摘要
针对密集电磁环境下雷达信号因到达时间交错、观测时窗内波形截断导致信号完整性缺失与多分量信号混叠的问题,提出了一种基于轻量化 YOLOv8n目标检测网络的多分量雷达信号检测与识别方法。该方法首先对雷达信号进行时频分析处理,随后将生成的时频图输入到 YOLOv8n 网络中进行检测并识别。YOLOv8n 中路径聚合网络 (path aggregation network, PANet)的双向特征金字塔结构将跨阶段局部双卷积瓶颈(cross stage partial bottleneck with 2 convolutions, C2f)模块输出的多层次特征进行双向融合,显著增强了模型在复杂场景下的特征表征能力。实验结果表明,在信噪比为-1dB条件下,YOLOv8n 目标检测模型对到达时间交错条件下的多分量雷达信号具有良好的识别效果,整体召回率达到99.0%。
Abstract
To address the problems of radar signal integrity degradation and multi-component signal aliasing due to the overlapping arrival times and waveform truncation within observation windows in dense electromagnetic scenarios, a multi-component radar signal detection and recognition method based on lightweight YOLOv8n target detection network was proposed. The method first performed time-frequency analysis on the radar signals, then inputted the generated time-frequency image into YOLOv8n network for detection and recognition. The YOLOv8n network employed path aggregation network (PANet) with a bidirectional feature pyramid structure to bidirectionally fuse multi-level features extracted from cross stage partial bottleneck with 2 convolutions (C2f) module, significantly enhancing the feature representation capability of the model in complex scenarios. The experimental results show that the YOLOv8n target detection model achieves robust recognition performance for multi-component, time-interleaved radar signals at -1 dB signal-to-noise ratio, with an overall recall rate of 99.0%.
0 引言
在针对多分量信号的研究中，目前的主流方法是采用“先分离后识别”的策略，即先在观测时窗内将多分量信号分离为单分量信号，再进行分类识别。文献[1]通过盲源分离提取独立分量，并结合 Wigner-Hough 变换进行识别; 文献 [2]在改进的快速独立成分分析（fast independent component analysis，FastICA）盲分离算法的基础上，基于自适应霍夫变换（adaptive Hough transform，AHT）方法对分离后的信号进行判别; 文献[3]通过分析多分量信号的二值图像，采用逐分量消除法实现分量分离; 文献[4] 利用盲源分离方法对多分量信号进行分离，并将单分量信号的时频图输入深度学习网络进行识别。尽管现有方法能够分离多分量信号，但在密集电磁环境下应用仍存在局限性[5]:当信号到达时间不一致且观测时窗固定时，现有方法未能充分考虑信号时域截断导致的特征缺失问题。
深度学习模型由于具有强大的复杂目标特征提取能力，因此在雷达信号识别领域得到了广泛应用。以深度学习为核心的机器学习技术逐渐成为当前信号识别的主流方法[6]。但残差神经网络（residual neural network，ResNet）等传统分类网络在模型复杂度及识别准确度等方面存在不足，这促使基于目标检测算法的信号识别方法逐渐成为新的研究趋势。基于深度学习的目标检测算法可分为单阶段检测算法和双阶段检测算法，单阶段检测算法以 SSD（single shot multiBox detector）、YOLO（you only look once）系列算法为代表，双阶段检测算法以 R-CNN（regions with convolutional neural networks）、Faster R-CNN 为代表。相较于双阶段目标检测算法，YOLO 系列的单阶段检测算法推理速度更快，能够实现对目标的实时检测。其中，YOLOv8n 以轻量、高效、高精度为核心，通过结构精简与算法优化，平衡了速度与性能，广泛应用于嵌入式设备及实时检测场景。
针对密集电磁环境下雷达信号因到达时间交错、观测时窗内波形截断导致信号完整性缺失与多分量信号混叠等问题，本文在对雷达信号进行时频分析的基础上，提出一种基于轻量化 YOLOv8n目标检测网络的多分量信号检测与识别方法，并对时间交错条件下多分量雷达信号的检测与识别性能进行仿真验证。
1 信号调制识别理论基础
1.1 多分量信号识别框架
在时间交错条件下，多分量信号检测与识别的总体框架如图1所示。
目前典型的雷达信号有线性调频（LFM）、非线性调频（NLFM）和调相（PM）信号，信号输入模块将这些雷达调制信号作为数据输入。信号预处理模块首先对雷达调制信号进行平滑伪 Wigner-Ville 分布（smoothed pseudo Wigner-Ville distribution，SPWVD）时频分析以生成时频图; 然后，裁剪时频图以去除不含信号信息的冗余区域，只保留有用区域; 最后，对图像进行尺寸调整和归一化处理，并通过RGB映射将时频图转换为彩色图像以增强特征表达。深度学习模块将预处理后的时频图输入到 YOLOv8n网络模型中进行关键特征提取和目标识别，最终输出时间交错条件下多分量信号的识别结果。
图1多分量信号检测与识别总体框架图
1.2 雷达信号建模
线性调频信号是指在脉冲持续时间内信号频率随着时间呈线性递增或递减的调制信号。线性调频信号的数学表达式为
(1)
式中:Arect（t/T）为信号包络，其中A 为脉冲幅度，rect（·）为矩形函数，T 为脉宽; f0 为初始频率; k =B/T 为线性调频斜率，其中 B 为调频带宽。
非线性调频信号是指信号频率随时间呈非线性变化的调制信号，其频率变化规律突破了线性调频的固定斜率约束。作为非线性调频信号的特例，偶二次调频（EQFM）信号的瞬时频率关于时间中心点T/2对称，表现为独特的二次抛物线型调频结构。EQFM 信号的数学表达式为
(2)
式中:k=8B/（3T2）为非线性调频斜率。
调相信号是指通过改变载波相位来携带信息的调制信号。因噪声抑制效果好，调相信号成为雷达中常用的一种调制信号。在二进制相移键控（BPSK）调制中，主要采用载波相位0，π分别对应二进制数字信息中的0和1。BPSK 信号的数学表达式为
(3)
式中:Cd（·）为相位编码函数; φ0 为初始相位。
1.3 时频分析
作为雷达信号特征的直观表征，时频图能提供比传统时域或频域参数更加丰富的信息。辐射源信号的有意调制特征可通过时频分析所得的时频图准确表征，因此时频分析对辐射源信号识别具有关键作用。常用时频分析方法有短时傅里叶变换（STFT）、小波变换（WT）、Wigner-Ville分布（WVD）、伪 Wigner-Ville分布（PWVD）以及 SPWVD。其中，PWVD 是一种改进的时频分析方法，通过一维平滑处理有效抑制了 WVD 的交叉项干扰; 而SPWVD 则采用时频二维联合平滑处理，可同时消除时域和频域的交叉项[7]。因此，本文使用SPWVD处理辐射源信号，以减少交叉项干扰等因素影响。
选取 7 种雷达调制信号作为输入，包括正调频（PositiveLFM）、负调频（NegativeLFM）、先正后负双向调频（PositiveTFM）、先负后正双向调频（NegativeTFM）等4种线性调频信号，以及非线性调频信号 EQFM、单频信号 Sine、数字调相信号 BPSK。对7种单分量信号及时间交错条件下的多分量混叠信号进行 SPWVD 处理后，得到的雷达调制信号 SPWVD 时频图如图2所示。在固定采样时间窗口约束下，到达时间交错具体表现为以下4种情况:首达信号与后续信号之间存在时间偏移，如图2（m）所示; 出现信号延迟现象，如图2（c）所示; 在固定观测时窗内出现信号波形完整性缺失，如图2（j）所示; 多分量信号发生混叠现象，如图2（l）所示。
图2雷达调制信号的SPWVD时频图
2 基于时频分析的 YOLOv8n目标检测网络
2.1 YOLOv8n网络原理
YOLOv8n能够高效处理图像数据，在特征提取阶段就获得目标雷达信号的检测框边界及其对应的类别概率。YOLOv8n网络架构如图3所示，该网络主要包括5个模块:输入端、骨干网络、颈部网络、检测头和输出端。
图3YOLOv8n网络架构
骨干网络作为 YOLOv8n的核心模块，主要由卷积（Conv）、跨阶段局部双卷积瓶颈（cross stage partial bottleneck with 2 convolutions，C2f）和空间金字塔快速池化（spatial pyramid pooling-fast，SPPF）3个关键模块组成，负责从输入图像中提取特征信息。其中:Conv模块整合了卷积层、批量归一化层以及 SiLU 激活函数，形成了基础特征处理单元; C2f模块在跨阶段三卷积瓶颈（cross stage partial bottleneck with 3 convolutions，C3）模块结构基础上改进，通过跨阶段部分特征融合技术实现浅层与深层特征的融合，提高了检测精度; SPPF模块通过空间金字塔池化机制有效提取了图像中的重复特征，提高了候选框的生成速度。颈部网络连接骨干网络采用路径聚合网络（path aggregation network，PANet）的双向特征金字塔结构，将 C2f模块输出的多层次特征进行双向融合。该网络通过上采样（Upsample）模块将深层特征图的空间分辨率恢复至浅层特征图的尺度，提升了特征图的分辨率; 同时在拼接（Concat）模块中采用通道维度拼接操作集成多层次的特征图，实现跨尺度特征融合，显著增强了模型在复杂场景下的特征表征能力。检测头对骨干网络提取到的多尺度特征进行解码，同时完成目标的空间定位和类别预测。输出端整合检测头的原始输出，最终生成包含目标位置和类别信息的检测结果。这些模块的协同合作使得 YOLOv8n网络在目标检测任务中拥有出色的表现。
在处理多分量信号混合情况时，基于时频分析的 YOLOv8n目标检测网络较 ResNet等传统分类网络展现出了显著优势。
一方面，YOLOv8n网络模型更加轻量化，模型参数量仅为2.97M，较 ResNet（25.56M）降低了88.4%，显著减少了内存占用; 同时 YOLOv8n 模型的单样本端到端处理耗时仅为6.12ms，较 ResNet（8.38 ms）缩短了 37%，满足高实时性需求。
另一方面，传统分类网络需覆盖所有可能存在的信号组合，导致训练模型复杂度剧增，而 YOLOv8n目标检测网络仅需标注信号类别及其在时频图中的独立位置信息，就能够完成识别任务，显著降低了数据标注成本和模型优化难度。更重要的是，传统分类网络只能判断信号在某一段时间内是否存在，不能细化信号的具体起始时刻，而 YOLOv8n目标检测网络通过边界框回归可以直接输出信号在时频域的精确时间窗口。这种精确的时序定位能力使其在多分量信号识别方面表现出更加优异的性能。
2.2 损失函数
YOLOv8n的损失函数主要由三部分构成: 分类损失（class loss）、回归损失（box loss）和对象性损失（object loss）。
分类损失Lcls 用于衡量预测类别概率与实际标签的差异。焦点损失（focal loss）函数是一种针对类别不平衡问题设计的分类损失函数，其表达式为
(4)
式中: 为预测概率; 为正负样本权重，用于平衡正负样本; γ为难易样本权重，用于平衡难易样本。
回归损失Lreg 用于优化预测边界框位置和尺寸。完整交并比损失（complete intersection over union loss，CIoU loss）函数是一种先进的边界框回归优化损失函数，其表达式为
(5)
式中:J 为预测框与真实框的交并比; ρ（b，bgt）为预测框中心点b 与真实框中心点bgt 间的欧氏距离函数; c为包围预测框与真实框的最小外接矩形的对角线长度; α为超参数，用于平衡宽高比损失; v 为宽高比损失。
对象性损失Lobj 用于衡量预测框是否包含有效目标。二元交叉熵（binary cross entropy，BCE）损失函数是用于二分类任务的经典对象性损失函数，其表达式为
(6)
式中:y 为真实标签; 为模型预测的置信度。
在 YOLOv8n 网络中，总损失 Ltotal 由以上 3个损失函数加权求和获得，以平衡目标检测任务中分类、定位、置信度预测等不同子任务的贡献。Ltotal 的表达式为
(7)
式中:λcls，λreg，λobj 为分类损失、回归损失、对象性损失的权重系数。
3 实验仿真结果分析
3.1 数据集构建
将信噪比为-1dB的原始信号进行SPWVD 时频分析预处理后生成时频图，构建了包含 2000个样本的仿真数据集。数据集中的信号样本在采样时间内的出现与结束时刻并不固定。此外，实信号和复信号经时频处理后得到的时频图尺寸不同，因此需将实信号的单边谱和复信号的双边谱统一进行尺度变换，调整至相同尺寸后再输入模型训练。预处理后图像分辨率统一为 1024×512像素，并按照8∶1∶1的比例划为训练集、测试集和验证集。模型训练采用 8.33× 10-4 的学习率配合 Adam 优化器进行参数更新。
YOLOv8n模型经 100 个训练轮次（epoch）后，其在训练集和测试集上得到的损失函数收敛曲线如图4所示，其中蓝线和黄线分别表示原始信号及其 SPWVD 处理后的时频图在模型训练中的损失函数曲线。实验结果表明，损失函数在前20个epoch内快速收敛，验证了学习率设置的合理性。
图4损失函数收敛曲线
3.2 YOLOv8n目标检测网络识别结果
基于目标检测网络的识别算法的优点是:对多分量信号样本，该算法不仅可以准确检测出信号分量个数，还可以有效识别各分量的具体调制方式。基于 YOLOv8n模型，多分量信号的检测识别结果如图5所示，其检测识别置信度如表1所示。
图5多分量信号的检测识别结果
表1多分量信号检测识别的置信度
图5表明 YOLOv8n模型可有效识别以下调制信号样本:采样时间内出现的时间不同步但基本包含完整信号的调制信号，如图5（a）所示; 带宽和初始载频相近，且频域严重交叠的调制信号，如图5（e）所示; 初始载频相近的不同调制类型信号，如图5（c）、图5（g）所示; 带宽及分布频带相同，甚至出现近似拼接效果的调制信号，如图5（h）所示。由表1可知:各调制类型信号的识别置信度均保持在较高水平，验证了该检测识别算法的有效性和可靠性。
在信噪比为-1dB的条件下，基于多分量调制信号测试集统计的 YOLOv8n模型的信号识别精确率与召回率如表2所示，其整体精确率和召回率分别达到96.6%和99.0%。
表2不同调制信号识别的精确率与召回率
实验结果表明，YOLOv8n模型可有效识别不同时间交错条件下的多分量信号，验证了该目标检测网络在调制信号识别任务中的有效性。
3.3 对比实验分析
（1）YOLOv8n与 ResNet对比
ResNet作为传统深度神经网络，通过残差模块构建基本网络单元，采用直接连接和跳跃连接相结合的方式避免梯度消失问题[8]，在目标分类任务中表现良好。其识别方案是将7类多分量信号编码成35种类型，在信噪比为-1dB 的条件下，通过混淆矩阵与可视化方法呈现各调制信号的详细识别结果，最终实现了84.74%的整体识别精确率。
基于 YOLOv8n和 ResNet的混淆矩阵可视化对比如图6所示。可知:基于 YOLOv8n的目标检测方法不需要对信号进行排列组合，只需标注调制类型即可，算法复杂度显著降低; 而 ResNet传统卷积神经网络在多分量信号样本识别任务方面的表现相对有限。
（2）YOLOv8n与 EfficientDet对比
EfficientDet是由 Google团队于 2020 年提出的高效目标检测模型[9]。作为一种能够平衡检测精度和检测速度的目标检测器，该模型因其出色的计算效率和可扩展性自提出以来广受认可[10-11]。在不同信噪比下对雷达调制信号进行测试，分别在 YOLOv8n 和 EfficientDet目标检测网络的测试集上进行测试，其召回率曲线如图7所示。实验结果表明，在复杂的多分量信号识别任务中，YOLOv8n相较于 EfficientDet展现出全面性能优势:针对7类多分量信号，YOLOv8n目标检测网络整体召回率显著高于 EfficientDet目标检测网络的，对单频信号（如 Sine）及调相信号（如BPSK）等困难样本的召回率也有显著提高。
图6基于 YOLOv8n和 ResNet的混淆矩阵可视化对比
3.4 YOLOv8n算力评估
识别模型采用 YOLOv8n，分别在当前主流的边缘计算部署框架 ONNX（CPU）和 TensorRT（GPU）硬件平台上，基于包含1000个样本的测试集进行算力评估。其中 GPU 采用 GeForce RTX3090，其半精度浮点运算（FP16）推理速度为 35.58 TFLOPS，INT8 整型算力可达 568TOPS，并集成了328个 TensorCore。CPU 采用 AMD Ryzen95950X。评估结果显示: YOLOv8n模型在 ONNX框架下通过 CPU 推理的耗时为30.70ms，而在 TensorRT 框架下通过 GPU 推理的耗时为1.52ms。该模型参数量为 2.97M，算力需求为 8.2GFLOPS，所有推理耗时均采用中位数统计以避免系统干扰。测试表明采用高性能 GPU 并行计算架构可显著提升目标识别速率，处理效率较CPU 提高20倍，毫秒级处理时延满足工业级实时性要求。
图7不同检测网络的召回率曲线图
4 结束语
本文针对时间交错条件下多分量雷达信号的检测与识别问题，选取平滑伪 Wigner-Ville分布对雷达调制信号进行时频处理，提出了基于 YOLOv8n目标检测网络的多分量雷达信号的检测与识别方法。与传统神经网络 ResNet及目标检测模型 EfficientDet 的对比仿真结果表明: YOLOv8n模型在对多分量雷达信号的时序定位能力、错误溯源能力以及算法复杂度方面均优于 ResNet等传统分类网络; 在信噪比为-1dB 的条件下，YOLOv8n网络对信号识别的整体精确率和召回率分别达到 96.6% 和 99.0%，较 EfficientDet基准模型有明显提升; 对于到达时间交错、波形截断导致完整性缺失的雷达信号，YOLOv8n模型仍有良好表现。
图8不同框架下单样本识别耗时箱线图