Извлечение признаков для распознавания радиопомех: методы, модели и точность

Разбираю, как из сигналов радиопомех извлекают признаки — от рукописных фрактальных метрик до параметрически-инвариантных нейросетей, и какую точность это даёт при низком отношении помехи к шуму.

Что такое распознавание радиопомех и почему извлечение признаков здесь решает всё

Распознавание радиопомех — это задача определить тип мешающего сигнала, который воздействует на радиолокационную станцию, и отделить его от полезного эха цели. Ключевой этап здесь — извлечение признаков: именно от того, какие характеристики сигнала мы вытащим, зависит, сможет ли классификатор вообще различить, например, шумовую заградительную помеху и плотную пачку ложных целей. Если признаки «плывут» при смене параметров помехи, никакая, даже самая глубокая сеть не даст устойчивого результата.

По данным систематического обзора Zan Wang, Zhengwei Guo, Gaofeng Shu и Ning Li (IEEE JSTARS, 2025), вся предметная область делится на три класса моделей помех: обманные (deception), подавляющие (suppression) и «умные» (smart). Методы распознавания при этом распадаются на традиционное машинное обучение с рукописными признаками и нейросетевые подходы — мелкие и глубокие. Такой каркас удобно держать в голове, потому что под каждый класс помех нужен свой набор признаков и своя стратегия обучения.

Какие рукописные признаки используют для распознавания сигналов помех

Классический путь — сначала предобработать сигнал, а потом вручную сконструировать неглубокие физические признаки. В работе G. Hao (2025) для этого извлекают информационную размерность и размерность Минковского (box dimension) одновременно во временной и частотной областях. Родственные подходы добавляют энергийную энтропию, информационную энтропию, среднеквадратичное отклонение, а также статистические метрики вроде среднего значения и девиации.

Отдельная ветка — спектральные и матричные представления. Ещё в 2013 году X. Tian предложил распознавать обманные помехи через матрицу спектрального произведения (SPM) с неотрицательной матричной факторизацией (NMF). Современные кросс-модальные методы (IET, 2026) идут дальше и извлекают многомасштабные признаки сразу из одномерных тензоров и двумерных представлений, что даёт устойчивость при разных отношениях помехи к шуму.

Разложение сигнала тоже стало стандартом: вариационная модовая декомпозиция (VMD) в связке с энергийной и информационной энтропией, размерностью Минковского и стандартным отклонением позволяет описать структуру помехи там, где простое преобразование Фурье уже не справляется. Ниже — сводка типовых признаков и того, что они улавливают.

Как глубокие модели извлекают признаки помех автоматически

Глубокое обучение убирает ручной этап: сеть сама адаптивно фильтрует и представляет данные. В работе Y. Liu (2025) по open-set распознаванию активных радиопомех именно адаптивная фильтрация и представление данных лежат в основе метода. На практике чаще всего используют одномерные и комплекснозначные свёрточные сети (1D-CNN, CV-CNN), ResNet18 и CNN с механизмами внимания — на 12 типах помех и девяти типах LFM-помех с STFT-представлением.

Показательный пример — сеть P-MSGC-AM-CNN (Springer, опубликована 31 марта 2026 года). В ней многомасштабная ghost-свёртка с узким местом сочетается с канальным и пространственным вниманием (MSGC-CA, MSGC-SA), а асимметричные свёртки и замена полносвязных слоёв сокращают число параметров и риск переобучения. При отношении помехи к шуму −10 дБ она даёт в среднем более 89,8% точности на 28 типах активных помех, обходя ResNet18 и три архитектуры из литературы.

Ещё один приём — дообучение признаков через прототипы. H. Zhou (2025) добавляет извлечение и слияние прототипных признаков в пирамидальную сеть признаков, что поднимает общую точность распознавания примерно на 2,3%. Ниже — сравнение архитектур и их заявленных результатов.

Что такое параметрически-инвариантное обучение признаков

Проблема, которую оно решает, звучит просто: признаки, выученные при одних параметрах помехи, деградируют при изменении этих параметров. Параметрически-инвариантное обучение разделяет внутренние, собственно сигнальные характеристики и вариации, навязанные параметрами. Именно так построена работа M. Luo (2025), где экспериментальный датасет содержит шесть типов радиопомех, каждый — временной ряд размерности 8001×2.

На практике это означает, что модель учится не запоминать конкретную конфигурацию помехи, а выделять её инвариантное ядро. Такой подход напрямую отвечает на риск, который отмечают обзоры: сильное электромагнитное воздействие и изменение параметров ухудшают качество признаков. Для реальных систем это критично, потому что противник меняет параметры помехи намеренно, и классификатор должен пережить это без переобучения.

Как распознают составные и обманные помехи при низком JNR

Составные (compound) помехи — самый тяжёлый случай, потому что в одном сигнале смешано несколько механизмов. W. Zha (2026) предлагает лёгкую сеть многопризнакового слияния, которая даёт более 87% точности на семи типах составных помех на смоделированных данных. W. Lu (2025) решает ту же задачу при низком JNR с помощью глубокого обучения, а отдельная линия работ посвящена распознаванию помех в SAR при низком отношении помехи к сигналу (JSR) через двухканальное извлечение признаков.

Обманные помехи распознают иначе — через физику. L. Du, Feng Li, Xuanzhi He и Yang Li из Пекинского технологического института (IEEE ICSIDP 2024, Чжухай, 22–24 ноября 2024 года) анализируют различия углов точек рассеяния и поляризации между эхом цели и обманной помехой. По измеренным радиолокационным данным они вычисляют пороги кластеризации помехи по каждому признаку и сохраняют работоспособность при низких JNR. В фокусе — плотная пачка ложных целей, извлечение признаков и идентификация помех.

Отдельно стоит проблема открытого мира: цели, которых не было в обучении, нельзя просто отбросить. Y. Zhang (2023) показал 91,93% точности в сценарии с девятью известными и одной неизвестной целью, что задаёт ориентир для open-set методов. Ниже — сводка условий и результатов по ключевым работам.

Какую точность дают современные методы распознавания радиопомех

Сравнивать методы корректно только вместе с условиями: числом типов помех и отношением помехи к шуму. При −10 дБ JNR сеть P-MSGC-AM-CNN показывает более 89,8% средней точности на 28 типах активных помех. Лёгкая сеть многопризнакового слияния даёт более 87% на семи типах составных помех, а open-set метод — 91,93% при девяти известных и одной неизвестной цели.

Добавление прототипного модуля к пирамидальной сети признаков приносит около 2,3% прироста точности — немного в абсолюте, но существенно там, где каждый процент отделяет рабочую систему от нерабочей. Общий вывод обзора IEEE JSTARS: узкое место сегодня не в архитектурах, а в ограниченных выборках, сильных электромагнитных помехах и низких JNR/JSR.

Какие ограничения и риски остаются нерешёнными

Главные риски перечислены в литературе прямо: ограниченный объём обучающих данных, сильное электромагнитное подавление, низкие отношения JNR и JSR, неизвестные цели в открытом мире, переобучение больших моделей и деградация признаков при изменении параметров. Именно поэтому в 2024–2026 годах так популярны стратегии работы с малым числом примеров (few-shot), open-set распознавание и параметрически-инвариантное обучение.

Для инженера практический вывод такой: нельзя выбирать метод только по заявленной точности. Нужно смотреть, при каком JNR получен результат, сколько типов помех было в датасете и как метод ведёт себя, когда параметры помехи меняются. Именно эти три вопроса отделяют воспроизводимый результат от красивого числа в статье.

Ключевые методы и их результаты: сводная таблица

Таблица показывает главное: разброс результатов от 87% до 91,93% объясняется не «силой» метода, а разными условиями эксперимента. Сравнивать эти цифры напрямую некорректно, и любой обзор, который ставит их в один ряд без оговорок, вводит в заблуждение.

Часто задаваемые вопросы

Какие признаки извлекают для распознавания радиопомех?

Методы извлекают информационную размерность и размерность Минковского во временной и частотной областях, а также энергийную энтропию, информационную энтропию и стандартное отклонение. К статистическим метрикам относят среднее значение и девиацию. Часть подходов использует признаки матрицы спектрального произведения с неотрицательной матричной факторизацией либо многомасштабные признаки из одномерных тензоров и двумерных представлений.

Насколько точен глубокое обучение для распознавания радиопомех?

Лёгкая сеть многопризнакового слияния достигла более 87% точности на семи типах составных помех. Алгоритм P-MSGC-AM-CNN показал более 89,8% средней точности на 28 типах активных помех при отношении помехи к шуму −10 дБ. Метод открытого мира дал 91,93% при девяти известных и одной неизвестной цели.

Что такое параметрически-инвариантное обучение признаков?

Оно разделяет внутренние признаки сигнала и вариации, навязанные параметрами помехи, чтобы распознавание оставалось устойчивым при изменении этих параметров. Экспериментальный датасет содержит шесть типов радиопомех, каждый — временной ряд размерности 8001×2, что решает проблему деградации признаков, зависящих от параметров.

Какие основные категории моделей помех выделяют?

Систематический обзор делит модели помех на обманные, подавляющие и «умные», объясняя механизмы их работы. Методы распознавания затем делятся на традиционное машинное обучение и нейросетевые подходы, включая мелкие и глубокие сети.