雷达脉冲调制识别是复杂电磁环境下雷达侦察的“核心基石”，其精准与否直接关乎目标属性研判、抗干扰效能与战场主动权争夺，是解锁电磁对抗优势的关键前提。

之前的一篇文章《AI视觉算法如何对传统无线电识别进行降维打击？》，提到了AI视觉算法对传统无线电信号识别形成降维打击，其实一点也不为过。不论是无线电信号的调制类型识别，还是体制类型识别，还是个体指纹识别，AI神经网络的分类效果都明显超过传统的“特征提取+SVM/决策树分类器”算法。这大概也是近年的信号识别文献很少再有使用SVM的原因吧。

本文介绍下利用神经网络进行雷达信号脉内调制类型的识别。与利用AI视觉检测模型不同，这里的神经网络更为轻量化，计算量也更小，因为输入的对象不是二维的时频图图片，而是一条一维的曲线。

尽管AI神经网络具备自主提取信号特征的能力，大幅减少了人工特征分析、选择与提取的工作量，但要实现精准分类识别，仍需对信号类型有足够了解，才能更高效地设计模型与方案。

雷达信号的脉内调制识别，核心是判断雷达脉冲信号的脉内调制类型。常见的雷达脉内调制类型主要有四种：无调制（CW）、线性调频（LFM）、非线性调频（NLFM）、相位编码（如图1）。

图1 祯仪软件回放典型无调制（CW）、线性调频（LFM）、非线性调频（NLFM）雷达信号

其中，CW是最简单的雷达脉冲，也是最早的雷达脉冲信号形式，对应传统脉冲体制雷达。早期人们发现，要探测更远距离的目标，需增加脉冲能量，这就需要扩大脉冲宽度；但脉冲宽度增加后，雷达的测距精度会下降 —— 对无调制雷达脉冲而言，探测距离与测距精度是一对固有矛盾。

为解决这一矛盾，雷达脉冲压缩体制应运而生：脉冲内部采用线性调频、非线性调频或相位编码，既能将脉宽做得足够大以实现远距离探测，又能在接收目标回波后，通过本地相关处理将宽脉冲转换为窄脉冲，保证较高的测距精度。值得一提的是，这种相关处理过程与物联网LORA信号（如图2）的解调处理，有异曲同工之妙。

图2 祯仪软件回放典型LORA信号

通过分析这几种脉冲信号的瞬时频率/瞬时相位变换规律，可明确其核心差异：

✔ CW：瞬时频率基本无变化；

✔ LFM：瞬时频率随着时间线性变化，瞬时频率曲线为斜线段；

✔ NLFM：瞬时频率随着时间非线性变化，瞬时频率曲线为平滑曲线；

✔ 相位编码：瞬时频率曲线基本是一条直线，但在相位变化的地方会有一个突变，这是与CW明显不同的地方。

图3 从左至右/从上至下分别为：CW、LFM、NLFM、相位编码的瞬时频率曲线

基于上述分析，我们可将各类脉冲的瞬时频率曲线作为输入，通过简单的神经网络实现分类。下面从网络原理、结构设计与验证实现三方面展开说明。

1．神经网络的核心原理

神经网络并非复杂神秘的技术，其基本单元是 “神经元”，网络本质是神经元的不同连接与组合。

人工神经元的组成清晰：对输入信号进行线性加权求和、叠加偏置项后，再通过非线性激活函数处理，最终输出结果。具体结构可参考生物神经元与人工神经元的对比，如图4所示：

图4 生物神经元与人工神经元对比

正是这样简单的神经元，支撑起了AI技术的快速发展 —— 甚至直接推动英伟达成为市值五万亿美元的全球顶尖企业。相较于传统机器学习方法，神经网络的核心优势（微观层面）并非前端的线性加权，而是后端的非线性处理：这一环节使神经网络能以任意精度逼近紧致集上的连续函数，具备强大的拟合与分类能力。

2．轻量化网络结构设计

单个人工神经元可通过串联、并联组成隐藏层，多个隐藏层与输入层、输出层结合，便构成了用于分类的前馈神经网络，结构如下：

✔ 输入层：对应一维瞬时频率曲线（输入维度为“样本数×频率曲线采样点数”）；

✔ 隐藏层：设置若干个隐藏层，下面示例三层，其神经元数量分别为256、128、32（通过轻量化设计降低计算量）；

✔ 输出层：对应4种调制类型（输出维度为“样本数×4”，采用softmax激活函数输出分类概率）。

如图5所示，即可完成上述调制类型分类任务。

图5 多层神经网络示意图

3．基于MATLAB的验证实现

为简化环境搭建流程，省却搭建验证深度学习依赖库和环境的繁琐操作，可基于MATLAB快速验证模型效果。

首先配置net的各个训练参数，然后调用train函数进行训练，最后调用sim函数针对测试集数据SAMPLES_TEST进行验证。

关键代码如下：

% SAMPLES_TRAIN：训练样本矩阵（维度：N×M，N为训练样本数，M为瞬时频率曲线采样点数）
% LABELS：训练标签（维度：N×4，采用one-hot编码，4列分别对应CW、LFM、NLFM、相位编码）

% 1. 创建3隐藏层前馈神经网络（神经元数：256、128、32）
net = feedforwardnet([25612832], 'traingd');

% 2. 设置各层激活函数
net.layers{1}.transferFcn = 'logsig';  % 第1隐藏层：S型对数激活函数
net.layers{2}.transferFcn = 'logsig';  % 第2隐藏层：S型对数激活函数
net.layers{3}.transferFcn = 'logsig';  % 第3隐藏层：S型对数激活函数
net.layers{4}.transferFcn = 'softmax'; % 输出层：softmax函数（输出分类概率）

% 3. 配置训练参数
net.trainParam.lr = 0.01;          % 学习率：0.01
net.trainParam.epochs = 200;        % 训练轮数：200
net.trainParam.max_fail = 10;        % 最大验证失败次数：10（默认6，提升容错性）
net.trainParam.goal = 1e-5;          % 训练目标误差：1e-5

% 4. 模型训练与测试
[net, tr] = train(net, SAMPLES_TRAIN, LABELS);     % 训练模型
val = sim(net, SAMPLES_TEST);                 % 测试集验证，（SAMPLES_TEST格式同训练集）

☞上述代码框可左右滑动噢！

该网络的权重参数与计算量，远小于近年常用的深度卷积神经网络（如GoogleNet、VGG）与循环神经网络（如LSTM）。若需进一步提升性能，也可替换为简单循环神经网络 —— 因输入为一维曲线数据，计算量仍可控。

图6为四种脉内调制类型的分类测试结果（混淆矩阵），可见简单轻量化网络即可高效区分不同趋势曲线：

图6 四种调制类型的分类测试结果

从该案例可看出：神经网络类型虽多、规模虽在不断扩大，但实际应用中并非需追求“新颖”或“庞大”，当任务复杂度较低时，轻量化网络足以满足需求 —— 这在工程实践中意义重大，可直接降低软硬件资源消耗与功耗，尤其适配功耗敏感场景。

除脉内调制外，雷达调制类型还包括脉间PRI调制（PRI：Pulse Repetition Interval，脉冲重复间隔）。这种调制通过在脉冲间隔上采用多种优化设计，提升雷达的抗干扰能力与目标探测能力，常见类型有固定PRI、参差PRI、抖动PRI、滑变PRI等，通常用“脉冲到达时间间隔序列”表示。

PRI调制类型的识别，可复用前文的轻量化方案：将“脉冲到达时间间隔序列”作为一维输入数据，接入相同结构的神经网络，无需大规模模型即可实现高效分类 —— 这对实时性要求高的场景（如雷达侦察）至关重要。

图7 不同的PRI调制样式示例

在遥远的深蓝色大海中，一场没有硝烟的对抗正在进行，我军雷达侦察设备持续接收并分析周边外军信号：

它通过检测与分类，识别出雷达脉冲的脉内调制类型、脉间PRI调制类型，再结合脉冲宽度、重复周期、中心频率、扫描模式等参数，最终推测出“搭载宙斯盾系统的阿利伯克级驱逐舰”“搭载大型雷达的E-2C 鹰眼预警机”等目标。

图8 阿利伯克级驱逐舰的SPY系列雷达

图9 美海军的鹰眼预警机

通过截获、分析和利用敌方雷达发射的电磁信号，来获取情报、进行威胁告警并引导后续的软/硬杀伤行动，以掌握电磁频谱优势，这正是雷达信号侦察装备的核心使命。

AI神经网络以数据为刃、以算力为锋，为雷达侦察装上“智能大脑”，让每一组脉冲信号都成为解码战场态势的关键密钥。

祯仪科技，专业从事宽频段无线电信号接收，适用于无线电管理、信号侦查与分析、通用频谱分析、卫星导航监测、低空复杂电磁环境感知等。