CN115358283A - 电磁信号孪生深度学习识别方法、装置、设备及存储介质 - Google Patents
电磁信号孪生深度学习识别方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN115358283A CN115358283A CN202210561300.1A CN202210561300A CN115358283A CN 115358283 A CN115358283 A CN 115358283A CN 202210561300 A CN202210561300 A CN 202210561300A CN 115358283 A CN115358283 A CN 115358283A
- Authority
- CN
- China
- Prior art keywords
- electromagnetic signal
- sample
- network
- twin
- layer
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 69
- 238000013135 deep learning Methods 0.000 title claims abstract description 36
- 239000013598 vector Substances 0.000 claims abstract description 49
- 238000012549 training Methods 0.000 claims description 32
- 230000006870 function Effects 0.000 claims description 26
- 238000000605 extraction Methods 0.000 claims description 19
- 230000015654 memory Effects 0.000 claims description 18
- 230000004913 activation Effects 0.000 claims description 14
- 238000004590 computer program Methods 0.000 claims description 11
- 238000010606 normalization Methods 0.000 claims description 5
- 238000011176 pooling Methods 0.000 claims description 5
- 238000012545 processing Methods 0.000 claims description 5
- 238000012360 testing method Methods 0.000 description 17
- 238000010586 diagram Methods 0.000 description 12
- 238000013145 classification model Methods 0.000 description 11
- 238000013528 artificial neural network Methods 0.000 description 10
- 238000004891 communication Methods 0.000 description 7
- 230000000694 effects Effects 0.000 description 7
- 230000008569 process Effects 0.000 description 7
- 238000013527 convolutional neural network Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 4
- 230000002441 reversible effect Effects 0.000 description 4
- 238000002474 experimental method Methods 0.000 description 3
- 230000009471 action Effects 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000003062 neural network model Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000004088 simulation Methods 0.000 description 2
- OAICVXFJPJFONN-UHFFFAOYSA-N Phosphorus Chemical compound [P] OAICVXFJPJFONN-UHFFFAOYSA-N 0.000 description 1
- 235000018936 Vitellaria paradoxa Nutrition 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000007123 defense Effects 0.000 description 1
- 230000001066 destructive effect Effects 0.000 description 1
- 238000004821 distillation Methods 0.000 description 1
- 230000005670 electromagnetic radiation Effects 0.000 description 1
- 230000008030 elimination Effects 0.000 description 1
- 238000003379 elimination reaction Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 230000007787 long-term memory Effects 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 230000005855 radiation Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000006403 short-term memory Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
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
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Image Analysis (AREA)
Abstract
本申请提供一种电磁信号孪生深度学习识别方法、装置、设备及存储介质，该方法包括：获取待识别电磁信号；待识别电磁信号输入预建孪生网络，得到待识别电磁信号对应的特征向量；根据特征向量与每一类别的类均值向量，确定待识别电磁信号的类别。该方案抵御对抗样本的攻击性能较好。
Description
技术领域
本发明属于无线通信技术领域，特别涉及一种电磁信号孪生深度学习识别方 法、装置、电子设备及存储介质。
背景技术
在无线通信领域，通过对各种电磁信号进行识别，可以获取大量有用信息。 比如，在军事中，侦察系统将捕获的电磁信号进行特征提取，就能识别出电磁信 号的种类或者确定电磁辐射源的位置，这将有利于电磁威胁态势分析和指挥决策 等。但是由于不同种类的无线电设备的大量使用，电磁空间中的辐射源也就不断 变多，电磁环境变得越来越复杂(频域的覆盖范围宽、时域作用时间长、空域分 布多变、信号的特征多样等)，传统的电磁信号孪生深度学习识别方法对复杂的 信号表达能力不佳，不能有效的对不同电磁信号进行识别分类。
发明内容
本说明书实施例的目的是提供一种电磁信号孪生深度学习识别方法、装置、 电子设备及存储介质。
为解决上述技术问题，本申请实施例通过以下方式实现的：
第一方面，本申请提供一种电磁信号孪生深度学习识别方法，该方法包括：
获取待识别电磁信号；
待识别电磁信号输入预建孪生网络，得到待识别电磁信号对应的特征向量；
根据特征向量与每一类别的类均值向量，确定待识别电磁信号的类别。
在其中一个实施例中，预建孪生网络通过下述方式构建：
获取调制信号数据集，调制信号数据集包括若干样本及各个样本对应的类别 标签；
根据样本及样本对应的类别标签，构建正样本对和负样本对；
利用正样本对和负样本对训练孪生网络，直至孪生网络收敛，得到预建孪生 网络。
在其中一个实施例中，根据样本及样本对应的类别标签，构建正样本对和负 样本对，包括：
将调制信号数据集根据类别标签分类，得到类别标签对应数量的样本集；
从其中一个样本集中随机选取第一样本；
从其中一个样本集中随机选取第二样本，第一样本和第二样本构成正样本对， 对正样本对标记为第一判别标签；
从其余样本集中随机选取第三样本，第一样本和第三样本构成负样本对，对 负样本对标记为第二判别标签。
在其中一个实施例中，孪生网络包括第一网络和第二网络，第一网络和第二 网络结构、参数均相同。
在其中一个实施例中，第一网络和第二网络均包括：
输入层和特征提取层；
特征提取层包括依次的第一卷积层、第二卷积层、第三卷积层、Reshape层 和长短时记忆层；第一卷积层和第二卷积层之后都包括依次批归一化层、第一激 活函数RuLe层和最大池化层，长短时记忆层后包括第二激活函数RuLe层。
在其中一个实施例中，利用正样本对和负样本对训练孪生网络，直至孪生网 络收敛，包括：
计算正样本对和负样本对经过孪生网络后的对比损失；
利用对比损失进行反向传播训练孪生网络，直至孪生网络收敛。
在其中一个实施例中，根据特征向量与每一类别的类均值向量，确定待识别 电磁信号的类别，包括：
分别计算特征向量与每一类别的类均值向量的欧式距离，将欧式距离最小的 值对应的类别作为待识别电磁信号的类别。
第二方面，本申请提供一种电磁信号孪生深度学习识别装置，该装置包括：
获取模块，用于获取待识别电磁信号；
处理模块，用于待识别电磁信号输入预建孪生网络，得到待识别电磁信号对 应的特征向量；
类别确定模块，用于根据特征向量与每一类别的类均值向量，确定待识别电 磁信号的类别。
第三方面，本申请提供一种电子设备，包括存储器、处理器及存储在存储器 上并可在处理器上运行的计算机程序，处理器执行程序时实现如第一方面的电磁 信号孪生深度学习识别方法。
第四方面，本申请提供一种可读存储介质，其上存储有计算机程序，该程序 被处理器执行时实现如第一方面的电磁信号孪生深度学习识别方法。
由以上本说明书实施例提供的技术方案可见，该方案：采用预建孪生网络， 使得在抵御对抗样本的攻击上的效果明显优于传统的深度学习分类器。
附图说明
为了更清楚地说明本说明书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作简单地介绍，显而易见地，下面描述中 的附图仅仅是本说明书中记载的一些实施例，对于本领域普通技术人员来讲，在 不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1为本申请提供的电磁信号孪生深度学习识别方法的流程示意图；
图2(a)为本申请提供的特征提取模型，图2(b)为softmax分类模型；
图3为本申请提供的预建孪生网络的结构示意图；
图4为本申请提供的电磁信号孪生深度学习识别方法测试准确率曲线图和 一般模型的测试准确率曲线图；
图5为本申请提供的电磁信号孪生深度学习识别装置的结构示意图；
图6为本申请提供的电子设备的结构示意图。
具体实施方式
为了使本技术领域的人员更好地理解本说明书中的技术方案，下面将结合本 说明书实施例中的附图，对本说明书实施例中的技术方案进行清楚、完整地描述， 显然，所描述的实施例仅仅是本说明书一部分实施例，而不是全部的实施例。基 于本说明书中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获 得的所有其他实施例，都应当属于本说明书保护的范围。
以下描述中，为了说明而不是为了限定，提出了诸如特定系统结构、技术之 类的具体细节，以便透彻理解本申请实施例。然而，本领域的技术人员应当清楚， 在没有这些具体细节的其它实施例中也可以实现本申请。在其它情况中，省略对 众所周知的系统、装置、电路以及方法的详细说明，以免不必要的细节妨碍本申 请的描述。
在不背离本申请的范围或精神的情况下，可对本申请说明书的具体实施方式 做多种改进和变化，这对本领域技术人员而言是显而易见的。由本申请的说明书 得到的其他实施方式对技术人员而言是显而易见得的。本申请说明书和实施例仅 是示例性的。
关于本文中所使用的“包含”、“包括”、“具有”、“含有”等等，均为开放性的 用语，即意指包含但不限于。
本申请中的“份”如无特别说明，均按质量份计。
在信息量迅速增长的时代，为了能够快速有效地传输信息，通常采用不同类 型的调制方式来充分利用信道容量。调制方式也已成为区分不同类型通信信号的 关键特征之一，信号的调制识别也被用于识别敌人雷达类型、无线电检测等方面， 对调制信号进行有效的识别对民用和军用领域都有重要意义。
随着深度学习技术的不断发展，深度神经网络得到了广泛的应用，其在电磁 信号孪生深度学习识别领域也有着卓越的性能。深度学习技术的特点是卷积神经 网络具有强大的特征提取能力，能够轻松地分析出输入与输出数据之间的分布联 系或者是高维映射关系。通过深度神经网络强大的非线性学习能力，可以自动实 现特征的提取，避免了传统信号识别中的人工提取特征，这也使神经网络分类模 型成为了调制信号识别研究的主流，并且越来越多关注被投入到调制信号神经网 络识别模型中。比如，O’Shea等人构建了一个包含11种调制无线电信号的数 据集RML2016.10a，并利用卷积神经网络(CNN)在高信噪比下得到了70％以上的 识别准确率，而后随着神经网络模型的发展，高思丽等人提出一种基于嵌套式跳 跃连接结构的残差网络(ResNet_NSCS)调制信号识别算法，相较于卷积神经网络 和长短时记忆网络，该算法收敛速度更快并且还有更高的识别准确率，这些研究 都证明了神经网络用于调制信号识别的可行性。
然而，近年来在深度学习上的研究表明，深度神经网络存在着不安全性和不 可靠性。在图像分类方面，通过给图像添加一个肉眼无法察觉的精心制作的极小 扰动就可以欺骗分类模型，造成模型错误判决，极大地降低了分类模型的分类准 确率。这种精心制作的样本就是对抗样本，大量实验证明，对抗样本具有普适性， 对同类型网络均具有破坏性。如何降低对抗样本对模型的影响，如何构建一个稳 健的模型，一直是个难题。在电磁信号孪生深度学习识别领域中，很多调制信号 类型都不是人眼可分的，如果再加上一个细微扰动去干扰模型，那对于深度神经 网络模型在信号识别领域的应用无疑是致命的打击。因此，在保证电磁信号调制 类型识别的准确率下，需要提高调制类型识别网络的鲁棒性，提高调制类型识别 网络面对对抗样本的防御能力。虽然在图像分类领域存在着一些抵御对抗样本攻 击的方法，比如网络蒸馏、对抗训练、对抗检测、输入重构等及分类器强化等， 不过这些方法都有一定制约，并且其在信号识别领域的效果也是未知的，所以亟 需一种在调制类型识别领域有着较好的抗攻击性能的识别方法。
基于上述缺陷，本申请提供一种电磁信号孪生深度学习识别方法，采用预建 孪生网络，使得在抵御对抗样本的攻击上的效果明显优于传统的深度学习分类器。
下面结合附图和实施例对本发明进一步详细说明。
参照图1，其示出了适用于本申请实施例提供的电磁信号孪生深度学习识别 方法的流程示意图。
如图1所示，电磁信号孪生深度学习识别方法，可以包括：
S110、获取待识别电磁信号。
具体的，待识别电磁信号可以是实时捕获的电磁信号，也可以为已经获取并 存储的电磁信号，对此不作限制。
S120、待识别电磁信号输入预建孪生网络，得到待识别电磁信号对应的特征 向量。
具体的，预建孪生网络为预先构建的神经网络，作为特征提取器提取待识别 电磁信号的特征。
在一个实施例中，预建孪生网络可以通过以下方式构建：
获取调制信号数据集，调制信号数据集包括若干样本及各个样本对应的类别 标签；
根据样本及样本对应的类别标签，构建正样本对和负样本对；
利用正样本对和负样本对训练孪生网络，直至孪生网络收敛，得到预建孪生 网络。
具体的，调制信号数据集可以采用开源调制信号数据集RML2016.10a，调 制信号数据集中包含若干样本和各个样本对应的类别标签，其中类别标签用于识 别样本的类别。可以理解的，可以将调制信号数据集中样本和类别标签打乱，并 按照8:2划分为训练集和测试集，训练集用于训练网络，测试集用于测试网络的 精确度。还可以理解的，训练集和测试集的比例可以根据实际需求进行划分，例 如7:3、6:4等。
其中，根据样本及样本对应的类别标签，构建正样本对和负样本对，可以包 括：
将调制信号数据集根据类别标签分类，得到类别标签对应数量的样本集；
从其中一个样本集中随机选取第一样本；
从其中一个样本集中随机选取第二样本，第一样本和第二样本构成正样本对， 对正样本对标记为第一判别标签；
从其余样本集中随机选取第三样本，第一样本和第三样本构成负样本对，对 负样本对标记为第二判别标签。
具体的，上述实施例中将调制信号数据集划分为训练集和测试集，本实施例 中，将调制信号数据集根据类别标签分类，即为将训练集按照类别标签分类，先 从某一类样本中随机选取一个第一样本，然后从该类样本中再随机选取一个第二 样本和该第一样本构成正样本对，对正样本对标记为第一判别标签，示例性的， 第一判别标签为1，再从其它类别的样本中随机选取一个第三样本和该第一样本 构成负样本对，对负样本对标记为第二判别标签，示例性的，第二判别标签为0。 遍历各类的样本得到训练样本对数据和对应的正负样本标签，其中正负样本对的 数量比为1:1。
其中，孪生网络包括第一网络和第二网络，第一网络和第二网络结构、参数 均相同。即先构建第一网络，然后利用权值共享策略复制第一网络，得到第二网 络，最后第二网络与第一网络一起组成孪生网络，孪生网络作为特征提取器，分 别从样本对(包括正样本对和负样本对)中提取对应的特征向量：
其中，第一网络为常见的神经网络分类模型进行模型裁剪后得到的，具体的， 去除神经网络分类模型的分类层，保留输入层和特征提取层，其中，输入层的尺 寸和训练样本的尺寸相同；特征提取层包含三个卷积层(即第一卷积层、第二卷 积层和第三卷积层)、一个Reshape层和一个长短时记忆层(LSTM)，前两层卷 积层后都使用了最大池化层，第三层卷积后使用Reshape层以便其后接LSTM层， 卷积层之后最大池化层之前都包含批归一化层和激活函数RuLe层，LSTM层之 后使用激活函数RuLe层，并包含128个单元，即最后输出的特征向量的大小为 1×128。
利用正样本对和负样本对训练孪生网络，直至孪生网络收敛，包括：
计算正样本对和负样本对经过孪生网络后的对比损失；
利用对比损失进行反向传播训练孪生网络，直至对比损失下降至预设阈值， 孪生网络收敛。
具体的，计算样本对经过孪生网络后的对比损失，利用对比损失进行反向传 播训练孪生网络。对比损失让从属于同类的样本对提取的特征向量之间的欧式距 离变小，让从属于不同类的样本对提取的特征向量之间的欧式距离变大。对比损 失定义为：
N为样本对的数量，y为样本对的正负样本判别标签(即0或1)；m为阈值 表征样本对的距离最大值，示例性的，在本申请中，设置m为1；d为样本对通 过孪生网络得到的特征向量的欧式距离：
其中，i＝1～n。
训练过程中采用RMSprop优化器对孪生网络的参数进行更新，学习率设为 0.001，批量大小设置为256，通过小批量梯度下降算法使得对比损失下降，直至 网络收敛，得到预建孪生网络。
S130、根据特征向量与每一类别的类均值向量，确定待识别电磁信号的类别。
具体的，将原始训练集中的样本输入预建孪生网络得到的每一个样本对应的 特征向量，然后再根据样本的类别标签，对属于同一类的特征向量求取平均值， 得到每一类别对应的类均值向量，表示为：
在一个实施例中，根据特征向量与每一类别的类均值向量，确定待识别电 磁信号的类别，可以包括：
分别计算特征向量与每一类别的类均值向量的欧式距离，将欧式距离最小 的值对应的类别作为待识别电磁信号的类别，表示为：
其中，C为类别数，
表示待识别电磁信号通过孪生网络得到的特征向量，
为第i类的类均值向量，||·||2表示计算2范数，
表示待识别电磁信号的预测类 别标签。
可以理解的，可以利用对抗攻击生成攻击样本，测试本申请实施例提供电磁 信号孪生深度学习识别方法的抗攻击能力。
具体的，将测试集仿照训练集样本对的生成过程得到测试集样本对，利用 快速梯度符号攻击方法(FGSM)，损失函数使用对比损失，将测试集样本对都 通过FGSM攻击后得到攻击样本对。其中，FGSM表示为：
x*＝x+η，
其中ε为扰动大小，在本申请中，ε设置为0.001，x为输入样本，l为样本标 签，J(x,l)为模型的损失函数，
为求取损失函数关于x的梯度，sign()为符 号函数，η为生成的扰动，将扰动叠加到原输入样本上得到攻击样本x*。
攻击样本对中包括攻击样本x*和原样本对中未叠加扰动的样本。
然后对抗样本对拆分为两个单样本后，攻击样本再通过本申请提供的电磁信 号孪生深度学习识别方法，得到攻击后的分类准确率。
下述通过具体的仿真实验对上述技术方案的技术性能及效果进行进一步的 阐述。具体的仿真条件和参数如下：
本实验使用开源调制信号数据集RML2016.10a，该数据集包含11类调制信 号，每类信号有20种信噪比(信噪比范围为-20dB～18dB，间隔2dB)，总共220000 个样本，将该数据集按照8：2划分为训练集和测试集，训练集有176000个样本， 测试集有44000个样本，每个样本的维度为(2，128)。按照样本对的组建方式 组成样本对训练数据集。参照图2(a)所示的特征提取模型结构(即第一网络， 其中图中省略了批归一化层、第一激活函数RuLe层和第二激活函数RuLe层， 且图中三个卷积层从上至下依次对应第一卷积层、第二卷积层、第三卷积层)， 利用权值共享策略，将图2(a)所示的模型结构构成图3所示的孪生网络(图3中网络1对应第一网络，网络2对应第二网络)。利用上述样本对训练集完成孪 生网络的训练。本实验利用Keras和TensorFlow框架搭建网络模型，使用NVIDIA GeForce GTX1660SUPER训练模型，采用RMSprop优化器训练模型参数进行更 新，批量大小设置为256，初始学习率设置为0.001。为了测试本申请抵御攻击 的效果，通过FGSM方法产生对抗样本，损失函数使用对比损失，扰动大小设 置为0.001，将攻击样本再通过本申请所提供的方法，得到攻击后的分类准确率。 为了对比本申请的抵御攻击的效果，在本申请使用的特征提取模型基础上，在其 最后一层LSTM层的基础上再加一层全连接分类层，单元数为样本种类数11， 使用激活函数softmax，构成普通的分类模型，如图2(b)所示，同样使用该数 据集，通过交叉熵损失函数训练模型，并通过攻击方法FGSM攻击该模型，扰 动大小设置为0.001,损失函数使用交叉熵损失函数。
结果如图4所示，“本发明无攻击”表示本申请方法未受到攻击的测试集在 模型上得到的准确率，最高准确率在信噪比为6dB时得到为76.15％，此时全部 信噪比的平均准确率为51.25％；“本发明FGSM攻击扰动0.001”表示攻击方法 使用FGSM，扰动大小为0.001时本申请方法攻击全部测试集样本对后得到的准 确率，最高准确率在信噪比为16dB时得到为68.31％，此时全部信噪比上的平均 准确率为45.90％；“softmax无攻击”表示使用softmax激活函数作为最后一层 全连接分类层的一般分类模型在未受到攻击的测试集上的准确率，最高准确率在 信噪比为10dB时得到为88.22％，此时全部信噪比上的平均准确率为59.13％； “softmax FGSM攻击扰动0.001”表示模型为一般分类模型，攻击方法使用FGSM，扰动大小为0.001，攻击全部测试集样本后得到的准确率，最高准确率 在信噪比为14dB时得到为38.27％，此时全部信噪比上的平均准确率为20.18％。
通过对比攻击前后的全部信噪比上的平均准确率可以发现，本申请方法攻击 前后准确率下降了5.35％，而一般的分类模型攻击前后准确率下降了38.95％；通 过本申请方法和一般的分类方法对比可以发现，本申请方法在未受到攻击时，测 试集上的全部信噪比的平均准确率降低了7.88％，但在受到同样扰动大小的攻击 后本申请方法相较于传统方法在模型被攻击后的准确率增加了25.72％。在受到相 同的扰动大小的FGSM攻击下，本申请方法抵御攻击的能力相比传统分类方法大 有增强，这也说明传统的深度神经网络分类模型中使用全连接层搭配softamx激 活函数作为最后一层(分类层)的方法相比本申请方法更容易受到攻击，通过本 发明申请的孪生网络，通过计算样本对的对比损失训练特征提取模型，可以增强 模型的鲁棒性。
本申请预建孪生网络，通过构建样本对训练网络，相比将输出层使用softmax 激活函数作为最后的分类层的模型，本申请去除了最后一层的全连接分类层，只 保留输入层和特征提取层，通过权值共享策略构成孪生网络，并且通过对比损失 训练网络，保证网络的特征提取能力，利用各类样本的特征向量的均值组成类均 值特征矩阵用以分类；待识别电磁信号通过预建孪生网络得到特征向量，计算特 征向量和类均值特征的欧式距离就可以确定待识别电磁信号的种类；本申请提供 的电磁信号孪生深度学习识别方法相比一般的采用输入层、特征提取层和分类层 构建的模型，虽然在没有被攻击时的识别准确率有所降低，但防攻击能力大有提 升。
参照图5，其示出了根据本申请一个实施例描述的电磁信号孪生深度学习识 别装置的结构示意图。
如图5所示，电磁信号孪生深度学习识别装置500，可以包括：
获取模块510，用于获取待识别电磁信号；
处理模块520，用于待识别电磁信号输入预建孪生网络，得到待识别电磁信 号对应的特征向量；
类别确定模块530，用于根据特征向量与每一类别的类均值向量，确定待识 别电磁信号的类别。
可选的，该装置还包括构建模块，用于构建预建孪生网络：
获取调制信号数据集，调制信号数据集包括若干样本及各个样本对应的类别 标签；
根据样本及样本对应的类别标签，构建正样本对和负样本对；
利用正样本对和负样本对训练孪生网络，直至孪生网络收敛，得到预建孪生 网络。
可选的，构建模块还用于：
将调制信号数据集根据类别标签分类，得到类别标签对应数量的样本集；
从其中一个样本集中随机选取第一样本；
从其中一个样本集中随机选取第二样本，第一样本和第二样本构成正样本对， 对正样本对标记为第一判别标签；
从其余样本集中随机选取第三样本，第一样本和第三样本构成负样本对，对 负样本对标记为第二判别标签。
可选的，孪生网络包括第一网络和第二网络，第一网络和第二网络结构、参 数均相同。
可选的，第一网络和第二网络均包括：
输入层和特征提取层；
特征提取层包括依次的第一卷积层、第二卷积层、第三卷积层、Reshape层 和长短时记忆层；第一卷积层和第二卷积层之后都包括依次批归一化层、第一激 活函数RuLe层和最大池化层，长短时记忆层后包括第二激活函数RuLe层。
可选的，构建模块还用于：
计算正样本对和负样本对经过孪生网络后的对比损失；
利用对比损失进行反向传播训练孪生网络，直至对比损失下降至预设阈值， 孪生网络收敛。
可选的，类别确定模块还用于：
分别计算特征向量与每一类别的类均值向量的欧式距离，将欧式距离最小的 值对应的类别作为待识别电磁信号的类别。
本实施例提供的一种电磁信号孪生深度学习识别装置，可以执行上述方法 的实施例，其实现原理和技术效果类似，在此不再赘述。
图6为本发明实施例提供的一种电子设备的结构示意图。如图6所示，示出 了适于用来实现本申请实施例的电子设备600的结构示意图。
如图6所示，电子设备300包括中央处理单元(CPU)301，其可以根据存 储在只读存储器(ROM)302中的程序或者从存储部分308加载到随机访问存储 器(RAM)303中的程序而执行各种适当的动作和处理。在RAM 303中，还存 储有设备300操作所需的各种程序和数据。CPU 301、ROM 302以及RAM 303 通过总线304彼此相连。输入/输出(I/O)接口305也连接至总线304。
以下部件连接至I/O接口305：包括键盘、鼠标等的输入部分306；包括诸 如阴极射线管(CRT)、液晶显示器(LCD)等以及扬声器等的输出部分307； 包括硬盘等的存储部分308；以及包括诸如LAN卡、调制解调器等的网络接口 卡的通信部分309。通信部分309经由诸如因特网的网络执行通信处理。驱动器 310也根据需要连接至I/O接口305。可拆卸介质311，诸如磁盘、光盘、磁光盘、 半导体存储器等等，根据需要安装在驱动器310上，以便于从其上读出的计算机 程序根据需要被安装入存储部分308。
特别地，根据本公开的实施例，上文参考图1描述的过程可以被实现为计算 机软件程序。例如，本公开的实施例包括一种计算机程序产品，其包括有形地包 含在机器可读介质上的计算机程序，计算机程序包含用于执行上述电磁信号孪生 深度学习识别方法的程序代码。在这样的实施例中，该计算机程序可以通过通信 部分309从网络上被下载和安装，和/或从可拆卸介质311被安装。
附图中的流程图和框图，图示了按照本发明各种实施例的系统、方法和计算 机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的 每个方框可以代表一个模块、程序段、或代码的一部分，前述模块、程序段、或 代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注 意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标 注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们 有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和 /或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规 定的功能或操作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机 指令的组合来实现。
描述于本申请实施例中所涉及到的单元或模块可以通过软件的方式实现，也 可以通过硬件的方式来实现。所描述的单元或模块也可以设置在处理器中。这些 单元或模块的名称在某种情况下并不构成对该单元或模块本身的限定。
上述实施例阐明的系统、装置、模块或单元，具体可以由计算机芯片或实体 实现，或者由具有某种功能的产品来实现。一种典型的实现设备为计算机。具体 的，计算机例如可以为个人计算机、笔记本电脑、行动电话、智能电话、个人数 字助理、媒体播放器、导航设备、电子邮件设备、游戏控制台、平板计算机、可 穿戴设备或者这些设备中的任何设备的组合。
作为另一方面，本申请还提供了一种存储介质，该存储介质可以是上述实施 例中前述装置中所包含的存储介质；也可以是单独存在，未装配入设备中的存储 介质。存储介质存储有一个或者一个以上程序，前述程序被一个或者一个以上的 处理器用来执行描述于本申请的电磁信号孪生深度学习识别方法。
存储介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法 或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块 或其他数据。计算机的存储介质的例子包括，但不限于相变内存(PRAM)、静态 随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取 存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、 快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光 盘(DVD)或其他光学存储、磁盒式磁带，磁带磁磁盘存储或其他磁性存储设备 或任何其他非传输介质，可用于存储可以被计算设备访问的信息。按照本文中 的界定，计算机可读介质不包括暂存电脑可读媒体(transitory media)，如调制的 数据信号和载波。
需要说明的是，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、方法、商品或者设备不仅包括那些要 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、方法、商 品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……” 限定的要素，并不排除在包括要素的过程、方法、商品或者设备中还存在另外的 相同要素。
本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相 似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。 尤其，对于系统实施例而言，由于其基本相似于方法实施例，所以描述的比较简 单，相关之处参见方法实施例的部分说明即可。
Claims (10)
1.一种电磁信号孪生深度学习识别方法，其特征在于，所述方法包括：
获取待识别电磁信号；
所述待识别电磁信号输入预建孪生网络，得到所述待识别电磁信号对应的特征向量；
根据所述特征向量与每一类别的类均值向量，确定所述待识别电磁信号的类别。
2.根据权利要求1所述的方法，其特征在于，所述预建孪生网络通过下述方式构建：
获取调制信号数据集，所述调制信号数据集包括若干样本及各个所述样本对应的类别标签；
根据所述样本及所述样本对应的类别标签，构建正样本对和负样本对；
利用所述正样本对和所述负样本对训练孪生网络，直至所述孪生网络收敛，得到所述预建孪生网络。
3.根据权利要求2所述的方法，其特征在于，所述根据所述样本及所述样本对应的类别标签，构建正样本对和负样本对，包括：
将所述调制信号数据集根据所述类别标签分类，得到所述类别标签对应数量的样本集；
从其中一个样本集中随机选取第一样本；
从所述其中一个样本集中随机选取第二样本，所述第一样本和所述第二样本构成所述正样本对，对所述正样本对标记为第一判别标签；
从其余样本集中随机选取第三样本，所述第一样本和所述第三样本构成所述负样本对，对所述负样本对标记为第二判别标签。
4.根据权利要求2所述的方法，其特征在于，所述孪生网络包括第一网络和第二网络，所述第一网络和所述第二网络结构、参数均相同。
5.根据权利要求4所述的方法，其特征在于，所述第一网络和所述第二网络均包括：
输入层和特征提取层；
所述特征提取层包括依次的第一卷积层、第二卷积层、第三卷积层、Reshape层和长短时记忆层；所述第一卷积层和所述第二卷积层之后都包括依次批归一化层、第一激活函数RuLe层和最大池化层，所述长短时记忆层后包括第二激活函数RuLe层。
6.根据权利要求2所述的方法，其特征在于，所述利用所述正样本对和所述负样本对训练孪生网络，直至所述孪生网络收敛，包括：
计算所述正样本对和所述负样本对经过所述孪生网络后的对比损失；
利用所述对比损失进行反向传播训练所述孪生网络，直至所述孪生网络收敛。
7.根据权利要求1所述的方法，其特征在于，所述根据所述特征向量与每一类别的类均值向量，确定所述待识别电磁信号的类别，包括：
分别计算所述特征向量与每一类别的类均值向量的欧式距离，将欧式距离最小的值对应的类别作为所述待识别电磁信号的类别。
8.一种电磁信号孪生深度学习识别装置，其特征在于，所述装置包括：
获取模块，用于获取待识别电磁信号；
处理模块，用于所述待识别电磁信号输入预建孪生网络，得到所述待识别电磁信号对应的特征向量；
类别确定模块，用于根据所述特征向量与每一类别的类均值向量，确定所述待识别电磁信号的类别。
9.一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现如权利要求1-7中任一所述的电磁信号孪生深度学习识别方法。
10.一种可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现如权利要求1-7中任一所述的电磁信号孪生深度学习识别方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210561300.1A CN115358283A (zh) | 2022-05-23 | 2022-05-23 | 电磁信号孪生深度学习识别方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210561300.1A CN115358283A (zh) | 2022-05-23 | 2022-05-23 | 电磁信号孪生深度学习识别方法、装置、设备及存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN115358283A true CN115358283A (zh) | 2022-11-18 |
Family
ID=84029971
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210561300.1A Pending CN115358283A (zh) | 2022-05-23 | 2022-05-23 | 电磁信号孪生深度学习识别方法、装置、设备及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115358283A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117007673A (zh) * | 2023-08-16 | 2023-11-07 | 清华大学 | 一种油气管道裂纹信号的正交孪生方法及装置、存储介质 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108388927A (zh) * | 2018-03-26 | 2018-08-10 | 西安电子科技大学 | 基于深度卷积孪生网络的小样本极化sar地物分类方法 |
| CN108596027A (zh) * | 2018-03-18 | 2018-09-28 | 西安电子科技大学 | 基于监督学习分类模型的未知类别信号的检测方法 |
| CN112163636A (zh) * | 2020-10-15 | 2021-01-01 | 电子科技大学 | 基于孪生神经网络的电磁信号辐射源的未知模式识别方法 |
| CN112598658A (zh) * | 2020-12-29 | 2021-04-02 | 哈尔滨工业大学芜湖机器人产业技术研究院 | 基于轻量级孪生卷积神经网络的病识别方法 |
| WO2021179632A1 (zh) * | 2020-09-23 | 2021-09-16 | 平安科技（深圳）有限公司 | 医学图像分类方法、装置、设备及存储介质 |
| CN113627317A (zh) * | 2021-08-06 | 2021-11-09 | 安徽工业大学 | 一种基于单样本学习的电机轴承故障诊断方法 |
-
2022
- 2022-05-23 CN CN202210561300.1A patent/CN115358283A/zh active Pending
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108596027A (zh) * | 2018-03-18 | 2018-09-28 | 西安电子科技大学 | 基于监督学习分类模型的未知类别信号的检测方法 |
| CN108388927A (zh) * | 2018-03-26 | 2018-08-10 | 西安电子科技大学 | 基于深度卷积孪生网络的小样本极化sar地物分类方法 |
| WO2021179632A1 (zh) * | 2020-09-23 | 2021-09-16 | 平安科技（深圳）有限公司 | 医学图像分类方法、装置、设备及存储介质 |
| CN112163636A (zh) * | 2020-10-15 | 2021-01-01 | 电子科技大学 | 基于孪生神经网络的电磁信号辐射源的未知模式识别方法 |
| CN112598658A (zh) * | 2020-12-29 | 2021-04-02 | 哈尔滨工业大学芜湖机器人产业技术研究院 | 基于轻量级孪生卷积神经网络的病识别方法 |
| CN113627317A (zh) * | 2021-08-06 | 2021-11-09 | 安徽工业大学 | 一种基于单样本学习的电机轴承故障诊断方法 |
Non-Patent Citations (1)
| Title |
|---|
| 肖刚;冶平;张星辰;刘骏;贡克;: "多源异构图像融合跟踪研究现状与展望", 指挥控制与仿真 * |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117007673A (zh) * | 2023-08-16 | 2023-11-07 | 清华大学 | 一种油气管道裂纹信号的正交孪生方法及装置、存储介质 |
| CN117007673B (zh) * | 2023-08-16 | 2024-01-23 | 清华大学 | 一种油气管道裂纹信号的正交孪生方法及装置、存储介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Lin et al. | Particle swarm optimization for parameter determination and feature selection of support vector machines | |
| CN105224872B (zh) | 一种基于神经网络聚类的用户异常行为检测方法 | |
| Zhang et al. | Modulation classification method for frequency modulation signals based on the time–frequency distribution and CNN | |
| CN114297730B (zh) | 对抗图像生成方法、装置及存储介质 | |
| CN112231592B (zh) | 基于图的网络社团发现方法、装置、设备以及存储介质 | |
| CN114913379B (zh) | 基于多任务动态对比学习的遥感图像小样本场景分类方法 | |
| CN111507406A (zh) | 一种用于优化神经网络文本识别模型的方法与设备 | |
| McClintick et al. | Countering physical eavesdropper evasion with adversarial training | |
| Kawa et al. | A note on deepfake detection with low-resources | |
| CN115358283A (zh) | 电磁信号孪生深度学习识别方法、装置、设备及存储介质 | |
| CN115146055B (zh) | 一种基于对抗训练的文本通用对抗防御方法及系统 | |
| CN110020593B (zh) | 信息处理方法及装置、介质及计算设备 | |
| CN113343123B (zh) | 一种生成对抗多关系图网络的训练方法和检测方法 | |
| CN114419379A (zh) | 一种基于对抗性扰动的深度学习模型公平性提升系统及方法 | |
| Xu et al. | X2-Softmax: Margin adaptive loss function for face recognition | |
| Wang et al. | Infrared small target detection method combined with bilateral filter and local entropy | |
| CN117134958B (zh) | 用于网络技术服务的信息处理方法及系统 | |
| CN117708815A (zh) | 一种基于精简行为图的安卓恶意软件检测方法 | |
| CN113159317B (zh) | 一种基于动态残差侵蚀的对抗样本生成方法 | |
| CN113518010B (zh) | 一种链路预测方法、装置及存储介质 | |
| CN111666985B (zh) | 一种基于dropout的深度学习对抗样本图像分类防御方法 | |
| CN116152884A (zh) | 人脸图像的识别方法、装置、处理器及电子设备 | |
| Su et al. | Triple-O for SHL recognition challenge: An ensemble framework for multi-class imbalance and training-testing distribution inconsistency by OvO binarization with confidence weight of one-class Classification | |
| CN111310842A (zh) | 一种密度自适应的快速聚类方法 | |
| Lintelo et al. | The SpongeNet Attack: Sponge Weight Poisoning of Deep Neural Networks |
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 | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20221118 |
|
| RJ01 | Rejection of invention patent application after publication |