《电子战应用中的双 TOA 和信号类型预测》73页

现代军用雷达是一种复杂的机器，可发射用于监视和跟踪目的的信号序列。有些雷达被称为多功能雷达（MFR），可以在很短的时间内发出各种信号并在不同状态之间切换。根据截获的信号对 MFR 将发出的信号类型进行分类，可以帮助电子战军官评估目标雷达对飞机的威胁程度，而预测下一个信号的特征则可以让用户有效干扰或干预目标雷达。本论文提出了一种预测脉冲重复间隔（PRI）值从而预测下一个雷达信号到达时间（TOA）的新方法，以及一种预测雷达将发射的信号特征的统一方法。这些模型基于 MFR 发射的信号的语法结构，并利用机器学习来预测 PRI 和雷达的下一个信号类型。

电磁频谱越来越拥挤，尤其是在现代战场上。因此，信号处理、雷达干扰和拦截变得越来越困难，因为信号和雷达比以往任何时候都多。电子战（EW）是指在战时行动中对电磁频谱的操纵。这包括雷达信号拦截和干扰、通信信号拦截，甚至 GPS 信号干扰和欺骗。本研究将重点关注电子战的电子支持（ES）应用。这包括实时拦截和处理雷达信号的过程。本研究项目的重点是预测新雷达信号的到达时间和类型。这对电子对抗控制单元非常重要，因为这些信息将促使其决定如何处理接收到的信号。

电子战有许多分支，处理不同交战阶段的任务。如前所述，ES 主要负责拦截和处理雷达信号。电子情报（ELINT）系统用于收集、分析和记录来自敌方雷达的信号数据。这些获取的数据存储在资料库中，每个条目都有不同的信号类型，并附有文字信息，说明飞行员何时可能与该信号发生交互，以及该信号来自何处。信息中还可能包括雷达的工作状态以及下一个信号[3]。尽管 ELINT 系统提供了有关雷达的宝贵先验知识，但总有可能某些新雷达是秘密开发的，其信息未列入资料库。本论文将考虑一项任务，即在任务期间收集雷达信号，分析雷达行为并建立模型，预测新雷达的信号类型和到达时间。

天线可能会同时捕获来自该区域所有现役雷达的信号。EW 接收机的任务是将这些信号分离成各自的序列。这是一个重要的研究课题，其中一种方法是使用预测门。然而，这种方法有一个关键问题，那就是它不适合当今战场上拥挤的电磁频谱。这是因为这些预测门需要设置成能捕捉到想要解除闭锁的信号，但会忽略其他所有信号。这意味着在密集的射频频谱中，这种方法变得不可行。如今，研究人员正在尝试使用机器学习（ML）对接收到的雷达序列进行去交织。简而言之，研究发现使用卷积神经网络（CNN）可以帮助对信号进行解交织，并识别其调制类型。虽然 ML 是电子战领域许多人正在探索的重要工具，但也有一些人正在采用更传统的方法，对具有不同脉冲重复间隔 (PRI) 的信号进行解交织。这些论文对以前经过验证的算法进行了改进，试图使其更加稳健，并能处理更加复杂和现代的 PRI 调制方案。

在当今的电子战领域，解交织并不是唯一变得更加复杂的任务。由于现代战场上使用的雷达数量和类型等多种因素，所有 EW 任务都变得更加耗时。一些现代军用雷达被称为多功能雷达（MFR），能够通过使用硬件和软件快速改变信号参数。通常，相控阵天线可以快速改变方向和波束宽度。另一个增加问题复杂性的因素是需要大量数据来精确训练模型，以学习雷达的功能。雷达通常会旋转，因此飞机可能只会在短时间内受到照射。即使派出侦察机收集数据，让其他飞行员和预警机操作员事先了解情况，也不可能收集到数百万个数据点。因此，所开发的新技术不仅要能抵御噪声，还需要在数据较少的情况下保持精确。

这项研究侧重于 ES 的两个不同方面：PRI 预测和信号类型预测。目前有大量关于 PRI 调制分类的研究。不过，本项目的重点不是确定雷达如何改变 PRI，而是预测下一个 PRI 的实际值，因为这很容易转化为传入信号的到达时间 (TOA)。知道下一个雷达脉冲的 TOA 不仅能让干扰者在准确的时间发射干扰信号，还能让他们利用不同雷达信号的到达时间表，相对轻松地干扰多个雷达。所提出的方法包括利用观测到的 PRI 值的分布来帮助过滤信号，并创建一种确定性模式，这种模式很容易被简单的神经网络学习。最后，将利用预测 PRI 值与观测 PRI 值之间的均方根误差 (RMSE) 对这些模型进行评估。这将是一个性能评估指标，用于确定所开发模型预测的 PRI 值与实际 PRI 值的接近程度。拟议研究的第二个领域将侧重于雷达信号类型预测。由于 MFR 的运行模式可能使用语法模型建模，因此第二部分研究工作将涉及自然语言处理技术，如语法建模。一旦创建、训练和验证了这两个管道，就可以将它们合并为一个统一的模型，用于预测 PRI 和信号类型。