一种面向未知格式化报文结构的数据链战术行为识别方法技术

本发明专利技术公开了一种面向未知格式化报文结构的数据链战术行为识别方法，该方法为：根据格式化报文结构封装消息的特点，对包含不同战术消息的数据链V系列报文进行模拟，将封装好的消息通过2FSK调制，生成不同的数据链信号；利用小波包分解提取已调制数据链信号的时频特征；生成小波包时频面图像，构建图片数据集，统一图片的尺寸大小，并做归一化处理；设计CNN模型CBAM

【技术实现步骤摘要】
一种面向未知格式化报文结构的数据链战术行为识别方法


[0001]本专利技术属于智能通信侦察
，具体为一种面向未知格式化报文结构的数据链战术行为识别方法。

技术介绍

[0002]近年来，为了适应信息化作战的需求，认知电子战得到快速发展。其中，认知无线电是重要的研究领域。行为本身是用来描述生命体的，随着人工智能技术的成熟运用，行为识别研究逐步拓展到非生命体，在通信侦察领域，也逐渐被重视起来。数据链是战术通信的载体，承载着重要的战术作用，其消息内容、封装结构、工作状态都可能反映非协作方的行为，如果能准确掌握非协作方数据链的行为级消息，就可以在通信对抗领域占据优势。
[0003]然而，目前数据链的消息内容难以获取，且鲜有针对数据链行为的相关研究。如何在消息格式未知的条件下，解析侦收的数据链信号，获取行为内涵，是亟需解决的问题。基于此，提出一种面向未知格式化报文结构的数据链战术行为识别方法。首先根据格式化报文的特点，模拟V系列报文的数据位，并产生包含战术消息的完整报文和数据链已调制信号。然后利用小波包分解方法生成信号时频面，并制作成图像数据集，引入注意力机制的卷积神经网络完成数据集的分类，进而实现不同战术消息报文的分类，识别相应的战术行为。本方法无需对数据链信号进行多余处理，直接对侦收的信号进行分类即可认知相应的战术行为，具有重要的价值。

技术实现思路

[0004]本专利技术提供一种面向未知格式化报文结构的数据链战术行为识别方法，从而实现逆向推理数据链战术行为的目的。
[0005]实现本专利技术目的的技术解决方案为：一种面向未知格式化报文结构的数据链战术行为识别方法，包括以下步骤：
[0006]步骤1、根据格式化报文结构封装消息的特点，对包含不同战术消息的数据链V系列报文进行模拟，将封装好的消息通过2FSK调制，生成不同的数据链信号；
[0007]步骤2、利用小波包分解方法，提取已调制数据链信号的时频特征；
[0008]步骤3、生成小波包时频面图像，构建图片数据集，统一图片的尺寸大小，并做归一化处理；
[0009]步骤4、设计CNN模型CBAM
‑
CNN：在CNN的基础上，引入注意力机制，通过嵌入卷积块注意力模块CBAM，增强图片特征，优化模型的学习能力；
[0010]步骤5、将图片数据集输入CBAM
‑
CNN中，对包含不同战术消息的数据链信号进行分类识别，实现逆向认知战术行为。
[0011]进一步地，所述步骤1具体为：
[0012]步骤S1.1、根据格式化报文的特点，模拟战术消息长度为1和2时的V系列报文数据位，战术消息的起始位M和终止位N随机产生，其余消息由随机比特替代，L为战术消息的长
度，满足L＝N
‑
M+1；
[0013]步骤S1.2、对于已经模拟的数据位，添加同步脉冲序列、前置码和非键控位，构建完整的格式化数据链报文，并利用2FSK调制，生成数据链信号。
[0014]进一步地，所述步骤2具体为：
[0015]对生成的已调制数据链信号，使用小波包分解算法，提取时频图特征；
[0016]其中小波包分解算法的递推公式如下：
[0017][0018]其中，y
2n
(t)、y
2n+1
(t)、y
n
(2t)为正交小波包，表示信号y(t)在各种尺度全频段的分解结果；n为小波包分解层数；t为时间，h(n)和g(1
‑
n)是一对正交镜像滤波器，即h(n)＝(
‑
1)
n
g(1
‑
n)；
[0019]h(n)满足：
[0020][0021]其中，δ
kl
为冲激函数；
[0022]通过小波包分解产生2
n
个子信号，即：
[0023][0024]其中，小波包分解层数n设置为5，选取db1小波基。
[0025]进一步地，所述步骤3具体为：
[0026]步骤S3.1、根据小波包分解方法，生成信号的时频面图像，并保存为图片数据集；
[0027]步骤S3.2、对图像做预处理，将图片的尺寸统一为100
×
100
×
3，然后做归一化处理，归一化方法为极大极小归一化，公式如下：
[0028][0029]其中，x
normalization
为归一化的结果，x为待归一化的数据，max(x)为x的最大值，min(x)为x的最小值；通过归一化处理，数据取值范围被约束在0到1之间。
[0030]进一步地，所述步骤4具体为：
[0031]步骤S4.1、将注意力机制引入CNN中，具体为将卷积块注意力模块CBAM作为中间层嵌入CNN中，实现输入特征的精炼；CBAM由通道注意力CAM和空间注意力SAM组成，假设F是原始特征，F”是精炼特征，那么：
[0032][0033]其中表示逐元素相乘，F'是F通过CAM后的输出特征，M
c
(F)和M
s
(F')定义如下：
[0034]M
c
(F)＝σ(MLP(Avgpool(F))+MLP(Maxpool(F)))
[0035]M
s
(F)＝σ(f7×7([Avgpool(F)；Maxpool(F)]))
[0036]其中，σ为sigmod激活函数，Avgpool( )、Maxpool( )分别为通过平均池化层和最
大池化层的输出，MLP( )为通过多层感知机的输出；
[0037]激活函数为relu函数，定义如下：
[0038]f(x)＝max(0,x)
[0039]其中，x为激活函数的输入，f(x)为激活函数的输出。
[0040]进一步地，所述步骤5具体为：
[0041]步骤S5.1、将图片数据集打包标签，并按照3:1:1的比例划分为训练集、验证集、测试集；将预训练集输入网络模型中，采用动量梯度下降算法Momentum更新权值，具体为：
[0042][0043]v
k
←
αv
k
‑1+(1+α)g
[0044]θ
k
←
θ
k
‑1‑
εv
k
[0045]其中，g为梯度，m为样本个数，θ
k
、θ
k
‑1为第k、k
‑
1次迭代权值，x
(i)
为样本{x
(1)
,x
(2)
,
…
,x
(m)
}的第i个数据，v
k
、v
k
‑1为第k、k
‑
1次更新速度；α为动量参数，ε为学习率；初始化学习率设置为0.0001，动量参数设置为本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种面向未知格式化报文结构的数据链战术行为识别方法，其特征在于，包括以下步骤：步骤1、根据格式化报文结构封装消息的特点，对包含不同战术消息的数据链V系列报文进行模拟，将封装好的消息通过2FSK调制，生成不同的数据链信号；步骤2、利用小波包分解方法，提取已调制数据链信号的时频特征；步骤3、生成小波包时频面图像，构建图片数据集，统一图片的尺寸大小，并做归一化处理；步骤4、设计CNN模型CBAM
‑
CNN：在CNN的基础上，引入注意力机制，通过嵌入卷积块注意力模块CBAM，增强图片特征，优化模型的学习能力；步骤5、将图片数据集输入CBAM
‑
CNN中，对包含不同战术消息的数据链信号进行分类识别，实现逆向认知战术行为。2.根据权利要求1所述面向未知格式化报文结构的数据链战术行为识别方法，其特征在于，所述步骤1具体为：步骤S1.1、根据格式化报文的特点，模拟战术消息长度为1和2时的V系列报文数据位，战术消息的起始位M和终止位N随机产生，其余消息由随机比特替代，L为战术消息的长度，满足L＝N
‑
M+1；步骤S1.2、对于已经模拟的数据位，添加同步脉冲序列、前置码和非键控位，构建完整的格式化数据链报文，并利用2FSK调制，生成数据链信号。3.根据权利要求1所述面向未知格式化报文结构的数据链战术行为识别方法，其特征在于，所述步骤2具体为：对生成的已调制数据链信号，使用小波包分解算法，提取时频图特征；其中小波包分解算法的递推公式如下：其中，y
2n
(t)、y
2n+1
(t)、y
n
(2t)为正交小波包，表示信号y(t)在各种尺度全频段的分解结果；n为小波包分解层数；t为时间，h(n)和g(1
‑
n)是一对正交镜像滤波器，即h(n)＝(
‑
1)
n
g(1
‑
n)；h(n)满足：∑h(n
‑
2k)h(n
‑
2l)＝δ
kl
,其中，δ
kl
为冲激函数；通过小波包分解产生2
n
个子信号，即：其中，小波包分解层数n设置为5，选取db1小波基。4.根据权利要求1所述面向未知格式化报文结构的数据链战术行为识别方法，其特征在于，所述步骤3具体为：
步骤S3.1、根据小波包分解方法，生成信号的时频面图像，并保存为图片数据集；步骤S3.2、对图像做预处理，将图片的尺寸统一为100
×
100
×
3，然后做归一化处理，归一化方法为极大极小归一化，公式如下：其中，x
normalization
为归一化的结果，x为待归一化的数据，max(x)为x的最大值，min(x)为x的最小值；通过归一化处理，数据取值范围被...

【专利技术属性】
技术研发人员：雷迎科，李海涛，钱锋，俞红兵，张孟伯，王巍，王一川，金虎，
申请(专利权)人：中国人民解放军国防科技大学，
类型：发明
国别省市：