网络流量数据的高维复杂特性,使得生成对抗网络生成的网络流量数据质量较差。为了解决该问题,提出一种基于双生成器的条件映射生成对抗网络(a cGAN with projection discriminator based on double generators,PD-DcGAN)并将其应用于少...网络流量数据的高维复杂特性,使得生成对抗网络生成的网络流量数据质量较差。为了解决该问题,提出一种基于双生成器的条件映射生成对抗网络(a cGAN with projection discriminator based on double generators,PD-DcGAN)并将其应用于少数类流量增强。提出基于Gumbel-sigmoid分布的离散生成器,获得近似于离散数据的光滑可导分布生成离散特征,并将其与连续数据生成器并联运行,二者结果串联组合,获得数据整体分布情况;以内积形式融合条件信息和特征信息,克服传统方法出现假设空间增大的问题,缓解模型训练过程中的不稳定现象;在损失函数中引入梯度惩罚因子,将判别器梯度限定在一定范围内,有效缓解梯度爆炸。利用UNSW-NB15数据集,从生成样本质量和模型有效性两个角度检验模型性能。实验结果证明,与其他数据增强方法相比,PD-DcGAN在准确率、精确率、召回率和F1得分上分别平均提高2.72%、1.72%、1.87%和1.16%;与原始数据集相比,对难以检测的Analysis、Backdoors、Exploits、Shellcode和Worms等少数类流量检测性能提升明显,分别从不足1%分别提升至7.93%、6.53%、15.72%、14.02%和10.91%。展开更多
相较于传统的无线电数据特征提取方法,深度学习具有高效灵活的特点,其可以有效提高调制数据识别的性能。然而在实践中,收集大量可靠的无线电调制样本数据有时代价是昂贵和困难的,这在很大程度上限制了深度学习模型的性能。本文提出了基...相较于传统的无线电数据特征提取方法,深度学习具有高效灵活的特点,其可以有效提高调制数据识别的性能。然而在实践中,收集大量可靠的无线电调制样本数据有时代价是昂贵和困难的,这在很大程度上限制了深度学习模型的性能。本文提出了基于生成对抗网络(Generative Adversarial Networks,GAN)的无线电调制数据增扩模型RMAbGAN(Radio Modulation data Augmentation based on Generative Adversarial Networks),该模型通过挖掘不同信噪比与调制方式下的无线电调制数据特征差异,生成符合调制方式与信噪比特点的无线电调制数据,模型中的生成器部分捕获无线电调制数据分布特征,辨识器部分优化生成器性能,两者相互博弈性能不断提升;在此基础上,对无线电数据采样特点与无线电数据传统增强方法进行深度分析与研究,发现了无线电调制数据蕴含的空域特征与时序特征,设计出了能深刻捕获无线电数据空域特征与时序特征的无线电数据分类模型AMCST(Automatic Modulation Classification based Spatial and Temporal feature)。通过大量的对比实验,表明相较于基于旋转变换的无线电调制数据增扩模型,RMAbGAN模型在无线电调制数据增扩方面更具有鲁棒性和泛化能力,可以实现更高的调制分类准确率。此外,相较基于长短期记忆网络(Long Short-Term Memory,LSTM)的调制分类模型、基于残差网络(Residual Networks,ResNet)的调制分类模型等传统模型,AMCST模型在调制数据分类方面更具有稳定性和可用性,同时也具有更高的分类准确率。展开更多
文摘高光谱遥感影像智能解译是实现高光谱遥感应用的重要研究任务之一。针对生成式对抗网络在高光谱遥感影像分类中空谱特征利用不足的问题,提出了一种基于CVAE-GAN的高光谱遥感影像分类对抗网络算法(hyperspectral remote sensing classification based on CVAE-CGAN,HCVAE-CGAN),通过搭建1D-CNN分类模型和2D-CNN分类模型,训练判别器识别空谱特征,利用CVAE替代生成器结构生成影像光谱特征和空间特征,通过encode模块处理训练集得到空谱特征值,并将空谱特征值解码生成图像光谱,随后比对原始图像进行decode网络模型的优化,最后利用生成样本对分类器进行训练。实验结果表明,HCVAE-CGAN方法在小样本训练中有更好的检测性能,在Indian Pines和Pavia University数据集中的总体精度分别提高了2.85个百分点和3.92个百分点。
文摘网络流量数据的高维复杂特性,使得生成对抗网络生成的网络流量数据质量较差。为了解决该问题,提出一种基于双生成器的条件映射生成对抗网络(a cGAN with projection discriminator based on double generators,PD-DcGAN)并将其应用于少数类流量增强。提出基于Gumbel-sigmoid分布的离散生成器,获得近似于离散数据的光滑可导分布生成离散特征,并将其与连续数据生成器并联运行,二者结果串联组合,获得数据整体分布情况;以内积形式融合条件信息和特征信息,克服传统方法出现假设空间增大的问题,缓解模型训练过程中的不稳定现象;在损失函数中引入梯度惩罚因子,将判别器梯度限定在一定范围内,有效缓解梯度爆炸。利用UNSW-NB15数据集,从生成样本质量和模型有效性两个角度检验模型性能。实验结果证明,与其他数据增强方法相比,PD-DcGAN在准确率、精确率、召回率和F1得分上分别平均提高2.72%、1.72%、1.87%和1.16%;与原始数据集相比,对难以检测的Analysis、Backdoors、Exploits、Shellcode和Worms等少数类流量检测性能提升明显,分别从不足1%分别提升至7.93%、6.53%、15.72%、14.02%和10.91%。
文摘相较于传统的无线电数据特征提取方法,深度学习具有高效灵活的特点,其可以有效提高调制数据识别的性能。然而在实践中,收集大量可靠的无线电调制样本数据有时代价是昂贵和困难的,这在很大程度上限制了深度学习模型的性能。本文提出了基于生成对抗网络(Generative Adversarial Networks,GAN)的无线电调制数据增扩模型RMAbGAN(Radio Modulation data Augmentation based on Generative Adversarial Networks),该模型通过挖掘不同信噪比与调制方式下的无线电调制数据特征差异,生成符合调制方式与信噪比特点的无线电调制数据,模型中的生成器部分捕获无线电调制数据分布特征,辨识器部分优化生成器性能,两者相互博弈性能不断提升;在此基础上,对无线电数据采样特点与无线电数据传统增强方法进行深度分析与研究,发现了无线电调制数据蕴含的空域特征与时序特征,设计出了能深刻捕获无线电数据空域特征与时序特征的无线电数据分类模型AMCST(Automatic Modulation Classification based Spatial and Temporal feature)。通过大量的对比实验,表明相较于基于旋转变换的无线电调制数据增扩模型,RMAbGAN模型在无线电调制数据增扩方面更具有鲁棒性和泛化能力,可以实现更高的调制分类准确率。此外,相较基于长短期记忆网络(Long Short-Term Memory,LSTM)的调制分类模型、基于残差网络(Residual Networks,ResNet)的调制分类模型等传统模型,AMCST模型在调制数据分类方面更具有稳定性和可用性,同时也具有更高的分类准确率。
