Radar jamming recognition feature extraction: metoder, modeller og præcision

Feature extraction er kernen i radar jamming recognition: fra håndlavede statistiske og fraktale træk til parameterinvariant læring og deep learning-modeller. Artiklen gennemgår metoder, modeller og opnåede præcisionsniveauer.

Hvad er radar jamming recognition, og hvorfor er feature extraction afgørende?

Radar jamming recognition går i sin enkleste form ud på at finde ud af, hvilken type forstyrrelse der rammer en radar, og hvordan den påvirker modtageren. Systemet skal altså kunne skelne mellem bedrag, undertrykkelse og intelligent jamming, og det sker ofte under stærk elektromagnetisk støj, hvor signalerne flyder sammen. Netop derfor er feature extraction så afgørende: råsignalet er i sig selv for komplekst og for afhængigt af parametrene til, at man kan klassificere det direkte. Det er først, når man trækker robuste egenskaber ud i tid, frekvens og tid-frekvens-domænet, at signalet bliver separerbart. En systematisk oversigtsartikel af Zan Wang, Zhengwei Guo, Gaofeng Shu og Ning Li i IEEE JSTARS (2025) opdeler feltet i bedrags-jamming, undertrykkelses-jamming og smart jamming og gennemgår både traditionel maskinlæring og neurale netværk.

Radar jamming-signalgenkendelse favner flere beslægtede begreber – aktiv jamming-genkendelse, bedrags-jamming-identifikation og compound jamming recognition. Fælles for dem alle er, at det sjældent er klassifikatoren, der afgør sagen; det er derimod kvaliteten af feature extraction, der vejer tungest. Beskriver man signalet ud fra informationsdimension, box-dimension, energi-entropi og standardafvigelse, får klassifikatoren et stabilt fundament at arbejde ud fra. Samtidig peger nyere forskning på, at deep learning kan lære disse træk automatisk – forudsat at netværket præsenteres for de rigtige repræsentationer. Spørgsmålet er derfor ikke længere, om man overhovedet skal bruge features, men hvordan man gør dem robuste, når JNR er lav, og parametrene varierer.

Hvilke håndlavede features bruges til jamming-signalgenkendelse?

De klassiske metoder starter med at forbehandle signalet og designer derefter de fysiske features i hånden. G. Hao (2025) beskriver for eksempel, hvordan man udtrækker informationsdimension og box-dimension i både tids- og frekvensdomænet, og i beslægtede arbejder kombinerer man VMD-dekomponering med energi-entropi, informationsentropi, box-dimension og standardafvigelse. Statistiske størrelser som middelværdi og afvigelse kommer typisk oveni som supplement. Tilbage i 2013 viste X. Tian, at bedrags-jamming faktisk kan genkendes via produkt-spektrum-matrix (SPM) og ikke-negativ matrixfaktorisering (NMF). Pointen med alle disse features er den samme: de skal fange jammingens signatur, men samtidig kunne tåle støj.

Tid-frekvens-transformationer som STFT er helt centrale her, fordi jamming sjældent opfører sig ens over tid og frekvens – signalet ændrer karakter undervejs. Kombinerer man flere featuretyper, får man en mere fyldestgørende beskrivelse af signalet, end én type alene kan give. Men det er også her, det kniber: håndlavede features kan degradere markant, når jamming-parametrene varierer, og de kræver typisk ekspertviden, hver gang en ny trusselsvariant dukker op. Derfor er en stor del af den nyere litteratur gået over til automatisk featurelæring. De håndlavede beskrivelser er dog langt fra forsvundet – de fungerer fortsat som referencepunkter og som supplement i hybride modeller.

Hvordan udtrækker deep learning-modeller jamming-features automatisk?

Deep learning til radar jamming-klassifikation har efterhånden erstattet den manuelle featurekonstruktion med lærte repræsentationer. Y. Liu (2025) beskriver, hvordan deep learning adaptivt filtrerer og repræsenterer data – noget der især er værdifuldt i åbne scenarier, hvor nye jamming-typer hele tiden dukker op. Modellerne spænder bredt: fra 1D-CNN og CV-CNN til ResNet18 og CNN-arkitekturer med attention. P. Li (2025) kombinerer for eksempel ResNet med spatial-channel attention til segmentering og genkendelse af compound jamming, og det viser ret tydeligt, hvordan selve arkitekturvalget direkte påvirker evnen til at isolere de relevante mønstre i signalet.

En anden central udvikling handler om multiskala og multimodal feature extraction. I en cross-modal-metode, der blev publiceret i IET i marts 2026, trækker man multiskala-features ud fra både 1D-tensorer og 2D-repræsentationer og samler dem i et multimodalt convolution-netværk, som klarer sig robust på tværs af forskellige JNR-niveauer. Omtrent samtidig, nærmere bestemt den 31. marts 2026, kom Springer med P-MSGC-AM-CNN. Denne model benytter multi-scale ghost convolution kombineret med kanal- og spatial-attention (MSGC-CA og MSGC-SA), asymmetriske convolutioner samt udskiftede fully connected-lag – alt sammen for at skære ned på antallet af parametre og mindske risikoen for overfitting. Ved -10 dB JNR opnår den over 89,8 % i gennemsnitlig præcision på tværs af 28 aktive jamming-typer, hvilket placerer den foran både ResNet18 og tre andre sammenlignede arkitekturer. Det gør metoden særligt velegnet til realtidsapplikationer, hvor der er begrænsede ressourcer til rådighed.

Hvad er parameterinvariant feature learning i radar jamming recognition?

Parameterinvariant feature learning tager fat på et ret grundlæggende problem: så snart jamming-parametrene begynder at ændre sig, falder præcisionen hos modeller, der kun er trænet på faste betingelser. M. Luo (2025) foreslår en metode, hvor de iboende features afkobles fra parametervariationerne, så genkendelsen holder sig stabil, også når signalets parametre skifter undervejs. Datasættet i arbejdet rummer seks typer radar-jamming-signaler, og hver enkelt er repræsenteret som 8001×2-dimensionelle tidsserier. Det er netop den struktur, der gør det muligt at vurdere, hvor godt modellen generaliserer på tværs af variationer, frem for at den bare lærer nogle parameterafhængige artefakter udenad.

Tilgangen hænger tæt sammen med few-shot recognition og metoder, der bygger på prototyper. H. Zhou (2025) viser, at når man tilføjer prototype-feature-ekstraktion og -fusion til et feature pyramid network, stiger den samlede genkendelsespræcision med omkring 2,3 procentpoint. Det kan umiddelbart lyde som en beskeden forbedring, men i et felt hvor selv små fremskridt under lav JNR betyder noget, er det faktisk værd at bemærke. Og netop kombinationen af parameterinvarians og prototype-læring peger i retning af modeller, der både er databesparende og robuste, når de skal fungere i praksis.

Hvordan genkendes compound og bedrags-jamming under lav JNR?

Det er ikke ligetil at genkende compound jamming, fordi flere jamming-typer optræder på samme tid og overlapper hinanden i både tid og frekvens. W. Zha (2026) viser et letvægts multi-feature-fusion-netværk, som på simulerede datasæt opnår over 87 % genkendelsespræcision for syv forskellige typer compound jamming. W. Lu (2025) beskriver en deep learning-tilgang, der specifikt sigter mod robust genkendelse af komplekse radar-jamming-signaler under lav JNR. Det, der går igen i begge arbejder, er, at de kombinerer flere forskellige featuretyper og benytter arkitekturer, som kan håndtere støj, uden at følsomheden over for de enkelte jamming-komponenter forsvinder.

Bedrags-jamming er en helt anden udfordring, for her handler det ikke bare om at opdage et signal, men om at skelne falske mål fra de ægte ekkoer. L. Du fra Beijing Institute of Technology tog fat på netop dette i 2024 ved at analysere forskelle i spredningspunktvinkel og polarisation mellem målekko og bedrags-jamming. Metoden beregner clustering-tærskler per feature direkte ud fra målte radardata, og den formår at holde ydeevnen nogenlunde stabil, selv når jamming-to-noise-forholdet er lavt. Arbejdet blev præsenteret på IEEE ICSIDP 2024 i Zhuhai, Kina, den 22.-24. november 2024, og nøglebegreberne er dense false target jamming, feature extraction og radar jamming identification. Samme udfordring dukker op inden for SAR-jamming under lav JSR, hvor man griber det an med dual-channel feature extraction — et godt tegn på, hvor bredt problemstillingen faktisk rækker.

Hvilken præcision opnår nyere metoder til radar jamming recognition?

Præcisionstallene varierer med opgavens sværhedsgrad, antallet af jamming-typer og signal-til-støj-forholdet. Nedenstående tabel opsummerer de vigtigste resultater fra kilderne. Tallene er ikke direkte sammenlignelige, fordi datagrundlag og evalueringsprotokoller er forskellige, men de giver et retvisende billede af niveauet i feltet omkring 2024-2026.

Y. Zhang (2023) opnåede 91,93 % præcision med ni kendte mål og ét ukendt mål, hvilket illustrerer, at open-set recognition er en af de mest krævende opgaver, fordi modellen skal håndtere klasser, den aldrig har set før. P-MSGC-AM-CNN's over 89,8 % ved -10 dB JNR er bemærkelsesværdig, fordi mange traditionelle metoder falder markant ved så lave forhold. Samtidig viser tallene, at der ikke findes én arkitektur, der dominerer alle scenarier. Valget afhænger af, om man optimerer for få parametre, høj præcision, åben verdens-robusthed eller lav latenstid i realtid.

Begrænsningerne er gennemgående i litteraturen: begrænsede træningsdata, stærk elektromagnetisk jamming, lave JNR/JSR-forhold, ukendte mål i åbne scenarier og risiko for overfitting i store modeller. Parameterinvariant læring, prototype-fusion og letvægtsarkitekturer er de mest lovende svar på disse udfordringer. Samlet peger udviklingen mod modeller, der kombinerer adaptiv feature-ekstraktion med robusthed over for parametervariation og få eksempler.

Hvilke modeller og metoder dominerer feltet lige nu?

Den systematiske oversigt fra IEEE JSTARS (2025) opdeler jamming-modeller i bedrags-jamming, undertrykkelses-jamming og smart jamming og forklarer deres virkningsmekanismer. Genkendelsesmetoderne deles derefter i traditionel maskinlæring og neurale netværk, herunder både shallow og deep netværk. Oversigten diskuterer også strategier for begrænsede samples, hvilket er et centralt tema, fordi målte jamming-data ofte er dyre og svære at fremskaffe i tilstrækkeligt omfang. Nøglebegreberne i oversigten er feature extraction, limited sample strategies, neural network, radar jamming recognition og traditional machine learning.

DRFM (Digital Radio Frequency Memory) nævnes ofte som den teknologi, der muliggør avanceret bedrags-jamming, fordi den kan optage og gensende radarsignaler med forsinkelse og modulation. Det gør jammingen svær at skelne fra ægte ekko, og det er netop her, feature extraction i polarisation, spredningsvinkel og tid-frekvens-domænet bliver afgørende. Sammen med VMD, STFT og NMF udgør DRFM den tekniske ramme omkring feltet. For praktikere betyder det, at man bør vælge metoder, der kombinerer fysisk indsigt med læring, frem for at satse på én enkelt tilgang.

Hvad betyder det for praksis og fremtidig udvikling?

For ingeniører og beslutningstagere er hovedkonklusionen, at feature extraction stadig er den mest afgørende komponent i radar jamming recognition. Deep learning flytter arbejdet fra manuel design til læring, men de bedste resultater opnås, når lærte features kombineres med fysisk meningsfulde beskrivelser som informationsdimension, box-dimension og entropi. Letvægtsmodeller som P-MSGC-AM-CNN viser, at høj præcision kan opnås med få parametre, hvilket er vigtigt for realtidssystemer ombord på platforme med begrænsede ressourcer.

Fremadrettet peger litteraturen mod tre spor: parameterinvariant læring, der holder præcisionen stabil på tværs af ændrede jamming-parametre; open-set recognition, der håndterer ukendte trusler; og multimodal fusion, der kombinerer 1D- og 2D-repræsentationer. Ingen af sporene er færdigudviklede, og udfordringerne med begrænsede data og lave JNR-forhold består. For danske og europæiske aktører inden for radar- og forsvarsteknologi er det værd at følge IEEE JSTARS, IEEE ICSIDP, IET og MDPI Sensors/Remote Sensing, hvor størstedelen af den nyeste forskning publiceres.

Ofte stillede spørgsmål om radar jamming recognition

Hvilke features udtrækkes til radar jamming recognition?

Metoderne udtrækker informationsdimension og box-dimension i tids- og frekvensdomænet samt energi-entropi, informationsentropi og standardafvigelse. Statistiske mål som middelværdi og afvigelse indgår ofte. Nogle tilgange bruger produkt-spektrum-matrix med ikke-negativ matrixfaktorisering, mens andre anvender multiskala features fra 1D-tensorer og 2D-repræsentationer.

Hvor præcis er deep learning til radar jamming recognition?

Et letvægts multi-feature-fusion-netværk opnåede over 87 % præcision for syv compound-jamming-typer. P-MSGC-AM-CNN opnåede over 89,8 % gennemsnitlig præcision på tværs af 28 aktive jamming-typer ved -10 dB JNR. En open-world-metode nåede 91,93 % med ni kendte mål og ét ukendt mål.

Hvad er parameterinvariant feature learning i radar jamming recognition?

Det afkobler iboende features fra parametervariationer, så genkendelsen forbliver robust, når jamming-parametrene ændrer sig. Det eksperimentelle datasæt indeholder seks typer radar-jamming-signaler, hver med 8001×2-dimensionelle tidsserier, og adresserer problemet med parameterafhængig feature-degradering.

Hvilke hovedkategorier af jamming-modeller findes der?

En systematisk oversigtsramme grupperer jamming-modeller i bedrags-jamming, undertrykkelses-jamming og smart jamming og forklarer deres virkningsmekanismer. Genkendelsesmetoderne opdeles derefter i traditionel maskinlæring og neurale netværk, herunder både shallow og deep netværk.