propose a simple, yet highly effective multi-stage architecture for incrementally predicting fine-grained segmentation masks that localise radar pulse activities across multiple channels. We demonstrate the performance of our approach against several reference models on a novel radar dataset, while also providing a first-of-its-kind benchmark for radar pulse activity segmentation.