ELC: Evidential Lifelong Classifier for Uncertainty Aware Radar Pulse Classification

📄 arXiv: 2604.06958v1 📥 PDF

作者: Mohamed Rabie, Chinthana Panagamuwa, Konstantinos G. Kyriakopoulos

分类: eess.SP, cs.LG

发布日期: 2026-04-08

备注: IEEE RadarConf'26 Submission. 6 pages; 3 figures; 1 table

💡 一句话要点

提出ELC：一种基于证据理论的终身分类器，用于不确定性感知的雷达脉冲分类

🎯 匹配领域: 支柱八：物理动画 (Physics-based Animation)

关键词: 雷达脉冲分类 不确定性量化 证据理论 终身学习 电磁战 认知不确定性 选择性预测

📋 核心要点

  1. 深度神经网络在雷达脉冲分类中表现出色，但缺乏有效学习新脉冲和表达预测置信度的能力。
  2. 论文提出证据终身分类器（ELC），结合证据理论量化认知不确定性，并利用终身学习持续适应新数据。
  3. 实验表明，ELC在低信噪比下能更有效地识别不可靠预测，显著提升雷达脉冲分类的召回率。

📝 摘要（中文）

在电磁战中，可靠的雷达脉冲分类对于态势感知和决策支持至关重要。深度神经网络在雷达脉冲和射频发射器识别方面表现出强大的性能；然而，它们自身难以有效地学习新的脉冲，并且缺乏表达预测置信度的机制。本文将不确定性量化与终身学习相结合，以应对这两个挑战。所提出的方法是一种证据终身分类器（ELC），它使用证据理论对认知不确定性进行建模。ELC与贝叶斯终身分类器（BLC）进行评估，后者通过香农熵量化不确定性。两者都集成了Learn-Prune-Share，以实现新脉冲的持续学习和基于不确定性的选择性预测，从而拒绝不可靠的预测。ELC和BLC在2个合成雷达和3个射频指纹数据集上进行了评估。基于证据不确定性的选择性预测在合成雷达脉冲数据集上，在-20 dB SNR下将召回率提高了高达46%，突出了其在低SNR条件下识别不可靠预测的有效性，优于BLC。这些发现表明，证据不确定性提供了置信度和正确性之间的强相关性，通过允许ELC表达无知，提高了ELC的可信度。

🔬 方法详解

问题定义：现有深度神经网络在雷达脉冲分类中，难以持续学习新的脉冲类型，且无法有效表达预测结果的不确定性，导致在低信噪比等复杂环境下分类性能下降，可靠性不足。

核心思路：利用证据理论来量化模型预测的不确定性，特别是认知不确定性（epistemic uncertainty），即由于模型对数据的不完全了解而产生的不确定性。通过量化不确定性，模型可以选择性地拒绝不可靠的预测，从而提高整体分类的准确性和可靠性。同时，结合终身学习策略，使模型能够持续学习新的脉冲类型，而不会忘记之前学习的知识。

技术框架：ELC的整体框架包含三个主要部分：1) 特征提取器：用于从雷达脉冲信号中提取特征。2) 证据层：将特征映射到证据空间，生成每个类别的证据值。证据值用于计算概率质量函数和不确定性度量。3) 终身学习模块：采用Learn-Prune-Share策略，学习新的脉冲类型，并通过剪枝和共享机制来避免灾难性遗忘。

关键创新：关键创新在于使用证据理论来建模认知不确定性。与传统的基于概率的方法（如贝叶斯方法）相比，证据理论能够更灵活地表示不确定性，并且能够区分无知（ignorance）和均匀分布。此外，结合Learn-Prune-Share终身学习策略，使得模型能够在学习新知识的同时，保留已有的知识，避免灾难性遗忘。

关键设计：证据层使用Dirichlet分布作为先验，将神经网络的输出转换为Dirichlet分布的参数，从而得到每个类别的证据值。损失函数包括分类损失和不确定性正则化项，用于鼓励模型学习准确的分类结果，并量化预测的不确定性。Learn-Prune-Share策略通过剪枝不重要的连接和共享重要的连接来实现知识的迁移和保留。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

实验结果表明，在合成雷达脉冲数据集上，ELC在-20 dB SNR下，基于证据不确定性的选择性预测将召回率提高了高达46%，显著优于基于香农熵的贝叶斯终身分类器（BLC）。这表明ELC在低信噪比条件下，能够更有效地识别不可靠的预测，并提高整体分类的可靠性。此外，ELC在射频指纹数据集上也取得了具有竞争力的性能。

🎯 应用场景

该研究成果可应用于电磁战、雷达对抗、频谱管理等领域。通过提高雷达脉冲分类的准确性和可靠性，可以增强态势感知能力，辅助决策支持，并提升电子战系统的性能。未来，该方法可以扩展到其他射频信号识别和分类任务中，例如无线通信信号识别、物联网设备识别等。

📄 摘要（原文）

Reliable radar pulse classification is essential in Electromagnetic Warfare for situational awareness and decision support. Deep Neural Networks have shown strong performance in radar pulse and RF emitter recognition; however, on their own they struggle to efficiently learn new pulses and lack mechanisms for expressing predictive confidence. This paper integrates Uncertainty Quantification with Lifelong Learning to address both challenges. The proposed approach is an Evidential Lifelong Classifier (ELC), which models epistemic uncertainty using evidence theory. ELC is evaluated against a Bayesian Lifelong Classifier (BLC), which quantifies uncertainty through Shannon entropy. Both integrate Learn-Prune-Share to enable continual learning of new pulses and uncertainty-based selective prediction to reject unreliable predictions. ELC and BLC are evaluated on 2 synthetic radar and 3 RF fingerprinting datasets. Selective prediction based on evidential uncertainty improves recall by up to 46% at -20 dB SNR on synthetic radar pulse datasets, highlighting its effectiveness at identifying unreliable predictions in low-SNR conditions compared to BLC. These findings demonstrate that evidential uncertainty offers a strong correlation between confidence and correctness, improving the trustworthiness of ELC by allowing it to express ignorance.