0 引　言

随着现代战场电磁环境日益复杂，雷达电子对抗技术面临侦察精度不足与干扰自适应弱的双重挑战，传统技术路径的局限性已成为制约对抗效能的核心瓶颈。在电子侦察环节，传统方法依赖人工设计的信号特征，如脉内调制参数、时域包络，在低信噪比场景下易受噪声淹没，导致LFM、BPSK等调制类型的识别率骤降，部分场景低于60%；同时，当多雷达信号在时域/频域重叠时，基于FFT的载频估计、门限检测的脉宽提取方法易出现参数解模糊错误，难以实现对复杂信号环境的精准感知^[1]。在电子干扰环节，传统压制式干扰需依赖经验设定功率与带宽参数，缺乏对目标雷达工作模式的动态适配能力，而欺骗式干扰的信号生成逻辑固定，易被新型雷达的抗干扰算法识别，难以形成持续干扰效果。

轻量化雷达信号识别方案的研究需求，源于战场对侦察实时性的刚性要求。当前深度学习模型虽能提升侦察精度，但传统CNN等模型参数量大、计算复杂度高，在Python端推理时往往需要20 ms以上，无法满足雷达信号侦察的毫秒级响应需求——战场中雷达信号持续时间短、切换频繁，若推理延迟过高，易错过干扰窗口^{[2 − 3]}。同时基层作战单元常面临硬件资源有限的问题，难以支撑复杂模型的部署，因此需设计适配Python端、兼顾精度与速度的轻量化方案，解决高精度识别与实时性部署的矛盾。

国内研究方面，中电科第二十八研究所提出基于CNN的雷达信号调制识别方案，在10 dB信噪比下识别率可达98%，但模型参数量超过500万，Python端推理时间达35 ms，实时性不足；哈尔滨工程大学采用LSTM网络实现雷达参数盲估计，载频估计误差控制在50 Hz以内，但未解决多信号重叠场景下的解模糊问题；国防科技大学尝试用DQN算法优化干扰策略，却未与侦察环节形成闭环，干扰决策缺乏实时参数支撑。国外研究方面，美国DARPA开展自适应电子战项目，基于强化学习实现干扰策略动态调整，干扰成功率提升40%，但依赖专用硬件平台，开发成本高且难以移植到Python生态；欧盟联合研究中心采用GAN生成欺骗式干扰信号，信号逼真度达85%，但未考虑低信噪比下的生成稳定性；英国BAE系统公司提出轻量化识别模型，却仅支持单一调制类型，泛化能力弱^{[4 − 5]}。

综合来看，当前研究存在以下不足：一是深度学习模型在Python端的实时性与精度难以兼顾；二是智能干扰技术多聚焦单一环节，缺乏侦察-干扰闭环设计；三是验证平台依赖专用设备，成本高且迭代效率低，这些不足为本研究提供了突破方向。本文围绕雷达电子对抗侦察-干扰全流程展开研究，核心聚焦轻量化雷达信号识别、雷达参数盲估计、智能干扰信号生成与干扰效果评估四大任务，其中轻量化雷达信号识别是侦察环节的关键突破点。

1 轻量化雷达信号识别模型的构建

构建轻量化雷达信号识别模型如图1所示，首先从信号预处理环节入手，依托Python生态工具链完成数据准备与特征转化。采用PyRadarSim生成涵盖LFM/BPSK/QPSK/FSK典型调制类型的雷达信号数据集，生成过程中同步引入不同强度噪声以模拟复杂电磁环境，确保数据覆盖实战中常见的信号特征分布^[6]。针对原始雷达信号时域特征辨识度低的问题，通过SciPy库实现短时傅里叶变换将时域信号转化为二维时频图，同时利用PyWavelets库进行小波去噪处理，在保留信号关键纹理特征的前提下降低环境噪声干扰，最终输出尺寸统一的时频图作为模型输入，既适配后续卷积网络的特征提取需求，又避免冗余信息增加模型计算负担。

模型架构以MobileNetV3为基础框架，核心在于通过深度可分离卷积替代传统卷积操作，减少参数量与计算量。网络输入层接收预处理后的二维时频图，首先经过1个卷积核尺寸为3×3的标准卷积层进行初步特征提取，输出通道数设为32且步长为1，随后接入多个深度可分离卷积块，每个模块包含深度卷积逐通道提取特征与点卷积整合信息2个步骤，通道数从32逐步提升至128，同时嵌入squeeze-and-excitation注意力模块，通过动态调整特征通道权重强化时频图中信号有效区域的特征响应，抑制噪声区域干扰。网络中部设置2个最大池化层降低特征图分辨率，减少后续计算量，最后通过全局平均池化层将特征图转化为固定维度的特征向量，接入1个全连接层输出对应4种调制类型的分类概率，整个网络参数量控制在100万以内，大幅低于传统CNN模型。

模型训练阶段采用多策略协同优化以平衡轻量化与识别精度。数据层面通过随机翻转时频图、调整信号幅度增益、添加随机噪声等增强手段扩充训练样本，提升模型对复杂环境的鲁棒性；训练策略上引入知识蒸馏技术，以参数量2000万的ResNet50作为教师模型，将其在大规模雷达信号数据集上学习到的特征提取经验迁移至轻量化学生模型，通过最小化学生模型与教师模型的特征差异损失，弥补轻量化架构带来的精度损失^[7]。优化器选用Adam，初始学习率设为3×10⁻⁴，并采用余弦退火策略随训练轮次递减，损失函数采用交叉熵损失以适配多分类任务，训练过程中通过早停机制防止过拟合，确保模型在验证集上的性能稳定后停止训练，最终形成兼顾轻量化与识别能力的雷达信号识别模型，可直接部署于Python环境并支持快速推理。

2 基于PPO与DCGAN的智能干扰技术 2.1 干扰目标与环境建模

本研究以脉冲多普勒雷达为主要干扰目标，该类型雷达通过多普勒频移实现目标速度测量，常用工作参数为：载频1～3 GHz，脉宽1～10 μs，脉冲重复间隔100～1000 μs，检测概率阈值0.9。干扰环境需模拟战场典型电磁噪声，包括高斯白噪声、窄带干扰噪声，信噪比范围设定为−10～5 dB；同时考虑多雷达信号重叠场景，最多2部雷达信号在时域/频域部分重叠，重叠度最高达40%。

干扰效果的核心目标为：压制式干扰需使目标雷达的干扰压制比大于10 dB，欺骗式干扰需使目标雷达的假目标识别率大于90%，且2种干扰模式切换响应时间小于50 ms。环境建模通过PyRadarSim实现，基于雷达生成目标回波信号，并叠加噪声与干扰信号后，输出至目标雷达仿真模块，模拟真实雷达的信号接收与处理流程。

2.2 基于PPO的干扰策略优化

采用Stable Baselines3库实现PPO强化学习模型，构建侦察-干扰决策闭环。状态空间定义为侦察模块输出的雷达参数集合，包括目标雷达载频、脉宽、脉冲、重复间隔、当前信噪比，共5个连续状态变量；动作空间分为离散动作与连续动作，离散动作包括选择压制式干扰或欺骗式干扰，连续动作包括干扰功率（0～30 dBm）、干扰带宽（0.5～2倍雷达信号带宽），共2个动作变量。

奖励函数设计为J/S收益-功率惩罚复合函数：当干扰后目标雷达检测概率下降至0.3以下时，给予基础奖励10分；J/S每提升1 dB额外奖励2分；同时引入功率惩罚系数，当干扰功率超过20 dBm时，每超出1 dB扣减1分，避免不必要的功率消耗。模型训练采用分段式学习，前10000步以压制式干扰训练为主，后10000步加入欺骗式干扰决策，总训练步数20000步，每500步保存一次模型权重，通过Tensor Board监控训练过程中的奖励值变化。

训练数据集通过PyRadarSim生成，涵盖3种典型脉冲多普勒雷达参数配置，每种配置下生成1000组不同信噪比的信号样本，共3000组训练样本。训练过程中采用Mini-Batch梯度下降，批次大小设为64，学习率初始值为3×10⁻⁴，随训练步数线性衰减至1×10⁻⁵；同时引入优势函数裁剪，裁剪系数设为0.2，避免更新步长过大导致模型不稳定。

2.3 基于DCGAN的欺骗干扰信号生成

采用PyTorch构建深度卷积生成对抗网络（DCGAN），用于生成脉冲多普勒雷达的假目标欺骗信号。生成器采用4层转置卷积结构，输入为100维随机噪声向量，通过转置卷积逐步提升特征图分辨率，最终输出长度为1024的时域信号；转置卷积层均采用批量归一化与ReLU激活函数，输出层采用Tanh激活函数，将信号幅度归一化至[−1,1]区间，匹配真实雷达信号的幅度范围。

判别器采用4层卷积结构，输入为真实雷达信号或生成器输出的假信号，通过卷积逐步降低特征图分辨率，最终输出1维概率值，判断输入信号为真实信号的概率；卷积层采用批量归一化与LeakyReLU激活函数，LeakyReLU斜率设为0.2，增强模型对弱特征的捕捉能力。

训练数据集为真实脉冲多普勒雷达的回波信号，共采集5000组样本，每组样本长度为1024，涵盖不同目标速度（−300～300 m/s）对应的多普勒频移。训练过程中，生成器与判别器交替优化，生成器损失函数采用二元交叉熵损失，目标是最小化判别器的识别准确率；判别器损失函数同样采用二元交叉熵损失，目标是最大化对真实信号与假信号的区分能力。训练批次大小设为32，学习率为2×10⁻⁴，采用Adam优化器，β₁=0.5，β₂=0.999，总训练轮次200。

3 基于Python工具链的仿真验证与指标分析 3.1 仿真平台搭建

仿真平台基于Python开源库构建，形成信号生成-模型训练-干扰仿真-效果评估/全流程闭环，平台架构分为：

1）数据生成层：采用PyRadarSim生成雷达信号与干扰信号，支持多种调制类型，可设置信噪比、信号重叠度、噪声类型等参数；同时引入公开数据集RML2016.10b补充验证，该数据集包含10种雷达调制信号，样本量达25万组，信噪比覆盖−10～10 dB。

2）模型层：集成第一章的轻量化识别模型、第二章的PPO干扰决策模型、DCGAN欺骗信号生成模型与XGBoost评估模型，通过PyTorchLightning实现模型训练流程标准化，支持权重保存与加载。

3）仿真交互层：基于Matplotlib构建实时可视化界面，展示信号时域/频域波形、模型推理结果、干扰效果曲线；通过NumPy实现各模块间数据格式统一，确保信号数据从生成到评估的无缝流转。

4）硬件对接层：通过pyserial库对接软件无线电（USRPB210），实现仿真信号的硬件收发，支持半实物验证；软件的采样率设为20 MHz，中心频率覆盖1～3 GHz，匹配目标雷达载频范围。

3.2 实验设计与结果分析

1）电子侦察性能评估

本文采用调制识别率以及侦察响应时间作为雷达系统电子侦察性能的评价指标。调制识别率的定义为：不同信噪比下，轻量化模型对QPSK信号的正确识别比例，侦察响应时间定义为：从信号接收至输出识别结果与参数估计值的总耗时，包括信号预处理（STFT）与模型推理，需≤15 ms。

实验条件：测试环境分为Python端仿真与真实雷达系统外场测试。外场测试基于某型舰载脉冲多普勒雷达（载频2.4 GHz，脉宽5 μs），在开阔电磁环境下采集实际QPSK信号，同步记录信噪比（通过外接噪声源调控）与人工标注的识别结果，结果如图2所示。

可以看出，当信噪比从−10 dB变化到10 dB过程中，仿真环境下电子侦察识别率从71.0%逐步攀升至99.5%，真实雷达系统下识别率从68.0% 升至98.2%；真实系统识别率略低于仿真环境，主要因真实电磁环境中的多径效应、非高斯噪声对信号特征造成干扰。

图3为相同信噪比区间内，仿真环境与真实雷达系统下电子侦察响应时间的对比数据。2类环境下响应时间均随信噪比波动极小，整体保持稳定：仿真环境响应时间集中在7.8～14.3 ms，真实雷达系统响应时间集中在8.5～14.8 ms；真实系统响应时间略高于仿真环境，主要源于真实硬件的信号采集、数据传输环节存在轻微延迟。从数值范围看，2类环境下响应时间均低于15 ms的实时性阈值，且在全信噪比区间内无明显峰值波动，充分体现轻量化模型的快速推理优势，确保其在真实雷达系统中能满足电子侦察的毫秒级响应需求。

2）电子干扰性能评估

在干扰信号生成后，还需要对干扰效果进行有效评估。同时将干信比（干扰信号功率与目标信号功率的比值，JSR）、欺骗信号欺骗概率（雷达将假信号判定为真实目标的概率，Pdecept）作为核心指标。通过PyTorch加载已训练完成的DCGAN生成器权重，输入100维随机噪声向量生成假目标信号，采用SciPy提取假信号与真实雷达回波信号的时域波形特征与频域特征，计算两类信号的特征相似度，同时将假信号注入目标雷达仿真模块，统计雷达对假信号的识别率。

将本文方法与DDPG、A3C主流智能干扰算法对比（见表1）。测试样本来自PyRadarSim与真实雷达外场数据（各1000组，涵盖信噪比−5～5 dB、信号重叠度0%～40%），输入目标雷达参数后，记录5类指标：压制式、欺骗式干扰成功率、平均JSR（压制式）、平均Pdecept（欺骗式）、干扰响应时间。结果显示：PPO模型在综合性能上显著优于DDPG与A3C。在信噪比−5 dB、重叠度20%场景下，PPO的压制式干扰成功率达78%（DDPG为69%，A3C为65%），平均JSR达11.2 dB（DDPG为9.8 dB，A3C为9.1 dB）；欺骗式干扰成功率达88%（DDPG为76%，A3C为72%），平均Pdecept达89%（DDPG为78%，A3C为75%）；干扰响应时间稳定在42 ms（DDPG为65 ms，A3C为78 ms），优势源于PPO的策略裁剪机制提升了决策稳定性，且对复杂电磁环境的适应性更强。

4 结　语

本文研究成果可广泛应用于地面/舰载雷达电子对抗系统、基层作战单元的低成本电子战装备，以及雷达对抗算法的快速研发与验证场景。当前研究仍存在一定局限性：MobileNetV3轻量化模型在信噪比＜−10 dB的极端电磁环境下，对复杂调制信号的识别率下降至65%以下，抗干扰能力有待提升，同时仿真平台虽覆盖全流程，但与实际雷达硬件的射频特性、信道损耗模拟仍存在5%～8%的偏差。本文结论如下：

1）构建的MobileNetV3轻量化雷达信号识别模型成效显著，通过深度可分离卷积替代传统卷积减少计算量，不仅在−5 dB信噪比下对LFM、BPSK等4种调制信号的识别率达90%以上，单样本侦察响应时间稳定在7.4～14.3 ms，完全满足Python端实时部署需求，且在真实舰载脉冲多普勒雷达外场测试中，信噪比≥−5 dB时识别率仍达89.1%，响应时间稳定在8.5～14.8 ms，验证了模型在真实硬件部署中的实战适配性。

2）基于PPO与DCGAN的干扰技术实现了侦察-干扰自适应闭环，相比DDPG、A3C等主流智能干扰算法，PPO模型的压制式干扰成功率、欺骗式干扰成功率及平均JSR、平均Pdecept以及干扰响应时间均显著更优，策略稳定性与复杂电磁环境适应性更强。