0 引 言
电子情报（Electronic Intelligence, ELINT）系统通过截获、处理敌方雷达、通信等电子信号，提取辐射信号参数、工作模式等关键情报信息，分析敌作战意图，为防空反导、掩护战机突防等作战任务提供决策支撑的核心情报系统，是现代信息化战争中“制电磁权”的关键要素［1］。
早期采用噪声压制的能量对抗方式对ELINT系统进行干扰，利用强大的噪声信号“遮蔽”ELINT接收机，使其无法检测到真实的目标信号。随着ELINT系统频率覆盖范围拓展，一般可达0.35~18 GHz，采用宽带噪声干扰对其进行压制在技术上逐渐难以实现［2］，且会对己方用频设备造成严重影响，对抗策略逐渐转向精密欺骗式干扰。仝朝坤［3］分析了ELINT系统信号接收及处理流程中存在的薄弱环节,研究了针对射频接收层、信号处理层、数据处理层的干扰方法，认为干扰脉冲信号应当具备雷达脉冲信号的调制特性,使得ELINT无法判断脉冲信号来自雷达还是干扰机，提出了在空域、时域和频域的干扰方法。余强等［4］提出基于信号PRI参数分选的干扰技术和对ELINT系统信道化接收机干扰技术。但由于精密欺骗式干扰高度依赖掩护雷达信号特征，随着现代雷达技术的快速发展，雷达信号样式和工作模式日益复杂，干扰方难以精确获取并匹配雷达参数，且ELINT通过多源情报信息融合处理等手段能够区分真假目标，因此精密欺骗式干扰在真实战场环境下发挥效能有限。
鉴于噪声压制和精密欺骗干扰在实际应用中存在的劣势，目前一般采用杂乱脉冲的干扰方式对抗ELINT系统，即在掩护信号目标频率附近调制大量脉宽随机变化的干扰脉冲，扰乱ELINT对目标信号的分选识别，导致分选结果大量增批，无法从中分辨真实目标。针对杂乱脉冲干扰的抑制方法目前研究较少，相关文献多集中在将机器学习算法引入信号分选当中，苏显康等［5］提出基于层次聚类和谱适应的雷达信号分选方法，该方法应对脉冲丢失、散乱杂波的场景，表现出较好的准确性和稳定性，其中的散乱杂波与杂乱脉冲干扰相似，但该方法在杂波占比为25%、脉冲丢失概率为10%的情况下，分选正确率为80%左右，性能不佳。刘鲁涛等［6］提出改进DSets的无参数雷达信号分选算法，实现在无任何先验信息条件下完成对雷达信号混合脉冲聚类，在虚假脉冲比例低于50%的情况下，分选正确率能够达到93.13%。
杂乱脉冲干扰以窄脉冲信号为主，脉冲密度远远大于雷达信号，上述方法不再适用。本文提出一种基于卷积神经网络-双向长短期记忆网络（Convolutional Neural Network-Bidirectional Long Short-Term Memory Network, CNN-BiLSTM）的杂乱脉冲干扰抑制方法，利用卷积神经网络的局部特征提取能力和长短时记忆网络的时序建模能力对杂乱脉冲干扰信号进行检测，消除其对信号分选的影响，该方法在高脉冲密度干扰环境下表现优异，且雷达信号参数和工作模式的变化不影响其效能的发挥。
1 杂乱脉冲干扰对侦察分选影响分析
杂乱脉冲干扰通过发射大量无序、随机分布的脉冲信号，使真实目标信号淹没其中，破坏ELINT系统对目标信号截获、参数测量和分选能力，导致其无法准确提取目标特征及分选识别。
杂乱脉冲干扰可以描述为
式中，Ai为第i个脉冲的幅度，τi为脉宽，Ti为脉冲周期，fi为频率，rect(t)为窗函数:
各个参数均为一定范围内的随机数，且随机范围显著超出雷达参数测量的正常误差范围，使得杂乱脉冲在各个维度呈现随机性和无序性。
ELINT系统对雷达信号的分选包括预分选和主分选两个环节，杂乱脉冲干扰对两个环节均能造成影响。
1.1 对预分选的影响
雷达信号通常与噪声、杂波等干扰信号混叠，ELINT接收机收到混叠信号后，经过门限判决，从中截获雷达信号，随后进行参数测量，提取时、空、频等各维度信息，形成脉冲描述字（Pulse Discreption Word，PDW）。由于空间中可能存在多个辐射源，PDW中包含数量众多、相互交织的脉冲信号，一般首先进行预分选，即基于参数的信号聚类，对不同类别脉冲信号进行粗分类，实现脉冲流的稀释，为下一步的主分选做准备。预分选大多通过空域稀释将来自不同方向的脉冲进行分类，再采用聚类算法进行分类［7］。本文假设脉冲流已经过空域稀释，即认为杂乱脉冲干扰和模拟雷达来自同一方向。
常用的聚类算法包括K-Means算法、基于密度的噪声应用空间聚类（Density-Based Spatial Clustering of Applications with Noise，DBSCAN）算法等［8］。K-Means算法通过迭代调制簇分布和聚类中心，使得簇内误差平方和最小化实现聚类，但需要指定划分的簇数目以及迭代参数，适用于空间辐射源数量已知的情况。DBSCAN算法引入密度聚类的思想，不需要预设簇数目［9］。其基本原理是对于数据集D，以p为核心、R为半径的区域集合为［10］
式中，dist(p,q)表示和核心点之间的距离。
通过设定R和最小样本数目（Minimum number of Points,MinPts）,得到其对应密度阈值［11］:
DBSCAN算法通过选取任意未被访问的点p，以其为中心搜索邻域半径，内密度可达的点，划为同一簇，遍历所有数据点实现聚类［12］。
DBSCAN算法是基于不同雷达脉冲在多维参数空间中各自集中分布，形成不同的高密度区域的原理进行聚类的［13］。杂乱脉冲干扰在对掩护雷达进行参数模仿的基础上进行随机调制，发射雷达信号参数附近，且在各个维度随机分布的大量脉冲，形成大范围的高密度区域，使得干扰信号和掩护雷达信号聚为一类，容易判断杂乱脉冲干扰能够对侦察预分选进行有效破坏。
1.2 对主分选的影响
主分选是在预分选基础上，依据各个子脉冲的时域关联性对脉冲到达时间进行二次处理［14］。序列差值直方图算法（Sequence Difference Histogram，SDIF）是目前应用广泛的分选算法，SDIF算法通过逐阶计算脉冲到达时间差值的直方图，结合子谐波检测实现真实目标周期特征提取，其阈值检测门限公式如下［15］。
式中，κ为丢失率系数，A为脉冲个数，C为直方图阶数，τ为脉冲采样时间，K为可变参数，N为直方图区间箱数。
由于SDIF算法需要统计不同阶次到达时间差直方图结果，其目的是提取脉冲间的周期特征，而杂乱脉冲干扰信号脉宽和脉冲间隔均随机分布，与真实雷达脉冲混叠分布，如图1所示。
图1 雷达脉冲和杂乱脉冲干扰分布示意图
当不存在杂乱脉冲干扰信号时，雷达脉冲具有明显的1阶统计特征，当存在杂乱脉冲干扰信号时，雷达脉冲周期特性包含3阶、4阶、5阶特征。真实环境中，杂乱脉冲密度会远超图1中所示情形，雷达脉冲周期特性会分散于多阶特征中，过多阶次会造成各阶统计值被大大削弱，导致雷达脉冲几乎“丧失”周期特征。
此外，SDIF检测门限与脉冲数A密切相关，而干扰信号数量众多，会显著抬高检测门限，使得不同阶次到达时间差直方图统计值难以超过门限。因此杂乱脉冲干扰能够对基于时间相关性的主分选算法进行有效破坏。
2 基于CNN-BiLSTM的杂乱脉冲抑制
传统分选算法是在一定的先验知识，即对雷达信号规律明确认知的前提下，设计相应的规则提取目标特征。杂乱脉冲干扰的主要特点是随机性强和数量众多，显著降低雷达信号的原本规律，导致传统分选算法失效。机器学习算法以数据驱动的方式进行特征学习，自主挖掘深层规律，有望从大量混叠的PDW中提取隐含的雷达信号特征［16］。为解决杂乱脉冲干扰对预分选和主分选的影响，提升ELINT系统在复杂电磁环境下的侦察分选能力，本文将机器学习算法引入分选环节［17］。
由于杂乱脉冲干扰信号在脉宽、频率和幅度上具有大范围随机的特征，而雷达信号参数分布相对固定，即使随搜索范围、工作状态改变调整脉宽、带宽等参数，或开启重频参差、频率捷变等抗干扰措施导致其参数在某一维度发生变化，但一方面其参数变化维度有限，另一方面变化有一定的规律性，在短时间内相对稳定，因此杂乱脉冲干扰信号相较雷达信号有显著的局部特征差异。CNN卷积层的神经元对输入数据的局部区域响应，在提取数据局部特征时具备独特的优势，适用于杂乱脉冲干扰下的雷达信号局部特征提取。
对于雷达而言，虽然不同体制雷达工作参数和模式各不相同，但均遵循一定的规律。以“萨德”系统AN/TPY-2雷达为例，典型工作状态包括:搜索、确认、跟踪和识别，雷达首先按照设定的模式进行目标搜素，搜索到目标后进行确认，确认目标后立即进行跟踪，跟踪稳定后对目标进行识别。但在雷达发射脉冲并非完全按照搜索-确认-跟踪-识别的顺序依次发射，而是按照优先级进行资源分配，其中跟踪脉冲优先级最高，在保证对所有目标跟踪的前提下，再完成对目标的识别和搜索。跟踪数据率为10 Hz时，AN/TPY-2雷达工作时序如图2所示。
图2 AN/TPY-2雷达工作时序图
可以看出，雷达信号具有其固定的周期特性，同时雷达发射脉冲信号样式及其改变策略有一定的前后因果关系，BiLSTM利用“双向建模”能力能够捕捉这种周期特性和因果关系［18］。杂乱脉冲干扰信号脉宽、脉冲间隔均随机分布，前后并不存在周期特性和因果关系，因此利用BiLSTM能够有效区分雷达信号和杂乱脉冲干扰信号。
根据以上分析，本文提出基于CNN-BiLSTM模型的侦察分选方法，在预分选阶段对杂乱脉冲信号检测后滤除，模型由4个主要部分组成:输入层、CNN模块、BiLSTM模块和输出层［19］，如图3所示。
图3 CNN-BiLSTM模型框图
2.1 卷积神经网络模块
CNN模块包含一维卷积层、激活层、池化层和展平层。一维卷积层通过滑动卷积核捕捉脉冲流局部特征［20］，其数学表达式为
式中，X为输入数据，K为卷积核，M、N为卷积核尺寸，Y为输出特征。本文中M、N均取3，卷积核个数设置为16。
激活函数引入非线性运算以提升模型的表达能力，本文选择Leaky ReLU函数作为激活函数，该函数是ReLU函数的改进，通过保留正输入、引入固定负斜率实现非线性映射，保留高效计算的同时缓解了ReLU函数负截断容易导致神经元死亡的问题，其数学表达式为
式中，α为可学习参数。
池化层用于保留局部区域最大值，提取显著特征，降低数据维度，提高运算效率，本文选择最大池化方式，池化尺寸和步进为2。展平层将卷积层核池化层输出的多维特征转换为一维向量，供后续BiLSTM模块学习。
2.2 双向长短时记忆模块
长短时记忆网络（Long Short-Term Memory，LSTM）是一种传统循环神经网络（Recurrent Nearal Networks，RNN）的变体［21］，引入遗忘门、输入门、输出门和记忆状态捕捉长序列之间的依赖关系，通过“门控机制”实现对“长期记忆”的保留或遗忘，缓解了RNN在处理长序列数据时的梯度消失和梯度爆炸问题［22］。BiLSTM是LSTM的改进，通过同时运行正向LSTM和反向LSTM，捕捉时间序列中的前后依赖关系，实现“双向上下文建模”［23］。BiL-STM原理如图4所示。
图4 BiLSTM原理框图
BiLSTM中的正向LSTM和反向LSTM分别从正反两个方向处理输入时间序列。在LSTM中，隐藏状态ht用于输出和传递到下一时间步，有较强的动态特征；而细胞状态ct用于存储“长期记忆”，通过遗忘门、输入门和输出门的门控机制选择更新或遗忘信息，其数学模型为
式中，ft、it、ot分别为遗忘门、输入门和输出门的激活值，Wf、Wi、Wo和bf、bi、bo为相应的权重矩阵和偏置向量，σ为Sigmoid激活函数，
为候选记忆细胞状态，*为矩阵逐元素相乘。
2.3 实施步骤
具体实施步骤如下。
步骤1 设置雷达信号和杂乱脉冲干扰信号参数，生成训练信号环境。
步骤2 截获信号，从噪声、干扰中检测出有效脉冲，进行参数测量，形成PDW。
步骤3 利用到达角对脉冲流进行初分类，实现空域稀释，将空域稀释后包含雷达信号和杂乱脉冲干扰信号的PDW作为训练数据集。
步骤4 将训练数据集输入到CNN-BiLSTM模型进行训练，形成训练模型。
步骤5 改变雷达信号和杂乱脉冲干扰信号参数，生成测试信号环境，重复步骤1~3，生成测试数据集，利用训练好的模型验证测试数据集，评估杂乱脉冲干扰识别分类性能和模型域泛化能力。
3 仿真分析
以干扰站对星载ELINT杂乱脉冲干扰场景为例进行仿真分析，设置对抗场景如图5所示。为方便分析，假设工作状态为搜索和跟踪两种状态，且3部雷达除信号样式外，布设位置、扫描空域等其他参数一致。
图5 对星载ELINT杂乱脉冲干扰仿真场景
3.1 仿真条件
假设干扰站和3部雷达位于ELINT同一角度分辨单元内，雷达波束宽度为3°，方位搜索范围为-15°～15°，俯仰搜索范围为0°～15°，在正弦空间的编排如图6所示。其中“指向ELINT的搜索脉冲”表示该波位搜索脉冲主瓣信号能够进入ELINT接收机，其他波位脉冲副瓣信号进入ELINT接收机。
图6 雷达波束在正弦空间的编排
搜索波束脉冲驻留次数为1，带宽1 MHz；跟踪波束脉冲驻留数为8，带宽为5 MHz，跟踪数据率为10 Hz。各雷达平均副瓣为-30 dB，雷达副瓣信号功率在ELINT灵敏度以上，雷达和干扰信号参数设置如表1所示。其中考虑了信号起伏、频率测量误差等因素，对各模拟雷达信号调制了一定的随机量。
表1 雷达辐射信号及多径延迟参数
辐射源脉宽/频率/重周/幅度/dBμsGHzμs主瓣副瓣雷达15010.02504010雷达21009.55004515雷达320010.51 000355干扰站1～409.9～10.11～530/
3.2 无杂乱脉冲干扰下的分选仿真
设置DBSCAN聚类算法邻域半径为8，最小点数为20，在无杂乱脉冲干扰情况下对3部模拟雷达的聚类结果如图7所示。
图7 DBSCAN算法对模拟雷达信号聚类结果
对雷达1所属类别采用SDIF算法进行主分选，丢失率系数κ取0.8，可变参数K取0.15，直方图区间箱数N取2 000，分选结果如图8和图9所示。可以看出预分选算法能够很好地区分不同雷达辐射信号，主分选算法能够提取雷达信号周期特征。
图8 无杂乱脉冲干扰时雷达信号第1阶SDIF直方图
图9 无杂乱脉冲干扰时雷达信号第2阶SDIF直方图
3.3 杂乱脉冲干扰下的分选仿真
按照表1所示参数模拟杂乱脉冲干扰信号，DBSCAN算法参数设置与3.2节一致，聚类结果如图10所示。可以看出，虽然主分选能够将3部雷达信号进行区分，但杂乱脉冲干扰和雷达1信号完全重叠，被认为属于同一类别，对该类采用SDIF算法进行主分选，结果如图11和图12所示。
图10 DBSCAN算法对受杂乱脉冲干扰后雷达信号聚类结果
图11 受杂乱脉冲干扰后的雷达信号第1阶SDIF直方图
图12 受杂乱脉冲干扰后的雷达信号第2阶SDIF直方图
由图11和图12可以看出，不同阶次直方图统计结果难以超过检测门限。主要原因是受杂乱脉冲干扰信号影响，相邻雷达脉冲之间脉冲数量众多，且随机变化。假如降低检测门限，必然造成大量增批，虚警率大幅提升，因此采用传统的主分选方法难以提取雷达周期特性。
3.4 基于CNN-BiLSTM的雷达信号提取仿真
以到达时间、脉宽、频率和幅度作为输入特征，为更好地提取到达时间的周期特性，将到达时间进行正弦化处理。将CNN模块设置为3层网络，每层包含16个大小为4的卷积核；BiLSTM模块设置为3层网络，每层包含50个隐藏节点。
以3.3节经过DBSCAN聚类后的杂乱脉冲和雷达1信号作为训练集，选取10 s数据作为训练样本，调整雷达和干扰参数，构建测试集，选取10 s数据作为测试样本，通过CNN-BiLSTM模型后的分类结果如表2所示，提取序号4的雷达信号如图13所示。
表2 CNN-BiLSTM模型对不同训练样本的分类结果
序信号脉宽/频率/重周/脉冲测试结果/%号类别μsGHz间隔/μs准确率召回率雷达5010250197.8196.77干扰1~609.9~10.11~10雷达6010300296.8894.75干扰1~609.9~10.11~10雷达6010.2300396.0994.38干扰1~6010.1~10.31~10雷达6010.2300496.6492.63干扰1~8010.1~10.31~5
图13 经CNN-BiLSTM模型分类后提取的雷达信号
可以看出，经过CNN-BiLSTM模型分类后，滤除了大部分的杂乱脉冲干扰信号。对于构建的不同信号和干扰参数的测试集，均能够达到较高的准确率和召回率，表明该模型有较好的域泛化能力。重新采用SDIF算法进行处理，结果如图14和图15所示。可以看出SDIF算法能够有效提取雷达信号周期特征，证明了本文所提方法的有效性。
图14 CNN-BiLSTM模型提取雷达信号第1阶SDIF直方图
图15 CNN-BiLSTM模型提取雷达信号第2阶SDIF直方图
4 结束语
ELINT系统能够大范围获取对方电磁信号特征，是情报获取和电子支援的有效手段，在电子战体系中发挥着重要作用，但随着信息技术的发展，用频设备呈现激增态势，战场电磁环境日益复杂，ELINT系统面临各种有意和无意干扰，从复杂的战场电磁环境中准确提取目标辐射源信号特征日渐困难。本文针对杂乱脉冲干扰信号的无序性、随机性和雷达信号的有序性、规律性特征，提出基于CNN和BiLSTM的干扰信号和雷达信号分类识别模型，显著降低了ELINT系统面对大量干扰信号时的侦察分选压力，该模型较好的域泛化能力表明其在复杂多变的电磁环境下具备一定的推广应用前景。
［1］ SHAPERO S. Introduction to Modern EW Systems［J］.IEEE Aerospace and Electronic Systems Magazine, 2019,34（8）:62-63.
［2］ 王洪迅,王洪雷,邓靖,等.电磁域主动防御理论研究［J］.现代防御技术,2023,51（3）:102-104.
［3］ 仝朝坤.电子情报获取系统的干扰方法研究［D］.成都:电子科技大学,2022.
［4］ 余强,毕大平,陈璐,等.对ELINT系统基于信号PRI参数分选的干扰技术［J］.火力与指挥控制,2016,41（2）:144-146.
［5］ 苏显康,张大维,叶方.基于层次聚类和谱适应的雷达信号分选方法［J］.系统工程与电子技术,2025,47（1）:102-104.
［6］ 刘鲁涛,王璐璐,陈涛.基于改进DSets的无参数雷达信号分选算法［J］.中国舰船研究,2021,16（4）: 233-235.
［7］ 隋金坪,刘振,刘丽,等.雷达辐射源信号分选研究进展［J］.雷达学报,2022,11（3）: 418-423.
［8］ 薛俊杰,刘良玉,马小艳,等.基于循环随机Hough变换和DBSCAN的群起始算法［J］.雷达科学与技术,2025,23（6）:700-706.
［9］ 伍佳钰,甄佳奇.基于自适应 DBSCAN聚类的雷达信号分选方法［J］.黑龙江大学工程学报,2025,16（1）: 64-68.
［10］ 刘丽明,陈正宁,姚啸.基于DBSCAN算法的PDW数据二次分选方法研究［J］.舰船电子对抗,2019,42（2）:80-83.
［11］ DADGARNIA A, SADEGHI M T.A Novel Method of Deinte rleaving Radar Pulse Sequences Based on a Modified DBSCAN Algorithm［J］.China Communications,2023, 20（2）:198-215.
［12］ 唐曦,李文海,唐贞豪,等.基于DBSCAN和CGAN的不平衡数据过采样方法［J］.系统工程与电子技术,2025,47（11）:3739-3753.
［13］ 李乔乔.基于海量数据的雷达脉冲分选与型号识别算法研究［D］.成都:电子科技大学,2025.
［14］ 袁泽恒,田润澜,张旭洲.改进加权SVC的雷达信号分选新方法［J］.现代防御技术,2018,46（3）: 86-92.
［15］ 贾金伟,韩壮志,刘利民,等.基于SDIF门限失效的雷达射频隐身信号设计原理［J］.系统工程与电子技术,2023,45（6）:1693-1701.
［16］ APFELD S, CHARLISH A. Recognition of Unknown Radar Emitters with Machine Learning［J］.IEEE Transactions on Aerospace and Electronic Systems,2021,57（6）:4433-4447.
［17］ LI Xueqiong,LIU Zhangmeng,HUANG Zhitao,et al. Radar Emitter Classification with Attention-Based Multi-R-NNs［J］.IEEE Communications Letters, 2020,24（9）:2000-2004.
［18］ 白杨,范成礼,付强,等.基于BiLSTM-Attention和动态贝叶斯网络的防空目标智能意图预测方法［J］.系统工程理论与实践,2024,44（11）:3738-3747.
［19］ 王伟文,邹霞,周浩田,等.多模型组合的调制识别方法对比研究［J］.陆军工程大学学报,2025,4（5）:60-67.
［20］ 孔超,周政,王彩平,等.融合注意力机制的CNN-LSTM模型在复杂生产环境中的产能预测研究［J］.光电子·激光,2025,36（12）:1257-1264.
［21］ 张一凡,张双辉,刘永祥,等.基于注意力机制的堆叠LSTM网络雷达HRRP序列目标识别方法［J］.系统工程与电子技术,2021,43（10）:2775-2781.
［22］ 张正文,向严谨,廖桂生.一种基于长短期记忆网络的雷达目标跟踪算法［J］.现代雷达,2025,47（2）:83-90.
［23］ 普运伟,刘涛涛,吴海潇,等.基于卷积双向长短时记忆网络的雷达辐射源信号识别［J］.激光与光电子学进展,2022,59（22）:361-368.