0 引言

在现代战争中，电子对抗已成为决定战场态势的关键因素^[1]。作为最常用的无源干扰手段，箔条干扰通过在空中抛洒大量金属箔条，形成密集虚假目标群，对雷达系统构成严重威胁^[2-3]。箔条干扰的有效性源于箔条与真实目标在雷达回波特性上的高度相似性：一方面，单根箔条的雷达散射截面积（RCS）与小型无人机相当^[4]；另一方面，箔条云的动态扩散过程会产生类似舰船运动的微多普勒特征^[5]。

传统抗干扰技术主要依靠时频分析和特征提取两种方法。时频分析通过滤波抑制干扰分量，但对非平稳信号的适应性较差；特征提取基于人工设计特征（如RCS起伏统计、时频熵等）构建分类器，其性能严重依赖专家经验^[6-8]。随着新型干扰样式的出现，这些方法的局限性日益凸显。

在此背景下，基于深度学习的智能识别技术展现出独特优势。不同于传统方法，基于深度学习的特征提取网络能够自动从海量数据中挖掘区分性特征。然而，现有研究多聚焦于单一模态的特征提取，未能充分考虑雷达目标识别中时空特征的耦合关系^[9-10]。因此，干扰识别需同时分析空间维度的散射特征（如距离像起伏）和时间维度的动态演化特征（如扩散速率），这对特征提取网络提出了更高要求。此外，复杂电磁环境下的强噪声干扰、多径效应等因素，进一步增加了特征提取的难度。

针对上述挑战，本文提出一种基于时空感知双流融合网络（spatial-temporal aware dual-stream fusion network，STF-Net）的干扰类型识别方法。首先，构建局部特征提取和全局特征建模的双流架构，分别捕获距离-多普勒图像的空间局部细节特征和时间全局上下文特征，并设计特征融合模块实现多尺度特征的有效融合；然后，提出分类优化-特征判别损失函数，通过联合优化分类损失和特征判别损失，增强模型对各种干扰和真实目标的区分能力；最后，通过消融实验和对比实验进行性能仿真验证。

1 基于STF-Net的箔条识别方法

1.1 整体架构

本文提出的基于STF-Net的箔条识别方法流程如图1所示。

基于STF-Net的箔条识别方法首先使用带有标注信息的一维距离像样本作为训练数据输入网络，这些数据样本中包括三种干扰样式以及真实目标共四种类别。然后，STF-Net使用局部特征提取支路提取一维距离像的边缘和纹理等空间局部细节特征，同时使用全局特征提取支路提取一维距离像的时间上下文特征，再经特征融合模块得到时空融合特征。接着，Softmax分类器基于融合后的深度特征进行分类预测，根据每个类别的输出概率进行预测，与真实标签比较计算损失函数，优化网络模型。最后，将不含标注信息的一维距离像样本作为测试数据，输入优化后的网络进行预测，得到最终的结果。

STF-Net整体框架如图2所示。网络包含局部特征提取支路、全局特征提取支路和特征融合模块，三个核心模块分别用于处理空间细节、建模时序依赖以及实现特征互补。

1.2 局部特征提取

局部特征提取支路由卷积层（Conv1~Conv6）、最大池化层（Max pool1~Max pool3）和全局平均池化层（GAP1，GAP2）组成。局部特征提取支路主要用于一维距离像局部特征的提取，其主要结构是一维卷积神经网络（convolution neural network，CNN）。

一维CNN通过局部连接和层次化学习机制，能够提取一维距离像中的边缘特征和纹理特征。在一维信号处理中，边缘特征通常表现为信号幅度的突变，而纹理特征则表现为具有重复性或规律性的局部模式。一维CNN通过卷积核在信号上进行滑动卷积操作，可有效捕捉输入数据的局部结构变化。每个卷积核可以看作一个可学习的滤波器，其权重在网络训练过程中不断优化。CNN的第一层卷积层通常会学习到类似于传统边缘检测算子的特征，如一阶或二阶差分滤波器。随着网络深度的增加，这些基础边缘特征会被进一步组合和抽象，形成更高层次的纹理特征。

与传统的卷积神经网络不同，本文局部特征提取支路使用了空洞卷积。空洞卷积通过引入膨胀率，利用稀疏采样扩展感受野，能够在不增加参数量的前提下扩大感受野范围，是普通卷积在大感受野特征提取上的高效扩展。对于一维信号x，空洞卷积的输出信号a的第i个样本

式中：i为输出信号的位置索引；K为卷积核长度；w（k）为第k个权重；x（·）为输入信号序列函数；d为膨胀率，控制采样间隔，当d=1时，空洞卷积退化为普通卷积。当d=1，4时，普通卷积和空洞卷积输入信号采样对比示意图如图3所示。

此外，为了缓解深层网络中的梯度消失问题，在局部特征提取支路中引入了残差连接。该机制通过将低层特征直接传递至高层，不仅使网络更容易训练，同时还保留了原始信息、提升了模型性能。局部特征提取支路各层参数如表1所示。

1.3 全局特征建模

本文采用全局特征提取支路对一维距离像的全局特征进行建模。全局特征提取支路由位置编码（Position Encoding）、线性变换（Linear）、缩放点积注意力计算、拼接操作（Concat）、层归一化（Layer Normalization）、线性层（FC1、FC2）和激活函数（GELU）等模块组成。

全局特征提取支路设计借鉴Transformer模型，并利用其多头注意力机制来捕捉一维信号中的深层依赖关系。多头注意力机制通过并行计算多个独立的注意力头（子空间），实现对输入序列中不同层面依赖关系的协同建模。每个注意力头都可以学习到独特的注意力模式，有的头聚焦于局部特征交互，有的头则倾向于捕捉长程依赖关系。这种基于不同观察视角的协同特征提取方式，大大增强了模型的表征能力。

首先，对输入信号序列进行位置编码，增强网络对信号时间顺序的敏感性。对于序列中位置索引为P、维度索引为j的输入信号，其位置编码

式中：d_model为输入信号序列的维度。

然后，使用多头注意力机制将输入特征矩阵通过线性变换（Linear）投影到多个查询（Query）子空间、键（Key）子空间和值（Value）子空间，每个子空间对应一个特定的注意力头。在每个注意力头内部，通过计算查询矩阵Q与键矩阵K的缩放点积相似度来生成注意力权重矩阵，然后对值矩阵V进行加权求和，得到该注意力头的输出。其表达式为

式中：Attention（·）为自注意力函数；T为矩阵转置运算符；d_k为键矩阵K的维度，实现对点积结果的缩放；Softmax（·）为归一化指数函数。对于包含n个元素的输入向量z=（z₁，z₂，···，z_n），Softmax函数将其转化为一个概率分布向量p=（p₁，p₂，···，p_n），则第k个元素z_k的概率p_k的表达式为

最终，所有注意力头的输出通过拼接操作进行了特征融合，并由线性层调整维度，形成了具有丰富语义信息的综合表征。

从计算效率的角度来看，多头注意力机制通过将高维特征空间分解为多个低维子空间，不仅降低了单个注意力头的计算复杂度，还通过并行计算架构提升了整体运算效率。此外，该机制引入了缩放因子来稳定点积注意力的梯度传播，有效缓解了输入维度较大时可能出现的梯度消失或爆炸问题。

1.4 特征融合策略设计

在所提STF-Net中，通过拼接操作模块进行局部特征与全局特征的融合。其核心思想是在特征维度上直接连接两种不同感受野的特征表示，从而构建具有多层次信息的复合特征。

假设STF-Net的局部特征提取支路输出的局部特征为${\mathit{F}}_{\text{local}}\in {\mathbb{R}}^{B\times N\times D_{\text{local}}}$，其中$\mathbb{R}$为实数集，B为批次大小，N为序列长度或空间位置数，D_local为局部特征维度；而全局特征提取支路输出的全局特征为${\mathit{F}}_{\text{global}}\in {\mathbb{R}}^{B\times D_{\text{global}}}$，其中D_global为全局特征维度。为了将二者融合，通常需要先对全局特征进行空间或时序维度的扩展，完成其与局部特征的维度对齐。具体而言，首先通过广播机制将全局特征扩展至B×N×D_global维，随后在特征维度上直接拼接局部特征与全局特征，生成融合后的特征${\mathit{F}}_{\text{fused}}\in {\mathbb{R}}^{B\times N\times \left(D_{\text{local}}+D_{\text{global}}\right)}$。

1.5 损失函数设计

针对本文所提的STF-Net，设计了一种分类优化-特征判别联合损失函数。该损失函数通过协同优化分类边界和特征空间分布，显著提升模型的判别能力。其结构由分类优化损失和特征判别损失两部分组成，通过动态平衡机制实现端到端优化。

分类优化损失函数在交叉熵损失函数的基础上引入类别权重，来应对类别不平衡问题。具体来说，该函数使用类别样本数的平方根倒数作为权重系数，使得样本量少的类别获得更大权重，而样本量多的类别权重相对降低。相比传统的类别样本数倒数，采用平方根倒数的权重系数更加平滑，能够有效缓解极端类别不平衡带来的训练偏差。则分类优化损失函数

其中

式中：N_sam为样本总数；C为类别总数；N_c为类别c的样本数；I（y_i=c）为样本y_i属于类别c的二值变量，当y_i=c时，I（y_i=c）为1，否则为0；p（y_i=c|F_fused）为样本y_i属于类别c的概率。

特征判别损失函数用于优化特征空间的几何结构，主要包含类内聚合优化和类间分离优化。类内聚合通过最小化同类别样本在特征空间中的距离来实现；类间分离则通过最大化不同类别样本间的特征距离来实现。类内聚合和类间分离使得同类别样本在特征空间中紧密聚集，而不同类别样本则保持足够距离。则特征判别损失函数

式中：${\mathit{F}}_{\text{fused}}^i$，${\mathit{F}}_{\text{fused}}^j$分别为样本y_i、样本y_j的融合特征；‖·‖₂为L2范数运算符；I（y_i=y_j）为y_i，y_j是同类样本的二值变量；I（y_i≠y_j）为y_i，y_j是不同类样本的二值变量；ε为小常数，防止分母为0。分类优化-特征判别联合损失函数

式中：λ为联合损失函数权重系数，用于平衡两个损失函数。

2 实验验证

2.1 实验数据处理

一维距离像数据采用实测数据，雷达工作在X波段，采用垂直极化，频率采样点数为400，通道数为64。在演习过程中，飞机在舰船周围逆时针盘旋，获得不同角度的回波数据。一维距离像是由多通道雷达回波生成的距离-多普勒（R-D）图，经恒虚警率（CFAR）检测后，在多普勒维累积而成的。

在雷达目标检测中，准确识别不同类型干扰对提高检测性能至关重要。不同类型干扰具有以下特征：冲淡干扰与舰船目标相互独立，仅需进行存在性检测；质心干扰同时包含箔条和舰船目标，可为后续舰船精确识别提供初步的检测范围；而杂波干扰则主要表现为海杂波与扩散阶段后期的箔条云。因此，本文采用的实测回波数据包含四种类型，分别是冲淡干扰、质心干扰、杂波干扰和舰船目标。上述各类型回波数据的样本数量分别为2 579，1 800，2 396，2 480，并按照约8∶2的比例将所有数据分成训练集和测试集。冲淡干扰、质心干扰、杂波干扰和舰船目标实测回波信号如图4~图7所示。

2.2 实验及结果分析

时空感知双流融合网络的训练使用Adam优化算法，初始学习率设为0.001，训练批大小设为32。卷积相关结构权重采用Kaiming正态初始化，而其他结构采用Xavier正态初始化。

（1） 消融实验

为验证所提网络中各个模块的有效性，进行了消融实验，实验结果如表2所示。

由表2可知，仅采用全局特征提取网络时的识别准确率达到94.9%，相比仅使用局部特征提取网络的91.8%提升了3.1%，这表明全局特征具有更强的表征能力。当同时引入局部特征和全局特征但未进行特征融合时，识别准确率进一步提升至95.2%，验证了多尺度特征的互补优势。在进行特征融合但未使用专用联合损失函数的情况下，模型性能出现明显下降，识别准确率仅为93.7%，较最优配置降低了2.6%。最终，采用特征融合策略并使用专用联合损失函数的完整模型取得了96.3%的最高识别准确率。

（2） 识别准确率对比实验

为了验证所提方法的有效性，分别与传统支持向量机（support vector machine，SVM）^[8]、时间卷积网络（temporal convolutional network，TCN）^[10]、残差网络（residual network，ResNet）^[11]、卷积神经网络+长短时记忆网络 （long short-term memory，LSTM）^[12]等识别方法进行了对比，识别准确率对比实验结果如表3所示。可知，SVM方法取得了86.5%的识别准确率，而TCN将识别准确率提升至90.3%，较SVM提高了3.8%。在深度学习方法中，ResNet50模型表现出色，达到91.6%的识别准确率，验证了残差结构特征提取的有效性。CNN-LSTM的混合模型进一步将识别准确率提升至92.3%，这说明时空特征的联合建模具有优势。而本文所提的STF-Net以96.3%的识别准确率显著优于其他对比方法，较次优的CNN-LSTM的混合模型提升了4.0%。上述实验结果充分证明了STF-Net在多尺度特征融合和时空信息处理方面的优越性，为复杂场景下的目标识别任务提供了一种新的解决方案。

（3） 鲁棒性验证实验

为进一步验证STF-Net的鲁棒性，考虑在实际海环境中识别箔条可能会面临海杂波干扰与其他新型箔条干扰。通过两种方式模拟相应场景：一是在测试集中添加噪声，模拟海杂波干扰；二是减少样本量，模拟小样本场景。

在高斯白噪声及不同信噪比条件下，各方法的识别准确率对比结果如图8所示。可知，随着信噪比的增大，各方法的识别准确率均逐渐提高；与其他方法相比，所提方法始终具有最高的识别准确率，如在信噪比为4 dB时，其识别准确率高达96.3%。

不同样本数下各方法的识别准确率对比结果如图9所示。可知，随着样本数的增大，各方法的识别准确率均逐渐提高；与其他方法相比，在样本比例低至12.5%的情况下，所提方法依然具有85%的识别准确率。

3 结束语

本文针对复杂电磁环境下雷达目标识别性能下降的问题，提出了一种基于时空感知双流融合网络的干扰类型识别方法。首先，在特征提取层面，突破了传统单一路径的特征提取模式，构建的双流网络架构可以同时捕捉目标的局部散射特征和全局动态演化特征。其次，提出的自适应特征融合机制解决了多尺度特征整合的难题，并通过动态权重分配策略实现了局部细节特征与全局上下文特征的有机融合，使干扰及目标的特征表示更加完备。最后，针对复杂电磁环境的特点，设计的联合优化策略有效平衡了识别准确率和特征可分性。

未来研究可从以下两方向展开：一是探索极化特征与时空特征的深度融合机制，进一步提升模型对新型干扰的适应能力；二是研究模型的轻量化部署方案，以适应边缘计算的资源约束。

参考文献