强对抗环境下基于深度学习的混合电磁威胁制式识别方法与系统技术方案

本发明专利技术涉及强对抗环境下基于深度学习的混合电磁威胁制式识别方法与系统，包括：获取深度学习模型训练所需的完备数据集；训练一个信号重构模型，对被干扰的信号进行重构得到发送端发送的原始信号；对差值信号进行盲检测，得到辐射源的数量；对信号数据进行预处理操作；开展混合辐射源信号盲源分离；将输入的调制信号序列转换为IQ信号或者AP信号；利用辐射源信号自动盲调制方式识别模型，进行自动盲调制方式识别；利用信道编码特征提取模块，构造成各种编码方式的特征向量；利用辐射源信道编码类型识别模型，进行信道编码类型识别，实现了在强对抗环境下对混合的非法电磁信号、干扰的智能识别和监测。的智能识别和监测。的智能识别和监测。

【技术实现步骤摘要】
强对抗环境下基于深度学习的混合电磁威胁制式识别方法与系统


[0001]本专利技术涉及辐射源电磁信号的重构、盲检测与分离，以及信号制式智能识别领域，特别涉及强对抗环境下基于深度学习的混合电磁威胁制式识别方法与系统。

技术介绍

[0002]无线通信是当前运用最为广泛的通信方式，随着无线通信手段的不断提升和无线电信号的普遍使用，使得电磁环境更加的复杂多变。电磁环境已成为信息化的核心环境要素，成为未来信息化条件下必须考虑的因素之一。电磁环境的特点包括辐射源多、分布密度大、分布范围宽、信号交叠严重等，且信号调制复杂、参数多变快变、信号综合威胁的程度很高，对电磁环境信号的研究价值凸现。
[0003]现如今环境中充斥着各种通信信号、遥感探测信号、雷达信号等无线电信号，通过信号接收设备接收到的信号往往不止一种，从混杂有多种电磁信号的无线环境中，侦查到某频段下存在的可疑信号，进行监督和管理，进而将其作为干扰检测和无线环境分析的基础成为目前被广泛研究的课题。例如在军事应用中，通信侦察是通信电子战的重要部分，用来监视战场的电磁频谱活动，对敌方信号进行威胁识别，截获其有用信息，还可以根据干扰信号的识别结果作出相应的反应从而得到更好的抗干扰效果，保障己方设备正常运转并提供信息支持的同时，将敌方的设备进行破坏，削弱其设备保障能力；在民用方面，为了保证合法通信的正常进行，有关部门需要监视民用通信信号，对电磁频谱实施有效地管理，防止非法辐射源对无线频谱的利用和干扰。
[0004]信号盲检测与分离技术是指在非协作通信中接收端完全不知道或者只知道少量先验知识的情况下对接收信号完成存在性检测、盲源分离的过程。将信号盲检测与分离技术的算法研究与电磁环境信号分析识别相结合，对非配合无线电磁信号进行搜索、检测、截获、测量估计来获取信号的调制方式、信源编码类型、加解密方式，为强对抗环境下的电磁信号的监管和反制提供依据。由于辐射源和接收机的个数不止一个而产生随机多变的不规则信号，将对威胁信号的发现产生不确定影响，可导致虚警或漏警，因此识别电磁环境威胁目标所构建的模型要有一定的通用性和针对性。

技术实现思路

[0005]为了克服现有技术中存在的问题，本专利技术提供了强对抗环境下基于深度学习的混合电磁威胁制式识别方法与系统。
[0006]术语解释：
[0007]自动编码器(Autoencoder)：就是一种尽可能复现输入信号的神经网络，其输出向量与输入向量同维，且训练的标签就是输入向量，常按照输入向量的某种形式，通过隐藏层学习数据的表示或对原始数据进行有效编码，而去噪自动编码器(Denoise Autoencoder)是在传统自动编码器的基础上，通过向输入中注入噪声，然后利用含噪声的“腐坏”的样本
去重构不含噪声的“干净”输入。
[0008]为达到上述目的，本专利技术的技术方案如下：
[0009]强对抗环境下基于深度学习的混合电磁威胁制式识别方法，包括如下步骤：
[0010](1)构建广域空间电磁信号数据库，从广域空间电磁信号数据库中获取深度学习模型训练所需的完备数据集；
[0011](2)利用步骤(1)获取的完备数据集训练一个信号重构模型，对被干扰的信号进行重构得到发送端发送的原始信号，信号重构模型输出值与输入的差值就是可能的干扰、非法电磁信号和噪声，将所述差值作为后续检测识别的对象；
[0012](3)对步骤(2)所述差值进行盲检测，得到辐射源的数量；
[0013](4)对信号数据即步骤(2)中所得到的差值进行包括零均值处理和球化处理在内的预处理操作；
[0014](5)基于步骤(3)中所得到的辐射源的数量，在没有先验知识的条件下对时间、空间和频率同时混合的信号开展混合辐射源信号盲源分离；
[0015](6)对于输入的信号序列即步骤(5)中盲源分离后得到的信号序列，将其转换为In
‑
Phase/Quadrature即IQ信号的形式或者Amplitude/Phase即AP信号的形式，以双通道序列的形式生成训练、验证和测试辐射源信号自动盲调制方式识别模型所需的数据集合；
[0016](7)利用步骤(6)构建的数据集合训练一个辐射源信号自动盲调制方式识别模型，对未知混合辐射源信号分离后得到的各路辐射源信号进行自动盲调制方式识别；
[0017](8)构建一种基于数据随机性的信道编码特征提取模块，从码字序列的码重、游程、深度和自相关性几个方面提出信道编码码字特征，构造成各种编码方式的特征向量；
[0018](9)利用构建的特征向量作为数据集训练一个辐射源信道编码类型识别模型，对未知混合辐射源信号分离后得到的各路辐射源信号进行信道编码类型识别。
[0019]根据本专利技术优选的，步骤(2)中，所述信号重构模型为去噪自动编码器(Denoise Autoencoder)，其中，编码器使用但不仅限于三层长短期记忆网络LSTM(Long Short
‑
Term Memory，LSTM)堆叠搭建构成,并且每层的输出维度逐渐减小，解码器同样使用但不仅限于三层长短期记忆网络LSTM和一层全连接层堆叠搭建,且LSTM每层的输出维度逐渐增大，利用去噪自动编码器对步骤(1)获取的完备数据集中未被污染的理想信号进行重构训练，使得对于所有的信号，所述信号重构模型的重构输出都是原始发射信号。
[0020]根据本专利技术优选的，所述步骤(3)中，采用盖尔圆准则的信源数量检测算法对步骤(2)所述差值进行盲检测，得到辐射源的数量，盖尔圆准则GDE(k)的信源数量检测算法如式(I)所示：
[0021][0022]式(I)中，k＝1,2,
…
,M
‑
1，M是观测信号数量，ρ
k
为第k个盖尔圆半径，ρ
i
为第i个盖尔圆半径，D为校正因子，盖尔圆准则的判定方法是：从k＝1开始遍历，当GDE(k)首次小于0时停止遍历，此时信源数量的估计是k
‑
1。
[0023]根据本专利技术优选的，所述步骤(4)中，零均值处理通过减去接收信号的平均值来实现，如式(II)所示：
[0024][0025]式(II)中，x(t)是步骤(2)中的差值信号，是步骤(2)中的差值信号的平均值，w(t)表示零均值处理后的信号，t表示时间，E(w)表示w(t)的均值；经过这样处理后，E(w)＝0，该过程也被中心化处理；
[0026]球化处理就是通过一个球化矩阵V去处理经过零均值处理后接收信号，如式(III)所示：
[0027]z(t)＝Vw(t)
ꢀꢀ
(III)
[0028]式(III)中，z(t)表示球化处理后的信号。
[0029]根据本专利技术优选的，所述步骤(5)中，基于步骤(3)中所得到的辐射源的数量，采用一个盲源分离算法，对时间、空间和频率同时混合的信号开展混合信源分离，使用基于负熵的快速独立分量分析(Fast Independent Comp本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.强对抗环境下基于深度学习的混合电磁威胁制式识别方法，其特征在于，包括如下步骤：(1)构建广域空间电磁信号数据库，从广域空间电磁信号数据库中获取深度学习模型训练所需的完备数据集；(2)利用步骤(1)获取的完备数据集训练一个信号重构模型，对被干扰的信号进行重构得到发送端发送的原始信号，信号重构模型输出值与输入的差值就是可能的干扰、非法电磁信号和噪声，将所述差值作为后续检测识别的对象；(3)对步骤(2)所述差值进行盲检测，得到辐射源的数量；(4)对信号数据即步骤(2)中所得到的差值进行包括零均值处理和球化处理在内的预处理操作；(5)基于步骤(3)中所得到的辐射源的数量，在没有先验知识的条件下对时间、空间和频率同时混合的信号开展混合辐射源信号盲源分离；(6)对于输入的信号序列即步骤(5)中盲源分离后得到的信号序列，将其转换为In
‑
Phase/Quadrature即IQ信号的形式或者Amplitude/Phase即AP信号的形式，以双通道序列的形式生成训练、验证和测试辐射源信号自动盲调制方式识别模型所需的数据集合；(7)利用步骤(6)构建的数据集合训练一个辐射源信号自动盲调制方式识别模型，对未知混合辐射源信号分离后得到的各路辐射源信号进行自动盲调制方式识别；(8)构建一种基于数据随机性的信道编码特征提取模块，从码字序列的码重、游程、深度和自相关性几个方面提出信道编码码字特征，构造成各种编码方式的特征向量；(9)利用构建的特征向量作为数据集训练一个辐射源信道编码类型识别模型，对未知混合辐射源信号分离后得到的各路辐射源信号进行信道编码类型识别。2.根据权利要求1所述的强对抗环境下基于深度学习的混合电磁威胁制式识别方法，其特征在于，步骤(2)中，所述信号重构模型为去噪自动编码器，其中，编码器是由三层长短期记忆网络LSTM堆叠搭建构成,并且每层的输出维度逐渐减小，解码器同样由堆叠搭建构成的三层长短期记忆网络LSTM和一层全连接层组成,且LSTM每层的输出维度逐渐增大，利用去噪自动编码器对步骤(1)获取的完备数据集中未被污染的理想信号进行重构训练，使得对于所有的信号，所述信号重构模型的重构输出都是原始发射信号。3.根据权利要求1所述的强对抗环境下基于深度学习的混合电磁威胁制式识别方法，其特征在于，所述步骤(3)中，采用盖尔圆准则的信源数量检测算法对步骤(2)所述差值进行盲检测，得到辐射源的数量，盖尔圆准则GDE(k)的信源数量检测算法如式(I)所示：式(I)中，k＝1,2,
…
,M
‑
1，M是观测信号数量，ρ
k
为第k个盖尔圆半径，ρ
i
为第i个盖尔圆半径，D为校正因子，盖尔圆准则的判定方法是：从k＝1开始遍历，当GDE(k)首次小于0时停止遍历，此时信源数量的估计是k
‑
1。4.根据权利要求1所述的强对抗环境下基于深度学习的混合电磁威胁制式识别方法，其特征在于，所述步骤(4)中，零均值处理通过减去接收信号的平均值来实现，如式(II)所示：
式(II)中，x(t)是步骤(2)中的差值信号，是步骤(2)中的差值信号的平均值，w(t)表示零均值处理后的信号，t表示时间，E(w)表示w(t)的均值；经过这样处理后，E(w)＝0，该过程也被中心化处理；球化处理就是通过一个球化矩阵V去处理经过零均值处理后接收信号，如式(III)所示：z(t)＝Vw(t)
ꢀꢀꢀꢀ
(III)式(III)中，z(t)表示球化处理后的信号。5.根据权利要求1所述的强对抗环境下基于深度学习的混合电磁威胁制式识别方法，其特征在于，所述步骤(5)中，基于步骤(3)中所得到的辐射源的数量，采用一个盲源分离算法，对时间、空间和频率同时混合的信号开展混合信源分离，使用基于负熵的快速独立分量分析算法，负熵越大表示信号的非高斯性越强，由于概率密度函数未知，则负熵J(y)的近似表达式表示为式(IV)：J(y)＝{E[G(y)]}
‑
E[G(y
gauss
)]]2ꢀꢀꢀꢀ
(IV)式(IV)中，E(
·
)是求均值的函数，G(
·
)是非二次的偶函数，y
gauss
是与y具有相同方差的零均值高斯随机变量，y是分离后的信号；所述步骤(6)中，I路为同相分量，看作调制信号在cos(2πf
c
t)上的投影，f
c
为载波频率，Q路为正交分量，看作调制信号在
‑
sin(2πf
c

【专利技术属性】
技术研发人员：熊海良，廖志伟，钟万福，许玉丹，邬紫健，任凯久，孙鹏，杨刚强，
申请(专利权)人：山东大学，
类型：发明
国别省市：