CN116707862A - 一种基于多网络融合模型的ads-b信号认证方法 - Google Patents
一种基于多网络融合模型的ads-b信号认证方法 Download PDFInfo
- Publication number
- CN116707862A CN116707862A CN202310477858.6A CN202310477858A CN116707862A CN 116707862 A CN116707862 A CN 116707862A CN 202310477858 A CN202310477858 A CN 202310477858A CN 116707862 A CN116707862 A CN 116707862A
- Authority
- CN
- China
- Prior art keywords
- signal
- sample
- ads
- reconstruction
- error
- 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 28
- 230000004927 fusion Effects 0.000 title claims abstract description 16
- 238000007906 compression Methods 0.000 claims abstract description 6
- 230000002159 abnormal effect Effects 0.000 claims abstract description 5
- 230000006835 compression Effects 0.000 claims abstract description 5
- 238000000691 measurement method Methods 0.000 claims abstract description 5
- 238000012549 training Methods 0.000 claims description 24
- 239000013598 vector Substances 0.000 claims description 21
- 239000011159 matrix material Substances 0.000 claims description 15
- 238000012360 testing method Methods 0.000 claims description 15
- 238000010606 normalization Methods 0.000 claims description 9
- 238000012545 processing Methods 0.000 claims description 8
- 238000013528 artificial neural network Methods 0.000 claims description 6
- 238000002372 labelling Methods 0.000 claims description 6
- 238000013507 mapping Methods 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 claims description 4
- 230000001174 ascending effect Effects 0.000 claims description 3
- 210000002569 neuron Anatomy 0.000 claims description 3
- 238000011176 pooling Methods 0.000 claims description 3
- 238000004891 communication Methods 0.000 abstract description 3
- 230000009545 invasion Effects 0.000 abstract description 2
- 230000005540 biological transmission Effects 0.000 description 4
- 238000012544 monitoring process Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 230000005855 radiation Effects 0.000 description 1
- 230000007306 turnover Effects 0.000 description 1
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L63/00—Network architectures or network communication protocols for network security
- H04L63/08—Network architectures or network communication protocols for network security for authentication of entities
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/253—Fusion techniques of extracted features
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/254—Fusion techniques of classification results, e.g. of results related to same input data
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L63/00—Network architectures or network communication protocols for network security
- H04L63/12—Applying verification of the received information
- H04L63/126—Applying verification of the received information the source of the received data
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L67/00—Network arrangements or protocols for supporting network services or applications
- H04L67/01—Protocols
- H04L67/12—Protocols specially adapted for proprietary or special-purpose networking environments, e.g. medical networks, sensor networks, networks in vehicles or remote metering networks
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D30/00—Reducing energy consumption in communication networks
- Y02D30/70—Reducing energy consumption in communication networks in wireless communication networks
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- Computer Security & Cryptography (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Computer Hardware Design (AREA)
- Medical Informatics (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Error Detection And Correction (AREA)
Abstract
一种基于多网络融合模型的ADS‑B信号认证方法,它涉及一种ADS‑B信号认证方法。本发明为了解决航空环境所存在的非法入侵、辨识模糊的问题。本发明用航空器信号数据集对VAE模型进行训练,使模型能够在误差允许范围内对信号实现特征压缩与重构,并基于欧式空间误差度量方法,计算原始信号与重构信号之间的重构误差,在保证不高于10%的虚警概率下,确定重构误差门限,对信号重构误差高于门限的识别为异常设备,进行非法拦截,实现航空器信号的非法认证。本发明属于无线通信设备识别技术领域。
Description
技术领域
本发明涉及一种ADS-B信号认证方法,属于无线通信设备识别技术领域。
背景技术
近年来,我国航空运输市场发展迅猛不管是航空器总数量、总飞行周转量、运输总人次都在快速的发展。在当前形势下,加快通信、导航、监控和空中交通管理等新型导航系统的建设已成为当务之急;ADS-B系统具有出色的监测性能。与传统雷达系统不同,该系统允许飞机自动广播其位置和意图,提高其态势感知能力。ADS-B包含以下含义:自动(Automatic),无需人工干预的自动数据传输;相关(Dependent),机载的设备决定了数据的可用性,数据传输依赖于机载系统;监视(Surveillance),提供监控任务所需的状态数据;广播(Broadcast),通过广播方式传输数据,所有用户都可以在适当的传输范围内接收该数据。但当传输范围内空中目标数量显著增加时,ADS-B服务的稳定性将显著降低。随着信道环境趋于复杂、安全需求更加迫切、飞行范围逐渐扩大,如何能够简便、准确地辨认不同的空中辐射源,进而为相关人员判别不明目标属性、分析定位目标、还原空情态势提供有价值的判定依据,成为科研工作者的一道必须攻克的难题。
发明内容
本发明为解决航空环境所存在的非法入侵、辨识模糊的问题,进而提出一种基于多网络融合模型的ADS-B信号认证方法。
本发明为解决上述问题采取的技术方案是:本发明的步骤为:
步骤一、对航空器IQ信号进行中心化、归一化、数据标注处理,形成航空器信号数据集;
步骤二、设计VAE网络结构,利用对称式网络结构对信号进行压缩与重构,实现由原始信号到特征向量再到重构信号的过程;
步骤三、用航空器信号数据集对VAE模型进行训练,使模型能够在误差允许范围内对信号实现特征压缩与重构,并基于欧式空间误差度量方法,计算原始信号与重构信号之间的重构误差,在保证不高于10%的虚警概率下,确定重构误差门限;
步骤四、对信号重构误差高于门限的识别为异常设备,进行非法拦截,实现航空信号的非法身份认证;
步骤五、将经过判决门限的正常设备的信号输入到CLDNN网络模型中进行已知类别识别。
进一步的,步骤一中对航空器IQ信号进行中心化、归一化、数据标注处理,形成航空器信号数据集的具体步骤如下:
步骤一(a)、对接收到的原始数据进行归一化预处理,接收到的同向I(k)、正交Q(k)两路信号进行归一化:
公式(1)和(2)中,和/>是归一化后的IQ信号;
步骤一(b)、利用滑动窗口将每个信号转换成一系列长度相等的切片,用与原始信号相同的设备标识进行标记;使切片步长为L的滑动窗口对长度为M(k)的I/Q样本进行分割,最终会得到M(k)-L+1个切片;
步骤一(c)、对M(k)-L+1个切片进行随机选择,并将它们用作变分自编码器的输入;
步骤一(d)、在训练期间,每个电磁目标的样本k的切片数量n(k)由以下公式的超参数λ控制:
公式(3)中,M(k)是第k个样本中I/Q样本的总数,L是切片步长。
进一步的,步骤三的具体步骤如下:
步骤三(a)、将包含k个样本的训练集X={x(1),x(2),...,x(k)}输入到编码器中,其中x(i)={x1,x2,...,xd}T∈Rd,i∈[1,k],d表示每个样本包含的变量个数;将每个样本输入到卷积层中,分别与多个神经元进行卷积计算,输出特征矩阵C(i)={c1,c2,...,cm}T∈Rm,m表示卷积运算后特征空间中每个样本包含的变量个数;
步骤三(b)、特征矩阵C(i)再经过一个线性层h输出μi=Linear(h)和其中Linear是一个单一的线性层,Softplus对其参数向量的每个分量应用/>非线性运算,则编码器输出隐变量zi可以表示为zi=μi+σi,i∈[1,k];
步骤三(c)、将均值为0、方差为1的高斯白噪声ε加入到zi中,得到其中i∈[1,k],ε∈N(0,1),·表示元素积;
步骤三(d)、将z~i输入到译码器中,首先经过一个线性层的逆映射,将z~i映射为重构特征矩阵CT(i);
步骤三(e)、重构特征矩阵CT(i)再经过转置卷积层,进行编码器中卷积计算的逆运算,则译码器输出的重构空间的数据可以表示为其中d表示每个样本包含的变量个数;
步骤三(f)、计算编码器输入x(i)与译码器输入之间的重构误差,将重构误差定义为每个样本见的均方误差,则第i个样本x(i)的重构误差li可以表示为:
公式(4)中,xij表示样本x(i)的第j个点,表示重构向量/>的第j个点,i∈[1,k],j∈[1,d],k表示训练集X所包含的样本个数,d表示样本x(i)与重构向量/>的样本点数;
将训练集X的k个样本的重构误差{l1,l2,...,lk}进行升序排列得到{l(0),l(1),...,l(n),...,l(k)},其中n是升序排列后的序列号,n∈[1,k],选取阈值τ=l([0.95k]),[·]表示下取整;
对包含m个样本的测试集Y={y(1),y(2),...,y(m)}重复步骤三(a)至步骤三(f),其中y(i)={y1,y2,...,yd}T∈Rd,i∈[1,k],d表示每个样本包含的变量个数,计算出每个测试集样本的隐变量输出和重构误差li;
将测试信号重构误差与阈值进行比较,若重构误差大于阈值,即li>τ,则飞机身份是未知违法的,若重构误差小于等于阈值,即li≤τ,则飞机身份是已知合法的。
进一步的,步骤四中将训练集X的k个样本的输出隐变量{z1,z2,...,zk}输入到多模型神经网络中,首先经过2个卷积层,滤波器个数分别为64、128,每个卷积层后面都有一个串钩为2*2的最大池化层,输出长度128的特征向量;
将经过卷积层的特征矩阵输入两个长短期记忆人工神经网络,输出长度为50的特征向量;
特征向量经过两个核参数为128的全连接层,输出长度为128的特征向量;
经过输出层得到已知分类库中的ADS-B信号标签;
对所有的训练集X和测试集Y的每一个样本的隐变量输出z重复S401~S404的操作,对已知分类器进行训练和测试,直到分类器的识别准确率达到要求。
进一步的,步骤五中对ADS-B信号重复步骤二(a)至步骤二(c)的过程对信号进行预处理,之后再输入到步骤S3训练好的认证模型中进行认证,如果认证结果为非法,进行后续处理;如果认证结果为合法则将该信号在S302步骤中产生的隐变量输出z输入到步骤S4训练好的已知分类器中进行分类得到合法ADS-B信号在数据库中的身份标签。
本发明的有益效果是:
1、本发明利用变分编码器的编码压缩过程提取信号特征进行分类;
2、本发明将VAE模型与CLDNN模型级联融合,在几乎不牺牲已知类识别准确率的情况下极大提升了模型的非法航空器认证能力;
3、本发明用航空器信号数据集对VAE模型进行训练,使模型能够在误差允许范围内对信号实现特征压缩与重构,并基于欧式空间误差度量方法,计算原始信号与重构信号之间的重构误差,在保证不高于10%的虚警概率下,确定重构误差门限,对信号重构误差高于门限的识别为异常设备,进行非法拦截,实现航空器信号的非法认证。
附图说明
图1是VAE-CLDNN网络融合模型结构图;
图2是ADS-B信号认证漏警率示意图;
图3是ADS-B信号识别准确度示意图。
具体实施方式
具体实施方式一:结合图1说明本实施方式,本实施方式所述一种基于多网络融合模型的ADS-B信号认证方法的具体步骤如下:
步骤一、对航空器IQ信号进行中心化、归一化、数据标注处理,形成航空器信号数据集;
步骤二、设计VAE网络结构,利用对称式网络结构对信号进行压缩与重构,实现由原始信号到特征向量再到重构信号的过程;
步骤三、用航空器信号数据集对VAE模型进行训练,使模型能够在误差允许范围内对信号实现特征压缩与重构,并基于欧式空间误差度量方法,计算原始信号与重构信号之间的重构误差,在保证不高于10%的虚警概率下,确定重构误差门限;
步骤四、对信号重构误差高于门限的识别为异常设备,进行非法拦截,实现航空信号的非法身份认证;
步骤五、将经过判决门限的正常设备的信号输入到CLDNN网络模型中进行已知类别识别。
具体实施方式二:结合图1至图3说明本实施方式,本实施方式所述一种基于多网络融合模型的ADS-B信号认证方法的步骤一中对航空器IQ信号进行中心化、归一化、数据标注处理,形成航空器信号数据集的具体步骤如下:
步骤一(a)、对接收到的原始数据进行归一化预处理,接收到的同向I(k)、正交Q(k)两路信号进行归一化:
公式(1)和(2)中,和/>是归一化后的IQ信号;
步骤一(b)、利用滑动窗口将每个信号转换成一系列长度相等的切片,用与原始信号相同的设备标识进行标记;使切片步长为L的滑动窗口对长度为M(k)的I/Q样本进行分割,最终会得到M(k)-L+1个切片;
步骤一(c)、对M(k)-L+1个切片进行随机选择,并将它们用作变分自编码器的输入;
步骤一(d)、在训练期间,每个电磁目标的样本k的切片数量n(k)由以下公式的超参数λ控制:
公式(3)中,M(k)是第k个样本中I/Q样本的总数,L是切片步长。
本实施方式中改变参数λ有助于防止模型过拟合和降低计算成本。最后,聚合多个切片的预测标签,以对已知合法飞机进行分类。
具体实施方式三:结合图1至图3说明本实施方式,本实施方式所述一种基于多网络融合模型的ADS-B信号认证方法的步骤三的具体步骤如下:
步骤三(a)、将包含k个样本的训练集X={x(1),x(2),...,x(k)}输入到编码器中,其中x(i)={x1,x2,...,xd}T∈Rd,i∈[1,k],d表示每个样本包含的变量个数;将每个样本输入到卷积层中,分别与多个神经元进行卷积计算,输出特征矩阵C(i)={c1,c2,...,cm}T∈Rm,m表示卷积运算后特征空间中每个样本包含的变量个数;
步骤三(b)、特征矩阵C(i)再经过一个线性层h输出μi=Linear(h)和其中Linear是一个单一的线性层,Softplus对其参数向量的每个分量应用/>非线性运算,则编码器输出隐变量zi可以表示为zi=μi+σi,i∈[1,k];
步骤三(c)、将均值为0、方差为1的高斯白噪声ε加入到zi中,得到其中i∈[1,k],ε∈N(0,1),·表示元素积;
步骤三(d)、将输入到译码器中,首先经过一个线性层的逆映射,将/>映射为重构特征矩阵CT(i);
步骤三(e)、重构特征矩阵CT(i)再经过转置卷积层,进行编码器中卷积计算的逆运算,则译码器输出的重构空间的数据可以表示为其中d表示每个样本包含的变量个数;
步骤三(f)、计算编码器输入x(i)与译码器输入之间的重构误差,将重构误差定义为每个样本见的均方误差,则第i个样本x(i)的重构误差li可以表示为:
公式(4)中,xij表示样本x(i)的第j个点,表示重构向量/>的第j个点,i∈[1,k],j∈[1,d],k表示训练集X所包含的样本个数,d表示样本x(i)与重构向量x~(i)的样本点数;
将训练集X的k个样本的重构误差{l1,l2,...,lk}进行升序排列得到{l(0),l(1),...,l(n),...,l(k)},其中n是升序排列后的序列号,n∈[1,k],选取阈值τ=l([0.95k]),[·]表示下取整;
对包含m个样本的测试集Y={y(1),y(2),...,y(m)}重复步骤三(a)至步骤三(f),其中y(i)={y1,y2,...,yd}T∈Rd,i∈[1,k],d表示每个样本包含的变量个数,计算出每个测试集样本的隐变量输出和重构误差li;
将测试信号重构误差与阈值进行比较,若重构误差大于阈值,即li>τ,则飞机身份是未知违法的,若重构误差小于等于阈值,即li≤τ,则飞机身份是已知合法的。
具体实施方式四:结合图1至图3说明本实施方式,本实施方式所述一种基于多网络融合模型的ADS-B信号认证方法的步骤四中将训练集X的k个样本的输出隐变量{z1,z2,...,zk}输入到多模型神经网络中,首先经过2个卷积层,滤波器个数分别为64、128,每个卷积层后面都有一个串钩为2*2的最大池化层,输出长度128的特征向量;
将经过卷积层的特征矩阵输入两个长短期记忆人工神经网络,输出长度为50的特征向量;
特征向量经过两个核参数为128的全连接层,输出长度为128的特征向量;
经过输出层得到已知分类库中的ADS-B信号标签;
对所有的训练集X和测试集Y的每一个样本的隐变量输出z重复S401~S404的操作,对已知分类器进行训练和测试,直到分类器的识别准确率达到要求。
具体实施方式五:结合图1至图说明本实施方式,本实施方式所述一种基于多网络融合模型的ADS-B信号认证方法的步骤五中对ADS-B信号重复步骤二(a)至步骤二(c)的过程对信号进行预处理,之后再输入到步骤S3训练好的认证模型中进行认证,如果认证结果为非法,进行后续处理;如果认证结果为合法则将该信号在S302步骤中产生的隐变量输出z输入到步骤S4训练好的已知分类器中进行分类得到合法ADS-B信号在数据库中的身份标签。
以上所述,仅是本发明的较佳实施例而已,并非对本发明作任何形式上的限制,虽然本发明已以较佳实施例揭露如上,然而并非用以限定本发明,任何熟悉本专业的技术人员,在不脱离本发明技术方案范围内,当可利用上述揭示的技术内容做出些许更动或修饰为等同变化的等效实施例,但凡是未脱离本发明技术方案内容,依据本发明的技术实质,在本发明的精神和原则之内,对以上实施例所作的任何简单的修改、等同替换与改进等,均仍属于本发明技术方案的保护范围之内。
Claims (5)
1.一种基于多网络融合模型的ADS-B信号认证方法,其特征在于:所述一种基于多网络融合模型的ADS-B信号认证方法的具体步骤如下:
步骤一、对航空器IQ信号进行中心化、归一化、数据标注处理,形成航空器信号数据集;
步骤二、设计VAE网络结构,利用对称式网络结构对信号进行压缩与重构,实现由原始信号到特征向量再到重构信号的过程;
步骤三、用航空器信号数据集对VAE模型进行训练,使模型能够在误差允许范围内对信号实现特征压缩与重构,并基于欧式空间误差度量方法,计算原始信号与重构信号之间的重构误差,在保证不高于10%的虚警概率下,确定重构误差门限;
步骤四、对信号重构误差高于门限的识别为异常设备,进行非法拦截,实现航空信号的非法身份认证;
步骤五、将经过判决门限的正常设备的信号输入到CLDNN网络模型中进行已知类别识别。
2.根据权利要求1所述的一种基于多网络融合模型的ADS-B信号认证方法,其特征在于:步骤一中对航空器IQ信号进行中心化、归一化、数据标注处理,形成航空器信号数据集的具体步骤如下:
步骤一(a)、对接收到的原始数据进行归一化预处理,接收到的同向I(k)、正交Q(k)两路信号进行归一化:
公式(1)和(2)中,和/>是归一化后的IQ信号;
步骤一(b)、利用滑动窗口将每个信号转换成一系列长度相等的切片,用与原始信号相同的设备标识进行标记;使切片步长为L的滑动窗口对长度为M(k)的I/Q样本进行分割,最终会得到M(k)-L+1个切片;
步骤一(c)、对M(k)-L+1个切片进行随机选择,并将它们用作变分自编码器的输入;
步骤一(d)、在训练期间,每个电磁目标的样本k的切片数量n(k)由以下公式的超参数λ控制:
公式(3)中,M(k)是第k个样本中I/Q样本的总数,L是切片步长。
3.根据权利要求1所述的一种基于多网络融合模型的ADS-B信号认证方法,其特征在于:步骤三的具体步骤如下:
步骤三(a)、将包含k个样本的训练集X={x(1),x(2),...,x(k)}输入到编码器中,其中x(i)={x1,x2,...,xd}T∈Rd,i∈[1,k],d表示每个样本包含的变量个数;将每个样本输入到卷积层中,分别与多个神经元进行卷积计算,输出特征矩阵C(i)={c1,c2,...,cm}T∈Rm,m表示卷积运算后特征空间中每个样本包含的变量个数;
步骤三(b)、特征矩阵C(i)再经过一个线性层h输出μi=Linear(h)和其中Linear是一个单一的线性层,Softplus对其参数向量的每个分量应用/>非线性运算,则编码器输出隐变量zi可以表示为zi=μi+σi,i∈[1,k];
步骤三(c)、将均值为0、方差为1的高斯白噪声ε加入到zi中,得到其中i∈[1,k],ε∈N(0,1),·表示元素积;
步骤三(d)、将输入到译码器中,首先经过一个线性层的逆映射,将/>映射为重构特征矩阵CT(i);
步骤三(e)、重构特征矩阵CT(i)再经过转置卷积层,进行编码器中卷积计算的逆运算,则译码器输出的重构空间的数据可以表示为其中d表示每个样本包含的变量个数;
步骤三(f)、计算编码器输入x(i)与译码器输入之间的重构误差,将重构误差定义为每个样本见的均方误差,则第i个样本x(i)的重构误差li可以表示为:
公式(4)中,xij表示样本x(i)的第j个点,表示重构向量/>的第j个点,i∈[1,k],j∈[1,d],k表示训练集X所包含的样本个数,d表示样本x(i)与重构向量/>的样本点数;
将训练集X的k个样本的重构误差{l1,l2,...,lk}进行升序排列得到{l(0),l(1),...,l(n),...,l(k)},其中n是升序排列后的序列号,n∈[1,k],选取阈值τ=l([0.95k]),[·]表示下取整;
对包含m个样本的测试集Y={y(1),y(2),...,y(m)}重复步骤三(a)至步骤三(f),其中y(i)={y1,y2,...,yd}T∈Rd,i∈[1,k],d表示每个样本包含的变量个数,计算出每个测试集样本的隐变量输出和重构误差li;
将测试信号重构误差与阈值进行比较,若重构误差大于阈值,即li>τ,则飞机身份是未知违法的,若重构误差小于等于阈值,即li≤τ,则飞机身份是已知合法的。
4.根据权利要求1所述的一种基于多网络融合模型的ADS-B信号认证方法,其特征在于:步骤四中将训练集X的k个样本的输出隐变量{z1,z2,...,zk}输入到多模型神经网络中,首先经过2个卷积层,滤波器个数分别为64、128,每个卷积层后面都有一个串钩为2*2的最大池化层,输出长度128的特征向量;
将经过卷积层的特征矩阵输入两个长短期记忆人工神经网络,输出长度为50的特征向量;
特征向量经过两个核参数为128的全连接层,输出长度为128的特征向量;
经过输出层得到已知分类库中的ADS-B信号标签;
对所有的训练集X和测试集Y的每一个样本的隐变量输出z重复S401~S404的操作,对已知分类器进行训练和测试,直到分类器的识别准确率达到要求。
5.根据权利要求1或2所述的一种基于多网络融合模型的ADS-B信号认证方法,其特征在于:步骤五中对ADS-B信号重复步骤二(a)至步骤二(c)的过程对信号进行预处理,之后再输入到步骤S3训练好的认证模型中进行认证,如果认证结果为非法,进行后续处理;如果认证结果为合法则将该信号在S302步骤中产生的隐变量输出z输入到步骤S4训练好的已知分类器中进行分类得到合法ADS-B信号在数据库中的身份标签。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310477858.6A CN116707862A (zh) | 2023-04-28 | 2023-04-28 | 一种基于多网络融合模型的ads-b信号认证方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310477858.6A CN116707862A (zh) | 2023-04-28 | 2023-04-28 | 一种基于多网络融合模型的ads-b信号认证方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116707862A true CN116707862A (zh) | 2023-09-05 |
Family
ID=87831879
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310477858.6A Pending CN116707862A (zh) | 2023-04-28 | 2023-04-28 | 一种基于多网络融合模型的ads-b信号认证方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116707862A (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106470901A (zh) * | 2014-02-26 | 2017-03-01 | 克拉克·艾默生·科恩 | 改进性能和成本的全球导航卫星系统架构 |
CN113423118A (zh) * | 2021-06-23 | 2021-09-21 | 河南工业大学 | 一种ads-b报文异常监测方法及系统 |
CN113468703A (zh) * | 2021-07-23 | 2021-10-01 | 河南工业大学 | 一种ads-b报文异常检测器及检测方法 |
CN114841195A (zh) * | 2022-03-30 | 2022-08-02 | 北京理工大学 | 航电空间信号建模方法和系统 |
US20220351632A1 (en) * | 2019-06-28 | 2022-11-03 | The Boeing Company | Methods and systems for authenticating an automatic dependent surveillance-broadcast (ads-b) signal |
-
2023
- 2023-04-28 CN CN202310477858.6A patent/CN116707862A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106470901A (zh) * | 2014-02-26 | 2017-03-01 | 克拉克·艾默生·科恩 | 改进性能和成本的全球导航卫星系统架构 |
US20220351632A1 (en) * | 2019-06-28 | 2022-11-03 | The Boeing Company | Methods and systems for authenticating an automatic dependent surveillance-broadcast (ads-b) signal |
CN113423118A (zh) * | 2021-06-23 | 2021-09-21 | 河南工业大学 | 一种ads-b报文异常监测方法及系统 |
CN113468703A (zh) * | 2021-07-23 | 2021-10-01 | 河南工业大学 | 一种ads-b报文异常检测器及检测方法 |
CN114841195A (zh) * | 2022-03-30 | 2022-08-02 | 北京理工大学 | 航电空间信号建模方法和系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108388927B (zh) | 基于深度卷积孪生网络的小样本极化sar地物分类方法 | |
CN110533631B (zh) | 基于金字塔池化孪生网络的sar图像变化检测方法 | |
CN108846835B (zh) | 基于深度可分离卷积网络的图像变化检测方法 | |
CN111582320B (zh) | 一种基于半监督学习的动态个体识别方法 | |
CN113050042B (zh) | 基于改进UNet3+网络的雷达信号调制类型识别方法 | |
CN108985454B (zh) | 民航客机个体目标识别方法 | |
CN109446804B (zh) | 一种基于多尺度特征连接卷积神经网络的入侵检测方法 | |
Zhou et al. | Specific emitter identification via bispectrum‐radon transform and hybrid deep model | |
CN112749633B (zh) | 分离与重构的个体辐射源识别方法 | |
CN115114958A (zh) | 一种基于监督对比学习的电磁信号开集识别方法 | |
CN114943253A (zh) | 一种基于元学习模型的射频指纹小样本识别方法 | |
CN112712102A (zh) | 可同时识别已知和未知雷达辐射源个体的识别仪 | |
CN113191185A (zh) | 一种利用Dense2Net的雷达探测无人机目标分类方法 | |
CN114022671A (zh) | 一种基于残差神经网络的索道缆绳绳位智能识别方法 | |
CN112019529A (zh) | 新能源电力网络入侵检测系统 | |
CN114355298B (zh) | 一种雷达复合调制脉冲信号识别方法 | |
CN111242028A (zh) | 基于U-Net的遥感图像地物分割方法 | |
CN114926683A (zh) | 空中飞行目标分类识别方法、装置及计算机可读存储介质 | |
CN112904299B (zh) | 基于深层类内分裂的雷达高分辨距离像开集目标识别方法 | |
CN113109782B (zh) | 一种直接应用于雷达辐射源幅度序列的分类方法 | |
CN114500335A (zh) | 基于模糊c均值和混合核最小二乘支持向量机的sdn网络流程控制方法 | |
CN116776227A (zh) | 基于特征融合的卫星身份识别方法和装置 | |
CN117131436A (zh) | 面向开放环境的辐射源个体识别方法 | |
CN116707862A (zh) | 一种基于多网络融合模型的ads-b信号认证方法 | |
CN112990279B (zh) | 基于自动编码器的雷达高分辨距离像库外目标拒判方法 |
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 |