CN114417939A - 一种基于知识图谱的干扰策略生成方法 - Google Patents

一种基于知识图谱的干扰策略生成方法 Download PDF

Info

Publication number
CN114417939A
CN114417939A CN202210101983.2A CN202210101983A CN114417939A CN 114417939 A CN114417939 A CN 114417939A CN 202210101983 A CN202210101983 A CN 202210101983A CN 114417939 A CN114417939 A CN 114417939A
Authority
CN
China
Prior art keywords
radio station
neural network
working mode
vector
convolutional neural
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
Application number
CN202210101983.2A
Other languages
English (en)
Other versions
CN114417939B (zh
Inventor
杨健
王沙飞
解凯
刘杰
田震
方旖
秦臻
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.)
32802 Troops Of People's Liberation Army Of China
Original Assignee
32802 Troops Of People's Liberation Army 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 32802 Troops Of People's Liberation Army Of China filed Critical 32802 Troops Of People's Liberation Army Of China
Priority to CN202210101983.2A priority Critical patent/CN114417939B/zh
Publication of CN114417939A publication Critical patent/CN114417939A/zh
Application granted granted Critical
Publication of CN114417939B publication Critical patent/CN114417939B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • 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
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/047—Probabilistic or stochastic 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)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Health & Medical Sciences (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Probability & Statistics with Applications (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Signal Processing (AREA)
  • Mobile Radio Communication Systems (AREA)

Abstract

本发明公开了一种基于知识图谱的干扰策略生成方法，利用知识图谱方法，对已有的电磁目标建立电磁目标的干扰策略图谱，通过图神经网络实现图谱向量嵌入，将电台工作模式对应的实体嵌入到低维图谱向量空间中，得到该实体的向量表示，构建卷积神经网络，对该卷积神经网络进行训练，建立电台工作模式的信号特征的嵌入表示与电台工作模式对应节点的嵌入向量之间的映射关系；将电台工作模式的信号特征输入到该卷积神经网络中，利用该卷积神经网络输出的嵌入向量与已知电台工作模式对应实体的嵌入向量之间的关系，进行干扰策略生成。本方法将先验图谱知识和电磁数据相结合，有利于优化干扰策略，可实现对未知目标或未知工作模式的干扰策略推荐。

Description

一种基于知识图谱的干扰策略生成方法
技术领域
本发明涉及通信领域和人工智能领域，具体涉及到一种基于知识图谱的干扰策略生成方法。
背景技术
目前，在通信干扰对抗领域，典型干扰策略生成方式包括基于案例生成干扰策略方法和基于数据驱动的神经网络策略分类方法；对于基于案例生成干扰策略的方法，其在对电台工作模式已知的基础之上，对已知电台工作波形进行识别，并生成相应的干扰策略；基于数据驱动的神经网络策略分类方法，其使用大量电台波形数据训练神经网络，使之能够对电台工作波形进行分类，在分类的基础上生成相应的干扰策略；
对于基于案例生成干扰策略的方法，其较为死板且缺乏灵活性，对与记录信息存在偏差或缺乏记录的干扰场景，无法生成有效干扰策略；对于基于数据驱动的神经网络策略分类方法，该方法对数据量需求较大，在缺乏样本和有效数据较量较小的场景下，无法生成高质量的干扰策略。
发明内容
本发明针对现有基于数据的干扰策略生成方法对电磁目标先验知识利用不足的问题，公开了一种基于知识图谱的干扰策略生成方法，通过构建电磁目标的干扰策略图谱，将干扰场景的先验知识与电磁目标数据进行融合，生成干扰策略；
本发明公开了一种基于知识图谱的干扰策略生成方法，利用知识图谱方法，对已有的电磁目标建立电磁目标的干扰策略图谱，该电磁目标的干扰策略图谱包括电磁目标、电台工作模式的信号特征和干扰信号波形信息；电磁目标的干扰策略图谱中的节点表示已知的电台工作模式，如果已知的电台工作模式之间的相似度大于某阈值，则确定该电磁目标的干扰策略图谱中相应节点之间有连接；不同电台工作模式间的关系密切程度决定了相应节点间的关系密切程度；图谱向量嵌入指将高维的图谱信息通过训练好的映射关系，将其嵌入到低维的图谱向量空间中；通过图神经网络实现图谱向量嵌入，将电台工作模式对应的实体嵌入到低维图谱向量空间中，得到该实体的向量表示，该向量表示就是与电台工作模式对应实体的嵌入向量表示，构建卷积神经网络，将得到的嵌入向量作为标签，对该卷积神经网络进行训练，建立电台工作模式的信号特征的嵌入表示与电台工作模式对应节点的嵌入向量之间的映射关系，使卷积神经网络实现从电磁空间到嵌入向量空间的映射；在进行干扰策略生成时，将电台工作模式的信号特征输入到该卷积神经网络中，利用该卷积神经网络输出的嵌入向量与已知电台工作模式对应实体的嵌入向量之间的关系，进行干扰策略生成；
本发明公开了一种基于知识图谱的干扰策略生成方法，其具体步骤包括：
S1，通过图神经网络，利用包含所有已知电台工作模式信息的电磁目标的干扰策略图谱，训练得到已知电台工作模式对应实体的嵌入向量表示；
对包含已知电台工作模式信息的实体进行嵌入向量表示，电磁目标的干扰策略图谱包含所有已知的电台工作模式所对应的节点；利用图神经网络对该图谱中的所有节点进行嵌入向量表示，得到所有电台工作模式对应节点的嵌入向量表示，其具体步骤包括：
设电台工作模式间的关系用邻接矩阵C来表示；邻接矩阵C的第i行、第j列的元素cij表示第i个电台工作模式和第j个电台工作模式之间的关系；所有电台工作模式的特征用矩阵F表示，F的第i行表示电台工作模式的第i个类别的特征；将C和F输入到图神经网络中，以训练所有电台工作模式的嵌入向量表示；
ReLU(·)为线性整流函数，‖·‖表示l2范数，softmax(·)表示逻辑回归函数，IN为维度为N的单位矩阵；Mi为该图神经网络第i个隐藏层的权重，M为权重矩阵；k为迭代次数；
Figure BDA0003492744210000021
Figure BDA0003492744210000022
表示度矩阵，
Figure BDA0003492744210000023
表示归一化拉普拉斯矩阵，
Figure BDA0003492744210000024
表示无向图邻接矩阵，
Figure BDA0003492744210000025
为矩阵
Figure BDA0003492744210000026
中的第i行、第i列的元素，
Figure BDA0003492744210000031
Ui为第i个电台类别的标签；
Figure BDA0003492744210000032
为矩阵
Figure BDA0003492744210000033
的第i行、第j列的元素；Q为训练后得到的电台工作模式所对应的节点的嵌入向量表示结果；
S11，初始化图神经网络的权重矩阵M；
S12，计算该图神经网络的输出O，其计算公式为：
Figure BDA0003492744210000034
其中，M0表示该图神经网络第0个隐藏层的权重，M1表示该图神经网络第1个隐藏层的权重，f()表示该图神经网络的计算函数；
S13，在此输出条件下，计算该图神经网络的损失函数：
Figure BDA0003492744210000035
其中，Ul表示第l个电台类别的标签,f表示矩阵F中的某一行，即某个电台工作模式的特征向量，Of表示特征向量f输入到该图神经网络后得到的输出；某个电台工作模式的特征向量，是指某个电台工作模式的若干个特定参数构成的向量；
Figure BDA0003492744210000036
表示对所有类别的电台工作模式的特征向量，输入到该图神经网络后，计算该图神经网络得到的所有输出的和。
S14，根据该损失函数，使用批量梯度下降法(BGD)更新该图神经网络的权重矩阵M；迭代次数k取值加1；
S15，重复步骤S12至步骤S14的过程，直到迭代次数k到达预先设定的值；
S16，计算得到所有的电台工作模式对应节点的嵌入向量表示Q，其计算公式为：
Figure BDA0003492744210000037
S2，通过卷积神经网络，训练电台工作模式的信号特征的嵌入表示到电台工作模式对应节点的嵌入向量的映射；
通过步骤S1得到了电台工作模式对应的节点的嵌入向量表示，将电台工作模式对应的电台信号做短时傅里叶变换，得到该电台信号的时频图；将该电台信号的时频图对应的时频矩阵作为卷积神经网络的输入，将电台工作模式对应节点的嵌入向量作为该卷积神经网络的标签，用电台工作模式对应节点的嵌入向量和该卷积神经网络的输出向量之间的距离来作为训练该卷积神经网络的损失函数；通过图神经网络得到的电台工作模式对应节点的嵌入向量来训练卷积神经网络，可得到电台工作模式信号特征的嵌入表示；
通过对该卷积神经网络进行多次迭代优化训练后，其输出的电台工作模式对应节点的嵌入向量的相互关系反映了其对应实体所属类别的关系；步骤S2具体包括：
S21，构建一个具有两层卷积层，两层池化层，两层全连接层结构的卷积神经网络，初始化该网络的节点权重；所述的卷积层、池化层和全连接层依次连接；
S22，将该电台信号的时频图对应的时频矩阵P输入至该卷积神经网络中，在该卷积神经网络的最后一层得到电台工作模式对应节点的特征向量R，其即为该卷积神经网络的输出；
S23，计算该卷积神经网络的损失函数：L＝-‖R-Q‖，其中，Q为电台工作模式对应节点的嵌入向量表示，‖.‖表示求范数；
S24，根据随机梯度下降法对该卷积神经网络的参数进行优化，更新该网络中节点的权重；
S25，重复步骤S22至步骤S24，直到迭代次数达到预先设定好的值，完成对该卷积神经网络的训练；
S26，完成对该卷积神经网络的训练后，该网络的输出R即是电台工作模式信号特征的嵌入表示；
S3，利用训练好的卷积神经网络，将接收的待测电台工作模式的信号波形映射为嵌入空间中的向量，即嵌入向量；
将接收的待测电台工作模式的信号经过短时傅里叶变换，得到对应的信号时频向量，将该信号时频向量输入到步骤S2中训练好的卷积神经网络中，该卷积神经网络的输出为该接收的待测电台工作模式的信号的嵌入向量；
S4，计算待测电台工作模式的信号的嵌入向量与嵌入空间中其他已知电台工作模式的对应节点的嵌入向量之间的距离，并将该距离与判决门限作比较，如果该距离小于判决门限，则选择与待测电台工作模式的信号的嵌入向量距离最小的已知电台工作模式的对应节点的嵌入向量，并判定待测电台工作模式为该已知电台工作模式，从电磁目标的干扰策略图谱中选择该已知电台工作模式对应的干扰信号波形，形成相应的干扰策略，对该待测电台实施干扰；如果该距离大于判决门限，则判定待测工作模式为未知的电台工作模式，在所有已知电台工作模式的对应节点的嵌入向量中，选出与该待测电台工作模式的信号的嵌入向量距离最近的k个嵌入向量，根据距离从近到远对该相应的k个距离进行排序，分别记为d1,d2,d3，……，dk,记加权系数ci＝1di,记归一化加权系数
Figure BDA0003492744210000051
将这k个距离对应的已知电台工作模式在电磁目标的干扰策略图谱中对应的干扰信号波形按归一化加权系数进行时域叠加，即得到对该待测电台模式实施的干扰信号波形，并形成相应的干扰策略。
本发明的有益效果为：
本发明方法利用先验图谱知识，可以降低对数据的依赖性；将先验图谱知识和电磁数据相结合，有利于优化干扰策略；通过利用嵌入向量空间的信息，可以实现对未知目标或已知目标未知工作模式的干扰策略推荐；
本发明方法适用性强，适用范围广；利用待测电台工作模式和已知电台工作模式之间嵌入向量的关系信息便可以得到对待测电台的干扰策略；本发明采用了基于图谱的嵌入结果来训练卷积神经网络，通过待测电台工作模式的信号对应的嵌入向量与已有电台工作模式信号对应的嵌入向量之间的关系，得到对待测电台工作模式实施的干扰信号的波形。
附图说明
图1为本发明方法的实施流程图。
具体实施方式
为了更好的了解本发明内容，这里给出一个实施例；图1为本发明方法的实施流程图。
本发明公开了一种基于知识图谱的干扰策略生成方法，利用知识图谱方法，对已有的电磁目标建立电磁目标的干扰策略图谱，该电磁目标的干扰策略图谱包括电磁目标、电台工作模式的信号特征和干扰信号波形信息；电磁目标的干扰策略图谱中的节点表示已知的电台工作模式，如果已知的电台工作模式之间的相似度大于某阈值，则确定该电磁目标的干扰策略图谱中相应节点之间有连接；不同电台工作模式间的关系密切程度决定了相应节点间的关系密切程度；图谱向量嵌入指将高维的图谱信息通过训练好的映射关系，将其嵌入到低维的图谱向量空间中；通过图神经网络实现图谱向量嵌入，将电台工作模式对应的实体嵌入到低维图谱向量空间中，得到该实体的向量表示，该向量表示就是与电台工作模式对应实体的嵌入向量表示，构建卷积神经网络，将得到的嵌入向量作为标签，对该卷积神经网络进行训练，建立电台工作模式的信号特征的嵌入表示与电台工作模式对应节点的嵌入向量之间的映射关系，使卷积神经网络实现从电磁空间到嵌入向量空间的映射；在进行干扰策略生成时，将电台工作模式的信号特征输入到该卷积神经网络中，利用该卷积神经网络输出的嵌入向量与已知电台工作模式对应实体的嵌入向量之间的关系，进行干扰策略生成。
本发明公开了一种基于知识图谱的干扰策略生成方法，其具体步骤包括：
S1，通过图神经网络，利用包含所有已知电台工作模式信息的电磁目标的干扰策略图谱，训练得到已知电台工作模式对应实体的嵌入向量表示；
对包含已知电台工作模式信息的实体进行嵌入向量表示，电磁目标的干扰策略图谱包含所有已知的电台工作模式所对应的节点；利用图神经网络对该图谱中的所有节点进行嵌入向量表示，得到所有电台工作模式对应节点的嵌入向量表示，其具体步骤包括：
设电台工作模式间的关系用邻接矩阵C来表示；邻接矩阵C的第i行、第j列的元素cij表示第i个电台工作模式和第j个电台工作模式之间的关系；电台工作模式的特征用矩阵F表示，F的第i行表示电台工作模式的第i个类别的特征；将C和F输入到图神经网络中，以训练所有电台工作模式的嵌入向量表示；
ReLU(·)为线性整流函数，‖·‖表示l2范数，softmax(·)表示逻辑回归函数，IN为维度为N的单位矩阵；Mi为该图神经网络第i个隐藏层的权重，M为权重矩阵；k为迭代次数；
Figure BDA0003492744210000071
Figure BDA0003492744210000072
表示度矩阵，
Figure BDA0003492744210000073
表示归一化拉普拉斯矩阵，
Figure BDA0003492744210000074
表示无向图邻接矩阵，
Figure BDA0003492744210000075
为矩阵
Figure BDA0003492744210000076
中的第i行、第i列的元素，
Figure BDA0003492744210000077
Ui为第i个电台类别的标签；Q为训练后得到的电台工作模式所对应的节点的嵌入向量表示结果；
S11，初始化图神经网络的权重矩阵M；
S12，计算该图神经网络的输出O，其计算公式为：
Figure BDA0003492744210000078
其中，M0表示该图神经网络第0个隐藏层的权重，M1表示该图神经网络第1个隐藏层的权重，f()表示该图神经网络的计算函数；
S13，在此输出条件下，计算该图神经网络的损失函数：
Figure BDA0003492744210000079
其中，Ul表示第l个电台类别的标签；
S14，根据该损失函数，使用批量梯度下降法(BGD)更新该图神经网络的权重矩阵M；迭代次数k取值加1；
S15，重复步骤S12至步骤S14的过程，直到迭代次数k到达预先设定的值；
S16，计算得到所有的电台工作模式对应节点的嵌入向量表示Q，其计算公式为：
Figure BDA00034927442100000710
S2，通过卷积神经网络，训练电台工作模式的信号特征的嵌入表示到电台工作模式对应节点的嵌入向量的映射；
通过步骤S1得到了电台工作模式对应的节点的嵌入向量表示，将电台工作模式对应的电台信号做短时傅里叶变换，得到该电台信号的时频图；将该电台信号的时频图对应的时频矩阵作为卷积神经网络的输入，将电台工作模式对应节点的嵌入向量作为该卷积神经网络的标签，用电台工作模式对应节点的嵌入向量和该卷积神经网络的输出向量之间的距离来作为训练该卷积神经网络的损失函数；通过图神经网络得到的电台工作模式对应节点的嵌入向量来训练卷积神经网络，可得到电台工作模式信号特征的嵌入表示。
通过对该卷积神经网络进行多次迭代优化训练后，其输出的电台工作模式对应节点的嵌入向量的相互关系反映了其对应实体所属类别的关系；步骤S2具体包括：
S21，构建一个具有两层卷积层，两层池化层，两层全连接层结构的卷积神经网络，初始化该网络的节点权重；所述的卷积层、池化层和全连接层依次连接；
S22，将该电台信号的时频图对应的时频矩阵P输入至该卷积神经网络中，在该卷积神经网络的最后一层得到电台工作模式对应节点的特征向量R，其即为该卷积神经网络的输出；
S23，计算该卷积神经网络的损失函数：L＝-‖R-Q‖，其中，Q为电台工作模式对应节点的嵌入向量表示，‖.‖表示求范数；
S24，根据随机梯度下降法对该卷积神经网络的参数进行优化，更新该网络中节点的权重；
S25，重复步骤S22至步骤S24，直到迭代次数达到预先设定好的值，完成对该卷积神经网络的训练；
S26，完成对该卷积神经网络的训练后，该网络的输出R即是电台工作模式信号特征的嵌入表示；
S3，利用训练好的卷积神经网络，将接收的待测电台工作模式的信号波形映射为嵌入空间中的向量，即嵌入向量；
将接收的待测电台工作模式的信号经过短时傅里叶变换，得到对应的信号时频向量，将该信号时频向量输入到步骤S2中训练好的卷积神经网络中，该卷积神经网络的输出为该接收的待测电台工作模式的信号的嵌入向量；
S4，计算待测电台工作模式的信号的嵌入向量与嵌入空间中其他已知电台工作模式的对应节点的嵌入向量之间的距离，并将该距离与判决门限作比较，如果该距离小于判决门限，则选择与待测电台工作模式的信号的嵌入向量距离最小的已知电台工作模式的对应节点的嵌入向量，并判定待测电台工作模式为该已知电台工作模式，从电磁目标的干扰策略图谱中选择该已知电台工作模式对应的干扰信号波形，形成相应的干扰策略，对该待测电台实施干扰；如果该距离大于判决门限，则判定待测工作模式为未知的电台工作模式，在所有已知电台工作模式的对应节点的嵌入向量中，选出与该待测电台工作模式的信号的嵌入向量距离最近的k个嵌入向量，根据距离从近到远对该相应的k个距离进行排序，分别记为d1,d2,d3，……，dk,记加权系数ci＝1/di,记归一化加权系数
Figure BDA0003492744210000091
将这k个距离对应的已知电台工作模式在电磁目标的干扰策略图谱中对应的干扰信号波形按归一化加权系数进行时域叠加，即得到对该待测电台模式实施的干扰信号波形，并形成相应的干扰策略。
以上所述仅为本申请的实施例而已，并不用于限制本申请；对于本领域技术人员来说，本申请可以有各种更改和变化；凡在本申请的精神和原理之内所作的任何修改、等同替换、改进等，均应包含在本申请的权利要求范围之内。

Claims (3)

1.一种基于知识图谱的干扰策略生成方法，其特征在于，利用知识图谱方法，对已有的电磁目标建立电磁目标的干扰策略图谱，该电磁目标的干扰策略图谱包括电磁目标、电台工作模式的信号特征和干扰信号波形信息；电磁目标的干扰策略图谱中的节点表示已知的电台工作模式，如果已知的电台工作模式之间的相似度大于某阈值，则确定该电磁目标的干扰策略图谱中相应节点之间有连接；不同电台工作模式间的关系密切程度决定了相应节点间的关系密切程度；图谱向量嵌入指将高维的图谱信息通过训练好的映射关系，将其嵌入到低维的图谱向量空间中；通过图神经网络实现图谱向量嵌入，将电台工作模式对应的实体嵌入到低维图谱向量空间中，得到该实体的向量表示，该向量表示就是与电台工作模式对应实体的嵌入向量表示，构建卷积神经网络，将得到的嵌入向量作为标签，对该卷积神经网络进行训练，建立电台工作模式的信号特征的嵌入表示与电台工作模式对应节点的嵌入向量之间的映射关系，使卷积神经网络实现从电磁空间到嵌入向量空间的映射；在进行干扰策略生成时，将电台工作模式的信号特征输入到该卷积神经网络中，利用该卷积神经网络输出的嵌入向量与已知电台工作模式对应实体的嵌入向量之间的关系，进行干扰策略生成。
2.如权利要求1所述的基于知识图谱的干扰策略生成方法，其特征在于，其具体步骤包括：
S1，通过图神经网络，利用包含所有已知电台工作模式信息的电磁目标的干扰策略图谱，训练得到已知电台工作模式对应实体的嵌入向量表示；
通过步骤S1得到了电台工作模式对应的节点的嵌入向量表示，将电台工作模式对应的电台信号做短时傅里叶变换，得到该电台信号的时频图；将该电台信号的时频图对应的时频矩阵作为卷积神经网络的输入，将电台工作模式对应节点的嵌入向量作为该卷积神经网络的标签，用电台工作模式对应节点的嵌入向量和该卷积神经网络的输出向量之间的距离来作为训练该卷积神经网络的损失函数；通过图神经网络得到的电台工作模式对应节点的嵌入向量来训练卷积神经网络，可得到电台工作模式信号特征的嵌入表示；
通过对该卷积神经网络进行多次迭代优化训练后，其输出的电台工作模式对应节点的嵌入向量的相互关系反映了其对应实体所属类别的关系；
S2，通过卷积神经网络，训练电台工作模式的信号特征的嵌入表示到电台工作模式对应节点的嵌入向量的映射；步骤S2具体包括：
S21，构建一个具有两层卷积层，两层池化层，两层全连接层结构的卷积神经网络，初始化该网络的节点权重；所述的卷积层、池化层和全连接层依次连接；
S22，将该电台信号的时频图对应的时频矩阵P输入至该卷积神经网络中，在该卷积神经网络的最后一层得到电台工作模式对应节点的特征向量R，其即为该卷积神经网络的输出；
S23，计算该卷积神经网络的损失函数：L＝-||R-Q||，其中，Q为电台工作模式对应节点的嵌入向量表示，||.||表示求范数；
S24，根据随机梯度下降法对该卷积神经网络的参数进行优化，更新该网络中节点的权重；
S25，重复步骤S22至步骤S24，直到迭代次数达到预先设定好的值，完成对该卷积神经网络的训练；
S26，完成对该卷积神经网络的训练后，该网络的输出R即是电台工作模式信号特征的嵌入表示；
S3，利用训练好的卷积神经网络，将接收的待测电台工作模式的信号波形映射为嵌入空间中的向量，即嵌入向量；
将接收的待测电台工作模式的信号经过短时傅里叶变换，得到对应的信号时频向量，将该信号时频向量输入到步骤S2中训练好的卷积神经网络中，该卷积神经网络的输出为该接收的待测电台工作模式的信号的嵌入向量；
S4，计算待测电台工作模式的信号的嵌入向量与嵌入空间中其他已知电台工作模式的对应节点的嵌入向量之间的距离，并将该距离与判决门限作比较，如果该距离小于判决门限，则选择与待测电台工作模式的信号的嵌入向量距离最小的已知电台工作模式的对应节点的嵌入向量，并判定待测电台工作模式为该已知电台工作模式，从电磁目标的干扰策略图谱中选择该已知电台工作模式对应的干扰信号波形，形成相应的干扰策略，对该待测电台实施干扰；如果该距离大于判决门限，则判定待测工作模式为未知的电台工作模式，在所有已知电台工作模式的对应节点的嵌入向量中，选出与该待测电台工作模式的信号的嵌入向量距离最近的k个嵌入向量，根据距离从近到远对该相应的k个距离进行排序，分别记为d1,d2,d3，……，dk,记加权系数ci＝1/di,记归一化加权系数
Figure FDA0003492744200000031
将这k个距离对应的已知电台工作模式在电磁目标的干扰策略图谱中对应的干扰信号波形按归一化加权系数进行时域叠加，即得到对该待测电台模式实施的干扰信号波形，并形成相应的干扰策略。
3.如权利要求2所述的基于知识图谱的干扰策略生成方法，其特征在于，
所述的步骤S1，其具体包括：
对包含已知电台工作模式信息的实体进行嵌入向量表示，电磁目标的干扰策略图谱包含所有已知的电台工作模式所对应的节点；利用图神经网络对该图谱中的所有节点进行嵌入向量表示，得到所有电台工作模式对应节点的嵌入向量表示，其具体步骤包括：
设电台工作模式间的关系用邻接矩阵C来表示；邻接矩阵C的第i行、第j列的元素cij表示第i个电台工作模式和第j个电台工作模式之间的关系；所有电台工作模式的特征用矩阵F表示，F的第i行表示电台工作模式的第i个类别的特征；将C和F输入到图神经网络中，以训练所有电台工作模式的嵌入向量表示；
ReLU(·)为线性整流函数，||·||表示l2范数，softmax(·)表示逻辑回归函数，IN为维度为N的单位矩阵；Mi为该图神经网络第i个隐藏层的权重，M为权重矩阵；k为迭代次数；
Figure FDA0003492744200000032
Figure FDA0003492744200000033
表示度矩阵，
Figure FDA0003492744200000034
表示归一化拉普拉斯矩阵，
Figure FDA0003492744200000035
表示无向图邻接矩阵，
Figure FDA0003492744200000036
为矩阵
Figure FDA0003492744200000037
中的第i行、第i列的元素，
Figure FDA0003492744200000038
Ui为第i个电台类别的标签；
Figure FDA0003492744200000039
为矩阵
Figure FDA00034927442000000310
的第i行、第j列的元素；Q为训练后得到的电台工作模式所对应的节点的嵌入向量表示结果；
S11，初始化图神经网络的权重矩阵M；
S12，计算该图神经网络的输出O，其计算公式为：
Figure FDA0003492744200000041
其中，M0表示该图神经网络第0个隐藏层的权重，M1表示该图神经网络第1个隐藏层的权重，f( )表示该图神经网络的计算函数；
S13，在此输出条件下，计算该图神经网络的损失函数：
Figure FDA0003492744200000042
其中，Ul表示第l个电台类别的标签；f表示矩阵F中的某一行，即某个电台工作模式的特征向量，Of表示特征向量f输入到该图神经网络后得到的输出；
S14，根据该损失函数，使用批量梯度下降法更新该图神经网络的权重矩阵M；迭代次数k取值加1；
S15，重复步骤S12至步骤S14的过程，直到迭代次数k到达预先设定的值；
S16，计算得到所有的电台工作模式对应节点的嵌入向量表示Q，其计算公式为：
Figure FDA0003492744200000043
其中，Q为所有的电台工作模式所对应的节点的嵌入向量表示。
CN202210101983.2A 2022-01-27 2022-01-27 一种基于知识图谱的干扰策略生成方法 Active CN114417939B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210101983.2A CN114417939B (zh) 2022-01-27 2022-01-27 一种基于知识图谱的干扰策略生成方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210101983.2A CN114417939B (zh) 2022-01-27 2022-01-27 一种基于知识图谱的干扰策略生成方法

Publications (2)

Publication Number Publication Date
CN114417939A true CN114417939A (zh) 2022-04-29
CN114417939B CN114417939B (zh) 2022-06-28

Family

ID=81278597

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210101983.2A Active CN114417939B (zh) 2022-01-27 2022-01-27 一种基于知识图谱的干扰策略生成方法

Country Status (1)

Country Link
CN (1) CN114417939B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116340533A (zh) * 2023-02-23 2023-06-27 中国人民解放军军事科学院系统工程研究院 一种基于知识图谱的星载电磁频谱大数据智能处理系统

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20150126181A1 (en) * 2012-05-14 2015-05-07 Gemalto M2M Gmbh Method of detecting a jamming transmitter affecting a communication user equipment, device and user equipment and system with the user equipment
CN109302262A (zh) * 2018-09-27 2019-02-01 电子科技大学 一种基于深度确定梯度强化学习的通信抗干扰方法
CN111157963A (zh) * 2020-01-31 2020-05-15 中国人民解放军32802部队 一种对有源相控阵雷达的干扰效果在线评估方法
CN111726217A (zh) * 2020-06-29 2020-09-29 中南大学 基于深度强化学习的宽带无线通信自主选频方法及系统
CN111865474A (zh) * 2020-07-15 2020-10-30 中国人民解放军国防科技大学 基于边缘计算的无线通信抗干扰决策方法及系统
CN113010691A (zh) * 2021-03-30 2021-06-22 电子科技大学 一种基于图神经网络的知识图谱推理关系预测方法
CN113055107A (zh) * 2021-02-23 2021-06-29 电子科技大学 一种针对具有未知通信模式电台的干扰策略生成方法

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20150126181A1 (en) * 2012-05-14 2015-05-07 Gemalto M2M Gmbh Method of detecting a jamming transmitter affecting a communication user equipment, device and user equipment and system with the user equipment
CN109302262A (zh) * 2018-09-27 2019-02-01 电子科技大学 一种基于深度确定梯度强化学习的通信抗干扰方法
CN111157963A (zh) * 2020-01-31 2020-05-15 中国人民解放军32802部队 一种对有源相控阵雷达的干扰效果在线评估方法
CN111726217A (zh) * 2020-06-29 2020-09-29 中南大学 基于深度强化学习的宽带无线通信自主选频方法及系统
CN111865474A (zh) * 2020-07-15 2020-10-30 中国人民解放军国防科技大学 基于边缘计算的无线通信抗干扰决策方法及系统
CN113055107A (zh) * 2021-02-23 2021-06-29 电子科技大学 一种针对具有未知通信模式电台的干扰策略生成方法
CN113010691A (zh) * 2021-03-30 2021-06-22 电子科技大学 一种基于图神经网络的知识图谱推理关系预测方法

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
MENGTAOZHU,ET AL: "Automatic modulation recognition of compound signals using a deep multi-label classifier: A case study with radar jamming signals", 《SIGNAL PROCESSING》 *
丁国如，等: "复杂电磁环境下频谱智能管控技术探讨", 《航空学报》 *
吴雪峰: "智能化电子对抗装备内涵与发展途径探究", 《舰船电子对抗》 *
方旖，等: "基于卷积神经网络的多功能雷达行为辨识研究", 《火力与指挥控制》 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116340533A (zh) * 2023-02-23 2023-06-27 中国人民解放军军事科学院系统工程研究院 一种基于知识图谱的星载电磁频谱大数据智能处理系统
CN116340533B (zh) * 2023-02-23 2023-09-01 中国人民解放军军事科学院系统工程研究院 一种基于知识图谱的星载电磁频谱大数据智能处理系统

Also Published As

Publication number Publication date
CN114417939B (zh) 2022-06-28

Similar Documents

Publication Publication Date Title
CN111191732B (zh) 一种基于全自动学习的目标检测方法
CN110443364A (zh) 一种深度神经网络多任务超参数优化方法及装置
CN110363282B (zh) 一种基于图卷积网络的网络节点标签主动学习方法和系统
US10832123B2 (en) Compression of deep neural networks with proper use of mask
CN113326731B (zh) 一种基于动量网络指导的跨域行人重识别方法
CN103049792B (zh) 深层神经网络的辨别预训练
CN108875933B (zh) 一种无监督稀疏参数学习的超限学习机分类方法及系统
CN110047096B (zh) 一种基于深度条件随机场模型的多目标跟踪方法和系统
CN111274958B (zh) 一种网络参数自纠正的行人重识别方法及系统
CN112557034B (zh) 一种基于pca_cnns的轴承故障诊断方法
CN110942091A (zh) 寻找可靠的异常数据中心的半监督少样本图像分类方法
CN115840900A (zh) 一种基于自适应聚类分层的个性化联邦学习方法及系统
CN113158886B (zh) 一种基于深度强化学习的波形捷变雷达辐射源识别方法
CN114417939B (zh) 一种基于知识图谱的干扰策略生成方法
CN117974221B (zh) 基于人工智能的电动车充电站选址方法及系统
CN111746544A (zh) 一种体现驾驶员个性化行为的车道变换方法
CN113052373A (zh) 一种基于改进elm模型的月径流变化趋势预测方法
CN113222035A (zh) 基于强化学习和知识蒸馏的多类别不平衡故障分类方法
CN113255963A (zh) 基于路元拆分和深度学习模型lstm的路面使用性能预测方法
CN110109005B (zh) 一种基于序贯测试的模拟电路故障测试方法
CN116088579A (zh) 一种基于深度强化学习的无人机自适应信息路径规划方法
CN118245795A (zh) 一种干扰信号检测模型训练方法、系统及应用方法、系统
McDermott et al. A derivation of minimum classification error from the theoretical classification risk using Parzen estimation
CN103559510B (zh) 一种利用相关主题模型识别社会群体行为的方法
CN117390544A (zh) 基于蜣螂优化-开集差分分布对齐的未知雷达波形识别方法

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