端到端深度学习框架：复合 ISRJ 分离与参数估计
题目
一种用于复合间歇采样转发干扰分离与参数测量的端到端深度学习框架
摘要
针对复合间歇采样转发干扰（ISRJ）对航空航天雷达构成的严峻挑战，本文提出一种新型端到端深度学习框架，用于实现信号分离与参数估计的同步进行。该框架的核心是自定义深度分离网络（CISRJ-SN），其采用独特的混合注意力架构，将用于局部特征提取的一维卷积与用于全局依赖建模的门控注意力单元协同融合，即便在低干扰噪声比（JNR）条件下也能实现高保真的干扰信号分离。仿真实验与真实硬件在环实验结果共同验证了该框架的卓越性能：在双分量和多分量场景下，准确率分别达到99.5%和94.4%，相较于次优方法有显著提升；此外，该框架还具备极高的估计精度，使关键参数的平均绝对误差（MAE）降低60%以上，证明其估计结果具有高稳定性和可靠性，为未来智能感知与对抗闭环系统提供了极具前景的解决方案。
引言
先进雷达系统是现代航空航天平台（包括机载、星载和弹载系统）的核心传感部件，在导航、制导和战场监视中发挥着关键作用[1-4]。作为这些系统的重要组成部分，先进天线技术是与电磁环境交互的关键接口，直接影响系统的作用距离、分辨率及抗干扰能力[5,6]。事实上，一类名为空间滤波的抗干扰技术在天线层面得以应用，通过自适应零陷和旁瓣对消等方法抑制特定方向的干扰信号[7,8]。然而，这类空域方法在对抗可模拟真实目标回波且可能通过主天线波瓣进入的复杂干扰时，存在固有的局限性。值得注意的是，复合间歇采样转发干扰（ISRJ）是这类威胁中极具威力的一种，其利用数字射频存储（DRFM）技术[9]，兼具压制性和欺骗性双重战术效果，且具备动态参数重构能力，已成为主导性的强大干扰模式[10]。
现有应对ISRJ威胁的策略主要分为两大类[11,12]：第一类是主动规避策略，其核心原则是通过设计新型雷达波形来“规避”或“破坏”干扰生成过程。例如，文献[13]提出的脉内捷变频波形通过改变信号频率特性，阻碍干扰机的有效跟踪与对抗；文献[14,15]则通过发射波形与接收滤波器的联合优化实现干扰抑制。这类方法的主要优势在于能从源头减轻干扰，但根本局限性在于其效能严重依赖于对干扰意图和模式的先验知识。因此，在干扰模式未知或不可预测的复杂动态电磁环境中，这些策略的鲁棒性和适应性受到极大限制。
这促使第二类策略受到广泛研究关注，即基于干扰参数精确估计的被动抑制技术。复合干扰信号的类型、数量及关键参数的精确估计，是后续干扰抵消、滤波器优化或设计针对性对抗措施所需的核心先验信息[16-19]。该领域的研究大致可划分为两个主要发展阶段：
初始阶段以传统信号处理方法为特征。在此阶段，研究人员试图利用脉冲压缩域的人工特征或采用时频分析（TFA）工具对ISRJ信号进行解交织和参数估计[20,21]。这类方法的主要优势是物理可解释性强且计算复杂度相对较低，但关键缺陷是对干扰噪声比（JNR）极为敏感——在低JNR场景下，重要信号特征会被噪声淹没，导致性能急剧下降。更关键的是，在多源复合干扰场景中，各分量信号往往在时域和频域相互重叠，存在严重的参数耦合，使得传统方法难以实现有效解耦和精确估计。
随后，为克服传统方法在低JNR和特征耦合条件下的固有局限性，研究界将焦点转向基于深度学习（DL）的解决方案[22]。早期基于DL的方法通过整合手工设计的领域特定特征来提升性能。例如，文献[23]利用双分量ISRJ信号的时域周期性进行参数估计；文献[24]则将目标检测概念引入该领域，采用AE-YOLOv8模型为单个干扰分量绘制边界框。这类研究的主要贡献在于验证了DL在自动特征提取方面的潜力，但局限性也源于对特定预定义特征的依赖：随着干扰分量数量增加，文献[23]所利用的周期性会变得模糊；而文献[24]的边界框机制在低JNR环境中鲁棒性严重不足。本质上，这些方法未能摆脱手工特征工程的局限，导致泛化能力有限。
综上所述，为实现真正的智能处理，本文提出一种基于信号分离网络的参数估计方法。该方法以数据驱动的方式学习信号的内在表征，无需手工设计特定特征。针对复合ISRJ信号的特性，本文构建了一种端到端的干扰分离与参数估计框架，提出新型分离网络CISRJ-SN。该网络采用先进的编码器-解码器架构，核心是一种新型混合注意力块，将专为高效长序列建模设计的门控注意力单元（GAU）[25]与一维卷积网络深度融合。这种融合协同增强了模型的局部特征表征和全局依赖建模能力。本文提出的整体框架整合了干扰分离、脉冲检测和聚类优化，实现了从原始混合信号输入到最终参数输出的直接映射，为提升未来高密度、强对抗电磁环境中航空航天平台的态势感知和自卫能力提供了关键技术支撑。
本文的创新点和贡献如下：
提出复合ISRJ分离网络（CISRJ-SN），这是一种基于门控单头Transformer（GSHT）架构的新型干扰分离模型。通过采用卷积增强自注意力机制，该模型首次在统一的注意力门控框架中同时学习局部特征模式和全局长程依赖，这一突破不仅大幅提升了干扰分离性能，也为解决类似问题提供了新的视角和方法。
为克服分离信号时域碎片化带来的参数估计挑战，提出一种基于脉冲检测和聚类优化的鲁棒算法。该方法整合了自适应动态阈值、多阶段脉冲分割和先进聚类算法，能够针对解交织后的ISRJ信号特性实现精确参数估计。
所提方法不仅在线性调频（LFM）雷达信号场景中表现出高效能，在处理跳频（FH）信号时也展现出卓越性能，这种固有的适应性和灵活性使其特别适用于采用多样化雷达波形的系统。
与现有先进技术相比，所提方法具有更高的准确性，尤其是在低JNR条件下；此外，即使在有限数据集上训练，该方法也能在资源受限场景中显著提升估计精度，为数据稀缺的应用场景提供了有力支持。
方法简介
本文提出的复合ISRJ参数估计框架采用级联式“先分离后估计”的设计思路，整体工作流程如图3所示，主要包含两个核心模块，具体流程从输入复合ISRJ信号（由多个干扰分量和噪声复杂混合而成）开始：
3.1 干扰分离阶段（CISRJ-SN）
原始信号首先进入CISRJ-SN网络。该核心模块采用独特的混合注意力机制，能够从高度复杂且交织的输入信号中精确分离出各个ISRJ分量。此阶段的输出是一组分离后的ISRJ分量信号，每个信号理想情况下对应一个独立干扰机，但可能仍存在碎片化和残留噪声。
CISRJ-SN网络的设计基于对复合ISRJ信号特性的深入分析——这类信号兼具“细粒度局部结构”和“全局长程依赖”的双重特性：时域上由大量不连续的干扰“切片”组成，每个切片内部包含高频、细节丰富的脉冲波形特征（典型的局部信息）；同时，同一源的多个干扰切片（尤其是RFJ模式下）尽管可能被较大时间间隔分隔，但内容高度相关甚至完全相同，且不同源的切片随机交织，形成复杂的全局上下文关系。
为应对这种双重特性带来的建模挑战，CISRJ-SN网络摒弃了传统语音分离模型Conv-TasNet[28]中的时域卷积网络（TCN），创新设计了基于分层混合注意力的掩码网络，其核心“注意力块”深度融合了一维卷积（1-D Conv）的强大局部特征提取能力与GAU[25]的全局上下文感知能力。GAU的自注意力机制通过在远距离但相关的信号段之间建立直接连接，特别擅长建模ISRJ信号特有的稀疏长程依赖（如RFJ中的重复脉冲），这种协同建模“局部感知”和“全局依赖”的混合架构，有效解决了传统卷积网络感受野有限导致的长时时间相关性衰减问题。
CISRJ-SN网络的具体结构包括：
编码器：由一维卷积块和ReLU激活函数组成，将输入序列映射到高维特征空间，为后续处理提供丰富表征；
掩码网络：核心处理模块，包含输入预处理（层归一化和位置编码）、多堆叠注意力块（迭代细化特征，通过残差连接增强训练稳定性）和掩码生成（通过ReLU激活、逐点卷积和Sigmoid归一化生成[0,1]范围内的掩码向量）；
解码器：采用转置卷积层，与编码器呈对称设计，将掩码加权后的特征序列无损恢复到原始时域分辨率，输出估计的源信号。
3.2 参数估计阶段
每个分离后的ISRJ信号将独立输入专用参数估计模块，通过一系列算法精确量化各干扰分量的关键参数，具体流程包括：
自适应阈值与二值化：将碎片化信号转换为表示“转发/采样”状态的稳定二进制序列。阈值动态设置为信号自身最大峰值幅度的固定比例（本文中比例系数α设为0.2），信号幅度超过阈值时标记为“转发”（值为1），否则标记为“采样”（值为0）；
参数解耦与聚类优化：从二进制序列中提取切片宽度和转发宽度的原始测量值，采用基于密度的聚类算法剔除异常值，识别主导参数值。聚类中定义相似度度量：若两个数据点的绝对差不超过预定义阈值ε（本文中设为0.25μs），则视为相似；
最终参数输出：计算并输出各分量的精确估计值，包括切片宽度（T^l\hat{T}_{l}T^l）、转发宽度（T^f\hat{T}_{f}T^f）和转发次数（N^F\hat{N}_{F}N^F）。其中，切片宽度取聚类中邻域数据点数量最多的值，转发宽度为聚类去噪后的数据平均值，转发次数由转发宽度与切片宽度的比值取整得到。
结论
复合间歇采样转发干扰对航空航天雷达平台构成严重威胁。为缓解这一挑战，本文提出一种基于新型混合注意力架构的端到端参数估计框架。仿真实验与硬件在环实验均证实，该框架在复杂条件下表现出卓越性能：在复杂多分量场景中，整体测量准确率达到94.4%，相较于现有先进的CSNet-ISRJ方法相对提升10.3%；除准确率外，该框架还具备极高的精度，使采样间隔估计的平均绝对误差（MAE）降低60%以上，稳定性和可靠性显著提升。此外，其鲁棒性在低JNR环境中得到验证——即使JNR降至-5dB，关键参数的测量准确率仍保持在90%以上；同时，该框架还具有出色的数据效率和对捷变频信号等多样化波形的适应性，进一步凸显其在提升航空航天平台电磁自卫能力方面的潜力。
尽管取得了这些令人鼓舞的结果，本文仍存在一定局限性：训练数据集虽具多样性，但未涵盖所有可能的ISRJ变体；此外，追求高性能导致模型复杂度适度增加。未来工作将重点拓展数据集，纳入更复杂的干扰策略，并应用模型压缩和数据增强技术，以提升实时性能和泛化能力。
