摘要：多功能雷達(dá)因其靈活的工作模式和捷變的波形特征，可并行執(zhí)行多種任務(wù)等優(yōu)勢(shì)，已獲得廣泛應(yīng)用，對(duì)雷達(dá)情報(bào)偵察對(duì)抗帶來了極大挑戰(zhàn)。識(shí)別多功能雷達(dá)工作模式是后續(xù)威脅評(píng)估、自適應(yīng)對(duì)抗和引導(dǎo)攻擊的前提和基礎(chǔ)，直接決定著雷達(dá)對(duì)抗措施的針對(duì)性和有效性。主要以典型多功能雷達(dá)為研究對(duì)象，對(duì)典型的作戰(zhàn)場(chǎng)景仿真建模，在深入分析多功能雷達(dá)不同工作模式的基礎(chǔ)上，提出了一種基于關(guān)系圖卷積網(wǎng)絡(luò)（relational graph convolutional networks，RGCN）的多功能雷達(dá)工作模式識(shí)別的新方法，實(shí)現(xiàn)了數(shù)據(jù)的并行化處理，解決了不同工作模式與特征參數(shù)之間的相互作用。

關(guān)鍵詞：多功能雷達(dá)；工作模式識(shí)別；神經(jīng)網(wǎng)絡(luò)；圖卷積網(wǎng)絡(luò)；關(guān)系圖卷積網(wǎng)絡(luò)

DOI：10.3969/j.issn.1009-086x.2025.01.013

中圖分類號(hào)：TN971；TJ76 文獻(xiàn)標(biāo)志碼：A 文章編號(hào)：1009-086X（2025）-01-0120-09

引用格式：郁春來，馮明月，金宏斌，等，一種基于RCCN的多功能雷達(dá)工作模式識(shí)別方法[J]，現(xiàn)代防御技術(shù)，2025，53（1）：120-128.

Reference format：YU Chunlai，F(xiàn)ENC Mingyue，JIN Hongbin，et al.A Method of Working Mode Recognition for Multi-function Radar Based on RCCN[J].Modern Defence Technology，2025，53（1）：120-128.

0 引言

多功能雷達(dá)可以根據(jù)戰(zhàn)術(shù)需要來靈活切換工作模式，不同工作模式下雷達(dá)信號(hào)參數(shù)和波形特征都不盡相同，如何從截獲的信號(hào)中挖掘并利用信號(hào)參數(shù)的規(guī)律和特點(diǎn)，識(shí)別出雷達(dá)工作模式，進(jìn)而推斷出威脅等級(jí)和行為意圖，對(duì)電子對(duì)抗情報(bào)分析工作具有重要意義。

多功能雷達(dá)不僅工作模式多樣，單個(gè)工作模式涉及的特征屬性數(shù)目也很多。數(shù)據(jù)挖掘是機(jī)器學(xué)習(xí)研究的一個(gè)重要組成也是面向?qū)ο髴?yīng)用的重要手段之一，它主要包括數(shù)據(jù)的統(tǒng)計(jì)、分類、回歸預(yù)測(cè)和特征選擇等。目前數(shù)據(jù)挖掘中數(shù)據(jù)分類方法主要包括支持向量機(jī)（support vector machine，SVM）［1］、決策樹（decision tree， DT）［2］、隨機(jī)森林（random forest， RF）［3］、人工神經(jīng)網(wǎng)絡(luò)（artificialneural network， ANN）［4］ 、樸素貝葉斯法（naiveBayes， NB）［5］等，它們?cè)趯?shí)際應(yīng)用中各有所長(zhǎng)。有些研究文章已經(jīng)開發(fā)了不同模型和算法來識(shí)別多功能雷達(dá)的工作模式，比如邏輯回歸［6］、支持向量機(jī)［7］和隨機(jī)森林［8］等，取得了一定的效果。利用粒子群（particle swarm optimization， PSO）的動(dòng)態(tài)概率神經(jīng)網(wǎng)絡(luò)（dynamic probabilistic neuralnetwork， DPNN）的方法對(duì)4 種雷達(dá)的工作模式進(jìn)行分類［9］，在有10% 的測(cè)量誤差時(shí)具有97% 的識(shí)別率。以上的方法在識(shí)別效果都有很不錯(cuò)的效果甚至在較高的測(cè)量誤差也有很好的效果，但所識(shí)別的模式類別較少、數(shù)據(jù)維度較小，且有些方法在識(shí)別時(shí)只是單一地對(duì)每個(gè)工作模式訓(xùn)練模型，并沒有考慮到實(shí)際應(yīng)用中數(shù)據(jù)交疊的情況，因此不具備實(shí)際應(yīng)用的意義。一種基于分層的Seq2Seq（sequence-to-sequence）長(zhǎng)短期記憶網(wǎng)絡(luò)工作模式識(shí)別方法［10］，能夠準(zhǔn)確劃分工作模式之間的邊界，能在脈沖層次上實(shí)現(xiàn)雷達(dá)工作模式的識(shí)別。為了解決樣本集存在的工作模式樣本不平衡現(xiàn)象，對(duì)信號(hào)樣本集進(jìn)行聚類劃分，然后針對(duì)每個(gè)簇有監(jiān)督地訓(xùn)練一個(gè)循環(huán)神經(jīng)網(wǎng)絡(luò)分類器，最后通過對(duì)各分類器的結(jié)果加權(quán)整合得到了最終結(jié)果［11］。RF 是目前集成學(xué)習(xí)中被廣泛應(yīng)用的一種算法，對(duì)經(jīng)典的RF 在訓(xùn)練樣本特征選擇與決策方式上進(jìn)行改進(jìn)，相比于單一分類器與經(jīng)典RF 分類器準(zhǔn)確率有一定提升［12］。與集成學(xué)習(xí)不同，深度學(xué)習(xí)重點(diǎn)關(guān)注語音和圖像的處理，它通過模仿人類視聽以及思考的過程，在高維空間中探索輸入樣本或者特征的規(guī)律，在醫(yī)學(xué)圖像檢測(cè)、遙感圖像分類與雷達(dá)輻射源識(shí)別領(lǐng)域使用卷積神經(jīng)網(wǎng)絡(luò)（convolutional neural networks， CNN）對(duì)圖像進(jìn)行處理分析［13-14］，實(shí)驗(yàn)正確率均在90% 以上。從目前研究看，如何進(jìn)一步發(fā)揮算法本身優(yōu)勢(shì)、實(shí)現(xiàn)數(shù)據(jù)并行化處理，還需深入研究。多功能不同工作模式在某些特征屬性上差別并不大，比如速度搜索（velocity search， VS）模式與搜索加跟蹤（trackand search， TAS）模式下脈沖幅值序列的平滑度和離散度的值之間交疊嚴(yán)重，且樣本完全獨(dú)立。實(shí)際上，樣本間由于具有邊的連接而具有相關(guān)性，這些相關(guān)信息更有利于分析樣本間的相互依賴關(guān)系，進(jìn)而可以以此為依據(jù)完成推理、預(yù)測(cè)、分類等任務(wù)。另外，同種工作模式可能包含相近的特征參數(shù)，模式-模式相似性也可為圖譜提供重要的參考特征。

在圖卷積網(wǎng)絡(luò)（graph convolutional networks，GCN）［15］模型中，數(shù)據(jù)以圖的形式呈現(xiàn)，樣本作為節(jié)點(diǎn)，樣本之間的關(guān)系作為邊。圖卷積操作通過聚合從其相鄰節(jié)點(diǎn)傳遞的消息來更新每個(gè)節(jié)點(diǎn)的表示，每個(gè)節(jié)點(diǎn)都在保留自己特征的同時(shí)了解其拓?fù)渖舷挛摹GCN［16］又稱為關(guān)系GCN，是GCN 的一種變體，相比于GCN，它能夠分配不同的權(quán)重矩陣來處理異構(gòu)圖（即包含各種類型的節(jié)點(diǎn)和邊的圖）各種關(guān)系，相比于GCN 對(duì)應(yīng)關(guān)系的權(quán)重參數(shù)是公用的，RGCN 每種不同的關(guān)系是有獨(dú)立的權(quán)重參數(shù)的，對(duì)于工作模式來說不同的特征（關(guān)系）對(duì)識(shí)別的貢獻(xiàn)度效果是不一樣的，所以為每種特征（關(guān)系）單獨(dú)設(shè)置權(quán)重參數(shù)從理論上來講是完全合理的。為此，本文擬基于RGCN 構(gòu)建相應(yīng)工作模式識(shí)別模型，有利于進(jìn)一步挖掘數(shù)據(jù)樣本間的關(guān)聯(lián)信息，分析研究工作模式-特征相互作用（特征與工作模式的內(nèi)在聯(lián)系）和模式-模式之間相似性，并將其應(yīng)用于多功能雷達(dá)的工作模式識(shí)別。