Radar Jamming Recognition Feature Extraction: Methoden, Modelle und Leistungsdaten

Die Merkmalsextraktion entscheidet, wie zuverlässig Radarstörungen erkannt werden. Der Beitrag vergleicht handgefertigte Merkmale, Deep-Learning-Ansätze und aktuelle Genauigkeiten unter niedrigem JNR.

Was ist Radar Jamming Recognition und warum ist die Merkmalsextraktion entscheidend?

Radar Jamming Recognition meint die automatische Klassifikation von Störsignalen, die den Betrieb eines Radars absichtlich stören sollen. Weil diese Störsignale den Empfangsweg des Radars überlagern, muss man aus dem empfangenen Zeitsignal erst einmal aussagekräftige Merkmale herausziehen – erst danach kann ein Klassifikator die Art der Störung bestimmen. Genau dieser Schritt entscheidet über die Erkennungsleistung: Selbst ein noch so starkes Modell scheitert, wenn die Merkmale zwischen zwei Störtypen kaum trennen. Einen systematischen Überblick dazu liefern Zan Wang, Zhengwei Guo, Gaofeng Shu und Ning Li von der Henan University in Kaifeng, China, in IEEE JSTARS vom 1. Januar 2025 – sie ordnen das Feld in Täuschungs-, Unterdrückungs- und Smart Jamming und unterscheiden traditionelle Merkmalsverfahren von neuronalen Netzen.

Zwischen 2013 und 2026 lässt sich in der Forschung ein deutlicher Wandel erkennen. Frühe Arbeiten wie die von X Tian aus dem Jahr 2013 (25 Zitierungen) setzten noch auf Produktspektrum-Matrizen in Kombination mit nicht-negativer Matrixfaktorisierung, um Täuschungsstörungen zu identifizieren. Heute dagegen greifen aktuelle Verfahren immer häufiger auf gelernte Repräsentationen zurück, die mehrere Domänen miteinander verbinden. Was heißt das konkret? Wer ein Erkennungssystem beurteilen will, muss zunächst drei Dinge klären: welche Signalmerkmale überhaupt extrahiert werden, bei welchem Stör-zu-Rausch-Verhältnis (JNR) die Messung erfolgt und ob das Modell auch mit unbekannten Störtypen zurechtkommt.

Welche handgefertigten Merkmale werden für die Störsignalerkennung genutzt?

Klassische Ansätze setzen auf statistische und fraktale Merkmale, die sich aus dem Zeit- und Frequenzbereich berechnen lassen. Häufig genutzt werden dabei die Informationsdimension und die Box-Dimension, oft noch ergänzt durch Energie-Entropie, Informationsentropie und die Standardabweichung. Dazu kommen einfache statistische Kennzahlen wie Mittelwert und Abweichung. Solche Merkmale sind gut nachvollziehbar und brauchen nur wenig Rechenleistung – genau deshalb spielen sie in ressourcenbeschränkten Systemen auch heute noch eine Rolle.

Ein zweiter Ansatz verbindet Zeit-Frequenz-Transformationen mit Zerlegungsverfahren. Dabei liefert die Kurzzeit-Fourier-Transformation (STFT) eine zweidimensionale Darstellung des Signals, während die Variational Mode Decomposition (VMD) es in einzelne Moden aufspaltet – aus denen wiederum Energie-Entropie, Informationsentropie, Box-Dimension und Standardabweichung berechnet werden. G Hao hat 2025 (13 Zitierungen) genau diese Informations- und Box-Dimensionsmerkmale in beiden Domänen herausgearbeitet. Die folgende Übersicht bündelt die wichtigsten Merkmalsfamilien.

Kombiniert man mehrere Merkmalsfamilien, lässt sich die Trennschärfe zwar deutlich erhöhen, doch ganz ohne Kehrseite ist das nicht. Handgefertigte Merkmale hängen nämlich stark von den Signalparametern ab: Ändert sich zum Beispiel die Trägerfrequenz oder die Pulsrate, verschieben sich die Merkmalsverteilungen, und die Klassifikationsleistung fällt spürbar ab. Genau an diesem Punkt setzen neuere Arbeiten an – mit parameterinvariantem Lernen und tiefen Netzwerken, die relevante Strukturen eigenständig aus den Rohdaten herausarbeiten.

Wie extrahieren Deep-Learning-Modelle Störmerkmale automatisch?

Deep-Learning-Ansätze verschieben die Merkmalsextraktion gewissermaßen ins Modell hinein. Man definiert die Merkmale also nicht mehr von Hand, sondern Netzwerke wie 1D-CNN, CV-CNN oder ResNet18 lernen die relevanten Muster direkt aus den Zeitsignalen bzw. aus deren zweidimensionalen Darstellungen. Y Liu (2025) zeigt für die Open-Set-Erkennung aktiver Radarstörungen, dass tiefe Netze in der Lage sind, Daten adaptiv zu filtern und zu repräsentieren. Das nimmt einem zwar viel manuelle Arbeit ab, hat aber auch seinen Preis: Der Bedarf an Trainingsdaten und Rechenleistung steigt deutlich.

Ein gutes aktuelles Beispiel ist die Cross-Modal-Methode, die am 29. März 2026 in IET erschienen ist. Hier extrahiert ein mehrstufiges Modul multiskalige Merkmale – und zwar sowohl aus eindimensionalen Tensoren als auch aus zweidimensionalen Darstellungen. Das multimodale Faltungsnetzwerk, das darauf aufsetzt, bleibt über verschiedene JNR-Werte hinweg robust. Interessant ist vor allem, warum dieser Ansatz beide Repräsentationsformen kombiniert: Rein eindimensionale Modelle haben nämlich eine bekannte Schwäche – sie verlieren genau die Informationen, die erst auf der Zeit-Frequenz-Ebene sichtbar werden.

Ein anderer Weg setzt auf Aufmerksamkeitsmechanismen. Das P-MSGC-AM-CNN, das am 31. März 2026 bei Springer erschienen ist, verbindet mehrskalige Ghost-Faltungen in einer Engpassstruktur mit Kanal- und räumlicher Aufmerksamkeit (MSGC-CA, MSGC-SA). Durch asymmetrische Faltungen und ersetzte vollständig verbundene Schichten sinken sowohl die Parameterzahl als auch das Risiko einer Überanpassung. Bei einem JNR von -10 dB kommt das Netz auf über 89,8 Prozent durchschnittliche Genauigkeit über 28 Typen aktiver Störungen – damit lässt es ResNet18 und drei weitere Architekturen aus der Literatur hinter sich. Gerade für ressourcenbeschränkte Echtzeitanwendungen ist das ein echter Schritt nach vorn.

Was ist parameterinvariantes Merkmalslernen für die Störungserkennung?

Beim parameterinvarianten Merkmalslernen geht es darum, die eigentlichen, inhärenten Merkmale eines Signals von den Variationen der Parameter zu trennen – so bleibt die Erkennung stabil, auch wenn sich die Störparameter verändern. M Luo (2025) beschreibt diesen Ansatz als Reaktion auf ein bekanntes Problem: Parameterabhängige Merkmale verlieren nämlich dann ihre Trennschärfe, wenn sich die Betriebsparameter des Störers verschieben. Herkömmliche Merkmale stoßen hier schnell an ihre Grenzen. Der Datensatz, der in dieser Arbeit verwendet wird, umfasst sechs Typen von Radarstörsignalen, wobei jedes Signal als 8001×2-dimensionale Zeitreihe vorliegt.

Entscheidend ist am Ende die Generalisierung. Ein Modell, das ausschließlich auf festen Parametern trainiert wurde, erkennt zwar bekannte Störungen zuverlässig – sobald sich diese Parameter jedoch verändern, bricht die Leistung ein. Genau hier setzt parameterinvariantes Lernen an: Es soll nicht oberflächliche, parameterabhängige Muster aufgreifen, sondern die zugrunde liegende Signalstruktur erfassen. Das ist in der Praxis besonders wichtig, weil moderne Störsysteme auf Digital Radio Frequency Memory (DRFM) setzen und ihre Parameter dynamisch anpassen können, um der Erkennung gezielt zu entgehen.

Für die Bewertung solcher Verfahren ist die Datenbasis entscheidend. Sechs Störtypen mit 8001×2-dimensionalen Zeitreihen pro Signal erlauben kontrollierte Experimente, bilden aber nicht die gesamte Bandbreite realer Szenarien ab. Wer parameterinvariantes Lernen einsetzt, sollte daher prüfen, ob die Trainingsdaten die später erwarteten Parametervariationen ausreichend abdecken.

Wie werden Compound- und Täuschungsstörungen bei niedrigem JNR erkannt?

Zusammengesetzte Störungen (Compound Jamming) kombinieren mehrere Störmechanismen gleichzeitig und sind deutlich schwerer zu trennen als Einzelstörungen. P Li (2025, 12 Zitierungen) segmentiert und erkennt solche Signale mithilfe von Bildverarbeitung: Ein ResNet wird mit räumlich-kanalbasierter Aufmerksamkeit optimiert. Der Hintergrund ist, dass RF-Störungen leistungsstarke Hochfrequenzsignale aussenden und innerhalb des Radar-Betriebsbands Rauschen erzeugen, wodurch sich die Signalstruktur im Spektrum verändert.

Für Täuschungsstörungen nutzt L Du (2024, 2 Zitierungen, Beijing Institute of Technology) eine mehrdimensionale Merkmalsextraktion. Analysiert werden Streupunktwinkel und Polarisationunterschiede zwischen Ziel-Echos und Täuschungssignalen; aus gemessenen Radardaten werden Clustering-Schwellenwerte je Merkmal berechnet. Das Verfahren hält die Leistung auch bei niedrigem JNR aufrecht. Die Arbeit wurde auf der IEEE ICSIDP 2024 in Zhuhai, China, vom 22. bis 24. November 2024 veröffentlicht und behandelt dichte Falschzielstörungen.

W Lu (2025, 3 Zitierungen) verfolgt einen Deep-Learning-Ansatz für die robuste Erkennung komplexer Radarstörsignale unter niedrigem JNR. Ergänzend untersucht eine Arbeit zur SAR-Störungserkennung die duale Kanalextraktion unter niedrigem JSR. W Zha (2026, 2 Zitierungen) entwickelt ein leichtgewichtiges Multi-Merkmals-Fusionsnetzwerk, das bei sieben Typen zusammengesetzter Störungen auf simulierten Datensätzen über 87 Prozent Erkennungsgenauigkeit erreicht. Die folgende Tabelle vergleicht zentrale Verfahren.

Welche Genauigkeit erreichen aktuelle Verfahren zur Radarstörungserkennung?

Die berichteten Genauigkeiten hängen stark vom Testsetup ab, insbesondere vom JNR und der Anzahl bekannter Störtypen. Y Zhang (2023, 21 Zitierungen) erreicht in einer Open-World-Konfiguration 91,93 Prozent Genauigkeit mit neun bekannten und einem unbekannten Ziel. Das ist bemerkenswert, weil unbekannte Klassen die Klassifikation erschweren und viele Modelle in solchen Fällen stark einbrechen.

Das P-MSGC-AM-CNN von Springer (31. März 2026) erzielt bei -10 dB JNR über 89,8 Prozent durchschnittliche Genauigkeit über 28 Typen aktiver Störungen. H Zhou (2025, 18 Zitierungen) zeigt, dass die Ergänzung von Prototyp-Merkmalsextraktion und -fusion in einem Feature-Pyramidennetzwerk die Gesamtgenauigkeit um etwa 2,3 Prozentpunkte steigert. Solche Zugewinne sind wichtig, weil sie ohne grundlegend neue Architektur erreichbar sind.

Die Zahlen sind nicht direkt vergleichbar, weil Datensätze, Störtypen und JNR-Bedingungen variieren. Ein Modell mit 91,93 Prozent auf zehn Klassen ist nicht automatisch besser als eines mit 89,8 Prozent auf 28 Klassen. Für die Praxis zählt daher weniger die Spitzenzahl als die Frage, ob ein Verfahren unter den eigenen Betriebsbedingungen, mit der eigenen Datenmenge und bei unbekannten Störern stabil bleibt.

Welche Grenzen und Risiken bestehen bei der Radarstörungserkennung?

Die Literatur benennt mehrere wiederkehrende Einschränkungen. Dazu zählen begrenzte Stichprobendaten, starke elektromagnetische Störungen sowie niedrige JNR- und JSR-Bedingungen. In Open-World-Szenarien treten unbekannte Ziele auf, die kein trainierter Klassifikator korrekt zuordnen kann. Große Modelle bergen zudem ein Überanpassungsrisiko, und Parameteränderungen verschlechtern handgefertigte Merkmale. Diese Punkte sind keine Randnotizen, sondern bestimmen, ob ein Verfahren im Feld tauglich ist.

Ein zentrales Spannungsfeld ist der Kompromiss zwischen Modellgröße und Robustheit. Leichtgewichtige Netzwerke wie das von W Zha (2026) erreichen über 87 Prozent bei sieben Compound-Typen und eignen sich für ressourcenbeschränkte Plattformen. Größere Architekturen mit Aufmerksamkeitsmechanismen liefern höhere Genauigkeiten über viele Störtypen, benötigen aber mehr Rechenleistung und Trainingsdaten. Wer ein System auswählt, sollte daher zuerst die Einsatzumgebung definieren und erst danach die Architektur wählen.

Ein weiterer Risikofaktor ist die Datenrepräsentation. Eindimensionale Zeitreihen, zweidimensionale Zeit-Frequenz-Bilder und multimodale Kombinationen liefern unterschiedliche Ergebnisse. Die Cross-Modal-Methode (IET, 29. März 2026) zeigt, dass die Kombination mehrerer Repräsentationen die Robustheit über verschiedene JNR-Werte erhöht. Ohne sorgfältige Validierung auf realistischen Daten bleibt jedoch unklar, ob ein Modell auch außerhalb des Trainingsdatensatzes zuverlässig arbeitet.

Wie wählt man das passende Verfahren für die eigene Anwendung?

Die Auswahl beginnt mit der Frage, welche Störtypen erwartet werden. Bei bekannten, klar getrennten Einzelstörungen genügen oft handgefertigte Merkmale mit klassischen Klassifikatoren. Sobald Compound-Störungen, Täuschungssignale oder unbekannte Störer auftreten, sind tiefe Netze mit multimodaler oder mehrskaliger Extraktion im Vorteil. Der systematische Überblick in IEEE JSTARS (2025) ordnet diese Entscheidung entlang der Kategorien Täuschung, Unterdrückung und Smart Jamming.

Die zweite Frage betrifft die verfügbare Datenmenge. Bei wenigen Beispielen pro Klasse sind Few-Shot-Ansätze mit Prototyp-Merkmalen sinnvoll, wie H Zhou (2025) zeigt. Bei ausreichend Daten und Rechenleistung lohnen sich größere Architekturen mit Aufmerksamkeit. Für Echtzeitanwendungen auf eingebetteten Systemen sind leichtgewichtige Fusionsnetzwerke die pragmatische Wahl.

Die dritte Frage betrifft die Bewertungsmethodik. Statt einer einzelnen Genauigkeitszahl sollten Entwickler mehrere JNR-Stufen testen, unbekannte Klassen einbeziehen und die Leistung auf gemessenen statt nur simulierten Daten prüfen. Nur so lässt sich abschätzen, ob ein Verfahren unter realen Bedingungen trägt. Dieser Beitrag ersetzt keine individuelle technische Bewertung, sondern ordnet die verfügbaren Methoden und ihre berichteten Ergebnisse ein.

Häufig gestellte Fragen

Welche Merkmale werden für die Radarstörungserkennung extrahiert?

Verfahren extrahieren Informationsdimension und Box-Dimension im Zeit- und Frequenzbereich sowie Energie-Entropie, Informationsentropie und Standardabweichung. Zu den statistischen Kennzahlen zählen Mittelwert und Abweichung. Einige Ansätze nutzen Produktspektrum-Matrizen mit nicht-negativer Matrixfaktorisierung oder multiskalige Merkmale aus eindimensionalen Tensoren und zweidimensionalen Darstellungen.

Wie genau ist Deep Learning bei der Radarstörungserkennung?

Ein leichtgewichtiges Multi-Merkmals-Fusionsnetzwerk erreicht über 87 Prozent Genauigkeit bei sieben Typen zusammengesetzter Störungen. Das P-MSGC-AM-CNN erzielt bei -10 dB JNR über 89,8 Prozent durchschnittliche Genauigkeit über 28 Typen aktiver Störungen. Eine Open-World-Methode kommt auf 91,93 Prozent mit neun bekannten und einem unbekannten Ziel.

Was ist parameterinvariantes Merkmalslernen in der Radarstörungserkennung?

Es entkoppelt intrinsische Merkmale von Parametervariationen, damit die Erkennung robust bleibt, wenn sich Störparameter ändern. Der experimentelle Datensatz umfasst sechs Typen von Radarstörsignalen mit jeweils 8001×2-dimensionalen Zeitreihen. Damit wird das Problem parameterabhängiger Merkmalsverschlechterung adressiert, das bei handgefertigten Merkmalen häufig auftritt.

Welche Hauptkategorien von Störmodellen gibt es?

Ein systematischer Überblicksrahmen gruppiert Störmodelle in Täuschungsstörung, Unterdrückungsstörung und Smart Jamming und erklärt deren Wirkmechanismen. Die Erkennungsverfahren werden anschließend in traditionelle Machine-Learning-Ansätze und neuronale Netzwerke unterteilt, einschließlich flacher und tiefer Netze. Diese Einordnung stammt aus dem Überblick in IEEE JSTARS von 2025.