CN112924749A - 无监督对抗学习电磁频谱异常信号检测方法 - Google Patents
无监督对抗学习电磁频谱异常信号检测方法 Download PDFInfo
- Publication number
- CN112924749A CN112924749A CN202110156715.6A CN202110156715A CN112924749A CN 112924749 A CN112924749 A CN 112924749A CN 202110156715 A CN202110156715 A CN 202110156715A CN 112924749 A CN112924749 A CN 112924749A
- Authority
- CN
- China
- Prior art keywords
- layer
- model
- neural network
- electromagnetic spectrum
- input
- 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
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R23/00—Arrangements for measuring frequencies; Arrangements for analysing frequency spectra
- G01R23/16—Spectrum analysis; Fourier analysis
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- 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
- G06N3/084—Backpropagation, e.g. using gradient descent
Landscapes
- Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Mathematical Physics (AREA)
- General Physics & Mathematics (AREA)
- Biomedical Technology (AREA)
- Computing Systems (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Testing And Monitoring For Control Systems (AREA)
- Complex Calculations (AREA)
Abstract
本发明公开了一种无监督对抗学习电磁频谱异常信号检测方法,该方法为:对获取的功率谱数据进行预处理,获得功率谱密度估计;通过所述功率谱密度估计构建基于深度学习的电磁频谱异常检测模型;通过所述电磁频谱异常检测模型对任意一功率谱数据确定重构误差Lr和判决器损失Ld;根据所述重构误差Lr和判决器损失Ld确定异常结果Aresult,并且通过异常结果Aresult确定电磁频谱数据是否存在异常。本发明结合功率谱数据的局部特性,使用卷积神经网络代替传统方式的全连接网络,减小了网络的规模;采用对抗自编码器,将对抗思想引入电磁频谱异常信号检测,能够学习到更加有效的特征,相比传统普通的编解码器模型有更好的检测能力。
Description
技术领域
本发明属于通信技术领域,具体涉及一种无监督对抗学习电磁频谱异常信号检测方法。
背景技术
无线电技术的发展使无线电频谱资源成为了新旧动能转换和发展数字经济的重要生产要素,无线电频谱成为我们最宝贵和广泛使用的自然资源之一。无论是在军事领域还是民用领域,电磁频谱管控都扮演者越来越重要的角色,而电磁频谱异常检测是电磁管控中重要一环。
传统军事行动中,强大的火力和机动力是标配,而现代战争中必须将电磁攻防列入标配清单。美军首先提出电磁频谱作战的概念,电磁频谱作战以电子战和频谱管理为基础,以联合电磁频谱作战为实现方式,目标是在电磁作战环境中达成优势。
电子战中对方可能对我方用频设备进行侦测、干扰,若我方不能监测到因为被干扰、侦测出现的电磁频谱异常,我方各级部队保持沟通指挥将受到影响。而频谱管理中也需要及时发现我方用频设备异常情况,如用频设备老化造成发射功率变高、带宽变宽影响其他频段用频设备的情况。因此战场上电磁异常检测关乎我方制电磁权,影响我方胜败。
民用领域中电磁频谱异常检测也起着重要作用。很多未被授权的基站和发射器出于私利或出于破坏的目的,违规使用无线电频段,对正常的电台站的无线电信号使用造成了干扰,如果不能及时准确的发现异常的无线电信号,让异常信号对正常信号造成干扰,可能会导致授权信号在接收端信息失真甚至丢失,严重的还可能对生命财产安全造成危害。比如私自安装的“手机信号放大器”除了干扰公众通信网络,高铁沿线列车控制系统基站所用频段与移动公司的频段相隔非常近,假如在铁路沿线5公里范围内安装手机信号放大器,很有可能会引起阻塞干扰,威胁列车运行安全;“黑广播”的滥用,不仅占用导航信号频段,其发射功率还盖过了导航信号,影响了民航降落工作。
战场电子对抗造成的电磁频谱异常种类受敌方刻意控制,异常种类多样且战前未知。频谱管理中出现的各种异常情况也面临异常样本难以获取,标注困难等问题。无线电频谱的数据量大、异常多样、异常样本难以获取这些特点给电磁频谱异常检测问题带来了巨大挑战。传统的两种电磁环境异常检测方法有数据库比对法和历史模型分析法,前者需要较完备的频谱执照数据库支持,后者需要长期监测数据积累以及诸多用频参数先验概率分布知识,在电磁环境异常检测问题上表现得也不尽如人意。有学者提出基于时间序列分析的频谱异常自主检测和稳健估计方法,无需用频数据库和长期无线电监测累积历史数据,能够识别典型的异常,但建模过程需要异常的先验知识,而电磁信号异常多样且有未知异常,难以得到全面的异常先验知识,故该方法有一定的局限性。
在过去的十年里,机器学习快速发展。夏伟等人的《基于单类支持向量机模型的频谱异常检测方法》提出基于单类支持向量机模型的频谱异常检测方法,训练效果好、决策速度快、精度高的特点,避免了高代价的异常样本采集,同时对未知异常也有较高的检测精度,但电磁信号的异常检测需要检测的数据量非常大,该方法对海量数据的异常检测存在一定的局限性。
深度学习相对于传统的机器学习有更多网络层数,能够更大程度的压缩数据维度,可以实现自我迭代,只需输入数据,通过深度学习就可以自动实现特征的提取,对于处理量大且复杂的数据有很大优势。深度学习又可以分为有监督学习、半监督学习和无监督学习,有监督学习算法需要对数据创建标签,在数据量大的情况下会花费巨大的人力,而无监督学习算法直接从数据本身得到数据的性质,然后总结数据或对数据进行分组,自动实现特征提取,可以在进行电磁频谱异常检测时避免高代价的异常标记。无监督学习算法可以处理大量数据且无需标记,很适合电磁频谱异常检测中异常种类多样且部分异常种类预先未知的情况。因此电磁频谱异常检测多使用无监督学习的方法,例如冯清松的《Anomalydetection of spectrum in wireless communication via deep auto-encoders》提出一种基于自动编解码器的电磁频谱异常检测方法,该方法可以进行无监督学习异常检测,但是没有对编码后的隐含空间的分布进行约束,导致不能提取到更为有效的特征。
发明内容
有鉴于此,本发明的主要目的在于提供一种无监督对抗学习电磁频谱异常信号检测方法。
为达到上述目的,本发明的技术方案是这样实现的:
本发明实施例提供一种无监督对抗学习电磁频谱异常信号检测方法,该方法为:对获取的功率谱数据进行预处理,获得功率谱密度估计;
通过所述功率谱密度估计构建基于深度学习的电磁频谱异常检测模型;
通过所述电磁频谱异常检测模型对任意一功率谱数据确定重构误差Lr和判决器损失Ld;
根据所述重构误差Lr和判决器损失Ld确定异常结果Aresult,并且通过异常结果Aresult确定电磁频谱数据是否存在异常。
上述方案中,所述对获取的功率谱数据进行预处理,获得功率谱密度估计,具体为:采集某频段无线电信号的IQ数据x(n),对采集到的IQ数据采用周期图法进行功率谱密度估计,即将x(n)分为L段,每段长度为M:
并对电磁频谱数据进行归一化处理,将功率谱数据为训练集和验证集两部分。
上述方案中,所述电磁频谱异常检测模型由编码模型E、判别模型D、解码模型De三部分构成;所述编码器将功率谱密度向量压缩到隐含空间z,解码器从隐含空间z重构输入的功率谱密度向量,判别器D对编码器编码后的隐含向量进行约束,使得p(z)~N(z∣0,1)。
上述方案中,所述解码器从隐含空间z重构输入的功率谱密度向量,并通过与判决器对抗使得p(z)~N(z∣0,1),具体为:
上述方案中,所述通过所述功率谱密度估计构建基于深度学习的电磁频谱异常检测模型包括对编码模型、解码模型、判别模型的构建、以及对电磁频谱异常检测模型进行训练、以及对电磁频谱异常检测模型进行验证。
上述方案中,所述编码模型、解码模型、判别模型的构建,具体通过以下步骤实现:
步骤2a)编码模型构建:确定卷积神经网络的输入层节点数、输出层节点数、卷积层层数、卷积层卷积核数、池化层层数和全连接层层数,以及卷积层、池化层和全连接层的激活函数,并对各层节点的权值Wl及偏值bl进行初始化,所述卷积神经网络的输入层节点数与训练集中单个功率谱密度数据样本维度一致,记为p,所述卷积神经网络的输出层节点数为z,其中,l表示卷积神经网络的层数标号,且l=1,2,···,n,n表示卷积神经网络的总层数,卷积层的卷积核卷积尺寸为一维线性,池化层的下采样尺寸为一维线性;
步骤2b)解码模型构建:确定卷积神经网络的输入层节点数、输出层节点数、卷积层层数、卷积层卷积核数,以及反卷积层的激活函数,并对各层节点的权值Wl及偏置bl进行初始化,所述反卷积神经网络的输入层节点数为z,所述卷积神经网络的输出层节点数为p,其中,l表示卷积神经网络的层数标号,且l=1,2,···,n,n表示卷积神经网络的总层数,反卷积层的卷积核卷积尺寸为一维线性;
步骤2c)判别模型构建:确定全连接网络的输入层节点数、输出层节点数、隐藏层层数以及隐藏层神经元单元个数,并对各层节点的权值Wl及偏值bl进行初始化,所述判别模型输入层节点数为z,所述判别模型的输出层节点数为1,其中,l表示卷积神经网络的层数标号,且l=1,2,···,n,n表示卷积神经网络的总层数,损失函数使用二进制交叉熵。
上述方案中,所述对电磁频谱异常检测模型进行训练,具体通过以下步骤实现:
步骤(3a)确定卷积神经网络模型训练的终止条件和最大迭代次数T;
步骤(3b)训练判决器模型:从训练集中随机选取一个功率谱数据,并将其作为编码输入样本,记输出为zf,并标记为0,并从指定分布随机采样,记为zr,并标记为1,采用正向传播算法,通过zf与zr输入到全连接判别器神经网络中的输入训练样本,确定全连接判决器神经网络各层的输出,将输出与对应标记计算损失函数并采用反向传播算法,对全连接判别模型各层节点的权值和偏置进行修正;
步骤(3c)训练卷积编码模型:从训练集中随机选取一个功率谱数据,并将其作为编码输入样本,记输出为zf,并标记为1,采用正向传播算法,通过zf输入到判别神经网络中,确定卷积编码模型各层的输出,将输出与对应标记计算损失函数并采用反向传播算法,对编码模型各层节点的权值和偏置进行修正;
步骤(3d)训练反卷积解码模型:从训练集中随机选取一个功率谱数据,并将其作为编码器输入样本,记输出为zf,通过zf输入到反卷积解码器神经网络中,计算反卷积解码器各层的输出,将输出与输入计算最小均方误差损失函数并采用反向传播算法,对卷积编解码模型各层节点的权值和偏置进行修正;
步骤(3e)重复执行步骤(3b)-(3d),直到卷积神经网络输出层的灵敏度满足卷积神经网络模型训练的终止条件的要求或重复次数为T-1时,保存修正后的卷积神经网络的结构和各层节点的权值及偏值,得到训练好的卷积神经网络模型。
上述方案中,所述对电磁频谱异常检测模型进行验证,具体通过以下步骤实现:
步骤(4a)从验证集中随机选取一个功率谱密度样本,并将其作为编解码器输入验证样本;
步骤(4b)采用正向传播算法,通过输入到卷积神经网络中的输入验证样本,计算卷积神经网络各层的输出,计算重构误差Lr,判决器损失Ld。
步骤(4d)重复执行步骤(4a)-(4c),直到验证集中的功率谱信号被全部选取时;
步骤(4e)利用验证集的编解码器重构误差按照虚警概率要求设定超参数ε。
上述方案中,所述根据所述重构误差Lr和判决器损失Ld确定异常结果Aresult,并且通过异常结果Aresult确定电磁频谱数据是否存在异常,具体为:
其中为重构误差,为解码器输出,分别代表验证时期重构误差均值和方差,Ld为判决器损失,为判决器验证时期损失的均值和方差,ε为超参数;若所述异常结果Aresult满足判定表达式,则该电频谱数据存在干扰,否则电频谱数据不存在干扰。
与现有技术相比,本发明结合功率谱数据的局部特性,使用卷积神经网络代替传统方式的全连接网络,减小了网络的规模;采用对抗自编码器,将对抗思想引入电磁频谱异常信号检测,相比于普通的编解码器模型能够控制编码后的隐含编码向量的分布,能够学习到更加有效的特征,相比传统普通的编解码器模型有更好的检测能力。
附图说明
此处所说明的附图用来公开对本发明的进一步理解,构成本发明的一部分,本发明的示意性实施例及其说明用于解释本发明,并不构成对本发明的不当限定。在附图中:
图1为本发明的实现流程图;
图2为本发明的实现的基于对抗自动编解码器的模型结构图;
图3为本发明的模型进行预测时加入异常的功率谱密度样本,SIR=10dB;
图4为本发明的模型进行预测时输入为图3样本下的输出;
图5为本发明的模型进行预测时正常样本和异常样本重构误差Lr分布图,异常样本SIR=10dB;
图6为本发明(CNN-AAE)和基于全连接编解码器异常检测方法(FC-AE)ROC曲线下面积。
图7为本发明(CNN-AAE)和基于全连接编解码器异常检测方法(FC-AE)检测正确率。
具体实施方式
为了使本发明的目的、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详细说明。应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
本发明实施例提供一种无监督对抗学习电磁频谱异常信号检测方法,该方法通过以下步骤实现:
步骤1:对获取的功率谱数据进行预处理,获得功率谱密度估计;
具体地,采集某频段无线电信号的IQ数据x(n),对采集到的IQ数据采用周期图法进行功率谱密度估计,即将x(n)分为L段,每段长度为M:
并对电磁频谱数据进行归一化处理,将功率谱数据为训练集和验证集两部分。
数据集是设备采获取的功率谱数据,数据信号的中心频率是98MHz,带宽25.6MHz,共20000组,每组样本4096个数据点。前10000组数据作为训练数据,后10000组作为测试数据;其中训练数据的前80%作为训练集,后20%作为验证集,测试数据中前50%作为无异常数据,后50%添加单频干扰信号作为异常样本。
步骤2:通过所述功率谱密度估计构建基于深度学习的电磁频谱异常检测模型;
具体地,所述电磁频谱异常检测模型由编码模型E、判别模型D、解码模型De三部分构成;所述编码器将功率谱密度向量压缩到隐含空间z,解码器从隐含空间z重构输入的功率谱密度向量,判别器D对编码器编码后的隐含向量进行约束,使得p(z)~N(z∣0,1)。
所述编码器和解码器采用深度卷积网络结构,判决器采用全连接网络结构。
所述解码器从隐含空间z重构输入的功率谱密度向,并通过与判决器对抗使得p(z)~N(z∣0,1),具体为:
所述通过所述功率谱密度估计构建基于深度学习的电磁频谱异常检测模型包括对编码模型、解码模型、判别模型的构建、以及对电磁频谱异常检测模型进行训练、以及对电磁频谱异常检测模型进行验证。
所述编码模型、解码模型、判别模型的构建,具体通过以下步骤实现:
步骤2a)编码模型构建:确定卷积神经网络的输入层节点数、输出层节点数、卷积层层数、卷积层卷积核数、池化层层数和全连接层层数,以及卷积层、池化层和全连接层的激活函数,并对各层节点的权值Wl及偏值bl进行初始化,所述卷积神经网络的输入层节点数与训练集中单个功率谱密度数据样本维度一致,记为p,所述卷积神经网络的输出层节点数为z,其中,l表示卷积神经网络的层数标号,且l=1,2,···,n,n表示卷积神经网络的总层数,卷积层的卷积核卷积尺寸为一维线性,池化层的下采样尺寸为一维线性;
本实施例中卷积神经网络的总层数n为7层,输入层节点数为4096,输出层节点数为100,卷积层层数为4,池化层层数为2,全连接层层数为2。前两层为卷积层,卷积核大小为1×5,后面跟最大池化层。第四五层为卷积层,卷积核个数为128个,卷积核尺寸为1×3。第六七层为全连接层,神经元个数分别为1000、100个。每层全连接层后启用dropout,dropout率为0.8,使用[0,1]正态分布初始化各层节点的权值Wl及偏值bl,卷积层、池化层和全连接层的激活函数均采用线性整流函数relu,表达式为f(x)=max(0,x),x为自变量,且x值与激活函数所在层节点的输入值相等,模型具体结构如表1-1。
表1-1卷积编码器网络结构
步骤2b)解码模型构建:确定卷积神经网络的输入层节点数、输出层节点数、卷积层层数、卷积层卷积核数,以及反卷积层的激活函数,并对各层节点的权值Wl及偏置bl进行初始化,所述反卷积神经网络的输入层节点数为z,所述卷积神经网络的输出层节点数为p,其中,l表示卷积神经网络的层数标号,且l=1,2,···,n,n表示卷积神经网络的总层数,反卷积层的卷积核卷积尺寸为一维线性;
表1-2反卷积解码器网络结构
本实施例中卷积神经网络的总层数n为5层,第一层为全连接层,神经元个数为65536,连接输入的100个神经单元。第二四层为反卷积层,使用Keras中Conv2DTranspose函数,通过步长设置为(1,2)将输入不断进行扩大。模型具体结构如表1-2。使用[0,1]正态分布初始化各层节点的权值Wl及偏值bl,前三层均为使用线性整流函数,最后一层使用sigmoid函数。
步骤2c)判别模型构建:确定全连接网络的输入层节点数、输出层节点数、隐藏层层数以及隐藏层神经元单元个数,并对各层节点的权值Wl及偏值bl进行初始化,所述判别模型输入层节点数为z,所述判别模型的输出层节点数为1,其中,l表示卷积神经网络的层数标号,且l=1,2,···,n,n表示卷积神经网络的总层数,损失函数使用二进制交叉熵。
本实施例中全连接判别网络模型参数如表1-3,模型的总层数n为4层,输入层节点数为100,输出层节点数为1,全部使用全连接结构,使用dropout率为0.7,最后一层使用softmax激活函数,其他层使用relu激活函数。模型具体结构如表1-3。
表1-3全连接判别器模型参数
所述对电磁频谱异常检测模型进行训练,具体通过以下步骤实现:
步骤(3a)确定卷积神经网络模型训练的终止条件和最大迭代次数T;
在本实施例中T为50;
步骤(3b)训练判决器模型:从训练集中随机选取一个功率谱数据,并将其作为编码输入样本,记输出为zf,并标记为0,并从指定分布随机采样,记为zr,并标记为1,采用正向传播算法,通过zf与zr输入到全连接判别器神经网络中的输入训练样本,确定全连接判决器神经网络各层的输出,将输出与对应标记计算损失函数并采用反向传播算法,对全连接判别模型各层节点的权值和偏置进行修正;
步骤(3c)训练卷积编码模型:从训练集中随机选取一个功率谱数据,并将其作为编码输入样本,记输出为zf,并标记为1,采用正向传播算法,通过zf输入到判别神经网络中,确定卷积神经网络各层的输出,将输出与对应标记计算损失函数并采用反向传播算法,对编码模型各层节点的权值和偏置进行修正;
步骤(3d)训练反卷积解码模型:从训练集中随机选取一个功率谱数据,并将其作为编码器输入样本,记输出为zf,通过zf输入到反卷积解码器神经网络中,计算反卷积解码器各层的输出,将输出与输入计算最小均方误差损失函数并采用反向传播算法,对卷积编解码模型各层节点的权值和偏置进行修正;
步骤(3e)重复执行步骤(3b)-(3d),直到卷积神经网络输出层的灵敏度满足卷积神经网络模型训练的终止条件的要求或重复次数为T-1时,保存修正后的卷积神经网络的结构和各层节点的权值及偏值,得到训练好的卷积神经网络模型。
所述对电磁频谱异常检测模型进行验证,具体通过以下步骤实现:
步骤(4a)从验证集中随机选取一个功率谱密度样本,并将其作为编解码器输入验证样本;
步骤(4b)采用正向传播算法,通过输入到卷积神经网络中的输入验证样本,计算卷积神经网络各层的输出,计算重构误差Lr,判决器损失Ld。
步骤(4e)利用验证集的编解码器重构误差按照虚警概率要求设定超参数ε。
步骤3:通过所述电磁频谱异常检测模型对任意一功率谱数据确定重构误差Lr和判决器损失Ld;
具体地,采用正向传播算法,通过输入到卷积神经网络中的任意一功率谱数据,计算卷积神经网络各层的输出,计算重构误差Lr,判决器损失Ld。
步骤4:根据所述重构误差Lr和判决器损失Ld确定异常结果Aresult,并且通过异常结果Aresult确定电磁频谱数据是否存在异常。
具体地,异常结果判定表达式为:
若所述异常结果Aresult满足判定表达式,则该电频谱数据存在干扰,否则电频谱数据不存在干扰。
以下通过仿真实验,对本发明的技术效果作进一步说明。
1、仿真条件:
本发明的仿真条件中频谱数据,中心频率98MHZ,信号采样速率为25.6MHz,所加干扰信号为单频干扰异常信号,信干比变化范围为0dB到20dB;
蒙特卡洛仿真试验的次数取1000次;
单个功率谱数据样本点数为4096,训练集的大小为32000,验证集的大小为8000,测试集的大小为40000;
卷积神经网络模型在Python3.5的Keras上搭建;
训练迭代次数为50次,batch_size为64,学习率为0.0001,优化器选择Adam优化器。
2、仿真内容:采用本发明和现有的基于全连接自动编解码器异常检测方法对无异常和对存在异常下电磁频谱进行异常检测仿真,仿真结果如图3到7所示。
3、仿真结果分析:
图3为加入异常的输入样本,图4为对应的重构输出,对比可以发现,异常干扰信号没有被重构出来,因此重构误差要大于正常样本的重构误差。
图6为本发明(CNN-AAE)和采用现有的基于全连接自动编解码器异常检测方法(FC-AE)对无异常和对存在异常下电磁频谱进行异常检测对于有无异常的ROC(receiveroperating characteristic curve,接收者操作特性曲线)曲线下方的面积大小仿真,横坐标表示原频谱功率与所加入单频干扰信号的信干比,纵坐标表示ROC曲线下方面积大小。圆形标记的线表示基于本发明的存在异常与不存在异常情况下的曲线下面积,虚线表示基于全连接自动编解码器在存在异常与不存在异常情况下ROC曲线下方面积。
图7为本发明(CNN-AAE)和采用现有的基于全连接自动编解码器(FC-AE)异常检测方法对无异常和对存在异常下电磁频谱进行异常检测对于有异常检测准确率的仿真,其中虚警概率固定为1%。横坐标表示原频谱功率与所加入单频干扰信号的信干比,纵坐标表示在有异常的情况下异常检测准确率。圆形标记的线表示基于本发明的存在异常时异常检测准确率,方形标记的线表示基于全连接自动编解码器在存在异常时异常检测准确率。
由图6可知,在信干比在0到20dB的情况之下,本发明的曲线下面积均大于已有基于全连接自动编解码器的曲线下面积,说明本方法能很好的区分有无异常。
由图7可知,本发明的异常检测概率在信干比大于8dB时才从100%开始下降,而基于全连接自动编解码器的异常检测方法在信干比等于2dB时就开始下降,并且基本发明的方法的异常检测准确率下降比已有方法下降速度慢。因此,本发明提高了异常检测的检测概率。
结合图6和图7的仿真结果可知,本发明提高了异常检测的精度。
需要说明的是,在本文中,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、物品或者装置不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、物品或者装置所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括该要素的过程、物品或者装置中还存在另外的相同要素。
以上所述,仅为本发明的较佳实施例而已,并非用于限定本发明的保护范围。
Claims (9)
1.一种无监督对抗学习电磁频谱异常信号检测方法,其特征在于,该方法为:对获取的功率谱数据进行预处理,获得功率谱密度估计;
通过所述功率谱密度估计构建基于深度学习的电磁频谱异常检测模型;
通过所述电磁频谱异常检测模型对任意一功率谱数据确定重构误差Lr和判决器损失Ld;
根据所述重构误差Lr和判决器损失Ld确定异常结果Aresult,并且通过异常结果Aresult确定电磁频谱数据是否存在异常。
3.根据权利要求1或2所述的无监督对抗学习电磁频谱异常信号检测方法,其特征在于,所述电磁频谱异常检测模型由编码模型E、判别模型D、解码模型De三部分构成;所述编码器将功率谱密度向量压缩到隐含空间z,解码器从隐含空间z重构输入的功率谱密度向量,判别器D对编码器编码后的隐含向量进行约束,使得p(z)~N(z∣0,1)。
5.根据权利要求4所述的无监督对抗学习电磁频谱异常信号检测方法,其特征在于,所述通过所述功率谱密度估计构建基于深度学习的电磁频谱异常检测模型包括对编码模型、解码模型、判别模型的构建、以及对电磁频谱异常检测模型进行训练、以及对电磁频谱异常检测模型进行验证。
6.根据权利要求5所述的无监督对抗学习电磁频谱异常信号检测方法,其特征在于,所述编码模型、解码模型、判别模型的构建,具体通过以下步骤实现:
步骤2a)编码模型构建:确定卷积神经网络的输入层节点数、输出层节点数、卷积层层数、卷积层卷积核数、池化层层数和全连接层层数,以及卷积层、池化层和全连接层的激活函数,并对各层节点的权值Wl及偏值bl进行初始化,所述卷积神经网络的输入层节点数与训练集中单个功率谱密度数据样本维度一致,记为p,所述卷积神经网络的输出层节点数为z,其中,l表示卷积神经网络的层数标号,且l=1,2,···,n,n表示卷积神经网络的总层数,卷积层的卷积核卷积尺寸为一维线性,池化层的下采样尺寸为一维线性;
步骤2b)解码模型构建:确定卷积神经网络的输入层节点数、输出层节点数、卷积层层数、卷积层卷积核数,以及反卷积层的激活函数,并对各层节点的权值Wl及偏置bl进行初始化,所述反卷积神经网络的输入层节点数为z,所述卷积神经网络的输出层节点数为p,其中,l表示卷积神经网络的层数标号,且l=1,2,···,n,n表示卷积神经网络的总层数,反卷积层的卷积核卷积尺寸为一维线性;
步骤2c)判别模型构建:确定全连接网络的输入层节点数、输出层节点数、隐藏层层数以及隐藏层神经元单元个数,并对各层节点的权值Wl及偏值bl进行初始化,所述判别模型输入层节点数为z,所述判别模型的输出层节点数为1,其中,l表示卷积神经网络的层数标号,且l=1,2,···,n,n表示卷积神经网络的总层数,损失函数使用二进制交叉熵。
7.根据权利要求6所述的无监督对抗学习电磁频谱异常信号检测方法,其特征在于,所述对电磁频谱异常检测模型进行训练,具体通过以下步骤实现:
步骤(3a)确定卷积神经网络模型训练的终止条件和最大迭代次数T;
步骤(3b)训练判决器模型:从训练集中随机选取一个功率谱数据,并将其作为编码输入样本,记输出为zf,并标记为0,并从指定分布随机采样,记为zr,并标记为1,采用正向传播算法,通过zf与zr输入到全连接判别器神经网络中的输入训练样本,确定全连接判决器神经网络各层的输出,将输出与对应标记计算损失函数并采用反向传播算法,对全连接判别模型各层节点的权值和偏置进行修正;
步骤(3c)训练卷积编码模型:从训练集中随机选取一个功率谱数据,并将其作为编码输入样本,记输出为zf,并标记为1,采用正向传播算法,通过zf输入到判别神经网络中,确定卷积编码模型各层的输出,将输出与对应标记计算损失函数并采用反向传播算法,对编码模型各层节点的权值和偏置进行修正;
步骤(3d)训练反卷积解码模型:从训练集中随机选取一个功率谱数据,并将其作为编码器输入样本,记输出为zf,通过zf输入到反卷积解码器神经网络中,计算反卷积解码器各层的输出,将输出与输入计算最小均方误差损失函数并采用反向传播算法,对卷积编解码模型各层节点的权值和偏置进行修正;
步骤(3e)重复执行步骤(3b)-(3d),直到卷积神经网络输出层的灵敏度满足卷积神经网络模型训练的终止条件的要求或重复次数为T-1时,保存修正后的卷积神经网络的结构和各层节点的权值及偏值,得到训练好的卷积神经网络模型。
8.根据权利要求7所述的无监督对抗学习电磁频谱异常信号检测方法,其特征在于,所述对电磁频谱异常检测模型进行验证,具体通过以下步骤实现:
步骤(4a)从验证集中随机选取一个功率谱密度样本,并将其作为编解码器输入验证样本;
步骤(4b)采用正向传播算法,通过输入到卷积神经网络中的输入验证样本,计算卷积神经网络各层的输出,计算重构误差Lr,判决器损失Ld。
步骤(4d)重复执行步骤(4a)-(4c),直到验证集中的功率谱信号被全部选取时;
步骤(4e)利用验证集的编解码器重构误差按照虚警概率要求设定超参数ε。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110156715.6A CN112924749B (zh) | 2021-02-04 | 2021-02-04 | 无监督对抗学习电磁频谱异常信号检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110156715.6A CN112924749B (zh) | 2021-02-04 | 2021-02-04 | 无监督对抗学习电磁频谱异常信号检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112924749A true CN112924749A (zh) | 2021-06-08 |
CN112924749B CN112924749B (zh) | 2021-12-21 |
Family
ID=76170510
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110156715.6A Active CN112924749B (zh) | 2021-02-04 | 2021-02-04 | 无监督对抗学习电磁频谱异常信号检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112924749B (zh) |
Cited By (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113256436A (zh) * | 2021-07-02 | 2021-08-13 | 平安科技(深圳)有限公司 | 车险赔付预提示方法、装置、设备及存储介质 |
CN113572539A (zh) * | 2021-06-24 | 2021-10-29 | 西安电子科技大学 | 存储增强的无监督频谱异常检测方法、系统、设备、介质 |
CN113627479A (zh) * | 2021-07-09 | 2021-11-09 | 中国科学院信息工程研究所 | 一种基于半监督学习的图数据异常检测方法 |
CN113643292A (zh) * | 2021-10-14 | 2021-11-12 | 高视科技(苏州)有限公司 | 基于无监督学习的异常检测方法、装置及存储介质 |
CN113762333A (zh) * | 2021-07-20 | 2021-12-07 | 广东省科学院智能制造研究所 | 一种基于双流联合密度估计的无监督异常检测方法和系统 |
CN114553274A (zh) * | 2022-01-27 | 2022-05-27 | 北京理工大学 | 基于对抗学习的安全自预编码机优化方法 |
CN114584432A (zh) * | 2022-01-17 | 2022-06-03 | 西安理工大学 | 基于改进平滑周期图算法的信号检测方法 |
CN114757239A (zh) * | 2022-06-15 | 2022-07-15 | 浙江大学 | 基于数据增强和胶囊神经网络的风机故障可迁移诊断方法 |
CN114781460A (zh) * | 2022-05-13 | 2022-07-22 | 西安电子科技大学 | 面向与通信信号耦合的干扰信号检测与识别方法及装置 |
CN116184088A (zh) * | 2023-03-06 | 2023-05-30 | 北京航空航天大学 | 一种基于电磁频谱特征的电磁辐射发射系统故障检测方法 |
EP4262112A1 (en) * | 2022-04-14 | 2023-10-18 | Rohde & Schwarz GmbH & Co. KG | System and method for rf anomaly or interference detection |
CN117607683A (zh) * | 2023-11-24 | 2024-02-27 | 河南华东工控技术有限公司 | 一种电机的智能异常检测方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109471049A (zh) * | 2019-01-09 | 2019-03-15 | 南京航空航天大学 | 一种基于改进堆叠自编码器的卫星电源系统异常检测方法 |
CN109801221A (zh) * | 2019-01-18 | 2019-05-24 | 腾讯科技(深圳)有限公司 | 生成对抗网络的训练方法、图像处理方法、装置和存储介质 |
CN110823576A (zh) * | 2019-11-18 | 2020-02-21 | 苏州大学 | 基于生成对抗网络的机械异常检测方法 |
-
2021
- 2021-02-04 CN CN202110156715.6A patent/CN112924749B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109471049A (zh) * | 2019-01-09 | 2019-03-15 | 南京航空航天大学 | 一种基于改进堆叠自编码器的卫星电源系统异常检测方法 |
CN109801221A (zh) * | 2019-01-18 | 2019-05-24 | 腾讯科技(深圳)有限公司 | 生成对抗网络的训练方法、图像处理方法、装置和存储介质 |
CN110823576A (zh) * | 2019-11-18 | 2020-02-21 | 苏州大学 | 基于生成对抗网络的机械异常检测方法 |
Non-Patent Citations (2)
Title |
---|
SREERAJ RAJENDRAN ET AL.: ""SAIFE: Unsupervised Wireless Spectrum Anomaly Detection with Interpretable Features"", 《2018 IEEE INTERNATIONAL SYMPOSIUM ON DYNAMIC SPECTRUM ACCESS NETWORKS (DYSPAN)》 * |
齐佩汉等: ""基于功率谱分段对消频谱感知算法研究及性能分析"", 《电子与信息学报》 * |
Cited By (18)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113572539A (zh) * | 2021-06-24 | 2021-10-29 | 西安电子科技大学 | 存储增强的无监督频谱异常检测方法、系统、设备、介质 |
CN113256436A (zh) * | 2021-07-02 | 2021-08-13 | 平安科技(深圳)有限公司 | 车险赔付预提示方法、装置、设备及存储介质 |
CN113627479A (zh) * | 2021-07-09 | 2021-11-09 | 中国科学院信息工程研究所 | 一种基于半监督学习的图数据异常检测方法 |
CN113627479B (zh) * | 2021-07-09 | 2024-02-20 | 中国科学院信息工程研究所 | 一种基于半监督学习的图数据异常检测方法 |
CN113762333B (zh) * | 2021-07-20 | 2023-02-28 | 广东省科学院智能制造研究所 | 一种基于双流联合密度估计的无监督异常检测方法和系统 |
CN113762333A (zh) * | 2021-07-20 | 2021-12-07 | 广东省科学院智能制造研究所 | 一种基于双流联合密度估计的无监督异常检测方法和系统 |
CN113643292A (zh) * | 2021-10-14 | 2021-11-12 | 高视科技(苏州)有限公司 | 基于无监督学习的异常检测方法、装置及存储介质 |
CN114584432B (zh) * | 2022-01-17 | 2023-08-22 | 西安理工大学 | 基于改进平滑周期图算法的信号检测方法 |
CN114584432A (zh) * | 2022-01-17 | 2022-06-03 | 西安理工大学 | 基于改进平滑周期图算法的信号检测方法 |
CN114553274A (zh) * | 2022-01-27 | 2022-05-27 | 北京理工大学 | 基于对抗学习的安全自预编码机优化方法 |
EP4262112A1 (en) * | 2022-04-14 | 2023-10-18 | Rohde & Schwarz GmbH & Co. KG | System and method for rf anomaly or interference detection |
CN114781460A (zh) * | 2022-05-13 | 2022-07-22 | 西安电子科技大学 | 面向与通信信号耦合的干扰信号检测与识别方法及装置 |
CN114757239B (zh) * | 2022-06-15 | 2022-08-30 | 浙江大学 | 基于数据增强和胶囊神经网络的风机故障可迁移诊断方法 |
CN114757239A (zh) * | 2022-06-15 | 2022-07-15 | 浙江大学 | 基于数据增强和胶囊神经网络的风机故障可迁移诊断方法 |
CN116184088A (zh) * | 2023-03-06 | 2023-05-30 | 北京航空航天大学 | 一种基于电磁频谱特征的电磁辐射发射系统故障检测方法 |
CN116184088B (zh) * | 2023-03-06 | 2024-04-12 | 北京航空航天大学 | 一种基于电磁频谱特征的电磁辐射发射系统故障检测方法 |
CN117607683A (zh) * | 2023-11-24 | 2024-02-27 | 河南华东工控技术有限公司 | 一种电机的智能异常检测方法 |
CN117607683B (zh) * | 2023-11-24 | 2024-05-10 | 河南华东工控技术有限公司 | 一种电机的智能异常检测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN112924749B (zh) | 2021-12-21 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112924749B (zh) | 无监督对抗学习电磁频谱异常信号检测方法 | |
Zhang et al. | Overfitting and underfitting analysis for deep learning based end-to-end communication systems | |
CN109495214B (zh) | 基于一维Inception结构的信道编码类型识别方法 | |
CN111600667B (zh) | 一种基于cnn-lstm的频谱感知方法 | |
CN109525369B (zh) | 一种基于循环神经网络的信道编码类型盲识别方法 | |
CN110519233B (zh) | 一种基于人工智能的星载传感网数据压缩方法 | |
CN113156376B (zh) | 基于sacnn的雷达辐射源信号识别方法 | |
CN108566253B (zh) | 一种基于对信号功率谱拟合特征提取的信号识别方法 | |
CN112364729A (zh) | 基于特征参数与bp神经网络的调制识别方法 | |
CN103117820A (zh) | 基于可信度的加权协作频谱检测方法 | |
CN113315593A (zh) | 一种基于flom协方差矩阵和lstm神经网络的频谱感知算法 | |
CN111310700A (zh) | 一种用于辐射源指纹特征识别的中频采样序列处理方法 | |
CN110798275A (zh) | 一种矿井多模无线信号精确识别方法 | |
CN112819236B (zh) | 一种基于神经网络的低轨卫星物联网活跃终端预测方法 | |
CN116471154A (zh) | 基于多域混合注意力的调制信号识别方法 | |
CN113556319A (zh) | 物联网下基于长短期记忆自编码分类器的入侵检测方法 | |
CN114584230A (zh) | 一种基于对抗网络与长短期记忆网络的预测信道建模方法 | |
CN108599880B (zh) | 基于卷积神经网络的民航地空对讲系统干扰预警方法 | |
CN117556230A (zh) | 基于多尺度注意力特征融合的射频信号识别方法及系统 | |
CN111431645B (zh) | 一种基于小样本训练神经网络的频谱感知方法 | |
CN116050053A (zh) | 一种对通信卫星的干扰效果评估方法 | |
CN115510905A (zh) | 一种用于信道编码盲识别的多任务学习方法 | |
Zhang et al. | CNN based wideband spectrum occupancy status identification for cognitive radios | |
Du et al. | Modulation Recognition Based on Denoising Bidirectional Recurrent Neural Network | |
CN116707862B (zh) | 一种基于多网络融合模型的ads-b信号认证方法 |
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 |