CN113114408B - 一种生成式欺骗干扰信号生成评估方法及装置 - Google Patents

一种生成式欺骗干扰信号生成评估方法及装置 Download PDF

Info

Publication number
CN113114408B
CN113114408B CN202110367789.4A CN202110367789A CN113114408B CN 113114408 B CN113114408 B CN 113114408B CN 202110367789 A CN202110367789 A CN 202110367789A CN 113114408 B CN113114408 B CN 113114408B
Authority
CN
China
Prior art keywords
signal
generated
network
correlation coefficient
generation
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
CN202110367789.4A
Other languages
English (en)
Other versions
CN113114408A (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 CN202110367789.4A priority Critical patent/CN113114408B/zh
Publication of CN113114408A publication Critical patent/CN113114408A/zh
Application granted granted Critical
Publication of CN113114408B publication Critical patent/CN113114408B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04K—SECRET COMMUNICATION; JAMMING OF COMMUNICATION
    • H04K3/00—Jamming of communication; Counter-measures
    • H04K3/60—Jamming involving special techniques
    • H04K3/65—Jamming involving special techniques using deceptive jamming or spoofing, e.g. transmission of false signals for premature triggering of RCIED, for forced connection or disconnection to/from a network or for generation of dummy target signal
    • 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
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04K—SECRET COMMUNICATION; JAMMING OF COMMUNICATION
    • H04K3/00—Jamming of communication; Counter-measures
    • H04K3/40—Jamming having variable characteristics
    • H04K3/45—Jamming having variable characteristics characterized by including monitoring of the target or target signal, e.g. in reactive jammers or follower jammers for example by means of an alternation of jamming phases and monitoring phases, called "look-through mode"

Abstract

本发明涉及通信对抗领域，特别是一种生成式欺骗干扰信号生成评估方法及装置。本发明提出利用改进相关系数对生成对抗网络(GANs)构造的伪欺骗干扰信号进行干扰效能评估，显著提升了生成信号样本效能评估的稳定性。皮尔逊相关系数在一定程度上能够反映生成式欺骗干扰信号对直扩系统的干扰效能，但它受信号功率的影响较大，在低信噪比真实信号参与计算的情况下将会失效。本发明通过对生成信号和低功率直扩信号之间的皮尔逊相关系数进行伸缩变换，有效的降低了信号功率对相关系数大小的影响。且本发明提出的方法计算简单，性能稳定，有助于筛选出攻击力强的高效能生成式欺骗干扰信号，在对抗环境中具有非常重要的现实意义。

Description

一种生成式欺骗干扰信号生成评估方法及装置
技术领域
本发明涉及通信对抗领域，特别是一种生成式欺骗干扰信号生成评估方法及装置。
背景技术
直接序列扩频通信技术是卫星通信和移动通信的核心技术之一，具备强抗干扰和强抗截获能力，在军用和民用领域都得到了广泛应用。对抗环境中，由于压制式干扰与直扩系统的扩频信号不相关，系统接收端会抑制大部分的干扰，故干扰作用有限。只有对直扩系统的扩频增益不敏感，与扩频信号强相关的欺骗式干扰可以对直扩系统进行有效攻击。本发明将针对欺骗干扰的构造和高效能干扰信号样本的筛选问题开展深入研究。
近年来，生成对抗网络(GANs)的相关研究取得了重大进展，充分展现了它从真实样本中学习到数据集的潜在分布，并从噪声中生成与真实样本高度相似的伪样本的能力。相关文献已经证明基于GANs的欺骗干扰构造方法是可行且有效的。将GANs用于构造适用于直接序列扩频通信系统攻击的生成式欺骗干扰信号，可以在先验信息不足的情况下降低生成式欺骗干扰信号构造难度，方法简单易于实现。
误码率是干扰信号的性能评估指标中最常见的一种。但是在实际的对抗环境中，通过非合作方系统的误比特率受影响程度来评估已方干扰信号的干扰效能是难以实现的。但是真实信号与生成式欺骗干扰之间的皮尔逊相关系数(下文均简称为相关系数)在一定程度上可以反映出该生成式欺骗干扰发射至系统接收端后对系统误码率的影响程度。如果能较好地利用相关系数与系统误码率之间的关系，提前对GANs模型构造的伪生成信号样本的干扰效能进行评估，筛选出高效能的生成信号作为待攻击的生成式欺骗干扰信号，就可以有效减少无效攻击的次数，这在通信对抗中具有重要的现实意义。
相关系数计算方法简单，但是受信号功率影响较大。在低信噪比真实信号参与计算时，基于相关系数的生成式欺骗干扰效能评估方法是失效的，此时低信噪比真实信号与生成信号之间的相关系数整体偏小，将其作为效能评估标准可能会丢失高质量生成信号样本。
为了对生成对抗网络构造的伪生成式欺骗式干扰信号进行更稳定的效能评估和筛选，解决基于相关系数的生成信号效能评估方法在低信噪比信号参与计算的情况下失效的问题，本发明提出一种生成式欺骗干扰信号生成评估方法及装置。
发明内容
本发明的目的在于克服现有技术中基于相关系数的生成式欺骗干扰效能评估方法存在的性能波动的问题，提出了一种生成式欺骗干扰信号生成评估方法及装置。
为了实现上述发明目的，本发明提供了以下技术方案：
一种生成式欺骗干扰信号生成评估方法，包括以下步骤：
S1：构建生成对抗网络，所述生成对抗网络的输入为一维时域信号；
S2：采集直扩信号数据集，输入到所述生成对抗网络进行模型训练，构造与直扩信号高度相似的生成信号的样本，存入生成信号数据集中；所述直扩信号数据集内包含多个信号样本，所述信号样本由直扩信号按信源码字拆分得到，且所述信号样本包含码元、完整的扩频码与调制信息；
S3：计算一个直扩信号与多个所述生成信号之间的改进相关系数，获取生成信号数据集中改进相关系数大于+0.9的生成信号，作为待攻击的高效能生成式欺骗干扰信号，并输出所述生成式欺骗干扰信号；
所述改进相关系数的计算式如下：
Figure BDA0003008132120000031
其中，xi表示信噪比为A的第i个真实直扩信号，本发明设定A∈[-10dB,20dB]，y表示生成信号组成的向量y＝[y1,y2,…,yn]T，yj表示第j个生成信号，p(·)表示皮尔逊相关系数。
本发明通过对生成信号和低信噪比真实信号之间的相关系数进行上述伸缩变换得到了改进相关系数的表达式，它在低信噪比真实信号参与计算的情况下也能够筛选出高效能生成信号样本，有效降低了信号功率对相关系数大小的影响，进而提高了生成信号效能评估的稳定性。本发明提出的方法计算简单，性能稳定，有助于稳定筛选出攻击力强的高效能生成式欺骗干扰信号，在对抗环境中具有非常重要的现实意义。
作为本发明的优选方案，所述生成对抗网络包括：一个判别网络和一个生成网络；
其中，所述判别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所述生成信号之间的差异；所述生成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网络；所述生成网络与所述判别网络相互对抗又相互促进。本发明通过建立生成对抗网络，两者相互对抗又相互促进，大大的增强了所述生成对抗网络的稳定性和可靠性，使生成的所述生成信号更加真实有效。
作为本发明的优选方案，所述判别网络中每个所述卷积层都包含32个大小为1×6的卷积核，stride设置为1×4，pooling设置为0×1；
所述判别网络的前三层使用LeakyReLU函数作为激活函数，所述全连接层的dropout设置为0.35，最后一层用于判决当前输入样本的真假。
作为本发明的优选方案，所述生成网络中第一个反卷积层使用32个卷积核，第二个反卷积层使用1个卷积核，每个所述卷积核大小为1×6、stride设置为1×4，pooling设置为0×1；
所述生成网络的前三层使用ReLU函数作为激活函数，最后一层使用Tanh函数作为激活函数，所述全连接层的dropout设置为0.35，且所述生成网络通过Adam函数进行模型优化。
作为本发明的优选方案，所述生成对抗网络的每一层都进行了正则化处理。本发明通过加入了正则化处理，防止所述生成对抗网络出现过拟合的问题。
作为本发明的优选方案，所述相关系数的计算式为：
Figure BDA0003008132120000041
其中，E(X)为向量X的均值，σX为向量X的标准差，
Figure BDA0003008132120000042
一种生成式欺骗干扰信号生成评估装置，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.本发明通过对相关系数进行伸缩变换提出了改进相关系数的计算方法，有效提升了生成式欺骗干扰效能评估的稳定性。即使在低信噪比真实信号参与计算的情况下，也能够显著降低信号功率对相关系数大小的影响。且本发明提出的方法计算简单，性能稳定，有助于稳定筛选出攻击力强的高效能生成式欺骗干扰信号，在对抗领域具有非常重要的现实意义。
2.本发明通过建立生成对抗网络，两者相互对抗又相互促进，大大的增强了所述生成对抗网络的稳定性和可靠性，使生成的所述生成信号更加真实有效。降低了生成式欺骗干扰的构造难度。
3.本发明通过加入了正则化处理，防止所述生成对抗网络出现过拟合的问题。
附图说明
图1为本发明实施例1所述的一种生成式欺骗干扰信号生成评估方法的流程框图。
图2为本发明实施例1所述的一种生成式欺骗干扰信号生成评估方法中基于生成对抗网络的伪生成式欺骗干扰构造过程的结构示意图。
图3为本发明实施例1所述的一种生成式欺骗干扰信号生成评估方法中基于相关系数和改进相关系数的生成式欺骗干扰信号干扰效能评估结果。
图4为本发明实施例1所述的一种生成式欺骗干扰信号生成评估方法中符合改进相关系数大于+0.9的生成信号的样本数占总生成信号的样本数的比例。
图5为本发明实施例1所述的一种生成式欺骗干扰信号生成评估方法中不同改进相关系数对应的生成式欺骗干扰信号发射至直扩系统后的误码率曲线。
图6为本发明实施例2所述的一种生成式欺骗干扰信号生成评估装置的结构示意图。
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
在通信对抗环境下，为了稳定地评估并筛选出直扩系统中基于GANs构造的生成式欺骗干扰信号样本，本发明提出了一种生成式欺骗干扰信号生成评估装置。该方法通过进一步改进皮尔逊相关系数的表达式，缓解了信号功率对相关系数的影响，使得低功率直扩信号参与生成信号效能评估计算也可以成功筛选出高效能的生成信号样本。
如图1所示，本发明提出的基于改进相关系数的生成式欺骗干扰效能评估方法的主要实现过程如下：
步骤一：构建生成对抗网络，所述生成对抗网络的输入为一维时域信号；
所述生成对抗网络结构如图2所示，所述生成对抗网络适用于一维时域信号输入，包含一个判别网络和一个生成网络。判别网络由2个卷积层和2个全连接层组成，用于鉴别所述信号样本与所述生成信号之间的差异；而生成网络由2个全连接层和2个反卷积层组成，用于生成与所述信号样本高度相似的生成信号样本以欺骗判别网络。判别网络中的每个卷积层都包含32个大小为1×6的卷积核，stride设置为1×4，pooling设置为0×1；除了最后一层以外，每一层都使用LeakyReLU作为激活函数，全连接层的dropout设置为0.35。生成网络中反卷积层的卷积核大小、stride和pooling等参数值都与判别网络的设置相同。其中，所述生成网络的第一个反卷积层使用32个卷积核，第二个反卷积层使用1个卷积核；且除了最后一层使用Tanh作为激活函数，其余每层的激活函数都为ReLU。除此之外，每一层都加入了正则化处理，用于防止过拟合。
步骤二：采集直扩信号数据集，输入到所述生成对抗网络进行模型训练，并生成信号；
所述直扩信号数据集内包含多个信号样本，所述信号样本由直扩信号按码元拆分得到，且所述信号样本包含码元、完整的扩频码与调制信息。所述直扩信号数据集输入到所述生成对抗网络后，学习所述直扩信号数据集潜在的空间分布，同时不断调整并更新所述生成对抗网络的各项参数，以产生与直扩信号结构上高度相似的生成信号，并放入生成信号数据集中。
步骤三：基于改进相关系数的生成式欺骗干扰效能评估与筛选；
计算一个直扩信号与多个所述生成信号之间的改进相关系数，获取相关系数或改进相关系数大于+0.9的生成信号，作为待攻击的高效能生成式欺骗干扰信号，并输出所述生成式欺骗干扰信号。
根据图3可以得知，与基于相关系数的方法相比，基于改进相关系数的方法通过伸缩变换可以有效缓解低功率真实直扩信号参与计算导致的误差，这表示改进相关系数可以有效解决相关系数不适用于低功率直扩信号参与计算的情况，防止高效能生成信号样本的丢失，应用范围更广。根据图4可以看到，利用改进相关系数筛选得到的高效能生成信号占总生成信号的比例始终是相对稳定的，这表明改进相关系数可以有效提升高效能生成样本筛选的稳定性。因此，所述直扩信号为低信噪比信号时采用改进相关系数进行计算。
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。这里我们对欺骗干扰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，才认为欺骗干扰信号是高效能信号。相关系数的数学表达式如下：
Figure BDA0003008132120000081
其中，E(X)为向量X的均值，σX为向量X的标准差，
Figure BDA0003008132120000082
所述改进相关系数计算式如下：
Figure BDA0003008132120000091
其中，xi表示信噪比为A的第i个真实的直扩信号，A∈[-10dB,20dB]，y表示生成信号组成的向量y＝[y1,y2,…,yn]T，yj表示第j个生成信号。
为了减少无效干扰的发生次数，以改进相关系数作为干扰效能评估参数，提前对生成信号进行筛选是非常有必要的。如图5所示，改进相关系数越大的样本，其对应的生成式欺骗干扰发射至直扩系统接收端后误码率曲线越往上浮，这意味着该信号对系统的攻击力越强。因此评估结果筛选出符合改进相关系数大于+0.9的生成信号样本，作为待攻击的生成式欺骗干扰信号，可以保证对直扩系统进行高质量、强有力的攻击。
实施例2
如图6所示，一种生成式欺骗干扰信号生成评估装置，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生成式欺骗干扰信号干扰效能评估及生成方法。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 OnlyMemory，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)

1.一种生成式欺骗干扰信号生成评估方法，其特征在于，包括以下步骤：
S1：构建生成对抗网络，所述生成对抗网络的输入为一维时域信号；
S2：采集直扩信号数据集，输入到所述生成对抗网络进行模型训练，输出生成信号，并放入生成信号数据集中；所述直扩信号数据集内包含多个信号样本，所述信号样本由直扩信号按码元拆分得到，且所述信号样本包含码元、完整的扩频码与调制信息；
S3：计算一个直扩信号与多个所述生成信号之间的改进相关系数，获取改进相关系数大于+0.9的生成信号，作为待攻击的高效能的生成式欺骗干扰信号，并输出所述生成式欺骗干扰信号；
所述改进相关系数的计算式如下：
Figure FDA0003632160590000011
其中，xi表示信噪比为A的第i个真实直扩信号，A∈[-10dB,20dB]，y表示由生成信号组成的向量y＝[y1,y2,…,yn]T，yj表示第j个生成信号，p(·)表示皮尔逊相关系数；
所述生成对抗网络包括：一个判别网络和一个生成网络；
其中，所述判别网络包括两个卷积层和两个全连接层，用于鉴别所述信号样本与所述生成信号之间的差异；所述生成网络包括两个全连接层和两个反卷积层，用于生成与所述信号样本高度相似的生成信号以欺骗判别网络；所述生成网络与所述判别网络相互对抗又相互促进。
2.根据权利要求1所述的一种生成式欺骗干扰信号生成评估方法，其特征在于，所述判别网络中每个所述卷积层都包含32个大小为1×6的卷积核，stride设置为1×4，pooling设置为0×1；
所述判别网络的前三层使用LeakyReLU函数作为激活函数，所述全连接层的dropout设置为0.35，最后一层用于判决当前输入样本的真假。
3.根据权利要求2所述的一种生成式欺骗干扰信号生成评估方法，其特征在于，所述生成网络中第一个反卷积层使用32个卷积核，第二个反卷积层使用1个卷积核，每个所述卷积核大小为1×6、stride设置为1×4，pooling设置为0×1；
所述生成网络的前三层使用ReLU函数作为激活函数，最后一层使用Tanh函数作为激活函数，所述全连接层的dropout设置为0.35，且所述生成网络通过Adam函数进行模型优化。
4.根据权利要求3所述的一种生成式欺骗干扰信号生成评估方法，其特征在于，所述生成对抗网络的每一层都进行了正则化处理。
5.一种生成式欺骗干扰信号生成评估装置，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。
CN202110367789.4A 2021-04-06 2021-04-06 一种生成式欺骗干扰信号生成评估方法及装置 Active CN113114408B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110367789.4A CN113114408B (zh) 2021-04-06 2021-04-06 一种生成式欺骗干扰信号生成评估方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110367789.4A CN113114408B (zh) 2021-04-06 2021-04-06 一种生成式欺骗干扰信号生成评估方法及装置

Publications (2)

Publication Number Publication Date
CN113114408A CN113114408A (zh) 2021-07-13
CN113114408B true CN113114408B (zh) 2022-06-24

Family

ID=76713902

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110367789.4A Active CN113114408B (zh) 2021-04-06 2021-04-06 一种生成式欺骗干扰信号生成评估方法及装置

Country Status (1)

Country Link
CN (1) CN113114408B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114236476B (zh) * 2021-12-06 2023-08-04 中国人民解放军国防科技大学 一种基于生成对抗网络算法模型的自动距离跟踪系统的欺骗干扰方法
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 (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109670459A (zh) * 2018-12-20 2019-04-23 南京航空航天大学 直升机主减速器故障样本生成方法
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
CN112200932A (zh) * 2020-09-03 2021-01-08 北京蜂云科创信息技术有限公司 一种评估重型柴油车能耗的方法和设备
CN112466320A (zh) * 2020-12-12 2021-03-09 中国人民解放军战略支援部队信息工程大学 一种基于生成对抗网络的水声信号降噪方法

Family Cites Families (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7248841B2 (en) * 2000-06-13 2007-07-24 Agee Brian G Method and apparatus for optimization of wireless multipoint electromagnetic communication networks
CN106685944B (zh) * 2016-12-22 2019-10-18 西北工业大学 一种无人机数据链抗压制、抗欺骗干扰方法
CN109998500A (zh) * 2019-04-30 2019-07-12 陕西师范大学 一种基于生成式对抗网络的脉搏信号生成方法及系统
CN110231615B (zh) * 2019-05-17 2023-05-16 北京理工大学 基于海面目标空间约束的距离测量异常判别方法
CN110290087B (zh) * 2019-07-05 2021-10-15 电子科技大学 一种gfdm信号的调制、解调方法及装置
GB201912145D0 (en) * 2019-08-23 2019-10-09 Five Ai Ltd Performance testing for robotic systems
CN110988818B (zh) * 2019-12-09 2023-03-17 西安电子科技大学 基于条件生成式对抗网络的欺骗干扰模板生成方法
CN112068160B (zh) * 2020-04-30 2024-03-29 东华大学 一种基于导航定位系统的无人机信号干扰方法
CN111929548B (zh) * 2020-08-13 2021-09-21 广东电网有限责任公司 放电和干扰信号样本生成方法、计算机设备和存储介质
CN112183352A (zh) * 2020-09-29 2021-01-05 中国人民解放军国防科技大学 一种基于生成对抗网络的通信干扰方法
CN112327331A (zh) * 2020-11-02 2021-02-05 中山大学 一种gnss欺骗干扰检测方法、装置、设备和存储介质

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109670459A (zh) * 2018-12-20 2019-04-23 南京航空航天大学 直升机主减速器故障样本生成方法
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
CN112200932A (zh) * 2020-09-03 2021-01-08 北京蜂云科创信息技术有限公司 一种评估重型柴油车能耗的方法和设备
CN112466320A (zh) * 2020-12-12 2021-03-09 中国人民解放军战略支援部队信息工程大学 一种基于生成对抗网络的水声信号降噪方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
人工智能在配电网高阻接地故障检测中的应用及展望;白浩等;《南方电网技术》;20190220(第02期);全文 *
基于FastICA-TDS的DS-CDMA盲源信号分离系统;张晋东等;《通信学报》;20080815(第08期);全文 *
结合皮尔逊重构的文本到图像生成模型;莫建文等;《桂林电子科技大学学报》;20200225(第01期);全文 *

Also Published As

Publication number Publication date
CN113114408A (zh) 2021-07-13

Similar Documents

Publication Publication Date Title
CN113114408B (zh) 一种生成式欺骗干扰信号生成评估方法及装置
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
CN112949820B (zh) 基于生成对抗网络的认知抗干扰目标检测方法
Kay Fundamentals of statistical processing, Volume 2: Detection theory
CN114429151A (zh) 一种基于深度残差网络的大地电磁信号识别与重建方法及其系统
CN114697096A (zh) 基于空时特征和注意力机制的入侵检测方法
CN115963457A (zh) 一种多通道无源雷达直达波干扰抑制方法
CN115883261A (zh) 一种基于att和ck的电力系统apt攻击建模方法
CN111598787A (zh) 生物雷达图像去噪方法、装置、电子设备及其存储介质
Xu et al. Resilient binary neural network
Amirmazlaghani Heteroscedastic watermark detector in the contourlet domain
Yang et al. Reinforcement learning aided network architecture generation for JPEG image steganalysis
CN113132398A (zh) 一种基于q学习的阵列蜜罐系统防御策略预测方法
Han et al. Nickel to LEGO: using Foolgle to create adversarial examples to fool Google cloud speech-to-text API
CN115719085A (zh) 一种深度神经网络模型反演攻击防御方法及设备
CN116452918A (zh) 基于小波变换与注意力机制的对抗样本恢复方法及系统
Ma et al. Sub‐region non‐local mean denoising algorithm of synthetic aperture radar images based on statistical characteristics
CN114070416A (zh) 基于跨境电子商务的大数据安全管理系统
Huang et al. A method for extracting fingerprint feature of communication satellite signal
CN116774165B (zh) 一种多雷达协同抗干扰信号波形设计方法及装置
Zhang et al. Network Intrusion Detection Method Based on Stacked Denoising Sparse Autoencoder and Extreme Learning Machine
Deng et al. PCNN automatic parameters determination in image segmentation based on the analysis of neuron firing time
Luo et al. Content-adaptive Adversarial Embedding for Image Steganography Using Deep Reinforcement Learning
CN113904831B (zh) 一种低压电力线载波通信网络安全防御方法及系统
Huang et al. Robust adaptive beamforming method based on desired signal steering vector estimation and interference‐Plus‐noise covariance matrix reconstruction

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