CN110969186A - 基于通道检测的面向无线信号识别的对抗攻击防御方法与装置 - Google Patents
基于通道检测的面向无线信号识别的对抗攻击防御方法与装置 Download PDFInfo
- Publication number
- CN110969186A CN110969186A CN201911031922.8A CN201911031922A CN110969186A CN 110969186 A CN110969186 A CN 110969186A CN 201911031922 A CN201911031922 A CN 201911031922A CN 110969186 A CN110969186 A CN 110969186A
- Authority
- CN
- China
- Prior art keywords
- wireless signal
- model
- dnn
- channel detection
- mapping
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04B—TRANSMISSION
- H04B17/00—Monitoring; Testing
- H04B17/30—Monitoring; Testing of propagation channels
- H04B17/391—Modelling the propagation channel
Abstract
本发明公开了一种基于通道检测的面向无线信号识别的对抗攻击防御方法与装置,包括:(1)训练无线电信号调制类型识别模型DNN、无线信号特征映射模型F;(2)生成对抗无线信号;(3)利用映射模型F获得的对抗无线信号和良性无线信号的映射图像;(4)对映射图像进行变换操作,利用DNN获得的变换后的映射图像的置信度矩阵;(5)利用置信度矩阵训练通道检测模型D;(6)对待识别无线信号进行图片映射,图片变换后获得对应的置信度矩阵,利用训练好的通道检测模型D获得待识别无线信号的识别结果,该对抗攻击防御方法与装置能够实现对无线信号的攻击防御。
Description
技术领域
本发明属于无线信号识别领域,具体涉及一种基于通道检测的面向无线信号识别的对抗攻击防御方法与装置。
背景技术
凭借着强大的数据表征学习能力,深度学习已然成为了目前机器学习技术的研究热点之一。无论是在计算机视觉领域,还是在自然语言处理领域深度学习都取得了巨大的成功。典型的神经网络包括了:循环神经网络(RNN)、卷积神经网络(CNN)和生成式对抗网络(GAN)等。长短期记忆神经网络(LSTM)是一种时间递归神经网络,被广泛地应用于时间序列的处理。卷积神经网络则(CNN)则是一种被广泛地应用于图像识别领域的深度前馈人工神经网络。
无线电信号调制类型自动识别技术是一种介于信号检测与信号解调之间的技术,通过无线电信号的自动识别,实现无线电信号的智能接收与处理。无论是在民事领域中,政府为实现无线电频谱的有效管理,而实施的信号传输监测,以保持对民用信号的控制或者发现未登记的信号发射机。还是军事领域中,通信情报的获取需要准确判断信号的调制方式,之后才可以实施正确的解调与信息的处理,在今后的电子对抗战中,实施电子对抗、电子反对抗、威胁侦测、目标搜索与检测,都需要高效的调制类型自动识别技术来分析相关信号的参数与性质。常见的信号类型有:宽带调频调制(WBFM)、正交相移键控(QPSK)、正交振幅调制(QAM)、脉冲振幅调制(PAM)等。
目前,深度学习技术已被应用于无线电信号调制类型识别领域中,并且取得了不错的成就。但是深度学习模型容易收到对抗样本的攻击,存在着较严重的安全隐患。
发明内容
本发明的目的是提供一种基于通道检测的面向无线信号识别的对抗攻击防御方法与装置,通过快速高效地生成大量对抗样本,并将其映射到图像特征空间中,通过对抗样本与良性样本在无线信号调制类型识别模型的置信度的变化,并且利用检测模型D实现对无线信号对抗样本的检测。
为实现上述发明目的,本发明提供以下技术方案
一种基于通道检测的面向无线信号识别的对抗攻击防御方法,包括以下步骤:
(1)利用良性无线信号训练无线电信号调制类型识别模型DNN,直到分类准确率大于预设值,停止训练获得训练好的无线电信号调制类型识别模型DNN;
(2)利用MNIST数据集与良性无线信号数据集训练生成模型FG与判别模型FD组成的对抗网络,直到生成模型FG与判别模型FD组成的对抗网络实现纳什均衡,以训练好的生成模型FG作为无线信号特征映射模型F;
(3)利用对抗无线信号生成模型AT生成对抗无线信号;
(4)将良性无线信号和对抗无线信号输入至无线信号特征映射模型F中,获得良性无线信号和对抗无线信号对应图像特征的映射图像;
(5)将良性无线信号和对抗无线信号对应的映射图像分别进行旋转、缩放、翻转、剪切变换操作,得到变换后的映射图像,利用无线信号调制类型识别模型DNN对变换后的映射图像进行计算,获得良性无线信号和对抗无线信号的置信度矩阵,良性无线信号的置信度矩阵的类标为1,对抗无线信号的置信度矩阵的类标为0;
(6)利用良性无线信号和对抗无线信号的置信度矩阵对通道检测模型D进行训练,得到训练好的通道检测模型D;
(7)应用时,将待识别无线信号按照步骤(4)和步骤(5)进行处理,获得待识别无线信号的置信度矩阵,利用训练好的通道检测模型D对待识别无线信号的置信度矩阵进行识别,输出识别结果。
还提供了一种基于通道检测的面向无线信号识别的对抗攻击防御装置,包括计算机存储器、计算机处理器以及存储在所述计算机存储器中并可在所述计算机处理器上执行的计算机程序,其特征在于,所述计算机处理器执行计算机程序时实现上述的基于通道检测的面向无线信号识别的对抗攻击防御方法。
与现有技术相比,本发明具有的有益效果为:
本发明通过映射模型将无线信号映射到图像空间中,再将图像空间的映射图像进行图像变换,利用图像处理技术实现无线信号多通道对抗样本的检测,进一步提高深度学习模型在无线电信号领域中的可靠性。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图做简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动前提下,还可以根据这些附图获得其他附图。
图1为本发明面向无线信号识别的对抗攻击防御的流程示意图;
图2为本发明无线信号特征映射模型F的结构示意图;
图3为本发明无线信号调制类型识别模型DNN的结构示意图。
具体实施方式
为使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及实施例对本发明进行进一步的详细说明。应当理解,此处所描述的具体实施方式仅仅用以解释本发明,并不限定本发明的保护范围。
对于无线电信号,简单的形变操作很难满足对抗样本检测的需求,因此针对该问题,本发明设计了基于生成式对抗网络的信号映射方法,将无线电信号映射到图像领域中,利用CNN来处理无线电信号。
参见图1~图3,实施例提供的通道检测的面向无线信号识别的对抗攻击防御方法包括无线电信号调制类型识别模型DNN、无线信号特征映射模型F、对抗无线信号生成模型AT以及通道检测模型D的构建阶段,以及应用防御阶段,下面针对每个阶段进行详细说明。
模型构建阶段
对抗无线信号生成模型AT,其输入为良性无线信号,输出为扰动尽可能小但攻击能力强的对抗无线信号。
为了快速高效的生成对抗样本,对抗无线信号生成模型AT中,对抗无线信号的生成描述为以下优化任务:对抗样本与正常样本十分接近,同时能够成功攻击目标模型,具体的优化目标如下:
对于目标攻击,其优化目标如下:
argminλ1Loss1(ytarget,fDNN(θDNN,x′))+λ2Loss2(x,x′)
其中,Loss1(·,·)表示通过无线信号调制类型识别模型DNN后输出的对抗无线信号x′的类标fDNN(θDNN,x′)与目标ytarget的距离,Loss2(·,·)表示对抗无线信号x′与良性无线信号x的距离,θDNN为线信号调制类型识别模型DNN的参数,λ1和λ2为权重系数;
对于无目标对抗攻击,其优化目标如下:
其中,yori表示良性无线信号的正确类标,fDNN(θDNN,x′)表示无线信号调制类型识别模型DNN后输出的对抗无线信号x′的类标。
无线信号映射模型F为由生成模型FG与判别模型FD组成的对抗网络训练得到的,输入为无线信号,输出为无线信号在图像特征空间中的映射图像。
如图2所示,生成模型FG将无线信号映射到图像空间中,其可以为以长短时间记忆网络、卷积层以及池化层组成的网络,即利用LSTM、卷积层和池化层将无线信号从信号特征空间映射到图像特征空间。判别模型FD判断输入映射图像是否真实,判别映射图像和原始图现象的区别,并且利用反馈进一步调整映射网络的参数,得到更好的映射效果。在训练过程中,先对判别模型FD进行预训练操作,避免生成模型FG在训练过程中发生模型崩溃,然后对生成模型FG和判别模型FD进行博弈训练,将无线信号映射成图像。为了更好的将无线信号从信号特征空间映射到图像特征空间,并且保持不同特征空间内扰动的一致性,本发明设计了两个损失函数,其中映射图像和原始图像的均方根误差(RMSE)作为损失函数1(M_RMSE);判别模型FD的交叉熵作为损失函数2(M_CE),结合这两个损失函数交替训练生成模型FG和判别模型FD,实现从无线信号特征空间到图像特征空间的映射。
具体地,无线信号映射模型F的获得过程包括:
(1)构建包括生成模型FG与判别模型FD的对抗网络,其中,生成模型FG的输入为无线信号,输出为无线信号在图像特征空间中的映射图像,判别模型FD的输入为生成模型FG输出的映射图像,输出为对映射图像的判别结果;
(2)固定生成模型FG的参数,将无线信号输入到生成模型FG,将生成模型FG输出的映射图像和对应的MNIST图像样本输入到判别模型FD,训练判别模型FD的参数,使其能够区分生成模型FG输出的映射图像和正常的MNIST图像样本;
(3)固定判别网络FD的参数,将无线信号输入至生成模型FG中,得到输出的映射图像,通过判别模型FD的输出反馈调节生成模型FG的参数,使其能够更加精确的将无线信号映射到图像空间中;
(4)重复步骤(2)和(3),直到FG-FD实现纳什均衡后,以训练好的生成模型FG作为无线信号特征映射模型F。
当FG-FD实现纳什均衡时,满足:
其中,min max表示纳什均衡中的最大最小目标函数,FG(xsignal)为无线信号xsignal输入至生成模型FG中得到的映射图像,FD(FG(xsignal))为判别模型FD对FG(xsignal)的判别输出,FD(xnor)为判别模型FD对MNIST的图像xnor的判别输出,E(·)表示交叉熵的期望。
在训练过程中,生成模型FG、判别模型FD存在着博弈竞争关系,判别模型FD的优化目标是能够尽可能准确地将无线电信号从信号特征空间映射到图像特征空间;判别模型FD的目标是尽可能的区分生成模型FG生成的映射图像和真实样本。
无线信号调制类型识别模型DNN的输入为映射图像,输出为置信度矩阵。具体地,可以以卷积层、池化层以及全连接层组成的神经网络作为无线电信号调制类型识别模型DNN。图3给出了一种无线信号调制类型识别模型DNN的网络结构,图3中,其中ConV表示卷积层,Pooling表示池化层、FC表示全连接层,原始图像的尺寸为28*28*1,使用3*3*64的卷积模块和2*2的池化窗口后得到14*14*64的特征层,使用3*3*128的卷积模块和2*2的池化窗口后得到7*7*128的特征层,使用全连接层将特征层全连接到128个神经元,最后再将其全连接到n个神经元。以MNIST数据集为例,属于10分类数据,此时n=10。
利用良性无线信号训练无线电信号调制类型识别模型DNN,直到分类准确率大于预设值,停止训练获得训练好的无线电信号调制类型识别模型DNN。
通道检测模型D的输入为置信度矩阵,输出为良性无线信号和对抗无线信号的区分结果。
具体地,通道检测模型D是以全连接层组成的网络,其输入为m*n置信度矩阵。将良性无线信号和对抗无线信号从信号特征空间映射到图像特征空间后,并且输入至无线信号调制类型识别网络DNN中,得到置信度矩阵,其中良性样本置信度的类标为1,对抗样本置信度的类标为0。将得到的置信度矩阵作为通道检测模型D的输入以训练通道检测模型D,训练时,以二分类结果的交叉熵作为损失函数:
其中,Nsam表示训练集的样本数,AED(·)表示通道检测模型D的输出置信度,AE-CMD表示对抗无线信号的置信度矩阵,BE-CMD表示良性无线信号的置信度矩阵。
应用防御阶段
在获得以上无线电信号调制类型识别模型DNN、无线信号特征映射模型F、以及通道检测模型D,即可以应用无线电信号调制类型识别模型DNN、无线信号特征映射模型F、以及通道检测模型D进行无线信号的识别攻击防御。
具体地,防御过程为:
(a)将待识别无线信号输入至无线信号特征映射模型F中,获得良性无线信号和对抗无线信号对应图像特征的映射图像;
(b)将待识别无线信号对应的映射图像分别进行旋转、缩放、翻转、剪切等n种变换操作,得到变换后的映射图像,利用无线信号调制类型识别模型DNN对变换后的映射图像进行计算,获得待识别无线信号的置信度矩阵;
(c)将识别无线信号的置信度矩阵输入至训练好的通道检测模型D,利用训练好的通道检测模型D对待识别无线信号的置信度矩阵进行识别,输出识别结果。
防御性能评价指标定义:
当通道检测模型D训练代数达到预设的最大值或者验证集的损失不再下降,结束训练,并用测试集的F1测度作为检测器性能的评价指标,平衡查全率(即召回率,recall,R)和查准率(即精确率,precision,P),计算公式如下:
其中,TP是将正类(良性样本)预测为正类的个数,FN是将正类预测为负类(对抗样本)的个数,FP是将负类预测为正类的个数,TN是将负类预测为负类的个数。F1值越大,说明检测效果越好。
实施例还提供了一种基于通道检测的面向无线信号识别的对抗攻击防御装置,包括计算机存储器、计算机处理器以及存储在所述计算机存储器中并可在所述计算机处理器上执行的计算机程序,所述计算机处理器执行计算机程序时实现上述的基于通道检测的面向无线信号识别的对抗攻击防御方法。
由于对抗攻击防御装置中以及计算机存储器存储的计算机程序主要用于实现上述的基于通道检测的面向无线信号识别的对抗攻击防御方法,因此其作用于上述防御方法的作用相对应,此处不再赘述。
以上所述的具体实施方式对本发明的技术方案和有益效果进行了详细说明,应理解的是以上所述仅为本发明的最优选实施例,并不用于限制本发明,凡在本发明的原则范围内所做的任何修改、补充和等同替换等,均应包含在本发明的保护范围之内。
Claims (7)
1.一种基于通道检测的面向无线信号识别的对抗攻击防御方法,包括以下步骤:
(1)利用良性无线信号训练无线电信号调制类型识别模型DNN,直到分类准确率大于预设值,停止训练获得训练好的无线电信号调制类型识别模型DNN;
(2)利用MNIST数据集与良性无线信号数据集训练生成模型FG与判别模型FD组成的对抗网络,直到生成模型FG与判别模型FD组成的对抗网络实现纳什均衡,以训练好的生成模型FG作为无线信号特征映射模型F;
(3)利用对抗无线信号生成模型AT生成对抗无线信号;
(4)将良性无线信号和对抗无线信号输入至无线信号特征映射模型F中,获得良性无线信号和对抗无线信号对应图像特征的映射图像;
(5)将良性无线信号和对抗无线信号对应的映射图像分别进行旋转、缩放、翻转、剪切变换操作,得到变换后的映射图像,利用无线信号调制类型识别模型DNN对变换后的映射图像进行计算,获得良性无线信号和对抗无线信号的置信度矩阵,良性无线信号的置信度矩阵的类标为1,对抗无线信号的置信度矩阵的类标为0;
(6)利用良性无线信号和对抗无线信号的置信度矩阵对通道检测模型D进行训练,得到训练好的通道检测模型D;
(7)应用时,将待识别无线信号按照步骤(4)和步骤(5)进行处理,获得待识别无线信号的置信度矩阵,利用训练好的通道检测模型D对待识别无线信号的置信度矩阵进行识别,输出识别结果。
2.如权利要求1所述的基于通道检测的面向无线信号识别的对抗攻击防御方法,其特征在于,以卷积层、池化层以及全连接层组成的神经网络作为无线电信号调制类型识别模型DNN。
3.如权利要求1所述的基于通道检测的面向无线信号识别的对抗攻击防御方法,其特征在于,对抗无线信号生成模型AT中,对抗无线信号的生成描述为以下优化任务:对抗样本与正常样本十分接近,同时能够成功攻击目标模型,具体的优化目标如下:
对于目标攻击,其优化目标如下:
argminλ1Loss1(ytarget,fDNN(θDNN,x′))+λ2Loss2(x,x′)
其中,Loss1(·,·)表示通过无线信号调制类型识别模型DNN后输出的对抗无线信号x′的类标fDNN(θDNN,x′)与目标ytarget的距离,Loss2(·,·)表示对抗无线信号x′与良性无线信号x的距离,θDNN为线信号调制类型识别模型DNN的参数,λ1和λ2为权重系数;
对于无目标对抗攻击,其优化目标如下:
其中,yori表示良性无线信号的正确类标,fDNN(θDNN,x′)表示无线信号调制类型识别模型DNN后输出的对抗无线信号x′的类标。
4.如权利要求1所述的基于通道检测的面向无线信号识别的对抗攻击防御方法,其特征在于,无线信号映射模型F的获得过程包括:
(1)构建包括生成模型FG与判别模型FD的对抗网络,其中,生成模型FG的输入为无线信号,输出为无线信号在图像特征空间中的映射图像,判别模型FD的输入为生成模型FG输出的映射图像,输出为对映射图像的判别结果;
(2)固定生成模型FG的参数,将生成模型FG输出的映射图像和对应的MNIST图像样本输入到判别模型FD,训练FD的参数,使其能够区分生成模型FG输出的映射图像和正常的MNIST图像样本;
(3)固定判别网络FD的参数,将无线信号样本输入至生成模型FG中,训练FG的参数,使其能够更加精确的将无线信号映射到图像空间中;
(4)重复步骤(2)和(3),直到FG-FD实现纳什均衡后,以训练好的生成模型FG作为无线信号特征映射模型F。
5.如权利要求1或4所述的基于通道检测的面向无线信号识别的对抗攻击防御方法,其特征在于,所述生成模型FG是以长短时间记忆网络、卷积层以及池化层组成的网络。
6.如权利要求1所述的基于通道检测的面向无线信号识别的对抗攻击防御方法,其特征在于,所述通道检测模型D是以全连接层组成的网络,训练时,以二分类结果的交叉熵作为损失函数。
7.一种基于通道检测的面向无线信号识别的对抗攻击防御装置,包括计算机存储器、计算机处理器以及存储在所述计算机存储器中并可在所述计算机处理器上执行的计算机程序,其特征在于,所述计算机处理器执行计算机程序时实现权利要求1~6任一项所述的基于通道检测的面向无线信号识别的对抗攻击防御方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911031922.8A CN110969186B (zh) | 2019-10-28 | 2019-10-28 | 基于通道检测的面向无线信号识别的对抗攻击防御方法与装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911031922.8A CN110969186B (zh) | 2019-10-28 | 2019-10-28 | 基于通道检测的面向无线信号识别的对抗攻击防御方法与装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110969186A true CN110969186A (zh) | 2020-04-07 |
CN110969186B CN110969186B (zh) | 2023-04-07 |
Family
ID=70029925
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911031922.8A Active CN110969186B (zh) | 2019-10-28 | 2019-10-28 | 基于通道检测的面向无线信号识别的对抗攻击防御方法与装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110969186B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111428817A (zh) * | 2020-04-22 | 2020-07-17 | 浙江工业大学 | 一种面向无线电信号识别对抗攻击的防御方法 |
CN112821971A (zh) * | 2021-02-01 | 2021-05-18 | 之江实验室 | 一种基于对抗式学习的时变信道信号检测方法 |
CN114724014A (zh) * | 2022-06-06 | 2022-07-08 | 杭州海康威视数字技术股份有限公司 | 基于深度学习的对抗样本攻击检测方法、装置及电子设备 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20180219887A1 (en) * | 2017-01-30 | 2018-08-02 | Microsoft Technology Licensing, Llc | Continuous learning for intrusion detection |
CN109460814A (zh) * | 2018-09-28 | 2019-03-12 | 浙江工业大学 | 一种具有防御对抗样本攻击功能的深度学习分类方法 |
CN109887047A (zh) * | 2018-12-28 | 2019-06-14 | 浙江工业大学 | 一种基于生成式对抗网络的信号-图像翻译方法 |
CN109890043A (zh) * | 2019-02-28 | 2019-06-14 | 浙江工业大学 | 一种基于生成式对抗网络的无线信号降噪方法 |
-
2019
- 2019-10-28 CN CN201911031922.8A patent/CN110969186B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20180219887A1 (en) * | 2017-01-30 | 2018-08-02 | Microsoft Technology Licensing, Llc | Continuous learning for intrusion detection |
CN109460814A (zh) * | 2018-09-28 | 2019-03-12 | 浙江工业大学 | 一种具有防御对抗样本攻击功能的深度学习分类方法 |
CN109887047A (zh) * | 2018-12-28 | 2019-06-14 | 浙江工业大学 | 一种基于生成式对抗网络的信号-图像翻译方法 |
CN109890043A (zh) * | 2019-02-28 | 2019-06-14 | 浙江工业大学 | 一种基于生成式对抗网络的无线信号降噪方法 |
Non-Patent Citations (2)
Title |
---|
YANG, YANG等: "Generative-adversarial-network-based Wireless Channel Modeling: Challenges and Opportunities" * |
程莉;: "优化的神经网络分类器在自动调制识别中的应用" * |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111428817A (zh) * | 2020-04-22 | 2020-07-17 | 浙江工业大学 | 一种面向无线电信号识别对抗攻击的防御方法 |
CN111428817B (zh) * | 2020-04-22 | 2023-06-02 | 浙江工业大学 | 一种面向无线电信号识别对抗攻击的防御方法 |
CN112821971A (zh) * | 2021-02-01 | 2021-05-18 | 之江实验室 | 一种基于对抗式学习的时变信道信号检测方法 |
CN114724014A (zh) * | 2022-06-06 | 2022-07-08 | 杭州海康威视数字技术股份有限公司 | 基于深度学习的对抗样本攻击检测方法、装置及电子设备 |
CN114724014B (zh) * | 2022-06-06 | 2023-06-30 | 杭州海康威视数字技术股份有限公司 | 基于深度学习的对抗样本攻击检测方法、装置及电子设备 |
Also Published As
Publication number | Publication date |
---|---|
CN110969186B (zh) | 2023-04-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110969186B (zh) | 基于通道检测的面向无线信号识别的对抗攻击防御方法与装置 | |
CN111428817B (zh) | 一种面向无线电信号识别对抗攻击的防御方法 | |
Soltani et al. | Real-time and embedded deep learning on FPGA for RF signal classification | |
CN111163472B (zh) | 一种基于生成式对抗网络的信号识别攻击的防御方法 | |
Haykin | Cognitive radar networks | |
CN110569752A (zh) | 基于卷积神经网络的雷达信号类别确定方法 | |
CN115392326B (zh) | 基于联合多模态信息与域对抗神经网络的调制识别方法 | |
CN113806746A (zh) | 基于改进cnn网络的恶意代码检测方法 | |
CN113158869A (zh) | 图像识别方法、装置、终端设备及计算机可读存储介质 | |
Xiao et al. | Specific emitter identification of radar based on one dimensional convolution neural network | |
CN113297572A (zh) | 基于神经元激活模式的深度学习样本级对抗攻击防御方法及其装置 | |
CN116866129A (zh) | 一种无线通信信号检测方法 | |
CN110751049B (zh) | 一种面向信号采样梯度攻击的防御方法 | |
CN115376008A (zh) | 病虫害识别方法、装置、电子设备和存储介质 | |
Hao et al. | Automatic modulation classification via meta-learning | |
CN113569657A (zh) | 一种行人重识别方法、装置、设备及存储介质 | |
CN117041993A (zh) | 一种多无人机编队感知资源联合调度方法、装置和系统 | |
CN115600101B (zh) | 一种基于先验知识的无人机信号智能检测方法及装置 | |
CN116894200A (zh) | 一种基于卷积神经网络和注意力机制的无线电调频引信干扰信号识别方法 | |
Ji et al. | STAE‐YOLO: Intelligent detection algorithm for risk management of construction machinery intrusion on transmission lines based on visual perception | |
Song et al. | Research on radar clutter recognition method based on LSTM | |
Gai et al. | Spectrum sensing method based on residual cellular network | |
CN113343924B (zh) | 一种基于循环谱特征和生成对抗网络的调制信号识别方法 | |
Lin et al. | Features fusion based automatic modulation classification using convolutional neural network | |
Jing et al. | Study on fast-changing mixed-modulation recognition based on neural network algorithms |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |