Radar Pulse Deinterleaving with Transformer Based Deep Metric Learning
作者: Edward Gunn, Adam Hosford, Daniel Mannion, Jarrod Williams, Varun Chhabra, Victoria Nockles
分类: eess.SP, cs.AI, cs.LG
发布日期: 2025-03-04
备注: Preprint: Accepted to IEEE International Radar Conference 2025
💡 一句话要点
提出基于Transformer深度度量学习的雷达脉冲解交错方法，有效分离未知数量的雷达发射源信号。
🎯 匹配领域: 支柱八：物理动画 (Physics-based Animation)
关键词: 雷达脉冲解交错 Transformer 深度度量学习 Triplet Loss 雷达信号处理
📋 核心要点
- 雷达脉冲解交错旨在分离来自多个未知发射源的混合信号，传统方法难以应对复杂电磁环境。
- 论文提出基于Transformer的深度度量学习方法，通过Triplet Loss学习脉冲间的相似性度量。
- 实验表明，该模型在解交错任务上表现出色，调整互信息得分显著优于其他深度学习模型。
📝 摘要（中文）
在接收雷达脉冲时，记录到的脉冲序列通常包含来自多个不同发射器的脉冲。雷达脉冲解交错问题是指按照脉冲的来源发射器将这些脉冲分离出来。值得注意的是，在任何特定的记录脉冲序列中，发射器的数量被认为是未知的。本文定义了这个问题，并提出了可以用来衡量模型性能的指标。我们提出了一种度量学习方法，使用在合成数据上用Triplet Loss训练的Transformer来解决这个问题。与其他深度学习模型相比，该模型取得了优异的成果，调整互信息得分达到0.882。
🔬 方法详解
问题定义：雷达脉冲解交错问题旨在从混合的雷达脉冲序列中，识别并分离出来自不同雷达发射源的脉冲。现有方法，尤其是在发射源数量未知的情况下，难以有效处理复杂的脉冲序列，存在分离精度低、计算复杂度高等问题。
核心思路：论文的核心思路是利用深度度量学习，学习一个能够有效区分来自不同发射源脉冲的嵌入空间。通过将脉冲映射到该空间，相似的脉冲（来自同一发射源）在空间中距离较近，而不相似的脉冲（来自不同发射源）距离较远，从而实现脉冲的有效分离。Transformer模型被用于提取脉冲序列的特征，并学习这种度量关系。
技术框架：整体框架包括以下几个主要步骤：1) 数据预处理：对原始雷达脉冲数据进行清洗和标准化。2) 特征提取：使用Transformer模型提取脉冲序列的特征表示。3) 度量学习：使用Triplet Loss训练Transformer模型，学习脉冲间的相似性度量。4) 聚类：将学习到的脉冲嵌入表示进行聚类，将来自同一发射源的脉冲归为一类。
关键创新：最重要的技术创新点在于将Transformer模型引入到雷达脉冲解交错问题中，并结合深度度量学习的思想。Transformer模型能够有效捕捉脉冲序列中的长程依赖关系，而深度度量学习能够学习到区分不同发射源脉冲的有效特征表示。与传统的信号处理方法和简单的深度学习模型相比，该方法能够更好地处理复杂的脉冲序列，并取得更高的分离精度。
关键设计：论文中使用了Triplet Loss作为损失函数，Triplet Loss的目标是使得同一类别的样本在嵌入空间中距离更近，不同类别的样本距离更远。Transformer模型的具体结构包括多头自注意力机制和前馈神经网络。模型的训练数据是合成的雷达脉冲数据，通过调整合成数据的参数，可以模拟不同的电磁环境。
🖼️ 关键图片
📊 实验亮点
实验结果表明，基于Transformer的深度度量学习方法在雷达脉冲解交错任务上取得了显著的性能提升。该模型在调整互信息（Adjusted Mutual Information, AMI）指标上达到了0.882，优于其他深度学习模型。这一结果验证了该方法在处理复杂雷达脉冲序列方面的有效性，为雷达信号处理领域提供了一种新的解决方案。
🎯 应用场景
该研究成果可应用于电子对抗、雷达信号情报分析、频谱管理等领域。通过自动解交错雷达脉冲，可以快速识别和分析敌方雷达系统，提高电子对抗的效率。在频谱管理方面，可以有效监测和识别不同雷达信号，优化频谱资源分配。未来，该技术有望应用于更复杂的电磁环境中，实现更精确的雷达信号分析。
📄 摘要（原文）
When receiving radar pulses it is common for a recorded pulse train to contain pulses from many different emitters. The radar pulse deinterleaving problem is the task of separating out these pulses by the emitter from which they originated. Notably, the number of emitters in any particular recorded pulse train is considered unknown. In this paper, we define the problem and present metrics that can be used to measure model performance. We propose a metric learning approach to this problem using a transformer trained with the triplet loss on synthetic data. This model achieves strong results in comparison with other deep learning models with an adjusted mutual information score of 0.882.