摘要：多功能雷達因其靈活的工作模式和捷變的波形特征，可并行執(zhí)行多種任務等優(yōu)勢，已獲得廣泛應用，對雷達情報偵察對抗帶來了極大挑戰(zhàn)。識別多功能雷達工作模式是后續(xù)威脅評估、自適應對抗和引導攻擊的前提和基礎，直接決定著雷達對抗措施的針對性和有效性。主要以典型多功能雷達為研究對象，對典型的作戰(zhàn)場景仿真建模，在深入分析多功能雷達不同工作模式的基礎上，提出了一種基于關系圖卷積網絡（relational graph convolutional networks，RGCN）的多功能雷達工作模式識別的新方法，實現了數據的并行化處理，解決了不同工作模式與特征參數之間的相互作用。

關鍵詞：多功能雷達；工作模式識別；神經網絡；圖卷積網絡；關系圖卷積網絡

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

中圖分類號：TN971；TJ76 文獻標志碼：A 文章編號：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的多功能雷達工作模式識別方法[J]，現代防御技術，2025，53（1）：120-128.

Reference format：YU Chunlai，FENC 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

多功能雷達可以根據戰(zhàn)術需要來靈活切換工作模式，不同工作模式下雷達信號參數和波形特征都不盡相同，如何從截獲的信號中挖掘并利用信號參數的規(guī)律和特點，識別出雷達工作模式，進而推斷出威脅等級和行為意圖，對電子對抗情報分析工作具有重要意義。

多功能雷達不僅工作模式多樣，單個工作模式涉及的特征屬性數目也很多。數據挖掘是機器學習研究的一個重要組成也是面向對象應用的重要手段之一，它主要包括數據的統(tǒng)計、分類、回歸預測和特征選擇等。目前數據挖掘中數據分類方法主要包括支持向量機（support vector machine，SVM）［1］、決策樹（decision tree， DT）［2］、隨機森林（random forest， RF）［3］、人工神經網絡（artificialneural network， ANN）［4］ 、樸素貝葉斯法（naiveBayes， NB）［5］等，它們在實際應用中各有所長。有些研究文章已經開發(fā)了不同模型和算法來識別多功能雷達的工作模式，比如邏輯回歸［6］、支持向量機［7］和隨機森林［8］等，取得了一定的效果。利用粒子群（particle swarm optimization， PSO）的動態(tài)概率神經網絡（dynamic probabilistic neuralnetwork， DPNN）的方法對4 種雷達的工作模式進行分類［9］，在有10% 的測量誤差時具有97% 的識別率。以上的方法在識別效果都有很不錯的效果甚至在較高的測量誤差也有很好的效果，但所識別的模式類別較少、數據維度較小，且有些方法在識別時只是單一地對每個工作模式訓練模型，并沒有考慮到實際應用中數據交疊的情況，因此不具備實際應用的意義。一種基于分層的Seq2Seq（sequence-to-sequence）長短期記憶網絡工作模式識別方法［10］，能夠準確劃分工作模式之間的邊界，能在脈沖層次上實現雷達工作模式的識別。為了解決樣本集存在的工作模式樣本不平衡現象，對信號樣本集進行聚類劃分，然后針對每個簇有監(jiān)督地訓練一個循環(huán)神經網絡分類器，最后通過對各分類器的結果加權整合得到了最終結果［11］。RF 是目前集成學習中被廣泛應用的一種算法，對經典的RF 在訓練樣本特征選擇與決策方式上進行改進，相比于單一分類器與經典RF 分類器準確率有一定提升［12］。與集成學習不同，深度學習重點關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)學圖像檢測、遙感圖像分類與雷達輻射源識別領域使用卷積神經網絡（convolutional neural networks， CNN）對圖像進行處理分析［13-14］，實驗正確率均在90% 以上。從目前研究看，如何進一步發(fā)揮算法本身優(yōu)勢、實現數據并行化處理，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重，且樣本完全獨立。實際上，樣本間由于具有邊的連接而具有相關性，這些相關信息更有利于分析樣本間的相互依賴關系，進而可以以此為依據完成推理、預測、分類等任務。另外，同種工作模式可能包含相近的特征參數，模式-模式相似性也可為圖譜提供重要的參考特征。

在圖卷積網絡（graph convolutional networks，GCN）［15］模型中，數據以圖的形式呈現，樣本作為節(jié)點，樣本之間的關系作為邊。圖卷積操作通過聚合從其相鄰節(jié)點傳遞的消息來更新每個節(jié)點的表示，每個節(jié)點都在保留自己特征的同時了解其拓撲上下文。RGCN［16］又稱為關系GCN，是GCN 的一種變體，相比于GCN，它能夠分配不同的權重矩陣來處理異構圖（即包含各種類型的節(jié)點和邊的圖）各種關系，相比于GCN 對應關系的權重參數是公用的，RGCN 每種不同的關系是有獨立的權重參數的，對于工作模式來說不同的特征（關系）對識別的貢獻度效果是不一樣的，所以為每種特征（關系）單獨設置權重參數從理論上來講是完全合理的。為此，本文擬基于RGCN 構建相應工作模式識別模型，有利于進一步挖掘數據樣本間的關聯(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在聯(lián)系）和模式-模式之間相似性，并將其應用于多功能雷達的工作模式識別。