CN112949846B - 一种适用于直扩系统下的生成式欺骗干扰信号构造方法 - Google Patents

一种适用于直扩系统下的生成式欺骗干扰信号构造方法 Download PDF

Info

Publication number
CN112949846B
CN112949846B CN202110327071.2A CN202110327071A CN112949846B CN 112949846 B CN112949846 B CN 112949846B CN 202110327071 A CN202110327071 A CN 202110327071A CN 112949846 B CN112949846 B CN 112949846B
Authority
CN
China
Prior art keywords
signal
spread spectrum
direct sequence
sequence spread
generated
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.)
Active
Application number
CN202110327071.2A
Other languages
English (en)
Other versions
CN112949846A (zh
Inventor
杨颖�
朱立东
何其恢
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
University of Electronic Science and Technology of China
Original Assignee
University of Electronic Science and Technology of China
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by University of Electronic Science and Technology of China filed Critical University of Electronic Science and Technology of China
Priority to CN202110327071.2A priority Critical patent/CN112949846B/zh
Publication of CN112949846A publication Critical patent/CN112949846A/zh
Application granted granted Critical
Publication of CN112949846B publication Critical patent/CN112949846B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • G06N3/06—Physical realisation, i.e. hardware implementation of neural networks, neurons or parts of neurons
    • G06N3/063—Physical realisation, i.e. hardware implementation of neural networks, neurons or parts of neurons using electronic means
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • General Health & Medical Sciences (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Computational Linguistics (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Artificial Intelligence (AREA)
  • Neurology (AREA)
  • Radar Systems Or Details Thereof (AREA)

Abstract

本发明涉及通信对抗领域，特别是一种适用于直扩系统下的生成式欺骗干扰信号构造方法。本发明在直扩信号数据集上训练生成对抗网络，学习直扩信号的扩频码、调制方式等潜在结构信息，并构造出能够有效攻击直扩通信系统的生成式欺骗干扰信号，解决了由于先验信息不足、计算量大以及构造成本太高导致的生成式欺骗干扰难以应用的问题。同时，本发明引入皮尔逊相关系数作为生成式欺骗干扰信号的效能评估参数，用于筛选生成信号数据集中与直扩信号高度相关的部分作为待攻击的生成式欺骗干扰信号，减少了无效攻击的次数。

Description

一种适用于直扩系统下的生成式欺骗干扰信号构造方法
技术领域
本发明涉及通信对抗领域，特别是一种适用于直扩系统下的生成式欺骗干扰信号构造方法。
背景技术
直扩系统，即直接序列扩频通信系统。直接序列扩频通信系统是一种具备强抗干扰、抗截获能力的通信系统，也是卫星通信、移动通信的核心技术之一，在军事通信和民用通信的各个方面得到了广泛应用。在直扩系统下，单音、扫频、宽带噪声等压制式干扰不具备扩频信号的扩频码结构，与扩频信号不相关，到达系统接收端进行解扩处理后大部分压制式干扰会被抑制，故这类干扰信号对直扩系统的攻击效果有限。而欺骗干扰具备与真实信号高度相似的信号结构和扩频码等信息，与扩频信号强相关，接收机的解扩处理对它的抑制作用不大，因此在直扩系统中欺骗干扰信号的攻击性更强，破坏性也更强。
欺骗干扰信号包括转发式欺骗干扰和生成式欺骗干扰两类。转发式欺骗干扰是对接收信号附加一定的延时再重新转发到通信系统中，总是会滞后于真实的信号。生成式欺骗干扰与之不同的是无固定时延，它可能比真实信号延后到达也可能在真实信号之前到达，更难将其与真实信号区分开来。因此生成式欺骗干扰相对于转发式欺骗干扰隐蔽性更好，威胁性更大。
生成式欺骗干扰一般是在侦察到真实信号基本特征(调制方式、码结构等)后才能构造出来，是一种与真实信号强相关的虚假信号，需要大量的先验信息。对于非合作方而言，直扩信号的伪随机码是极难侦察到的，不同的码型、码长选择都会影响伪随机码的破解，这提高了直扩系统下生成式欺骗干扰的实现难度。现有的生成式欺骗干扰需要大量的先验信息、计算量大以及构造成本太高导致其应用范围受限。
本发明提出了一种直扩系统下简单、高效的生成式欺骗干扰构造方法，降低了生成式欺骗干扰信号的构造难度，并获得攻击性强的高性能干扰信号，解决了现有的生成式欺骗干扰需要大量的先验信息、计算量大以及构造成本太高导致其难以应用的问题。
发明内容
本发明的目的在于克服现有技术中所存在的现有生成式欺骗干扰需要大量的先验信息、计算量大以及构造成本太高导致其难以应用的问题，提供一种适用于直扩系统下的生成式欺骗干扰信号构造方法。
为了实现上述发明目的，本发明提供了以下技术方案：
一种适用于直扩系统下的生成式欺骗干扰信号构造方法，包括以下步骤：
S1：搭建直扩系统，并通过所述直扩系统生成直扩信号训练数据集；
S2：构造生成对抗网络，所述生成对抗网络的输入为一维时域信号，在所述直扩信号训练数据集上训练所述生成对抗网络，以学习直扩信号的潜在空间信息并输出生成信号；
S3：计算各个所述生成信号与高信噪比真实信号之间的相关系数，获取相关系数大于预设阈值的生成信号，将其作为待发射的生成式欺骗干扰信号。
本发明从降低生成式欺骗干扰构造成本的角度出发，提出一种在缺乏直扩信号先验信息的情况下基于生成对抗网络的生成式欺骗干扰构造方法，并引入了皮尔逊相关系数作为效能评估参数提前对生成式欺骗干扰信号的质量进行预判，筛选出其中攻击性强的高效能干扰信号，对直扩系统实施更有效的欺骗干扰攻击，也减少了无效攻击的次数。
作为本发明的优选方案，所述步骤S1包括以下步骤：
S11：搭建直扩系统，其中，所述直扩系统包括AWGN信道以及QPSK调制、扩频、解扩和解调的功能，且所述直扩系统的扩频码为末位补零的7阶m序列；
S12：设置一个信噪比范围，如[10dB,40dB]，以2dB为间隔，截获通过所述AWGN信道后的直扩信号；再通过长度为a的矩形窗将所述直扩信号按信源码字排列分割成多个信号样本；并根据所述直扩信号的信噪比值将所述信号样本存入对应的直扩信号样本集中；其中，每个所述信号样本包括至少一个码元、完整的扩频码以及调制信息，且所述信号样本的尺寸为1×2×a；
S13：分别从每个信噪比值不同的所述直扩信号样本集中随机筛选出N个信号样本存入所述直扩信号训练数据集中，其中N为自然数。
作为本发明的优选方案，所述步骤S2中的一维生成对抗网络包括：一个生成器网络和一个判别器网络；
其中，所述生成器网络包括两个全连接层和两个反卷积层，用于生成与真实信号样本高度相似的生成信号以欺骗判别器网络；所述判别器网络包括两个卷积层和两个全连接层，用于鉴别真实信号样本与生成的生成信号之间的差异；所述生成器网络与所述判别器网络相互对抗又相互促进。
作为本发明的优选方案，所述步骤S2中模型训练的目标函数参考了最小二乘生成对抗网络(LSGANs)的损失函数，以生成高质量的生成样本，目标函数表达式为：
Figure BDA0002995029460000031
Figure BDA0002995029460000041
其中，Pdata表示真实直扩信号的分布，Pz表示输入的随机噪声分布，z为噪声，D(x)为样本来自真实信号分布的概率，此外，a,b,c均为常数，此处设置为a＝0,b＝1,c＝1。
作为本发明的优选方案，所述步骤S3中所述预设阈值为+0.9。
作为本发明的优选方案，所述皮尔逊相关系数的计算式为：
Figure BDA0002995029460000042
其中，E(X)为向量X的均值，σX为向量X的标准差，E(Y)为向量Y的均值，σY为向量Y的标准差，
Figure BDA0002995029460000043
作为本发明的优选方案，还包括步骤S4和步骤S5：
S4：将所述生成式欺骗干扰信号发送到所述直扩系统的接收端，进行通信干扰；
S5：根据所述直扩系统接收端的误比特率，验证所述生成式欺骗干扰信号对直扩系统的攻击效果。本发明通过检测直扩系统接收端的误比特率，直观有效的展示了所述生成式欺骗干扰信号的攻击效果，便于实验人员进行后续处理。
一种电子设备，包括至少一个处理器，以及与所述至少一个处理器通信连接的存储器；所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行上述任一项所述的方法。
与现有技术相比，本发明的有益效果：
1、本发明利用直扩系统采集直扩信号训练集，并用构建的适合一维时域信号输入的生成对抗网络学习直扩信号的扩频码、调制方式等潜在结构信息，解决了由于先验信息不足、计算量大以及构造成本太高导致的生成式欺骗干扰难以应用的问题，构造出了能够有效攻击直扩系统的生成式欺骗干扰信号。该方法具有易于实现，构造成本低等优点。
2、本发明引入了皮尔逊相关系数作为生成式欺骗干扰信号的效能评估参数，筛选出其中与真实信号高度相关的信号作为待攻击的生成式欺骗干扰信号，有助于减少无效攻击的次数。
3、本发明提出按信源码字排列划分直扩信号以获得多个训练样本，每个样本都至少包含一个码元和完整的扩频码与调制信息，保证了直扩信号结构信息的完整性。
4、本发明通过检测直扩系统接收端误比特率曲线的变化情况，直观有效的得到了所述生成式欺骗干扰信号的攻击效果，便于实验人员进行后续处理。
附图说明
图1为本发明实施例1所述的一种适用于直扩系统下的生成式欺骗干扰信号构造方法的流程框图；
图2为本发明实施例1所述的一种适用于直扩系统下的生成式欺骗干扰信号构造方法的流程图；
图3为本发明实施例1所述的一种适用于直扩系统下的生成式欺骗干扰信号构造方法中采集直扩信号训练数据集的示意图；
图4为本发明实施例1所述的一种适用于直扩系统下的生成式欺骗干扰信号构造方法中基于生成对抗网络的生成信号构造框架示意图；
图5为本发明实施例1所述的一种适用于直扩系统下的生成式欺骗干扰信号构造方法的GANs生成的100个生成信号与真实信号的相关系数曲线示意图；
图6为本发明实施例1所述的一种适用于直扩系统下的生成式欺骗干扰信号构造方法中生成式欺骗干扰信号发射至直扩系统接收端的误比特率曲线示意图；
图7为本发明实施例2所述的一种利用了实施例1所述的一种适用于直扩系统下的生成式欺骗干扰信号构造方法的一种电子设备。
具体实施方式
下面结合试验例及具体实施方式对本发明作进一步的详细描述。但不应将此理解为本发明上述主题的范围仅限于以下的实施例，凡基于本发明内容所实现的技术均属于本发明的范围。
实施例1
如图1所示，为了实现完整的生成式欺骗干扰构造与性能检测流程，本发明由以下几个步骤组成：直扩信号训练数据集的采集、生成对抗网络的训练和生成信号的构造、生成信号的效能评估与筛选、高效能生成式欺骗干扰信号的干扰性能验证。
如图2所示，所述生成式欺骗干扰信号构造流程如下：
步骤一：搭建直扩系统，采集直扩信号训练数据集；
建立一个包含调制、扩频、AWGN信道、解扩、解调过程的直接序列扩频通信系统；其中，采用的调制方式为QPSK调制，扩频序列为7阶m序列(末位补零)。
设置一个信噪比范围，以2dB为间隔，截获通过所述AWGN信道后的直扩信号；再通过长度为a的矩形窗将所述直扩信号按信源码字排列分割成多个信号样本；并根据所述直扩信号的信噪比将所述信号样本存入对应的直扩信号样本集中；其中，每个所述信号样本包括至少一个码元、完整的扩频码以及调制信息，且所述信号样本的尺寸为1×2×a。
再分别从每个信噪比值不同的所述直扩信号样本集中随机筛选出N个信号样本存入所述直扩信号训练数据集中，其中N为自然数。
例如用长度为128的矩形窗将截获到的信号按符号分割成多个信号样本(如图3所示)，如发送符号数为2000，则截获信号可以分割成2000个信号样本，每个信号样本的长度为1×2×128(将信号实部和虚部分开存储，为2维数据)。
步骤二：生成对抗网络的训练和生成信号的构造；
如图4所示，搭建一个适用于时域信号输入的GANs网络(即生成式对抗网络，其网络结构参数见表1)，包含一个生成器网络和一个判别器网络，其中生成器网络由两个全连接层和两个反卷积层组成，用于生成与真实信号样本高度相似的生成信号以欺骗判别器网络；判别器网络由两个卷积层和两个全连接层组成，用于鉴别真实信号样本与生成的生成信号之间的差异，两者相互对抗又相互促进。
表1生成对抗网络的结构参数
Figure BDA0002995029460000071
Figure BDA0002995029460000081
在直扩信号训练集上训练生成对抗网络，模型参数持续更新，生成网络不断生成高度逼真的信号样本，判别网络则不断判别输入的样本是真实信号还是生成信号，两者相互竞争共同进步，最终达到一个相互平衡的结果。生成对抗网络的优化问题是一个极大极小化问题，其目标函数使用的是LSGANs的目标函数，能够得到更稳定的训练过程同时生成高质量的样本，其表达式如下：
Figure BDA0002995029460000082
Figure BDA0002995029460000083
其中，Pdata表示真实直扩信号的分布，Pz表示输入的随机噪声分布，z为噪声，D(x)为样本来自真实信号分布的概率，此外，a,b,c均为常数，此处设置为a＝0,b＝1,c＝1。
步骤三：基于相关系数的生成式欺骗干扰效能评估与筛选；
利用生成对抗网络产生多个生成信号后，考虑到信号样本之间存在质量差异，为了避免攻击力弱的信号作为生成式欺骗干扰信号发送至直扩系统，耽误最佳对抗时机，需要提前对生成信号的干扰效能进行预判，并筛选出符合要求的高性能干扰信号，详细流程如下。
1、计算生成信号与高信噪比真实信号之间的皮尔逊相关系数，以皮尔逊相关系数的数值大小来衡量该生成信号的干扰效能。
2、设定相关系数大于或等于+0.9的生成信号是高效能干扰信号，按这个标准在所有的生成信号样本中筛选出与真实信号高度相关的信号(如,图5中的sample 5)，作为待攻击的生成式欺骗干扰信号。
其中，皮尔逊相关系数简称为相关系数，是常见的用于描述两个变量之间线性相关程度的一种统计度量。相关系数的数值大小反映的是两个变量之间的相关程度，取值范围为[-1,1]，+1表示完全(强烈)正相关，-1表示完全负相关，0表示完全不相关。当相关系数的值在0～±0.3表示两个向量之间是微相关的，在±0.3～±0.5表示两个向量之间是实相关的，在±0.5～±0.8表示两个向量之间是显著相关的，在±0.8～±1表示两个向量之间是高度相关的。这里我们对生成信号和真实信号的相关程度提出了更高的要求，即当两个信号的相关系数必须大于等于+0.9，才认为该生成信号是高效能干扰信号。皮尔逊相关系数的数学表达式如下：
Figure BDA0002995029460000091
其中，E(X)为向量X的均值，σX为向量X的标准差，
Figure BDA0002995029460000092
相关系数越大，生成信号样本的干扰效能越好。设定相关系数的值大于等于+0.9的生成信号是与真实信号高度相关的信号，按这个标准在多个生成样本中筛选出符合要求的信号，作为待发射的生成式欺骗干扰信号。
本发明方法还包括步骤四和步骤五，用于检测所述生成式欺骗干扰信号的干扰效果。
步骤四：生成式欺骗干扰信号发射至直扩系统接收端；
将筛选出的生成式欺骗干扰信号发射至直扩系统接收端干扰其正常通信。由于生成式欺骗干扰信号与真实的直扩信号相关性好，能够顺利突破直扩系统接收端解扩、解调等抗干扰手段的拦截，成功扰乱直扩系统接收器解算。
步骤五：生成式欺骗干扰的性能验证；
最后以直扩系统接收端的误比特率为指标衡量该生成式欺骗干扰的攻击效果。仿真效果如图6所示，可以看到基于生成对抗网络构造出的生成式欺骗干扰信号能够有效攻击直接序列扩频通信系统，说明本发明提出的方法是可行且有效的。此外，对比图5和图6能够发现相关系数越大的生成样本攻击性越强(如图5和图6中sample 5对应的曲线)，证明本发明提出的方法能够达到预期的效果，构造出高性能的生成式欺骗干扰信号。
实施例2
如图7所示，一种电子设备，包括至少一个处理器，以及与所述至少一个处理器通信连接的存储器；所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行前述实施例所述的一种适用于直扩系统下的生成式欺骗干扰信号构造方法。所述输入输出接口可以包括显示器、键盘、鼠标、以及USB接口，用于输入输出数据；电源用于为电子设备提供电能。
本领域技术人员可以理解：实现上述方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成，前述的程序可以存储于计算机可读取存储介质中，该程序在执行时，执行包括上述方法实施例的步骤；而前述的存储介质包括：移动存储设备、只读存储器(Read Only Memory，ROM)、磁碟或者光盘等各种可以存储程序代码的介质。
当本发明上述集成的单元以软件功能单元的形式实现并作为独立的产品销售或使用时，也可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明实施例的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机、服务器、或者网络设备等)执行本发明各个实施例所述方法的全部或部分。而前述的存储介质包括：移动存储设备、ROM、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。

Claims (5)

1.一种适用于直扩系统下的生成式欺骗干扰信号构造方法，其特征在于，包括以下步骤：
S1：搭建直扩系统，并通过所述直扩系统生成直扩信号训练数据集；
S2：构造生成对抗网络，所述生成对抗网络的输入为一维时域信号，在所述直扩信号训练数据集上训练所述生成对抗网络，并输出生成信号；
S3：计算各个所述生成信号与高信噪比真实信号之间的相关系数，获取相关系数大于预设阈值的生成信号，将其作为待发射的生成式欺骗干扰信号；
所述步骤S1包括以下步骤：
S11：搭建直扩系统，其中，所述直扩系统包括AWGN信道以及QPSK调制、扩频、解扩和解调的功能，且所述直扩系统的扩频码为末位补零的7阶m序列；
S12：设置一个信噪比范围，以2dB为间隔，截获通过所述AWGN信道后的直扩信号；再使用长度为a的矩形窗按信源码字将所述直扩信号排列分割成多个信号样本；并根据所述直扩信号的信噪比值将所述信号样本存入对应的直扩信号样本集中；其中，每个所述信号样本包括至少一个码元、完整的扩频码以及调制信息，且所述信号样本的尺寸为1×2×a，a为预设值；
S13：分别从每个信噪比值不同的所述直扩信号样本集中随机筛选出N个信号样本存入所述直扩信号训练数据集中，其中N为预设值。
2.根据权利要求1所述的一种适用于直扩系统下的生成式欺骗干扰信号构造方法，其特征在于，所述步骤S2中所述生成对抗网络包括：一个生成器网络和一个判别器网络；
其中，所述生成器网络包括两个全连接层和两个反卷积层，用于生成与真实信号样本高度相似的生成信号以欺骗判别器网络；所述判别器网络包括两个卷积层和两个全连接层，用于鉴别真实信号样本与生成的生成信号之间的差异；所述生成器网络与所述判别器网络相互对抗又相互促进。
3.根据权利要求1所述的一种适用于直扩系统下的生成式欺骗干扰信号构造方法，其特征在于，所述步骤S3中所述预设阈值为+0.9。
4.根据权利要求1所述的一种适用于直扩系统下的生成式欺骗干扰信号构造方法，其特征在于，还包括步骤S4和步骤S5：
S4：将所述生成式欺骗干扰信号发送到所述直扩系统的接收端，进行通信干扰；
S5：检测所述直扩系统接收端的误比特率，验证所述生成式欺骗干扰信号的攻击效果。
5.一种电子设备，其特征在于，包括至少一个处理器，以及与所述至少一个处理器通信连接的存储器；所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行权利要求1至4中任一项所述的方法。
CN202110327071.2A 2021-03-26 2021-03-26 一种适用于直扩系统下的生成式欺骗干扰信号构造方法 Active CN112949846B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110327071.2A CN112949846B (zh) 2021-03-26 2021-03-26 一种适用于直扩系统下的生成式欺骗干扰信号构造方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110327071.2A CN112949846B (zh) 2021-03-26 2021-03-26 一种适用于直扩系统下的生成式欺骗干扰信号构造方法

Publications (2)

Publication Number Publication Date
CN112949846A CN112949846A (zh) 2021-06-11
CN112949846B true CN112949846B (zh) 2022-06-24

Family

ID=76226927

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110327071.2A Active CN112949846B (zh) 2021-03-26 2021-03-26 一种适用于直扩系统下的生成式欺骗干扰信号构造方法

Country Status (1)

Country Link
CN (1) CN112949846B (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114070453B (zh) * 2021-11-15 2023-05-05 电子科技大学 一种基于密集假周期欺骗的扩频通信反截获方法
CN116400311B (zh) * 2023-06-07 2023-09-19 清华大学 基于生成对抗网络的雷达干扰仿真方法、装置及电子设备
CN117235464B (zh) * 2023-11-14 2024-02-23 华东交通大学 一种傅里叶近红外干涉信号虚拟生成评价方法及系统

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6079007A (en) * 1998-03-10 2000-06-20 Pan Atlantic Corporation System and method for generating pseudo-random codes
CN1871785A (zh) * 2003-11-17 2006-11-29 摩托罗拉公司(在特拉华州注册的公司) 通信设备
CN109150776A (zh) * 2018-08-15 2019-01-04 桂林电子科技大学 一种短码直扩信号伪码序列盲估计方法
CN110231634A (zh) * 2019-05-15 2019-09-13 西安交通大学 一种信号捕获阶段基于lstm的gnss欺骗干扰检测方法及系统
CN110361761A (zh) * 2019-08-28 2019-10-22 上海无线电设备研究所 一种生成式gnss欺骗干扰方法
CN110601720A (zh) * 2019-10-31 2019-12-20 中国人民解放军陆军工程大学 直扩信号的调制、解调方法及终端设备
CN111490807A (zh) * 2020-04-21 2020-08-04 西安电子科技大学 基于mldc和逐位判决的直扩信号扩频码估计方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7630406B2 (en) * 2005-11-04 2009-12-08 Intel Corporation Methods and apparatus for providing a delayed attack protection system for network traffic

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6079007A (en) * 1998-03-10 2000-06-20 Pan Atlantic Corporation System and method for generating pseudo-random codes
CN1871785A (zh) * 2003-11-17 2006-11-29 摩托罗拉公司(在特拉华州注册的公司) 通信设备
CN109150776A (zh) * 2018-08-15 2019-01-04 桂林电子科技大学 一种短码直扩信号伪码序列盲估计方法
CN110231634A (zh) * 2019-05-15 2019-09-13 西安交通大学 一种信号捕获阶段基于lstm的gnss欺骗干扰检测方法及系统
CN110361761A (zh) * 2019-08-28 2019-10-22 上海无线电设备研究所 一种生成式gnss欺骗干扰方法
CN110601720A (zh) * 2019-10-31 2019-12-20 中国人民解放军陆军工程大学 直扩信号的调制、解调方法及终端设备
CN111490807A (zh) * 2020-04-21 2020-08-04 西安电子科技大学 基于mldc和逐位判决的直扩信号扩频码估计方法

Non-Patent Citations (6)

* Cited by examiner, † Cited by third party
Title
An Efficient Way for Satellite Interference Signal Recognition Via Incremental Learning;Ying Yang等;《2019 International Symposium on Networks, Computers and Communications (ISNCC)》;20191121;第1-5页 *
Application of auxiliary classifier Wasserstein generative adversarial networks in wireless signal classification of lllegal unmanned aerial vehicles;caidan zhao;《applied sciences》;20181218;第8卷(第12期);第1-15页 *
Generative adversarial network in the air:deep adversarial learning for wireless signal spoofing;Yi shi等;《网页在线公开:https://arxiv.org/abs/2007.08363》;20200716;第1-10页 *
On the Effectiveness of Least Squares Generative Adversarial Networks;Xudong Mao等;《 IEEE Transactions on Pattern Analysis and Machine Intelligence》;20180924;第41卷(第12期);第2947-2960页 *
一种抗盲检测的直扩隐蔽信号设计方法;谢岸宏等;《电子学报》;20181215;第46卷(第12期);第2817-2823页 *
卫星隐蔽信号波形设计与仿真;何其恢等;《无线电通信技术》;20181225;第45卷(第1期);第24-29页 *

Also Published As

Publication number Publication date
CN112949846A (zh) 2021-06-11

Similar Documents

Publication Publication Date Title
CN112949846B (zh) 一种适用于直扩系统下的生成式欺骗干扰信号构造方法
Naghsh et al. Unified optimization framework for multi-static radar code design using information-theoretic criteria
CN111399002B (zh) 一种基于两级神经网络的gnss接收机组合干扰分类识别方法
Moustakides et al. Joint detection and estimation: Optimum tests and applications
JP7362168B2 (ja) 条件付き敵対的生成ネットワークに基づく時変水中音響チャネルのシミュレーション方法
CN110515052B (zh) 一种基于时间反演的超宽带频域非等间隔采样目标检测方法
CN106909779A (zh) 基于分布式处理的mimo雷达克拉美罗界计算方法
Cui et al. Multiple-input multiple-output radar detectors design in non-Gaussian clutter
CN106154242A (zh) 基于分数低阶类相关熵的目标参数联合估计新算法
CN112014801A (zh) 一种基于SPWVD和改进AlexNet的复合干扰识别方法
CN113114408B (zh) 一种生成式欺骗干扰信号生成评估方法及装置
Wang et al. Research on anti-Narrowband AM jamming of Ultra-wideband impulse radio detection radar based on improved singular spectrum analysis
CN115951315B (zh) 基于改进小波包能量谱的雷达欺骗干扰识别方法及系统
CN108562877A (zh) 一种基于信号包络特征的欺骗式干扰抑制方法
CN114205827B (zh) 一种抽取注水成型的雷达嵌入式通信波形设计方法
Ruggiano et al. Multi-target performance of LMMSE filtering in radar
Yu et al. A time-frequency information based method for BSS output FH signal recognition
CN106371095A (zh) 基于脉冲压缩技术的距离向成像方法和距离向成像系统
CN116774165B (zh) 一种多雷达协同抗干扰信号波形设计方法及装置
Xu et al. Research on communication FM signal blind separation under jamming environments
CN115656998B (zh) 一种低样本数下阵列信号自适应检测方法与系统
Xiang et al. Automatic modulation recognition based on SST and deep learning model
Lu et al. The Gaussianization and generalized matching method for robust detection in impulsive noise
CN102480299B (zh) 相位编码信号序列的抗冲击方法与系统
Ma et al. Clustering Quantization Short-Time Energy Feature Extraction Method for MAC Protocol Identification in Non-cooperative UWANs

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