一种基于轻量化神经网络的电磁信号识别方法

针对电磁频谱管控领域中基于神经网络模型的电磁信号识别方法,占用内存、计算时间和传输资源消耗较大,导致难以边缘部署应用的问题,提出了一种基于轻量化神经网络的电磁信号识别方法。首先,对电磁I/Q路数据进行空白值去除、划窗切片、归一化、频域特征提取四个信号预处理步骤,接着训练残差神经网络模型对其进行分类识别,最后通过参数剪枝和聚类量化两个步骤完成网络轻量化。所提方法在实测信号判识准确率较之前变化较小的前提下,内存压缩率为4.65,相较于深度残差网络(Deep Residual Network,ResNet)计算时间加快61.15 s,表明该方法能够在达到高识别率的同时有效降低模型存储规模,在计算时间、计算量方面也具有优势。

基于特征降维和深度学习的电磁信号识别方法

针对基于原始电磁数据通过深度学习识别方法存在计算复杂度高、特征难以物理表征的问题,提出了一种基于特征降维算法和深度学习结合的电磁信号识别方法。该方法在提取电磁信号静态物理特征的基础上,利用ReliefF算法进行特征降维并生成最优特征子集,并将特征子集数据矩阵转换为二维图像,结合不同载波频率和码元信息的电磁信号构建多类型训练样本集。进一步采用改进的残差神经网络(ResNet50-A)进行特征提取,利用识别模型完成电磁信号识别。实验结果表明:论文样本集选取18个静态物理特征所构建的特征子集的电磁信号识别率最高可以达到98.61%,明显优于其他特征子集的识别效果,验证了方法的可行性。

基于雅可比显著图的电磁信号快速对抗攻击方法

为了生成高质量的电磁信号对抗样本,提出了快速雅可比显著图攻击(FJSMA)方法。FJSMA通过计算攻击目标类别的雅可比矩阵,并根据该矩阵生成特征显著图,之后迭代选取显著性最强的特征点及其邻域内连续特征点添加扰动,同时引入单点扰动限制,最后生成对抗样本。实验结果表明,与雅可比显著图攻击方法相比,FJSMA在保持与之相同的高攻击成功率的同时,生成速度提升了约10倍,相似度提升了超过11%;与其他基于梯度的方法相比,攻击成功率提升了超过20%,相似度提升了20%~30%。

基于Grad-CAM的电磁信号对抗攻击方法

随着深度神经网络在电磁信号识别上的应用越来越广泛,为提升我方智能攻击能力,使得敌方智能模型陷入瘫痪,论文将深度学习可解释方法Grad-CAM引入到对抗样本生成领域,通过生成攻击目标类别t的显著特征图,然后结合梯度下降的方式增加样本在类别t上的分类得分,直至模型将其识别为t。实验表明,显著图的对抗攻击方法能够进行针对性攻击,大幅减少无关数据点的扰动,在尽可能少地改动数据点数量的情况下就能完成对抗攻击。

基于显著图的电磁信号对抗样本生成方法

基于深度学习的电磁信号识别模型具有高效、准确和人工干预少的优点,然而其与传统神经网络模型一样容易受到对抗样本的影响.研究对抗样本对测试和提升模型的安全性和鲁棒性有着重要意义.为生成高质量电磁信号对抗样本,本文提出了基于雅可比显著图批量特征点攻击算法(Batch Points Jacobian-based Saliency Map Attack, BP-JSMA).与传统雅可比显著图的攻击方法相比,BP-JSMA通过批量选取关键特征点能够更快生成对抗样本.此外,针对电磁信号数据的特点,增加自适应扰动限制,使得生成的对抗样本更具隐蔽性.在公开数据集的实验结果表明,与雅可比显著图攻击方法相比,BP-JSMA在生成速度方面提升了11倍,隐蔽性提升了10%;而与传统快速梯度符号攻击算法相比,攻击成功率提升了24%,隐蔽性提升了20%.

基于轻量级深度神经网络的电磁信号调制识别技术

针对6G时代将会是移动通信与人工智能紧密结合的时代,产生数量庞大的边缘智能信号处理节点的趋势,提出了一种可部署于资源受限的边缘设备上的高效智能电磁信号识别模型。首先,通过绘制电磁信号的星座图将电磁信号具象为二维图像,并根据归一化点密度对星座图上色以实现特征增强;然后,使用二值化深度神经网络对其进行识别,在保证识别准确率的同时明显降低了模型存储开销以及计算开销。采用电磁信号调制识别问题进行验证,实验选取常用的8种数字调制信号,选择加性高斯白噪声为信道环境。实验结果表明,所提方案可以在信噪比为-6~6 d B的噪声条件下获得96.1%的综合识别率,网络模型大小仅为166 KB,部署于树莓派4B的执行时间为290 ms,相比于同规模的全精度网络,准确率提升了0.6%,模型缩减到1/26.16,运行时间缩减到1/2.37。

多维时频图像特征组合的电磁辐射源信号识别

针对电磁辐射源信号识别问题,提出一种时频图像角点和直线特征组合的调制方式识别方法。该方法首先采用Choi-Williams分布算法获取信号的时频图像,并经过全变分算法去除时频图像噪声,提高低信噪比情况下时频图像的清晰度;然后对去噪后的时频图像进行Harris角点检测和霍夫变换,提取角点和直线特征组成6维特征向量;最后通过支持向量机对特征向量进行训练、分类和识别。实验结果表明,在较低信噪比条件下能取得较好的识别效果,在信噪比为0dB时,识别正确率达到92.3%。

基于深度学习的计算机显示器电磁信息泄漏识别

本文以计算机显示设备泄漏电磁信号为研究对象,对于人工提取特征识别电磁泄漏信号存在的主观性强、特征冗余的问题,区别于传统基于经验的人工特征提取模式,利用人工智能深度学习方法,使用处理图像的深度学习技术应用于电磁信息泄漏特征识别,提出了一种基于卷积神经网络的识别方法.该方法首先提取电磁泄漏信号的时频谱信息作为卷积神经网络模型的输入,然后利用模型的自学习能力提取深层特征,实现对不同分辨率来源电磁泄漏信号的识别,识别准确率达到98%,单信号检测时间仅需40 ms,验证了卷积神经网络应用于电磁泄漏信号识别的有效性,为电磁泄漏预警与防护提供了重要依据,为电磁泄漏视频信号还原复现提供有力支撑.

基于生成对抗网络的数据增强方法及应用

对于小样本电磁信号识别,数据增强是一种最为直观的对策。利用生成对抗网络(GAN)产生虚假信号样本,设计粗粒度和细粒度筛选机制对生成信号进行筛选,剔除质量较差的生成信号,实现训练样本集的有效扩充。为验证所提数据增强算法的有效性,在RADIOML 2016.04C数据集上进行测试。实验结果表明,本文所提方法对小样本电磁信号识别准确率有较好的提升效果。