样本对齐与半全局注意力机制的个体识别算法

doi:10.3969/j.issn.1009-086x.2026.02.012

摘要/Abstract

摘要：

针对雷达辐射源数据清洗机制不完备、特征自适应表征能力不足导致个体识别率不高的问题，提出一种样本对齐和半全局注意力机制的个体识别算法。数据预处理阶段，通过双重条件阈值提取雷达辐射源中频信号的主体部分，实现每个样本的到达时间同步，并进行脉宽对齐与幅度归一化等多维特征对齐操作，使得清洗后样本具备对同频点个体的泛化能力。引入半全局注意力机制，并与双通道卷积神经网络结合，增强卷积神经网络对个体特征表征能力的同时保证训练的高效性。该机制结合了半全局的几何相似度与可学习的相似度，通过并行计算注意力得分并保留长距离特征关联，得到更加准确的特征细节以及更高的计算效率。实验结果表明，对于实测雷达辐射源数据，该方法可以有效解决该信号数据分布不齐以及特征自适应表征能力不足的影响，能够有效提高雷达辐射源个体的识别准确率。

关键词: 辐射源个体识别, 半全局注意力机制, 样本对齐, 几何相似度, 双通道卷积

Abstract:

To address the issues of incomplete data cleaning mechanisms for specific emitter signals and insufficient adaptive feature representation capability leading to low individual recognition rates， this paper proposes an individual identification algorithm incorporating sample alignment and a semi-global attention mechanism. During the data preprocessing stage， the main components of specific emitter intermediate frequency （IF） signals are extracted through multi-condition dual-threshold processing， enabling arrival time synchronization across samples. Subsequently， multi-dimensional feature alignment operations， including pulse width alignment and amplitude normalization， are performed， ensuring the cleaned samples gain generalization capability for individuals with identical frequency points. A semi-global attention mechanism is introduced and integrated with a dual-channel convolutional neural network （CNN）， strengthening the network's feature representation capacity while maintaining training efficiency. This mechanism combines semi-global geometric similarity with learnable similarity measures， employing parallel processing of sparse attention scores to preserve long-range feature dependencies， thereby achieving more accurate feature details and higher computational efficiency. Experimental results on measured specific emitter signal datasets indicate that the proposed method effectively address the challenges of uneven data distribution and inadequate adaptive feature representation， significantly improving model recognition accuracy.

Key words: specific emitter identification, semi-global attention mechanism, sample alignment, geometric similarity, dual-channel convolution

中图分类号:

TN957.51

张志强, 胡进, 许金鑫, 吴云松. 样本对齐与半全局注意力机制的个体识别算法[J]. 现代防御技术, 2026, 54(2): 128-136.

Zhiqiang ZHANG, Jin HU, Jinxin XU, Yunsong WU. Specific Emitter Identification Algorithm Based on Sample Alignment and Semi-global Attention Mechanism[J]. Modern Defense Technology, 2026, 54(2): 128-136.

图/表 11

图 1 本文方法工作原理图

Fig. 1 Working mechanism diagram of the proposed method

图2 样本对齐流程图

Fig. 2 Sample alignment flowchart

图3 预处理前后对比

Fig. 3 Comparison of preprocessing

图4 双通道卷积网络结构图

Fig. 4 Dual-channel convolutional network

图5 半全局注意力机制结构图

Fig. 5 Semi-global attention mechanism

表1 数据集参数

Table 1 Dataset parameter

15 800

15 920

16 340

9.8

表2 本文方法与传统特征提取方法对比实验

Table 2 Comparison of the proposed method with traditional feature extraction methods %

频点类型	IMF-DNA^［19］	双谱围线积分^［20］	本文方法
平均识别率	89.18	84.28	94.95
15 800 MHz	88.89	84.32	95.08
15 920 MHz	89.54	83.98	94.59
16 340 MHz	89.12	84.56	95.19

表3 本文方法与现有方法对比实验

Table 3 Comparison of the proposed method with existing methods %

频点类型	DCA-BIGRU^［15］	SVM^［21］	堆栈式LSTM^［22］	Bi-RNN^［23］	DE-CNN^［24］	本文方法
平均识别率	92.53	88.73	90.12	91.21	89.48	94.95
15 800 MHz	93.11	89.03	90.37	90.94	90.86	95.08
15 920 MHz	92.43	88.54	89.90	91.45	89.61	94.59
16 340 MHz	92.05	88.62	90.11	91.25	87.98	95.19

图6 不同样本数的识别率

Fig. 6 Recognition rate comparison chart under different sample sizes

图7 混淆矩阵

Fig. 7 Confusion matrices for all methods

表4 消融实验

Table 4 Ablation study %

频点类型	无样本对齐	空间注意力机制	单通道卷积	本文方法
平均识别率	82.99	92.79	93.42	94.95
15 800 MHz	82.68	92.87	93.38	95.08
15 920 MHz	82.95	92.35	93.42	94.59
16 340 MHz	83.33	93.14	93.47	95.19

参考文献 25

[1]	史亚，张文博，朱明哲，等. 雷达辐射源个体识别综述［J］. 电子与信息学报， 2022， 44（6）： 2216-2229.
	SHI Ya， ZHANG Wenbo， ZHU Mingzhe， et al. Specific Radar Emitter Identification： A Comprehensive Review［J］. Journal of Electronics & Information Technology， 2022， 44（6）： 2216-2229.
[2]	TAN Kaiwen， YAN Wenjun， ZHANG Limin， et al. Specific Emitter Identification Based on Software-Defined Radio and Decision Fusion［J］. IEEE Access， 2021， 9： 86217-86229.
[3]	GUO Lantu， LIU Chao， LIU Yuchao， et al. Toward Open-Set Specific Emitter Identification Using Auxiliary Classifier Generative Adversarial Network and OpenMax［J］. IEEE Transactions on Cognitive Communications and Networking， 2024， 10（6）： 2019-2028.
[4]	秦鑫，黄洁，王建涛，等. 基于无意调相特性的雷达辐射源个体识别［J］. 通信学报， 2020， 41（5）： 104-111.
	QIN Xin， HUANG Jie， WANG Jiantao， et al. Radar Emitter Identification Based on Unintentional Phase Modulation on Pulse Characteristic［J］. Journal on Communications， 2020， 41（5）： 104-111.
[5]	ZOU Yipeng， WANG Xing， CHEN You， et al. Specific Emitter Identification via Bispectrum-Radon Transform and Hybrid Deep Model［J］. Mathematical Problems in Engineering， 2020， 2020（1）： 7646527.
[6]	刘明骞，颜志文，张俊林. 空中目标辐射源的个体识别方法［J］. 系统工程与电子技术， 2019， 41（11）： 2408-2415.
	LIU Mingqian， YAN Zhiwen， ZHANG Junlin. Specific Emitter Identification Method for Aerial Target［J］. Systems Engineering and Electronics， 2019， 41（11）： 2408-2415.
[7]	BHATTI S G， BHATTI A I. Radar Signals Intrapulse Modulation Recognition Using Phase-Based STFT and BiLSTM［J］. IEEE Access， 2022， 10： 80184-80194.
[8]	LIU Cuicui， ZHUO Fang， WANG Feng. Fault Diagnosis of Commutation Failure Using Wavelet Transform and Wavelet Neural Network in HVDC Transmission System［J］. IEEE Transactions on Instrumentation and Measurement， 2021， 70： 1-8.
[9]	PAN Yiwei， YANG Sihan， PENG Hua， et al. Specific Emitter Identification Based on Deep Residual Networks［J］. IEEE Access， 2019， 7： 54425-54434.
[10]	周鑫，何晓新，郑昌文. 基于图像深度学习的无线电信号识别［J］. 通信学报， 2019， 40（7）： 114-125.
	ZHOU Xin， HE Xiaoxin， ZHENG Changwen. Radio Signal Recognition Based on Image Deep Learning［J］. Journal on Communications， 2019， 40（7）： 114-125.
[11]	WONG L J， HEADLEY W C， MICHAELS A J. Specific Emitter Identification Using Convolutional Neural Network-Based IQ Imbalance Estimators［J］. IEEE Access， 2019， 7： 33544-33555.
[12]	LIU Yinghui， XU Hua， QI Zisen， et al. Specific Emitter Identification Against Unreliable Features Interference Based on Time-Series Classification Network Structure［J］. IEEE Access， 2020， 8： 200194-200208.
[13]	曲凌志，杨俊安，刘辉，等. 嵌入注意力机制的通信辐射源个体识别方法［J］. 系统工程与电子技术， 2022， 44（1）： 20-27.
	QU Lingzhi， YANG Junan， LIU Hui， et al. Method for Individual Identification of Communication Radiation Source Embedded in Attention Mechanism［J］. Systems Engineering and Electronics， 2022， 44（1）： 20-27.
[14]	QIAN Yunhan， QI Jie， KUAI Xiaoyan， et al. Specific Emitter Identification Based on Multi-level Sparse Representation in Automatic Identification System［J］. IEEE Transactions on Information Forensics and Security， 2021， 16： 2872-2884.
[15]	ZHANG Xin， HE Chao， LU Yanping， et al. Fault Diagnosis for Small Samples Based on Attention Mechanism［J］. Measurement， 2022， 187： 110242.
[16]	MOU Chong， ZHANG Jian， FAN Xiaopeng， et al. COLA-Net： Collaborative Attention Network for Image Restoration［J］. IEEE Transactions on Multimedia， 2022， 24： 1366-1377.
[17]	SU Jiannan， GAN Min， CHEN Guangyong， et al. Global Learnable Attention for Single Image Super-Resolution［J］. IEEE Transactions on Pattern Analysis and Machine Intelligence， 2023， 45（7）： 8453-8465.
[18]	HU Haigen， LIU Aizhu， GUAN Qiu， et al. Adaptively Customizing Activation Functions for Various Layers［J］. IEEE Transactions on Neural Networks and Learning Systems， 2023， 34（9）： 6096-6107.
[19]	吴龙文. 脉冲体制辐射源无意调制特征分析及个体识别［D］. 哈尔滨：哈尔滨工业大学， 2019.
	WU Longwen. Research on Unintentional Modulation Feature Analysis and Identification of Specific Pulsed Emitter［D］. Harbin： Harbin Institute of Technology， 2019.
[20]	陈韬伟，金炜东，李杰. 基于围线积分双谱的雷达辐射源信号个体特征提取［J］. 计算机工程与应用， 2013， 49（8）： 209-212， 252.
	CHEN Taowei， JIN Weidong， LI Jie. Individual Feature Extraction from Radar Emitter Signals Based on Surrounding-Line Integral Bispectrum［J］. Computer Engineering and Applications， 2013， 49（8）： 209-212， 252.
[21]	WU Jiayue， WU Bin， NIU Haonan， et al. A Novel Support Vector Machine Based Radar Individual Recognition Algorithm Under Inconsistent Noise Condition［C］∥IGARSS 2020-2020 IEEE International Geoscience and Remote Sensing Symposium. Piscataway： IEEE， 2020： 2847-2850.
[22]	吴子龙，陈红，雷迎科，等. 基于堆栈式LSTM网络的通信辐射源个体识别［J］. 系统工程与电子技术， 2020， 42（12）： 2915-2923.
	WU Zilong， CHEN Hong， LEI Yingke， et al. Communication Emitter Individual Identification Based on Stacked LSTM Network［J］. Systems Engineering and Electronics， 2020， 42（12）： 2915-2923.
[23]	PAN Mian， LIU Ailin， YU Yanzhen， et al. Radar HRRP Target Recognition Model Based on a Stacked CNN-Bi-RNN with Attention Mechanism［J］. IEEE Transactions on Geoscience and Remote Sensing， 2022， 60： 1-14.
[24]	LI Hongbo， ZHAO Jian， ZHAO Yaqin， et al. Specific Emitter Identification Through Demodulation Embedding in Convolutional Neural Networks Using Raw Real Signals［C］∥IGARSS 2024-2024 IEEE International Geoscience and Remote Sensing Symposium. Piscataway： IEEE， 2024： 10422-10425.
[25]	YANG Hao， YUAN Chunfeng， ZHANG Li， et al. STA-CNN： Convolutional Spatial-Temporal Attention Learning for Action Recognition［J］. IEEE Transactions on Image Processing， 2020， 29： 5783-5793.