电磁目标表征： 知识-数据联合驱动新范式

杨淑媛 杨晨 冯志玺 潘求凯

摘 要：电磁目标表征是电磁空间态势感知中的一项共性基础性问题。 早期目标表征基于专家经验知识， 需要设计者具有较强的专业背景与先验知识， 其在复杂信号环境下的性能不佳。 近年来发展起来的深度学习为复杂电磁环境下的目标信号表征提供了新的途径， 它通过模拟人脑的深层结构建立机器学习模型， 以端到端的方式自动表征和处理目标数据， 在电磁目标检测、 分类、 识别、 参数估计、 行为认知等感知任务中显示出良好的性能。 然而， 深度学习严重依赖海量高质量标注数据， 在现实电磁环境中存在一定局限。 将知识融入智能系统一直是人工智能的研究方向， 结合知识与数据进行电磁目标表征， 将有望提升目标感知精度与泛化能力， 正在成为电磁目标表征中新的方向。 本文回顾了电磁目标表征技术的发展过程， 对新的知识-数据联合驱动的电磁目标感知范式进行了展望。

关键词：  目标表征； 专家知识； 深度学习； 知识-数据联合驱动； 知识图谱

中图分类号：TJ760

文献标识码： A

文章编号：  1673-5048（2024）02-0017-15

DOI： 10.12132/ISSN.1673-5048.2024.0065

0 引  言

电磁目标感知是电磁空间态势感知的一项重要内容［1］， 旨在通过采集装备在飞机、 导弹、 舰船以及防空系统中侦察设备所接收的信号， 形式化电磁目标信息， 获得通信电台、 雷达辐射源等各类电磁目标的特征参数和工作参数等， 并实现对其属性、 类型、 模式、 威胁、 用途等决策信息的提取， 进而能够对空间态势、 威胁等级、 活动规律和战术意图等进行推理。

目标表征是电磁目标感知中的基础性问题。 它旨在从目标信号数据中找到与任务密切相关的特征来代替原始电磁数据， 不仅可以降低数据维度并减少计算量， 而且可以提取任务的相关特征， 对电磁目标的检测、 分类、 识别、 参数估计等效果， 以及后续的关联预测等性能均有着直接的影响［2］。 在几十年的发展过程中， 电磁目标表征经历了从传统专家知识下的电磁目标经验表征方法到基于人工智能技术的电磁目标表征方法的发展过程。

当前人工智能（AI）技术正加速向电磁领域渗透应用， 以深度学习为代表的智能目标表征备受关注。 2019年10月， 美国国防高级研究计划局（DARPA）的“频谱协同挑战赛”初步验证了深度学习在电磁目标感知中的巨大潜力［3］。 2021年8月， 美国陆军发布的《未来司令部作战概念2028： 赛博空间与电磁作战》中指出： 当前和未来对手利用先进技术观察与感知电磁特征的能力正在不断提升。 美国国防部2024财年计划中继续加大了对电子战项目的投资预算， 支持美国空军推进与电磁频谱作战相关的新的“认知电磁战”项目， 在人工智能的帮助下做出实时决策， 并实施有效的电磁攻击。

人工智能技术正在不断提升电磁目标表征与感知的智能化程度， 然而， 深度学习严重依赖于海量高质量的标注数据， 在现实电磁环境中存在局限。 将知识融入智能系统一直是人工智能的研究方向， 结合知识与数据进行电磁目标表征， 将有望提升目标感知精度与泛化能力， 正成为电磁目标表征的新方向。 本文回顾了电磁目标表征的发展， 综述了智能化的电磁目标表征技术， 在分析其局限性的基础上， 探索新的知识-数据联合驱动的表征新范式。

1 专家知识下的电磁目标经验表征

早期电磁目标表征采用基于专家经验知识的方法， 即以单一信号类型作为分析对象， 借助先验知识， 采用空域、 时域、 频域的细微特征提取方法［4-38］实现电磁目标的表征。 例如， 常用传统的脉冲描述字（Pulse Description Word， PDW）的5个参数对雷达脉冲信号进行描述， 即脉冲幅度、 脉冲频率、 脉沖宽度、 脉冲到达时间和脉冲到达角。 连续波通信信号的特征提取则采用谱分析、 小波变换等方法。 这些特征大致可以分为时域特征、 频域特征、 时频域特征、 混合特征和其他特征。 航空兵器 2024年第31卷第2期

杨淑媛， 等： 电磁目标表征： 知识-数据联合驱动新范式

时域特征。 电磁目标的时序信号中包含了信号随时间变化的信息， 因此， 电磁目标的时序信号及其各类统计参数能够提供关于电磁目标物理属性和动态行为的详细信息。 电磁信号的时域特征包括时序I/Q信号、 包络、 均值、 方差、 瞬时幅度、 瞬时频率、 瞬时相位、 偏度、 峰度等。 例如， 在通信信号领域， Lin等人［4］设计了一种基于时序信号幅度的调制识别方法。 该方法使用累积分布函数来统计信号幅度分布曲线， 并通过特征匹配的方法识别调制类型。 Reising等人［5］通过使用多重判别分析与最大似然估计（MDA/ML）对GSM-GMSK信号的近瞬态和中继区域的射频指纹进行分类， 以增强安全性。 结果表明， 使用GSM-GMSK近瞬时相位特征的分类效果显著提升。 Xu等人［6］提出了一种基于正交分量重构的新方法， 用于估计非稳定和非线性信号的瞬时参数。 实验结果表明， 所提取的瞬时参数在信号严重失真或信噪比极低的情况下， 能够有效完成通信辐射源的识别任务。 Deng等人［7］提取通信信号的峰度和偏度作为射频指纹， 并通过特征库匹配来识别通信辐射源个体。 实验证明了所提取特征的有效性。 此外， Ur Rehman等人［8］采用信号包络曲线的持续时间、 积分面积、 最大斜率、 峰度和方差作为射频指纹对蓝牙设备进行识别。 实验结果表明， 在低采样率下， 基于信号包络的射频指纹能够准确地对蓝牙设备进行分类。 在雷达信号领域中， 张国柱等人［9］提出了一种新的雷达辐射源信号个体识别方法。 该方法利用小波变换技术提取辐射源的细微特征， 克服了传统包络分析方法的缺点， 提高了信号包络信息的提取精度， 并通过实验验证了其有效性。 章建辉等人［10］提取雷达辐射源的瞬时频率特征从而识别不同体制的雷达信号。  王宏伟等人［11］使用雷达脉冲包络前沿波形作为辐射源的“指纹”， 并将其与“标准”前沿波形曲线进行比较， 实现了较高精度的辐射源个体识别。 Wang等人［12］计算电磁信号的均值、 标准偏差、 偏度和峰度等4个统计特征来增强指纹特征， 并使用逻辑回归和支持向量机实现了雷达辐射源的个体识别。

通过对时域信号进行分析， 可以得到信号的持续时间、 幅度、 频率及其变化趋势等重要信息。 此外， 时域特征为实时信号处理系统提供了快速的计算方式， 因为它们不需要进行复杂的变换。 然而， 时域特征也有其明显的缺点。 首先， 对于非平稳信号， 时域特征可能无法提供足够的信息， 因为这些特征通常假设信号在整个观察窗口内是平稳的。 其次， 时域特征对噪声比较敏感， 尤其是对于低信噪比的情况。 最后， 时域特征可能无法捕捉到信号的所有重要特性， 尤其是在频域或其他域可能存在的特性。

频域特征。 频域特征反映了电磁目标的频率响应特性， 对于分析和识别电磁目标具有重要意义。 频域特征包括频谱、 功率谱、 循环谱、 相位谱、 高阶累积量等。 在通信信号领域， Kennedy等人［13］提出了一种基于频域特征的通信辐射源识别方法， 通过提取接收信号的频谱对通信辐射源个体进行分类。 Williams等人［14］为增强之前的时域方法， 提出一种频域射频指纹识别方法。 该方法将信号功率谱作为指纹特征， 实现了通信辐射源的个体识别。 蔡忠伟等人［15］在研究了现有通信辐射源识别方法后， 选择双谱作为基本特征向量， 显著提高了低信噪比条件下的识别结果。 王涵［16］认为相位谱特征能够更好地体现通信信号的调制特性， 设计了基于相位谱的调制识别方法。 在雷达信号领域， Ru等人［17］研究了信号的频域分布密度特征。 实验结果表明， 频域分布密度比传统的频谱特性展现出更好的识别性能。 Li等人［18］使用最小二乘法来估计雷达辐射源的循环谱特征， 并利用循环谱的零频率切片进行雷达辐射源个体识别。 与通信辐射源识别类似， 肖乐群等人［19］认为双谱特征能够更好地表现出电磁信号的特性， 提出了一种新的对角积分双谱方法。 该方法通过沿平行于双谱次对角线的直线序列积分减少了数据量， 同时保留更多的相位和幅度信息， 应用于低截获概率雷达信号的特征提取任务， 结果显示其识别性能优于其他积分双谱方法。 此外， Suski等人［20］提取功率谱密度作为射频指纹并使用谱相关性进行分类。

频域特征的优点在于其对信号频率成分和谐波结构的高度敏感性， 这使得它能有效描述和区分不同的电磁目标。 此外， 频域特征具有良好的抗噪能力， 能够在一定程度上保证特征提取的准确性和稳定性。 然而， 频域特征也存在一些缺点。 首先， 频域特征的提取通常需要大量的计算资源， 这在一些实时性要求较高的应用场景中可能存在问题。 其次， 频域特征对于非平稳信号的处理能力较弱， 这可能会影响到特征提取的有效性。 最后， 频域特征无法提供信号的时间信息， 这在一些需要考虑信号时间演变规律的应用场景中是一个重要的限制。

时频域特征。 时频域特征通常利用小波变换、 短时傅里叶变换（Short-Time Fourier Transform， STFT）、 魏格纳-威利分布（Wigner-Ville Distribution， WVD）、 希尔伯特-黄变换（Hilbert-Huang Transform， HHT）等分析方法从时间和频率两个角度对信号进行表征。 由于时频域特征能同时反映出信号在时域与频域上的特性， 因此被广泛应用于电磁目标表征中。 王小颖［21］提取了HHT及矩形积分双谱专家特征， 分别针对两种特征设计了ECANet及一维残差神经网络， 最终通过融合两种特征实现了辐射源个体识别。 惠周勃等人［22］利用HHT计算时频能量谱和边缘谱， 再计算正则化维数联合能量熵实现辐射源个体识别。 王欢欢等人［23］基于HHT提出一种改进算法IHHT， 实现了对瞬时专家特征的精确估计， 提高了对信号时频特征描述下的辐射源识别精确度。 任东方等人［24］针对HHT可分性差的问题提出了结合固有时间尺度分解和纹理分析的舰船辐射源信号识别方法， 其直接利用了HHT專家特征的方法。 柳征等人［25］基于小波变换采用局部判别基（LDB）专家特征， 实现了辐射源信号无意调制差异信息的挖掘。 陈韬伟等人［26］将小波变换后低频系数能量分布熵与经尺度相关去噪计算的高频系数能量分布熵进行结合， 在10部雷达辐射源信号上取得了很好的抗噪性能。 贾依菲［27］重点提取了脉冲雷达信号的STFT、 WVD和小波变换的时频专家特征， STFT特征达到了最佳识别精度。 周琳等人［28］针对通信信号调制识别， 提取了STFT、 WVD和小波变换3类专家特征， 其中WVD和小波变换实现了最佳抗噪性能。

在电磁目标表征的研究中， 时频域特征的使用具有明显的优点。 首先， 它能够捕获到复杂信号在时域和频域上的特性， 可以更全面、 更精细地描述电磁目标的特性。 其次， 通过对时频域特征的分析， 可以发现许多在单一时域或单一频域中无法观察到的特性和规律， 从而提升电磁目标的识别精度。 然而， 时频域特征也存在一些明显的缺点。 首先， 时频域分析相比于单一时域或单一频域分析， 计算复杂度更高， 需要更多的计算资源。 其次， 对于非稳态信号， 时频域分析的结果会受到时间窗函数选择的影响， 从而影响到最终的特征提取结果。 最后， 时频域分析需要专业的知识和经验， 对于非专家来说， 理解和应用时频域特征会有一定的困难。

虽然上述专家特征能够一定程度地反映出电磁目标的特性， 但仅使用单一的特征只能提供有限的信息， 无法全面地描述电磁目标， 从而降低了目标识别的准确性。 其次， 如果电磁目标的某些特性不在该特征的描述范围内， 那么单一的特征就无法有效地识别目标。 因此， 使用混合特征能够更好地描述电磁目标的特性。 江扬帆［29］提取了小波特征、 高阶谱特征、 分形特征等多种专家联合特征， 构建了卫星通信辐射源指纹库。 李润东［30］提取了通信信号参数统计、 高阶统计量和循环平稳3类专家特征， 在特定信号场景取得了不错的效果。 Zheng等人［31］提取了瞬时特征、 统计特征及频谱特征， 这几种不同域的特征形成联合向量， 与I/Q信号深度特征进行融合分类， 构建了知识和数据联合驱动框架， 在36类调制信号上依然取得优越的效果。 Liu等人［32］提取了HHT下的瞬时特征联合信号统计特征， 形成混合专家特征， 所设计的对比学习方法融合了I/Q原始信号和关键专家特征， 在开源调制数据集上实现了显著的性能提升。

其他特征。 除上述特征外， 研究人员还发现一些特征能够帮助更好地理解和识别电磁目标。 刘凯等人［33］基于雷达字特征构建了区间灰关联的专家知识， 结合二级匹配的知识推理方法实现对未知雷达辐射源的智能识别。 李昕［34］基于通信辐射源提取观测信号的双谱直方图专家特征， 通过在决策图上选择聚类中心， 并给非中心点手动分配标签， 实现对无监督辐射源的个体识别。 朱家威等人［35］提取了相位噪声导致的公共相位误差（Common Phase Error， CPE）专家特征， 并结合星座点错误矢量平均功率构建融合特征进行MIMO OFDM信号的辐射源个体识别。 黄渊凌等人［36］构建了相位噪声特性的自回归滑动平均（ARMA）模型， 并通过ARMA参数估计提取出辐射源指纹专家特征， 实现对辐射源的个体识别。 龚再兰［37］设计修正的Rife算法（M-Rife算法）， 提取雷达辐射源信号相位噪声专家特征， 其性能优于传统的Rife算法。

上述这类利用专家先验知识进行人工特征提取的过程在机器学习领域又称为“特征工程”， 即利用专业背景知识和技巧处理数据， 使特征能在机器学习算法上发挥更好的作用［38］。 为方便参考， 表1总结了一些专家特征提取方法。

早期电磁目标数量少、 体制单一、 功能简单、 频域覆盖范围小， 信号波形简单且参数相对稳定， 这种传统专家设计特征的方法简单有效。 然而， 在现代战场环境下这种“特征工程”方法面临诸多困难： ①它要求设计者具有较强的专业背景与先验知识； ②它仅适用于稀疏的信号环境； ③它的强针对性， 会使数据库更新升级缓慢。 因此， 选取单一的专家特征无法在复杂电磁环境中有效表征电磁目标的完整特性， 具有较大的局限性。

2 数据驱动的电磁目标深度表征

近年来发展起来的深度学习技术为复杂电磁环境下的目标表征提供了有效的技术途径。 作为一种不需要广泛领域知识的通用技术， 深度模型具有整合海量、 多源、 动态大数据的能力， 并且可以从无标记数据中进行鲁棒与快速的特征学习， 这与电磁目标智能感知的发展趋势和要求不谋而合。 其方法流程如图1所示。 常用的深度神经网络包括卷积神经网络［39-51］、 循环神经网络［52-58］、 生成对抗网络［59-73］、 自编码器网络［74-87］、 图卷积神经网络［88-97］、 Transformer［98-110］等。 这类方法适用于大量训练样本的场景， 特征提取能力强， 但依赖于数据集。

2.1 卷积神经网络

卷积神经网络（Convolutional Neural Network， CNN）是最常用的深度神经网络之一， 一般由卷积层、 池化层、 全连接层等组成。 CNN提取的特征具有平移不变性、 缩放不变性和旋转不变性等特征。 因此， CNN是电磁目标表征领域中应用最早、 最多的网络结构。 电磁信号经过变换后得到的时频图、 星座图和高阶谱图等也可被视作图像， 因此可以直接设计适合电磁信号的CNN， 完成电磁目标表征。 在通信信号领域， Wang等人［39］设计了基于星座图的CNN模型， 用于识别通信信号的调制方式。 实验结果表明， 该模型（称为DrCNN）在低信噪比条件下， 能够有效提高对难以区分的调制类别（如QAM16和QAM64）的识别能力。 Zhang等人［40］将接收信号转化为时频图， 再利用ResNet152作为特征提取器， 将提取的深度时频特征与手工特征进行融合， 成功地提高了在低信噪比條件下的调制方式识别的准确率。 Ding等人［41］将通信信号转化为双谱图， 并针对辐射源个体识别任务设计了改进的CNN（称为SEICNN）进行训练， 从而提升了辐射源识别的性能。 Pan等人［42］利用HHT将接收信号转化为时频图， 并设计了一个深度残差网络（HilSpec-ResNet）用于自动提取指纹特征。 实验结果表明， 使用深度学习从时频图中提取的指纹比专家的指纹更有效并具有更强的鲁棒性。 韩刚涛等人［43］构建了一种轻量型的YOLOv4模型， 应用于宽带信号检测， 不仅提升了检测的精度， 同时也满足了实时检测的需求。 在雷达信号领域， Kong等人［44］利用STFT分别将雷达辐射源信号的I通道和Q通道转为时频图， 并设计了两个CNN。 结果表明， 经过STFT后， 网络（称为M3dNet）学习到了更多有判别的特征表示， 具有更好的泛化能力。 杨海宇等人［45］将雷达辐射源信号转化为双谱图， 并设计了一种基于注意力机制的CNN（称为AM-CNN）， AM-CNN有效提升了雷达辐射源识别的性能。 Wang等人［46］提出了一种多头CNN（称为MCNN）。 实验结果表明， MCNN能够准确检测出脉冲多普勒雷达的R-D图像中的雷达目标， 且检测性能高于传统CFAR雷达目标检测方法。

虽然上述二维卷积神经网络（2D CNN）在电磁信号领域的多种任务上已经取得了显著的成功， 但仍然存在一些明显的不足。 例如， 2D CNN庞大的参数量和复杂的结构可能会阻碍实时处理的实现， 2D CNN难以有效捕捉电磁信号的时间依赖性， 2D CNN并不能直接应用于时间序列电磁信号的处理， 经过变换后的电磁信号会出现不同程度的信息流失。 因此， 许多研究人员将一维卷积神经网络（1D CNN）应用于电磁信号领域。 例如， 在通信信号领域， OShea等人［47］首次将1D CNN应用于通信信号调制识别， 设计的ConvNet能够直接处理I/Q数据， 实验结果也验证了其有效性。 宋雨萱［48］设计了一种基于卷积神经网络的深度自进化聚类（DSEC-CNN1D）模型。 该模型能够在无标记的条件下完成通信辐射源个体精准分选。 由于电磁信号的自然表示形式为复数， 因此Gopalakrishnan等人［49］针对ADS-B信号设计了一种复数1D CNN模型（CCNN）。 实验结果表明， CCNN要明显优于实数CNN。 在雷达信号领域， 金涛等人［50］提出了一种一维时间卷积网络（1D-TCN）， 能够有效平衡模型识别速度和精度。 陈涛等人［51］巧妙地将雷达信号分选的问题转化为分割问题， 利用深度分割模型U-Net对雷达描述字进行信号分选。 实验结果表明， U-Net能够显著提升变参数雷达信号分选的准确性。

上述方法在电磁目标的深度表征中发挥了显著的作用， 特别是在处理具有空间关联性的数据时， CNN的表现特别出色。 其最大的优点在于其卷积操作可以有效地捕捉和利用输入数据的局部特征， 而不需要预先定义特征提取器。 CNN能够自动学习和提取有意义的特征， 从而在电磁目标的深度表征中取得优异的性能， 解决了传统电磁表征方法高度依赖专家经验的问题。 此外， CNN还具有平移不变性， 这意味着无论目标在图像中的位置如何变化， CNN都可以准确地识别目标。 这是在处理电磁目标识别问题时非常重要的特性。 尽管CNN具有许多优点， 但也存在一些不可忽视的缺点。 首先， CNN需要大量的标注数据来进行训练， 而获取和标注这些数据可能需要大量的时间和资源， 这在实际应用中是一个挑战。 其次， CNN的训练过程需要大量的计算资源， 可能会限制其在资源有限环境中的应用。 此外， 如何理解CNN预测结果仍然是一个挑战。 CNN在电磁目标深度表征方法中具有显著的优势， 但也存在一些挑战和限制。 这就需要在实际应用中权衡其优缺点， 以实现最佳的性能。

2.2 循环神经网络

相比于CNN， 循环神经网络（Recurrent Neural Network， RNN）在计算当前输出时会保存前面的信息， 可以实现信息在时间上的联系， 因此， RNN可以更好地刻画出电磁信号的时序连续特征。 RNN通常以一维时序信号作为输入， 代表的网络结构包括长短时记忆网络（Long-Short Term Memory， LSTM）和门控循环单元（Gated Recurrent Unit， GRU）。 在通信信号领域， Das等人［52］设计了一种可以直接处理I/Q信号的LSTM模型， 在包含30个无线物联网设备数据集上的实验结果证明了其有效性。 查雄等人［53］设计了一种基于LSTM的调制识别算法， 克服了传统方法依赖先验信息的问题。 在雷达信号领域， 刘括然［54］将LSTM应用于雷达辐射源识别任务中， 结果表明LSTM能够较好地识别雷达辐射源。 胡涛［55］设计了一种基于GRU的雷达信号分选模型， 能够直接处理I/Q雷达信号， 并且在开放集识别环境中展现出了优异的性能。 王纯鑫［56］针对雷达目标跟踪任务， 设计了一种双向长短时记忆网络（Bi-LSTM）， 能够提取到目标更加丰富的时序特征。

RNN是一种强大的深度学习模型， 它在处理电磁目标深度表征问题时， 能够有效捕捉到电磁信号的时序特性。 RNN的优点在于其独特的循环结构， 使其能够保存历史信息， 对于包含时间序列的电磁目标深度表征问题具有显著的优势。 此外， RNN能够处理长度可变的输入序列， 这使得它在处理不同长度的电磁信号时具有很大的灵活性。 然而， RNN也存在一些缺点。 首先， RNN在处理长序列数据时， 可能会遇到梯度消失或梯度爆炸的问题， 使得网络难以学习和记忆过去的信息。 其次， RNN的训练过程往往需要大量的计算资源， 这对于大规模的电磁目标深度表征问题可能是一个挑战。 最后， RNN的黑箱特性使得其内部工作机制难以理解， 这在一定程度上限制了它在实际应用中的可解释性。 此外， 在实际应用中， RNN通常会与CNN结合使用。 例如， 刘涛涛等人［57］设计了一种1D CNN和双向门控循环单元（Bi-GRU）相结合的模型， 在雷达辐射源识别任务中的实验结果表明， 该方法能够有效提高低信噪比条件下的识别准确率。 石礼盟等人［58］提出了一种融合了CNN和LSTM的网络模型。 该模型将CNN用于处理雷达信号的时频图， LSTM用于处理雷达时序信号。 通过这种特征融合的策略， 成功实现了雷达信号调制的识别。 实验结果显示， 与单一模型相比， 这种融合策略显著提高了识别的准确性。 RNN在电磁目标深度表征问题中展示了强大的性能， 但也存在一些问题。 未来研究集中在改进RNN的结构和训练方法， 以解决其存在的问题， 并进一步提高其在电磁目标深度表征问题中的性能。

2.3 生成对抗网络

生成对抗网络（Generative Adversarial Network， GAN）属于一种生成式模型， 用于生成符合真实数据分布的样本。 其主要分为生成器（Generator）和判别器（Discriminator）两部分， 生成器产生与真实样本尽可能相似的样本， 以欺骗判别器， 而判别器用于区分真实样本和判别器产生的虚假样本， 两者通过对抗学习交替训练得到均衡状态。 由于GAN所具备的高质量样本生成能力， 其已经被用于电磁信号数据生成。 在通信信号领域， 陈昌美等人［59］将CGAN和ACGAN用于AM和FM模拟调制信号生成， 结果表明ACGAN在模拟信号生成上质量优于CGAN。 杨鸿杰等人［60］利用边界平衡生成对抗网络（Boundary Equilibrium Generative Adversarial Networks， BEGAN）生成数字调制信号BPSK和8PSK， 并利用自编码器模型度量Wassertein距离以衡量偏差， 仿真实验生成了高逼真度的数字信号。 Tang等人［61］利用ACGAN的生成器产生星座图样本， 并将其作为一种数据增强方式用于识别网络训练。 Bu等人［62］将GAN作为迁移学习中源域和目标域的域判别器， 通过对抗训练和知识迁移进一步提高了在目标域上信号识别性能。 王华华等人［63］使用GAN进行时频图降噪， 降噪后的时频图送入CNN-Attention模块， 原始I/Q信号则送入LSTM-Attention模块， 最后利用Channel-Attention层完成多模态信号分类。 Gong等人［64］从辐射源信号中提取射频指纹信息， 基于指纹信息在InfoGAN基础上设计了辅助分类器以完成辐射源信号的识别。 Roy等人［65］提取I/Q不平衡特征， 并基于该特征使用GAN判别非法辐射源和已知辐射源， 针对已知辐射源进一步使用CNN和DNN完成辐射源识别。 朱苗苗［66］利用伪Wigner-Ville分布构建时频图数据集， 基于GAN模型设计了去噪网络， 实现了时频图像的去噪和修复。 在雷达信号领域， Truong等人［67］设计了基于雷达目标检测数据的GAN模型， 用于产生无目标、 大目标及小目标3种情况下的雷达信号数据。 Saarinen等人［68］设计GAN模型用于生成低截率目标以及小目标雷达信号， 在该模型结构中AF图像被用于判别器的决断。 何重航等人［69］设计CNN用于时频图旧样本預训练， 设计GAN网络用于新加入的样本微调， 通过对抗学习自适应地完成模型参数微调， 提升了对测试样本的识别性能。 于浩洋［70］通过对DCGAN模型的损失进行优化， 设计最小二乘损失生成雷达样本信号， 再将生成样本混入真实样本进行识别。 Li等人［71］设计了MDGAN模型用于生成多样化的雷达辐射源信号数据集， 同时设计了TPAMDPN网络用于辐射源信号识别。 Tan等人［72］提取了双谱特征， 基于双谱图设计了自分类CGAN模型， 实现半监督雷达辐射源识别， 所设计的模型适用于多种通信场景。

GAN在电磁信号深度表征中发挥了重要作用， 具有多方面的优点： 首先， GAN能够生成与真实数据分布极为相近的数据， 其逼真的效果可用于电磁信号的样本扩充。 其次， GAN可以无监督方式进行训练， 能够利用现实场景中的大量无标记数据。 除此之外， GAN具有强大的表达能力， 可以在潜在空间中采样， 从而生成新的实例。 然而， GAN也存在一些明显的缺点： 首先， GAN网络训练困难， 生成器和判别器较难平衡， 且损失难以收敛。 其次， GAN的训练过程中存在模式崩溃（Mode Collapse）问题， 即生成器倾向于生成某些特定类型的样本， 而忽略了数据分布的其他部分。 因此， 高诗飏［73］设计了1D-CWGAN-GP的雷达辐射源信号生成方法， 通过改进生成器结构和损失函数阻止了模式崩溃。 此外， GAN也存在难以评价模型性能的问题， 常用的评价指标， 如Inception Score等， 不能完全反映模型生成的样本质量和多样性。 总的来说， 虽然GAN在基于数据驱动的电磁目标深度表征方法中展示出强大的能力， 但其训练的复杂性和模式崩溃等问题也需要进一步研究和解决。

2.4 自编码器网络

自编码器（Autoencoder， AE）是一种无监督的深度网络模型， 其主要由编码器（Encoder）和解码器（Decoder）组成， 编码器将数据编码为潜在低维空间， 而解码器将低维表示进行还原。 由于自编码器通常采用无监督训练方式， 因此已经被广泛用于处理大量无标记的电磁信号数据。 在通信信号领域， Ke等人［74］设计了基于LSTM的去噪自编码器， 可以从噪声调制信号数据中提取稳定和鲁棒的特征。 Ali等人［75］提取了I/Q星座图以及高阶累积量特征作为输入， 设计了两层稀疏自编码器用于调制识别。 Yao等人［76］设计了非对称掩码自编码器， 用于辐射源信号预训练。 在微调阶段经预训练的编码器连接分类器， 用于解决小样本辐射源识别问题。 叶文强等人［77］基于信号时频图设计了栈式降噪自编码器， 重点解决在低信噪比下辐射源信号特征提取难度大且识别率低的问题。 刘亚博［78］设计了卷积自编码器结构， 在编码层和解码层之间引入跳线连接， 加速了去噪网络的训练过程。 吉磊等人［79］设计了一种变分自编码器结构， 用于生成与目标ADS-B信号相似的样本数据， 从而实现通信干扰波形的生成。 在雷达信号领域， Qu等人［80］设计了卷积降噪自编码器结构用于雷达信号时频图的降噪修复， 进一步设计深度卷积网络以实现雷达信号脉内调制识别。 郭立民等人［81］利用Choi-Williams分布和一系列预处理操作， 构建二值化时频图数据集， 设计栈式稀疏自编码器以完成低截获概率雷达信号调制识别。 丁辰伟［82］将时频图送入稀疏自编码器进行特征提取， 接着对输出特征进行直方图均衡得到增强特征， 用于雷达辐射源信号个体识别。 刘慧玲［83］基于卷积自编码器加入分类分支， 获取已知类别雷达样本和自编码器重构样本的相似度和熵分布， 进而进行未知雷达样本检测， 从而完成雷达辐射源信号开集识别任务。 丁宦城［84］设计了改进的条件变分自编码器生成高质量样本， 扩充了样本较少的特定类别。 洪淑婕等人［85］设计了一种卷积降噪自编码器对混合脉冲序列进行分选， 将目标脉冲之外的脉冲序列视为噪声， 提高了在脉冲丢失、 脉冲参差及参数估计误差大等复杂场景下的智能雷达信号分选性能。 申慧芳［86］设计了一种卷积自编码器， 对无标签含噪TOA序列进行去噪处理， 同时完成重点雷达目标的快速分选。

自编码器在电磁信号表征上具有以下优点： 首先， 自编码器能够以无监督学习方式从大量无标签的电磁数据中学习到有用的深度表征， 这为充分利用现实场景大量无标记数据提供了解决思路。 其次， 自编码器能够实现数据降维的同时保留其主要成分， 这尤其适用于处理高维度的电磁数据。 第三， 自编码器可用于生成新数据， 这对于高质量样本扩展具有重要意义。 然而， 自编码器也存在一些缺点。 首先， 自编码器的性能取决于网络结构和参数的选择， 这需要大量的经验和专业知识。 因此， Shi等人［87］设计了卷积自编码器和LSTM自编码并行结构ConvLSTMAE， 充分利用了CNN和LSTM的优势， 灵活应用于监督和半监督场景。 最后， 自编码器网络对于噪声和异常值的敏感性较高， 这可能影响其在实际应用中的稳定性和可靠性。

2.5 图卷积神经网络

图卷积神经网络（Graph Convolutional Neural Networks， GCNNs）是图神经网络（Graph Neural Network， GNN）的重要分支。 不同于传统CNN， GCNNs的优势在于可以处理非欧氏数据， 一些研究已经将电磁信号数据转化为非结构化图进行处理。 在通信信号领域， Liu等人［88］设计了图映射CNN网络， 将I/Q信号转换为图结构， 再利用GCNNs实现调制识别。 Ghasemzadeh等人［89］设计了GRU网络提取深度特征， 并结合高阶统计特征得到信号融合特征， 接着基于融合特征设计图卷积网络进行调制信号分类。 Hao等人［90］利用两层GCN基于mini-RML2016.10A-TFD、 mini-RML2018.01A-TFD以及mini-Constellation等时频图和星座图数据集， 对元学习驱动的跨域小样本信号调制识别进行了研究。 Li等人［91］设计了时域图张量注意力网络， 将辐射源信号编码为图张量， 其针对每个辐射源信号模态分量都通过GCNNs进行图转换， 在真实数据集上显示了其优越的辐射源信号识别性能。 在雷达信号领域， Meng等人［92］设计了一种空-时-频图注意卷积网络， 获得稳定的语义多域特征， 針对RCS雷达信号识别两类飞机目标辐射源。 庞春逸［93］提取了“雷达字-雷达短语-雷达句”层级结构特征， 进一步构建GCNNs进行机载雷达工作模式识别， 克服了CNN和RNN无法处理非欧数据的缺点。 Lang等人［94］设计了半监督框架下的ResGCN网络， 有效提高了小样本场景下的分选模型通用性。 王杰［95］利用ILPVG算法对脉冲序列进行预处理， 提出一种GraphSAGE图网络结构， 利用节点在网络中的结构信息进一步提高了分选正确率。

基于GCNNs的电磁信号深度表征方法的优点在于其捕获目标的内在特性以及学习复杂的电磁数据模式和结构的强大能力。 除此之外， GCNNs对于非欧几里得数据的灵活处理能力， 使得它特别适合处理具有复杂结构和相互依赖关系的电磁数据。 尽管GCNNs在电磁信号表征上展现了显著的优势， 但也存在一些限制和挑战。 首先， GCNNs的训练过程需要大量的平台计算资源， 这降低了其实际应用的效率。 其次， GCNNs对于图结构的设计非常敏感， 不恰当的图结构可能会导致性能急剧下降。 因此， Xuan等人［96］摆脱图结构设计的固有规则， 灵活设计了自适应视觉图AVG结构， 其性能超越了一系列现有方法。 最后， GCNNs对于极端复杂或者噪声过大的电磁场景， 其性能会受到影响。 因此， Ghasemzadeh等人［97］针对低信噪比场景设计了鲁棒的图卷积网络分类器， 用于调制识别， 在-10 dB对于易混淆类别也取得了较好性能。 总之， GCNNs在处理复杂的电磁场景数据方面具有显著的优势， 但同时也面临一些挑战。 未来的研究应该集中在优化GCNNs的训练过程、  改进图结构的设计， 以及提高其对于复杂电磁数据的处理能力。

2.6 Transformer

Transformer是近年来兴起的模型结构， 其主要由输入嵌入（Input Embeddings）、 位置编码（Positional Encoding）、 编码器（Encoder）、 解码器（Decoder）及注意力机制（Attention Mechanism）等组成。 得益于其采用的多头注意力机制， Transformer可以提取全局上下文信息， 因此， 其已被用于捕捉电磁信号中的长距离依赖关系。 在通信信号领域， Cai等人［98］首次將Transformer网络用于调试识别， 所提出的TRN模型提取了信号全局语义信息， 并充分利用与分类有关的语义信息， 提高了低信噪比下的分类性能。 Hamidi-Rad等人［99］提出了MCformer， 用于充分挖掘卷积层所产生的时序特征之间的关联性。 该模型在所有信噪比上获得了优异的性能。 李振星等人［100］首先对I/Q数据进行增强， 其经过切片被送入Transfor-mer模型， 在不同符号速率调制识别数据集上获得了较高的准确率。 Deng等人［101］设计了一种轻量化的Transformer网络GLFormer， 提取辐射源信号原始同相分量指纹特征用于识别。 Xu等人［102］提出了一种改进的Transformer结构， 并结合改进的类内划分方法实现了开集辐射源识别。 在雷达信号领域， Ziemann等人［103］设计了一种Transformer模型雷达脉冲识别。 与CNN网络相比， Transformer网络在抵抗对抗攻击上具有更强的鲁棒性。 董章华等人［104］基于Swin Transformer网络对WVD时频图进行分类， 其对低信噪比条件下低截获概率雷达信号数据具有很强的适应性。 马聪聪［105］提出了一种基于Transformer 网络的雷达辐射源识别方法， 建立了雷达序列信号每个时间步和其他时间步的依赖关系， 可以有效提取辐射源指纹特征。 王亮等人［106］首先提取原始信号的相位特征以及包络特征， 设计了Transformer网络进一步提取时序逻辑相关性特征， 在3部雷达辐射源上取得了优异性能。 张旭威等人［107］设计了Transformer模型， 用于对所提取的脉冲描述字进行分选。 该方法适用于复杂雷达调制信号， 且更加灵活。

Transformer模型电磁信号深度表征上具备诸多优点， 例如， 其自注意力机制捕捉电磁信号中的长距离依赖关系， 有利于挖掘全局信号特征； 其次， Transformer模型的并行计算可以提高对大规模电磁信号数据的处理效率。 然而， 基于Transformer的表征方法也存在一些缺点。 首先， Transformer模型的计算和内存需求会随着输入序列长度的增加或者层数的堆叠而急剧增加。 因此， Zheng等人［108］设计了一种轻量化的无线电信号Transformer模型MobileRaT， 其在减少参数量的同时保持了很好的鲁棒性， 大大提高了识别的效率。 该模型可适配于无人化小型平台。 其次， Transformer模型可能会过度关注全局的上下文信息， 而忽略了局部信息。 因此， 李慧琼［109］在Transformer基础上结合CNN提出改进的CTNN模型， 在提取全局上下文信息的同时， 通过卷积层的平移不变性， 增强对局部特征的学习能力。 最后， Transformer模型的训练通常需要大量的标注数据， 这在设计电磁场景中可能难以实现。 因此， Kong等人［110］设计了基于Transformer的自监督学习框架， 可以利用大量未标注数据， 进一步提升下游识别任务的准确率。 Transformer模型作为基础大模型的骨干网络， 其在电磁信号领域的改进设计研究有待进一步发展。

基于数据驱动的电磁目标深度表征方法见表2。

3 知识-数据联合的电磁目标表征

尽管专家知识下的电磁目标表征方法和数据驱动的电磁目标深度表征方法已显示出其有效性， 但随着电子对抗环境的日益复杂化， 复杂电磁环境中的电磁目标表征研究正遇到新的挑战。

第一， 特征表征不全面。 依赖于电磁领域内专家的知识和经验， 且需要手工选取有效特征， 传统的特征选取手段很难全面反映电磁目标的特征。 此外， 随着新的电磁技术和材料的出现， 电磁目标的特性可能会发生变化。 专家知识下的电磁目标表征可能难以及时更新以反映这些变化， 导致特征表征不再准确， 难以适应快速发展和不断变化的电磁环境需求。

第二， 目标信息不完备。 在传统的监督机器学习范式下， 标记数据的规模与质量对于算法能力起着决定性作用， 数目庞大、 标识正确的电磁目标数据集是深层机器学习方法应用的基础。 然而， 在常规应用场景下， 辐射源数据通过非合作方式获取， 接收方能够捕获和积累的历史数据极少， 关于目标的信息不完备。 例如， 在导弹末端制导目标识别中， 威胁目标很多情况下样本严重不足（少样本或零样本）， 无法达到识别所需的样本规模。 此外， 目前基于深层机器学习的辐射源识别方法多采用专家人工标记的方式， 形成大规模数据集所需的人力与时间成本较高； 而且由于分析人员的经验、 状态等差异， 在多种目标密集分布情况下人工标注结果可能存在偏差， 导致样本标注难以确保完全正确。 因此， 形成规模较大、 高质量、 标识正确的目标数据集非常困难。

第三， 模型泛化性欠佳。 战场环境具有不可描述与不可预知性， 其中的雷达辐射源目标信息面临各类要素变化， 目标信息产生的可能组合将呈现爆炸式增长， 加之信号传播环境复杂， 信号在发送端、 信道传输和接收端都会受到衰落、 损耗、 干扰等各种非理想因素的影响， 目标信号噪声与干扰严重。 这些因素均使得概率分布一致性假设下的机器学习模型泛化性欠佳， 很难在真实环境下达到预期性能。 另外， 辐射源是一个移动的实体， 环境和目标随时会发生变化， 环境中也存在不确定的对抗， 将导致深层机器学习方法对这种不确定环境下变化目标的泛化性能欠佳。

第四， 学习自主性不足。 尽管国内外已涌现出许多CNN+Transformer［109］， GRU+GCN［89］通信信号调制识别I/Q时序信号基于深层机器学习模型的电磁目标表征研究工作， 但这些智能算法多预设特定场景与感知设备下的任务， 即基于静态环境与封闭场景的假设，  在应用中通常先由专家

对问题进行定义， 抽象成一个预设任务后准备训练数据进行学习， 其应用性能严重依赖专家对问题定义的合理性， 以及所选择模型的适应性。 然而， 电磁目标表征是一个现实人工智能问题， 面临复杂未知的非结构化场景。 这种静态环境与封闭场景假设下的处理流程， 导致智能算法难以适应复杂电磁环境中一些未知的任务变化， 即学习自主性不足： 既不能够在开放环境下自主更新， 也不能够适应任务的演化（尤其是强博弈对抗的环境下）。

本质上看， 专家知识下的电磁目标经验表征方法和数据驱动的电磁目标深度表征方法， 都源于对人类知识的总结和扩展。 专家知识下的电磁目标表征方法能通过已经积累的领域知识、 专家知识更有效地完成感知任务， 可解释性较强， 还能在某些场景下弥补数据的不完備性， 但是专家知识提取的特征往往通用性有限， 即特征仅在特定的场景下有效， 当场景发生变化时需要提取新的特征。 数据驱动的电磁目标深度表征方法性能高度依赖于训练样本数据的规模和质量。 同时， 基于数据驱动的方法由于缺乏对结果的解释性， 通常需要人工进一步分析决策。 因此， 研究知识-数据联合的方法能够更有效地完成电磁目标表征。 文献［111］将知识-数据联合方法概括为数据、 模型和优化3个方面。 本文从数据、 模型、 优化3个方面阐述基于知识-数据联合驱动的电磁目标表征感知研究进展， 如图2所示。

3.1 数  据

观察偏置是指通过引入知识驱动方法中特定的数据预处理方法或数据增强方法， 使得神经网络能够更好地学习数据所蕴含的知识［112］。 因此， 在数据层面引入知识是最直接有效的方法， 现有研究通常采用数据增强+自监督学习的方式将知识引入到数据中。 张杰［113］针对高分辨距离像（High Resolution Range Profile， HRRP）雷达信号的数据特点， 设计了强度归一、 重心对齐、 重心平移等HRRP雷达信号专用数据增强方法， 有效增加了样本多样性。 随后， 借助SimSiam网络成功提取了HRRP雷达信号的通用特征。 陈洋［114］认为通信辐射源信号在不同位置处截取的波形因携带的符号序列不同会存在较大差异。 其次， 接收到的信号常常存在不同的频偏、 相偏影响， 且接收信噪比也往往会发生变化， 上述情况均会造成信号波形上的差别， 但信号的调制方式并未改变。 针对上述分析， 陈洋［114］对一维I/Q通信辐射源信号加入了频偏扰动、 相位扰动和噪声扰动等数据增强方法。 实验结果证明， 基于上述数据增强方法和SimCLR自监督网络的训练后， 大幅降低了模型训练所需标签样本数量。 刘慧玲［83］首先提取雷达辐射源信号的模糊函数时频特征， 借用地形描述中的等高线对模糊函数进行分析， 得到对信号内在信息描述更详细的时频特征。 刘慧玲［83］基于上述特征与SimCLR网络提取雷达辐射源信号的判别特征， 并成功实现了雷达辐射源信号的盲分选任务。 Soltani等人［115］发现不依赖专家知识的CNN在辐射源识别任务中非常有效， 但在不同通道条件下收集的数据集上表现不佳。 因此， 针对这种情况提出了两种数据增强方法， 使CNN能够适应变信道条件下的辐射源识别。 实验结果证明， 引入专用数据增强后的CNN在变信道条件下的准确率得到了显著提升。

3.2 模  型

归纳偏置是引入知识的有效方法， 但相对于将知识引入数据中， 将知识转化为符合特定性质的网络结构存在较大的难度。 Kumawat等人［116］针对原始卷积层存在的计算成本高、 内存密集、 容易过度拟合等问题， 设计了时-空短时傅里叶变换块。 时-空短时傅里叶变换块由不可训练的卷积层组成， 这些卷积层使用STFT内核在多个低频点捕获空间和/或时间局部傅里叶信息。 与原始CNN相比， 应用时-空短时傅里叶变换块的网络参数量和计算量都显著下降， 而且应用时-空短时傅里叶变换块的网络特征提取能力也显著优于原始CNN及变体。 虽然直接将知识转化为符合特定性质的网络结构存在较大的难度， 但已有不少研究人员以知识图谱的形式实现了知识嵌入。 江志浩等人［117］设计了作战目标知识图谱构建方法， 并以“知识图谱+图卷积神经网络”的方式实现了作战关系分析与挖掘。 李英凯等人［118］构建了多域特征（时域、 频域、 深度）的电磁知识图谱， 基于构建的电磁知识图谱， 设计了信号特征知识图谱和特征融合的SEI算法。 实验结果表明， 该方法能够有效地识别辐射源目标。 左毅等人［119］构建了战场海空目标知识图谱， 包括时空活动规律、 辐射源活动规律、 航行计划、 机场港口知识和飞机舰船知识， 然后通过将现有智能化识别方法应用于推理算法层、 多智能体推理层、 推理应用层， 为后续研究提供新思路。

3.3 优  化

学习偏置是指通过选择恰当的损失函数或对损失函数添加恰当的约束， 促使神经网络在训练过程中倾向于收敛到遵循物理规律的解［112］。 Yang等人［120］针对辐射源时序信号特有的I/Q形式， 设计了合作-对比-分类（Cooperative-Contrastive-Classification， C3）损失， 所设计损失能够更有效地提取信号特征。 实验结果表明， 经过C3损失训练后的网络分类精度有所提高。 黄科举［112］针对开集条件下辐射源目标特征对未知辐射源区分能力不强的问题， 设计了附加角边缘损失。 附加角边缘损失在角度空间为特征添加附加边缘约束， 促进神经网络学习更加紧致的特征。 实验证明， 经过附加角边缘损失训练后的网络提高了对未知辐射源目标的区分能力。

4 结 束 语

本文针对专家知识下的电磁目标表征方法、 数据驱动的电磁目标深度表征方法和知识-数据联合驱动的电磁目标表征方法研究进行了综述。 专家知识下的电磁目标表征方法虽然可解释性强， 但由于存在复杂度高、 通用性差等问题， 已经逐渐被数据驱动表征方法取代。 数据驱动的电磁目标深度表征方法能够自动提取辐射源目标特征， 但往往需要大量高质量训练样本数据， 且可解释性差、 泛化性差。 知识-数据联合驱动的电磁目标表征方法能够结合两者的优点， 进一步提高电磁目标表征能力， 但现有研究还较少， 大多还处于摸索阶段。 未来需要抓住现有研究中的主要矛盾， 進一步促进电磁目标表征技术的发展。

参考文献：

［1］ 杨珂. 电磁态势智能感知关键技术研究［D］. 西安：  西安电子科技大学， 2022.

Yang Ke. Research on Key Technologies of Intelligent Sensing of Electromagnetic Situation［D］.Xian： Xidian University， 2022. （in Chinese）

［2］ 张葛祥. 雷达辐射源信号智能识别方法研究［D］. 成都： 西南交通大学， 2005.

Zhang Gexiang. Intelligent Recognition Methods for Radar Emitter Signals［D］. Chengdu： Southwest Jiaotong University， 2005. （in Chinese）

［3］ Michael K. 应用了人工智能的频谱技术将何去何从？［J］. 科技纵览， 2019（12）： 8.

Michael K. Where will Spectrum Technology with Artificial Intelligence Go？［J］. Technology Overview， 2019（12）： 8. （in Chinese）

［4］ Lin X， Eldemerdash Y A， Dobre O A， et al. Modulation Classification Using Received Signals Amplitude Distribution for Coherent Receivers［J］. IEEE Photonics Technology Letters， 2017， 29（21）： 1872-1875.

［5］ Reising D R， Temple M A， Mendenhall M J. Improved Wireless Security for GMSK-Based Devices Using RF Fingerprinting［J］. International Journal of Electronic Security and Digital Forensics， 2010， 3（1）： 41-59.

［6］ Xu S H， Yin W H， Huang B X. Novel Method for Estimating the Instantaneous Parameters of Radio Transmitter Signals［C］∥2007 9th International Symposium on Signal Processing and Its Applications，  2007.

［7］ Deng S Y， Huang Z T， Wang X. A Novel Specific Emitter Identification Method Based on Radio Frequency Fingerprints［C］∥2nd IEEE International Conference on Computational Intelligence and Applications， 2017.

［8］ Ur Rehman S， Sowerby K， Coghill C. RF Fingerprint Extraction from the Energy Envelope of an Instantaneous Transient Signal［C］∥ Australian Communications Theory Workshop，  2012.

［9］ 张国柱， 黄可生， 姜文利， 等. 基于信号包络的辐射源细微特征提取方法［J］. 系统工程与电子技术， 2006， 28（6）： 795-797.

Zhang Guozhu， Huang Kesheng， Jiang Wenli， et al. Emitter Feature Extract Method Based on Signal Envelope［J］. Systems Engineering and Electronics， 2006， 28（6）： 795-797.（in Chinese）

［10］ 章建辉， 黄高明， 李敬辉. 利用瞬时频率提取雷达辐射源特征的新算法［J］.航天电子对抗， 2008， 24（5）：  36-39.

Zhang Jianhui， Huang Gaoming， Li Jinghui. A New Algorithm of Radar Emitters Feature Extraction Using Instantaneous Frequency［J］. Aerospace Electronic Warfare， 2008， 24（5）： 36-39.（in Chinese）

［11］ 王宏伟， 赵国庆， 王玉军. 基于脉冲包络前沿波形的雷达辐射源个体识别［J］. 航天电子对抗， 2009， 25（2）： 35-38.

Wang Hongwei， Zhao Guoqing， Wang Yujun. A Specific Emitter Identification Method Based on Front Edge Waveform of Radar Signal Envelop［J］. Aerospace Electronic Warfare， 2009， 25（2）： 35-38.（in Chinese）

［12］ Wang X L， Zhang Y F， Zhang H X， et al. Identification and Authentication for Wireless Transmission Security Based on RF-DNA Fingerprint［J］. EURASIP Journal on Wireless Communications and Networking， 2019， 2019（1）： 1-12.

［13］ Kennedy I O， Scanlon P， Mullany F J， et al. Radio Transmitter Fingerprinting： A Steady State Frequency Domain Approach［C］∥ IEEE 68th Vehicular Technology Conference， 2008.

［14］ Williams M D， Munns S A， Temple M A， et al. RF-DNA Fingerprinting for Airport WiMax Communications Security［C］∥ Fourth International Conference on Network and System Security， IEEE， 2010.

［15］ 蔡忠伟， 李建东. 基于双谱的通信辐射源个体识别［J］. 通信学报， 2007， 28（2）： 75-79.

Cai Zhongwei， Li Jiandong. Study of Transmitter Individual Identification Based on Bispectra［J］. Journal on Communications， 2007， 28（2）： 75-79.（in Chinese）

［16］ 王涵. 通信辐射源调制方式智能识别方法研究［D］. 西安： 西安电子科技大学， 2022.

Wang Han. Research on Intelligent Identification Method of Modulation Mode of Communication Emitter［D］.Xian： Xidian University， 2022. （in Chinese）

［17］ Ru X H， Huang Z T， Liu Z， et al. Frequency-Domain Distribution and Band-Width of Unintentional Modulation on Pulse［J］. Electronics Letters， 2016， 52（22）： 1853-1855.

［18］ Li L， Ji H B. Radar Emitter Recognition Based on Cyclostationary Signatures and Sequential Iterative Least-Square Estimation［J］. Expert Systems with Applications， 2011， 38（3）： 2140-2147.

［19］ 肖樂群， 张玉灵， 赵拥军. 基于对角积分双谱的雷达辐射源信号识别［J］. 信息工程大学学报， 2012， 13（1）： 95-99.

Xiao Lequn， Zhang Yuling， Zhao Yongjun. Radar Emitter Signal Recognition Based on Diagonally Integral Bispectrum［J］. Journal of Information Engineering University， 2012， 13（1）： 95-99.（in Chinese）

［20］ Suski W C， Temple M A， Mendenhall M J， et al. Using Spectral Fingerprints to Improve Wireless Network Security［C］∥IEEE Global Telecommunications Conference， 2008.

［21］ 王小颖. 电子侦察中的调制识别和身份识别［D］. 成都： 电子科技大学， 2022.

Wang Xiaoying. Research on Modulation Recognition and Emitter Identification in Electronic Reconnaissance［D］. Chengdu： University of Electronic Science and Technology of China， 2022. （in Chinese）

［22］ 惠周勃， 刘伟， 王世举， 等. 基于HHT与正则化维数的辐射源个体识别［J］. 信息工程大学学报， 2023， 24（5）： 544-551.

Hui Zhoubo， Liu Wei， Wang Shiju， et al. Specific Emitter Identification Based on Hilbert-Huang Transform and Regularization Dimension［J］. Journal of Information Engineering University， 2023， 24（5）： 544-551.（in Chinese）

［23］ 王欢欢， 张涛， 孟凡玉. 基于时频域细微特征的辐射源个体识别［J］. 信息工程大学学报， 2018， 19（1）： 23-29.

Wang Huanhuan， Zhang Tao， Meng Fanyu. Specific Emitter Identification Based on Time-Frequency Domain Characteristic［J］. Journal of Information Engineering University， 2018， 19（1）： 23-29.（in Chinese）

［24］ 任东方， 张涛， 韩洁， 等. 基于ITD与纹理分析的特定辐射源识别方法［J］. 通信学报， 2017， 38（12）： 160-168.

Ren Dongfang， Zhang Tao， Han Jie， et al. Specific Emitter Identification Based on ITD and Texture Analysis［J］. Journal on Communications， 2017， 38（12）： 160-168.（in Chinese）

［25］ 柳征， 姜文利， 周一宇， 等. 基于小波包变换的辐射源信号识别［J］. 信号处理， 2005， 21（5）： 460-464.

Liu Zheng， Jiang Wenli， Zhou Yiyu， et al. Emitter Signals Reco-gnition Based on Wavelet Packet Transform［J］. Journal of Signal Processing， 2005， 21（5）： 460-464.（in Chinese）

［26］ 陈韬伟， 辛明. 基于小波变换的雷达辐射源信号特征提取［J］. 信息与电子工程， 2010， 8（4）： 436-440.

Chen Taowei， Xin Ming. Feature Extraction Based on Wavelet Transform for Radar Emitter Signals［J］. Information and Electronic Engineering， 2010， 8（4）： 436-440.（in Chinese）

［27］ 賈依菲. 脉冲雷达信号快速调制识别算法研究［D］. 西安： 西安电子科技大学， 2011.

Jia Yifei. Research on Fast Modulation Recognition Algorithm of Pulse Radar Signal［D］.Xian： Xidian University， 2011. （in Chinese）

［28］ 周琳， 杨绍全. 时-频分析算法在通信信号调制识别中的应用［J］. 航天电子对抗， 2002， 18（5）： 40-45.

Zhou Lin， Yang Shaoquan. Application of Time-Frequency Analysis Algorithm in Communication Signal Modulation Recognition［J］. Aerospace Electronic Warfare， 2002， 18（5）： 40-45.（in Chinese）

［29］ 江扬帆. 基于专家知识的卫星通信辐射源个体识别方法研究［D］. 合肥： 中国科学技术大学， 2023.

Jiang Yangfan. Research on Individual Identification Method of Satellite Communication Emitter Based on Expert Knowledge［D］.Hefei： University of Science and Technology of China， 2023. （in Chinese）

［30］ 李润东. 基于深度学习的通信信号智能盲检测与识别技术研究［D］. 成都： 电子科技大学， 2021.

Li Rundong. Research on Intelligent Blind Detection and Recognition of Communication Signals Based on Deep Learning［D］. Chengdu： University of Electronic Science and Technology of China， 2021. （in Chinese）

［31］ Zheng S L， Zhou X Y， Zhang L X， et al. Toward Next-Generation Signal Intelligence： A Hybrid Knowledge and Data-Driven Deep Learning Framework for Radio Signal Classification［J］. IEEE Transactions on Cognitive Communications and Networking， 2023， 9（3）： 564-579.

［32］ Liu F G， Pan J Y， Zhou R L. Contrastive Learning-Based Multimodal Fusion Model for Automatic Modulation Recognition［J］. IEEE Communications Letters， 2024， 28（1）： 78-82.

［33］ 劉凯， 王杰贵， 吴建飞. 基于区间灰关联的未知雷达辐射源智能识别［J］. 现代防御技术， 2013， 41（6）： 25-31.

Liu Kai， Wang Jiegui， Wu Jianfei. Intelligent Recognition Method Based on Interval Grey Association for Unknown Radar Emitter［J］. Modern Defence Technology， 2013， 41（6）： 25-31.（in Chinese）

［34］ 李昕. 基于无监督学习的通信辐射源个体识别技术研究［D］. 长沙： 国防科技大学， 2019.

Li Xin. Research on Individual Identification Technology of Communication Emitter Based on Unsupervised Learning［D］.Changsha： National University of Defense Technology， 2019. （in Chinese）

［35］ 朱家威， 李天昀， 寸陈韬. 一种基于相位噪声的MIMO OFDM辐射源个体识别方法［J］. 信息工程大学学报， 2021， 22（6）： 647-654.

Zhu Jiawei， Li Tianyun， Cun Chentao. Method for Specific Emitter Identification Based on Phase Noise in MIMO OFDM System［J］. Journal of Information Engineering University， 2021， 22（6）： 647-654.（in Chinese）

［36］ 黄渊凌， 郑辉. 一种基于相噪特性的辐射源指纹特征提取方法［J］. 计算机仿真， 2013， 30（9）： 182-185.

Huang Yuanling， Zheng Hui. Emitter Fingerprint Feature Extraction Method Based on Characteristics of Phase Noise［J］. Compu-ter Simulation， 2013， 30（9）： 182-185.（in Chinese）

［37］ 龚再兰. 雷达辐射源信号指纹特征提取及识别［D］. 哈尔滨： 哈尔滨工程大学， 2015.

Gong Zailan. Radar Emitter Signal Fingerprint Feature Extraction and Recognition［D］. Harbin： Harbin Engineering University， 2015. （in Chinese）

［38］ 乔平娟， 谢钧， 李林， 等. 辐射源个体识别研究综述［J］. 信息技术与信息化， 2023（12）： 156-164.

Qiao Pingjuan， Xie Jun， Li Lin， et al. Review on Individual Identification of Radiation Sources［J］. Information Technology and Informatization， 2023（12）： 156-164.（in Chinese）

［39］ Wang Y， Liu M， Yang J， et al. Data-Driven Deep Learning for Automatic Modulation Recognition in Cognitive Radios［J］. IEEE Transactions on Vehicular Technology， 2019， 68（4）： 4074-4077.

［40］ Zhang Z F， Wang C， Gan C Q， et al. Automatic Modulation Classification Using Convolutional Neural Network with Features Fusion of SPWVD and BJD［J］. IEEE Transactions on Signal and Information Processing Over Networks， 2019， 5（3）： 469-478.

［41］ Ding L D， Wang S L， Wang F G， et al. Specific Emitter Identification via Convolutional Neural Networks［J］. IEEE Communications Letters， 2018， 22（12）： 2591-2594.

［42］ Pan Y W， Yang S H， Peng H， et al. Specific Emitter Identification Based on Deep Residual Networks［J］. IEEE Access， 2019， 7： 54425-54434.

［43］ 韩刚涛， 马瑞鹏， 吴迪. 基于时频图切割的宽带信号智能检测与识别［J］. 郑州大学学报： 工学版， 2023， 44（3）： 42-49.

Han Gangtao， Ma Ruipeng， Wu Di. Intelligent Detection and Identification of Broadband Signals Based on Time-Frequency Map Cutting［J］. Journal of Zhengzhou University： Engineering Science， 2023， 44（3）： 42-49.（in Chinese）

［44］ Kong M X， Zhang J， Liu W F， et al. Radar Emitter Identification Based on Deep Convolutional Neural Network［C］∥International Conference on Control， Automation and Information Sciences，  2018.

［45］ 杨海宇， 郭文普， 康凯， 等. 注意力机制和CNN结合的雷达辐射源个体识别［J］. 兵器装备工程学报， 2023， 44（4）： 290-296.

Yang Haiyu， Guo Wenpu， Kang Kai， et al. Individual Identification for a Radar Emitter Combined with Attention Mechanism and CNN［J］. Journal of Ordnance Equipment Engineering， 2023， 44（4）： 290-296.（in Chinese）

［46］ Wang C X， Tian J M， Cao J W， et al. Deep Learning-Based UAV Detection in Pulse-Doppler Radar［J］. IEEE Transactions on Geoscience and Remote Sensing， 2022， 60： 1-12.

［47］ OShea T J， Corgan J， Clancy T C. Convolutional Radio Modulation Recognition Networks［M］∥Jayne C， Iliadis L. Engineering Applications of Neural Networks. Cham：  Springer International Publishing， 2016： 213-226.

［48］ 宋雨萱. 演化深度学习研究与通信信号识别应用［D］. 西安： 西安电子科技大学， 2020.

Song Yuxuan. Research on Evolutionary Deep Learning and Application of Communication Signal Identification［D］. Xian： Xidian University， 2020. （in Chinese）

［49］ Gopalakrishnan S， Cekic M， Madhow U. Robust Wireless Fingerprinting via Complex-Valued Neural Networks［C］∥ IEEE Global Communications Conference， 2019.

［50］ 金涛， 王晓峰， 田润澜， 等. 基于改进1D CNN+TCN的雷达辐射源快速识别方法［J］. 系统工程与电子技术， 2022， 44（2）： 463-469.

Jin Tao， Wang Xiaofeng， Tian Runlan， et al. Rapid Recognition Method of Radar Emitter Based on Improved 1D CNN+TCN［J］. Systems Engineering and Electronics， 2022， 44（2）： 463-469.（in Chinese）

［51］ 陈涛， 刘福悦， 李金鑫， 等. 基于深度分割的端到端雷达信号分选［J］. 系统工程与电子技术， 2023， 45（5）： 1351-1358.

Chen Tao， Liu Fuyue， Li Jinxin， et al. End-to-End Radar Signal Sorting Based on Deep Segmentation［J］. Systems Engineering and Electronics， 2023， 45（5）： 1351-1358.（in Chinese）

［52］ Das R， Gadre A， Zhang S H， et al. A Deep Learning Approach to IoT Authentication［C］∥IEEE International Conference on Communications， 2018.

［53］ 查雄， 彭華， 秦鑫， 等. 基于循环神经网络的卫星幅相信号调制识别与解调算法［J］. 电子学报， 2019， 47（11）： 2443-2448.

Zha Xiong， Peng Hua， Qin Xin， et al. Satellite Amplitude-Phase Signals Modulation Identification and Demodulation Algorithm Based on the Cyclic Neural Network［J］. Acta Electronica Sinica， 2019， 47（11）： 2443- 2448.（in Chinese）

［54］ 刘括然. 基于LSTM的雷达辐射源识别技术［J］. 舰船电子工程， 2019， 39（12）： 92-95.

Liu Kuoran. Radar Emitter Recognition Technology Based on LSTM［J］. Ship Electronic Engineering， 2019， 39（12）： 92-95.（in Chinese）

［55］ 胡涛. 基于强化学习的雷达辐射源信号分选方法研究［D］. 哈尔滨： 哈尔滨工业大学， 2022.

Hu Tao. Research on Radar Emitter Signal Sorting Method Based on Reinforcement Learning［D］. Harbin： Harbin Institute of Technology， 2022. （in Chinese）

［56］ 王纯鑫. 结合数据驱动的雷达目标跟踪方法研究［D］. 西安： 西安电子科技大学， 2022.

Wang Chunxin. Research on Radar Target Tracking Method Combined with Data-Driven［D］. Xian： Xidian University， 2022. （in Chinese）

［57］ 刘涛涛， 田春瑾， 普运伟， 等. 基于一维卷积循环神经网络的雷达辐射源信号识别［J］. 四川大学学报： 自然科学版， 2023， 60（4）： 89-95.

Liu Taotao， Tian Chunjin， Pu Yunwei， et al. Radar Emitter Signal Recognition Based on One-Dimension Convolutional Recurrent Neural Network［J］. Journal of Sichuan University： Natural Science Edition， 2023， 60（4）：  89-95.（in Chinese）

［58］ 石礼盟， 杨承志， 王美玲， 等. 基于深度网络的雷达信号调制方式识别［J］. 兵器装备工程学报， 2021， 42（6）： 190-193.

Shi Limeng， Yang Chengzhi， Wang Meiling， et al. Recognition Method of Radar Signal Modulation Method Based on Deep Network［J］. Journal of Ordnance Equipment Engineering， 2021， 42（6）： 190-193.（in Chinese）

［59］ 陈昌美， 李艳斌， 杨鸿杰， 等. 基于条件生成对抗网络的信号生成技术［J］. 信息技术， 2023， 47（10）： 136-140.

Chen Changmei， Li Yanbin， Yang Hongjie， et al. Signal Generation Technology Based on Conditional Generative Adversarial Networks［J］. Information Technology， 2023， 47（10）： 136-140.（in Chinese）

［60］ 杨鸿杰， 陈丽， 张君毅. 基于生成对抗网络的数字信号生成技术研究［J］. 电子测量技术， 2020， 43（20）： 127-132.

Yang Hongjie， Chen Li， Zhang Junyi. Research on Digital Signal Generation Technology Based on Generative Adversarial Network［J］. Electronic Measurement Technology， 2020， 43（20）： 127-132.（in Chinese）

［61］ Tang B， Tu Y， Zhang Z Y， et al. Digital Signal Modulation Classification with Data Augmentation Using Generative Adversarial Nets in Cognitive Radio Networks［J］. IEEE Access， 2018， 6： 15713-15722.

［62］ Bu K， He Y， Jing X J， et al. Adversarial Transfer Learning for Deep Learning Based Automatic Modulation Classification［J］. IEEE Signal Processing Letters， 2020， 27： 880-884.

［63］ 王華华， 张睿哲， 黄永洪. 基于生成式对抗网络和多模态注意力机制的扩频与常规调制信号识别方法［J/OL］. 电子与信息学报， doi： 10.11999/JEIT230518.

Wang Huahua， Zhang Ruizhe， Huang Yonghong. Spread Spectrum and Conventional Modulation Signal Recognition Method Based on Generative Adversarial Network and Multi-modal Attention Mechanism［J/OL］. Journal of Electronics & Information Technology，doi： 10.11999/JEIT230518.（in Chinese）

［64］ Gong J L， Xu X D， Lei Y K. Unsupervised Specific Emitter Identification Method Using Radio-Frequency Fingerprint Embedded InfoGAN［J］. IEEE Transactions on Information Forensics and Security， 2020， 15： 2898-2913.

［65］ Roy D， Mukherjee T， Chatterjee M， et al. Detection of Rogue RF Transmitters Using Generative Adversarial Nets［C］∥ IEEE Wireless Communications and Networking Conference， 2019.

［66］ 朱苗苗. 基于深度學习的信号调制识别研究［D］. 重庆： 重庆邮电大学， 2022.

Zhu Miaomiao. Research on Signal Modulation Recognition Based on Deep Learning［D］.Chongqing： Chongqing University of Posts and Telecommunications， 2022. （in Chinese）

［67］ Truong T， Yanushkevich S. Generative Adversarial Network for Radar Signal Synthesis［C］∥International Joint Conference on Neural Networks， 2019.

［68］ Saarinen V， Koivunen V. Radar Waveform Synthesis Using Genera-tive Adversarial Networks［C］∥IEEE Radar Conference， 2020.

［69］ 何重航， 刘佳琪， 王宪栋， 等. 基于卷积网络和对抗式学习的雷达信号识别算法［J］. 导弹与航天运载技术， 2021（2）： 121-126.

He Zhonghang， Liu Jiaqi， Wang Xiandong， et al. Radar Signal Recognition Algorithm Based on the Convolutional Neural Networks and Adversarial Learning［J］. Missiles and Space Vehicles， 2021（2）： 121-126.（in Chinese）

［70］ 于浩洋. 基于深度学习的雷达信号小样本识别方法研究［D］. 北京： 北京邮电大学， 2021.

Yu Haoyang. Research on Radar Signal Little Sample Recognition Method Based on Deep Learning［D］. Beijing： Beijing University of Posts and Telecommunications， 2021. （in Chinese）

［71］ Li K， Xue Y C， Lan H B. MDGAN-TPAMDPN-Net： A Self-Sufficient and Calibrated Network for Radar Emitter Identification［J］. IEEE Internet of Things Journal， 2024， 11（4）： 7153-7171.

［72］ Tan K W， Yan W J， Zhang L M， et al. Semi-Supervised Specific Emitter Identification Based on Bispectrum Feature Extraction CGAN in Multiple Communication Scenarios［J］. IEEE Transactions on Aerospace and Electronic Systems， 2023，59（1）： 292-310.

［73］ 高诗飏. 基于深度学习的雷达辐射源序列信号识别算法研究［D］. 长春： 吉林大学， 2022.

Gao Shiyang. Research on Recognition Algorithm of Radar Emitter Sequence Signal Based on Deep Learning［D］.Changchun： Jilin University， 2022. （in Chinese）

［74］ Ke Z Q， Vikalo H. Real-Time Radio Technology and Modulation Classification via an LSTM Auto-Encoder［J］. IEEE Transactions on Wireless Communications， 2022， 21（1）： 370-382.

［75］ Ali A F， Fan Y Y， Shu L. Automatic Modulation Classification of Digital Modulation Signals with Stacked Autoencoders［J］. Digital Signal Processing， 2017， 71： 108-116.

［76］ Yao Z S， Fu X， Guo L T， et al. Few-Shot Specific Emitter Identification Using Asymmetric Masked Auto-Encoder［J］. IEEE Communications Letters， 2023， 27（10）： 2657-2661.

［77］ 叶文强， 俞志富， 张奎， 等. 栈式降噪自编码器在辐射源信号识别中的应用［J］. 空军工程大学学报： 自然科学版， 2019， 20（6）： 47-53.

Ye Wenqiang， Yu Zhifu， Zhang Kui， et al. Application of sDAE in Emitter Signal Recognition［J］. Journal of Air Force Engineering University： Natural Science Edition， 2019， 20（6）： 47-53.（in Chinese）

［78］ 劉亚博. 基于神经网络的调制类型识别算法研究［D］. 西安： 西安电子科技大学， 2019.

Liu Yabo. Research on Modulation Recognition Algorithm Based on Neural Network［D］. Xian： Xidian University， 2019. （in Chinese）

［79］ 吉磊， 刘文斌， 李泓艺. 基于变分自编码器的通信信号生成技术［J］. 通信技术， 2023， 56（4）： 411-418.

Ji Lei， Liu Wenbin， Li Hongyi. Communication Signal Generation Technology Based on Variational Autoencoder［J］. Communications Technology， 2023， 56（4）： 411-418.（in Chinese）

［80］ Qu Z Y， Wang W Y， Hou C B， et al. Radar Signal Intra-Pulse Modulation Recognition Based on Convolutional Denoising Autoencoder and Deep Convolutional Neural Network［J］. IEEE Access， 2019， 7： 112339-112347.

［81］ 郭立民， 寇韵涵， 陈涛， 等. 基于栈式稀疏自编码器的低信噪比下低截获概率雷达信号调制类型识别［J］. 电子与信息学报， 2018， 40（4）： 875-881.

Guo Limin， Kou Yunhan， Chen Tao， et al. Low Probability of Intercept Radar Signal Recognition Based on Stacked Sparse Auto-Encoder［J］. Journal of Electronics & Information Technology， 2018， 40（4）： 875-881.（in Chinese）

［82］ 丁辰伟. 基于深度学习的雷达辐射源个体识别技术研究［D］. 杭州： 杭州电子科技大学， 2020.

Ding Chenwei. Research on Specific Radar Emitter Identification Technology Based on Deep Learning［D］. Hangzhou： Hangzhou Dianzi University， 2020. （in Chinese）

［83］ 刘慧玲. 基于深度学习的雷达辐射源识别与行为认知［D］. 西安： 西安电子科技大学， 2022.

Liu Huiling. Radar Emitter Recognition and Behavior Cognition Based on Deep Learning［D］.Xian： Xidian University， 2022. （in Chinese）

［84］ 丁宦城. 基于深度学习的雷达辐射源识别［D］. 成都： 电子科技大学， 2023.

Ding Huancheng. Radar Emitter Identification Based on Deep Learning［D］.Chengdu： University of Electronic Science and Technology of China， 2023. （in Chinese）

［85］ 洪淑婕， 孙闽红， 王之腾， 等. 基于卷积降噪自编码器的雷达信号智能分选［J］. 探测与控制学报， 2022， 44（5）： 83-89.

Hong Shujie， Sun Minhong， Wang Zhiteng， et al. Radar Signal Intelligent Sorting Based on Convolutional Denoising Autoencoder［J］. Journal of Detection & Control， 2022， 44（5）： 83-89.（in Chinese）

［86］ 申慧芳. 复杂环境下的雷达信号分选技术研究［D］. 西安： 西安电子科技大学， 2022.

Shen Huifang. Research on Radar Signal Sorting Technology in Complex Environment［D］.Xian： Xidian University， 2022. （in Chinese）

［87］ Shi Y H， Xu H， Jiang L， et al. ConvLSTMAE：  A Spatiotemporal Parallel Autoencoders for Automatic Modulation Classification［J］. IEEE Communications Letters， 2022， 26（8）： 1804-1808.

［88］ Liu Y B， Liu Y， Yang C. Modulation Recognition with Graph Convolutional Network［J］. IEEE Wireless Communications Letters， 2020， 9（5）： 624-627.

［89］ Ghasemzadeh P， Hempel M， Wang H G， et al. GGCNN：  An Efficiency-Maximizing Gated Graph Convolutional Neural Network Architecture for Automatic Modulation Identification［J］. IEEE Transactions on Wireless Communications， 2023， 22（9）： 6033-6047.

［90］ Hao X Y， Feng Z X， Yang S Y， et al. Automatic Modulation Classification via Meta-Learning［J］. IEEE Internet of Things Journal， 2023， 10（14）： 12276-12292.

［91］ Li H Z， Liao Y L， Wang W H， et al. A Novel Time-Domain Graph Tensor Attention Network for Specific Emitter Identification［J］. IEEE Transactions on Instrumentation and Measurement， 2023， 72： 1-14.

［92］ Meng H， Peng Y X， Wang W B， et al. Spatio-Temporal-Frequency Graph Attention Convolutional Network for Aircraft Recognition Based on Heterogeneous Radar Network［J］. IEEE Transactions on Aerospace and Electronic Systems， 2022， 58（6）： 5548-5559.

［93］ 庞春逸. 机载雷达辐射源和工作模式识别［D］. 西安： 西安电子科技大学， 2022.

Pang Chunyi. Airborne Radar Emitter and Working Mode Identification［D］.Xian： Xidian University， 2022. （in Chinese）

［94］ Lang P， Fu X J， Dong J， et al. A Novel Radar Signals Sorting Method via Residual Graph Convolutional Network［J］. IEEE Signal Processing Letters， 2023， 30： 753-757.

［95］ 王杰. 基于改進有限穿透可视图网络的雷达信号分选［D］. 杭州： 杭州电子科技大学， 2023.

Wang Jie. Radar Signal Sorting Based on Improved Limited Penetrable Visibility Graph Network［D］. Hangzhou： Hangzhou Dianzi University， 2023. （in Chinese）

［96］ Xuan Q， Zhou J C， Qiu K F， et al. AvgNet：  Adaptive Visibility Graph Neural Network and Its Application in Modulation Classification［J］. IEEE Transactions on Network Science and Engineering， 2022， 9（3）： 1516-1526.

［97］ Ghasemzadeh P， Hempel M， Sharif H. A Robust Graph Convolutional Neural Network-Based Classifier for Automatic Modulation Recognition［C］∥ International Wireless Communications and Mobile Computing ，  IEEE， 2022.

［98］ Cai J J， Gan F M， Cao X H， et al. Signal Modulation Classification Based on the Transformer Network［J］. IEEE Transactions on Cognitive Communications and Networking， 2022， 8（3）： 1348-1357.

［99］ Hamidi-Rad S， Jain S. MCformer：  A Transformer Based Deep Neural Network for Automatic Modulation Classification［C］∥ IEEE Global Communications Conference， 2021.

［100］ 李振星， 赵晓蕾， 刘伟承， 等. 基于Transformer的通信信号调制识别方法［J］. 太赫兹科学与电子信息学报， 2022， 20（12）： 1311-1317.

Li Zhenxing， Zhao Xiaolei， Liu Weicheng， et al. A Modulation Recognition Method of Communication Signal Based on Transformer［J］. Journal of Terahertz Science and Electronic Information Technology， 2022， 20（12）： 1311-1317.（in Chinese）

［101］ Deng P F， Hong S H， Qi J， et al. A Lightweight Transformer-Based Approach of Specific Emitter Identification for the Automatic Identification System［J］. IEEE Transactions on Information Forensics and Security， 2023， 18： 2303-2317.

［102］ Xu H F， Xu X D. A Transformer Based Approach for Open Set Specific Emitter Identification［C］∥7th International Conference on Computer and Communications，  2021.

［103］ Ziemann M R， Metzler C A. Transformers for Robust Radar Waveform Classification［C］∥56th Asilomar Conference on Signals， Systems， and Computers， 2022.

［104］ 董章华， 赵士杰， 赖莉. 一种基于Swin Transformer神經网络的低截获概率雷达信号调制类型的识别方法［J］. 四川大学学报： 自然科学版， 2023， 60（2）： 42-48.

Dong Zhanghua， Zhao Shijie， Lai Li. A Radar Signal Modulation Type Recognition Method Based on Swin Transformer Neural Network［J］. Journal of Sichuan University： Natural Science Edition， 2023， 60（2）： 42-48.（in Chinese）

［105］ 马聪聪. 雷达辐射源信号指纹特征智能分析和识别［D］. 西安： 西安电子科技大学， 2020.

Ma Congcong. Intelligent Analysis and Identification of Fingerprint Characteristics of Radar Radiation Source Signals［D］. Xian： Xidian University， 2020. （in Chinese）

［106］ 王亮， 肖易寒. Transformer网络在雷达辐射源识别中的应用［J］. 应用科技， 2021， 48（5）： 81-85.

Wang Liang， Xiao Yihan. Application of Transformer Network in Radar Emitter Recognition［J］. Applied Science and Technology， 2021， 48（5）： 81-85.（in Chinese）

［107］ 张旭威， 徐鹏涛， 管振辉. 基于Transformer的雷达信号分选方法［J］. 舰船电子对抗， 2023， 46（5）： 84-87.

Zhang Xuwei， Xu Pengtao， Guan Zhenhui. Radar Signal Sorting Method Based on Transformer［J］. Shipboard Electronic Countermeasure， 2023， 46（5）： 84-87.（in Chinese）

［108］ Zheng Q H， Tian X Y， Yu Z G， et al. MobileRaT： A Lightweight Radio Transformer Method for Automatic Modulation Classification in Drone Communication Systems［J］. Drones， 2023， 7（10）： 596.

［109］ 李慧琼. 端到端无线通信信号的调制识别方法研究［D］. 桂林： 广西师范大学， 2023.

Li Huiqiong. Research on End-to-End Modulation Recognition Method of Wireless Communication Signal［D］. Guilin：  Guangxi Normal University， 2023. （in Chinese）

［110］ Kong W， Jiao X， Xu Y， et al. A Transformer-Based Contrastive Semi-Supervised Learning Framework for Automatic Modulation Recognition［J］. IEEE Transactions on Cognitive Communications and Networking， 2023， 9（4）： 950-962.

［111］ Wang Y Q， Yao Q M， Kwok J T， et al. Generalizing from a few Examples：  A Survey on Few-Shot Learning［J］. ACM Computing Surveys， 53（3）： 63.

［112］ 黄科举. 数据驱动与知识引导相结合的通信辐射源个体识别技术研究［D］. 长沙： 国防科技大学， 2022.

Huang Keju. Communication Emitter Identification Based on Combinations of Data Driven and Knowledge Informed Methods［D］. Changsha： National University of Defense Technology， 2022. （in Chinese）

［113］ 张杰. 基于自监督胶囊网络的雷达一维距离像识别算法研究［D］. 杭州： 杭州电子科技大学， 2022.

Zhang Jie. Study of Radar High Resolution Range Profile Recognition Based on Self-Supervised Capsule Network［D］. Hangzhou： Hangzhou Dianzi University， 2022. （in Chinese）

［114］ 陈洋. 基于自监督特征的通信信号智能识别与检索技术［D］. 郑州： 战略支援部队信息工程大学， 2022.

Chen Yang. Intelligent Identification and Retrieval Technology of Communication Signals by Self-Supervised Characteristics［D］. Zhengzhou： PLA Strategic Support Force Information Engineering University， 2022. （in Chinese）

［115］ Soltani N， Sankhe K， Dy J， et al. More is Better： Data Augmentation for Channel-Resilient RF Fingerprinting［J］. IEEE Communications Magazine， 2020， 58（10）： 66-72.

［116］ Kumawat S， Verma M， Nakashima Y， et al. Depthwise Spatio-Temporal STFT Convolutional Neural Networks for Human Action Recognition［J］. IEEE Transactions on Pattern Analysis and Machine Intelligence， 2021： 1.

［117］ 江志浩， 周卿， 石敏， 等. 作戰目标知识图谱构建与应用［J］. 海军航空工程学院学报， 2020， 35（6）： 471-477.

Jiang Zhihao， Zhou Qing， Shi Min， et al. Construction and Application of Knowledge Graph for Target in Battlefield［J］. Journal of Naval Aeronautical and Astronautical University， 2020， 35（6）： 471-477.（in Chinese）

［118］ 李英凯， 王淑菲， 张逸彬， 等. 基于信号特征知识图谱和特征融合的特定辐射源识别技术［J］. 移动通信， 2023， 47（6）： 115-121.

Li Yingkai， Wang Shufei， Zhang Yibin， et al. Specific Emitter Identification Technology Based on Signal Feature Knowledge Graph and Feature Fusion［J］. Mobile Communications， 2023， 47（6）： 115-121.（in Chinese）

［119］ 左毅， 张桂林， 吴蔚， 等. 面向战场海空目标识别的知识图谱应用［J］. 指挥信息系统与技术， 2019， 10（3）： 1-5.

Zuo Yi， Zhang Guilin， Wu Wei， et al. Knowledge Graph Application for Battlefield Airborne/Maritime Target Intelligent Recognition［J］. Command Information System and Technology， 2019， 10（3）： 1-5.（in Chinese）

［120］ Yang C， Yang S Y， Feng Z X， et al. Quadruplet Convolution Neural Network with C3 Loss （C3-QCNN） for Signal Classification［J］. IEEE Transactions on Instrumentation and Measurement， 2022， 71： 1-8.

A New Paradigm for Knowledge-Data Driven Electromagnetic

Target Representation

Yang Shuyuan*， Yang Chen， Feng Zhixi， Pan Qiukai

（Xidian University， Xian 710071， China）

Abstract： Electromagnetic target representation is a common fundamental problem in electromagnetic space situational awareness. Early target representation was based on expert empirical knowledge， which required designers to have strong professional background and prior knowledge， and is performed poorly in complex signal environments. Deep learning， which has been developed in recent years， provides a new way for signal representation in complex electromagnetic environments. It simulates the deep structure of the human brain to build a machine learning model to automatically represent and process target data in an end-to-end manner， and shows good performance in perception tasks such as electromagnetic target detection， classification， identification， parameter estimation， and behavioral cognition. However， deep learning relies heavily on massive amounts of high-quality labelled data， and has certain limitations in the real electromagnetic environment. Incorporating know-ledge into intelligent systems has always been the research direction of artificial intelligence. Combining know-ledge and data for electromagnetic target representation will hopefully improve target perception accuracy and generalization ability， and is becoming a new direction in electromagnetic target representation. This paper reviews the development process of electromagnetic target representation techniques， and provide an outlook on the new paradigm of electromagnetic target perception driven by joint knowledge-data.

Key words：target representation； expert knowledge； deep learning； joint knowledge-data-driven；  know-ledge graph