一种电磁信号识别模型对抗域泛化防御方法技术

一种电磁信号识别模型对抗域泛化防御方法，它涉及一种对抗域泛化防御方法

【技术实现步骤摘要】
一种电磁信号识别模型对抗域泛化防御方法


[0001]本专利技术涉及一种对抗域泛化防御方法，属于通信

。

技术介绍

[0002]随着通信技术的不断发展，第六代移动系统
(6G)
将具有更高的数据传输速度
、
更低的延迟和更高的频谱效率，为人类文明的发展发挥重要作用
。
自动调制分类
(AMC)
技术是
6G
发展和应用中不可或缺的关键技术之一
。
调制分类有助于更好地了解信号财产和传输环境，允许优化信道模型和调制方法，提高频谱效率和数据传输速度
。
调制分类还可以用于检测和识别网络中的异常用户，从而提高网络安全性
。
近年来，深度学习
(DL)
技术在调制分类中得到了广泛的应用，并取得了显著的成果，成为最有前途的技术方向之一
。
然而，
DL
模型的不可解释性使得它们的结果很容易受到对输入数据添加精心设计的不可察觉扰动的影响
。
[0003]为了提高
AMC
模型的鲁棒性，人们相继提出了各种防御方法，试图增强
AMC
模型的邻域鲁棒性，从而提高对抗鲁棒性
。
这些方法的提出有效地减轻了对抗性样本对
AMC
模型的威胁
。
这些方法要么只从计算的角度考虑防御问题，要么将对抗性样本视为训练数据，要么将对抗扰动简单地视为普通噪声，在对抗防御的研究领域中，仍有许多尚未解决的挑战
。

技术实现思路

[0004]本专利技术为解决
DL
模型的不可解释性使得它们的结果很容易受到对输入数据添加精心设计的不可察觉扰动的影响的问题，进而提出一种电磁信号识别模型对抗域泛化防御方法
。
[0005]本专利技术为解决上述问题采取的技术方案是：本专利技术的步骤如下：
[0006]步骤一
、
构建双流识别模型架构，每个流包括特征提取器和分类器，其中特征提取器由两个流共享，包括低级特征提取器
E
l
、
高级特征提取器
E
h
、
域泛化特征提取器
E
g
、
分类器
C1和分类器
C2；
[0007]步骤二
、
训练低级特征提取器
E
l
、
高级特征提取器
E
h
以及分类器
C1对原始信号域样本进行分类，期间采用流行混合算法进行数据扩充；
[0008]步骤三
、
用
E
l
、E
h
以及
C1生成对抗样本得到对抗域信号样本，并训练
E
l
、E
h
以及分类器
C2对对抗域信号样本进行分类；
[0009]步骤四
、
启用域泛化特征提取器
E
g
，提取两分类器的任务相关特征，并对齐；
[0010]步骤五
、
在特征提取器和
C1上进行对抗训练；
[0011]步骤六
、
重复训练步骤四和步骤五直至收敛
。
[0012]进一步的，步骤二中首先令原始样本
x
s
通过
E
l
提取低级特征，再使用流行混合算法扩充数据：
[0013][0014][0015]公式
(1)
和
(2)
中，
S
表示原始信号域，
x
s
表示
S
中的数据样本，
y
s
表示
S
中的标签样本，
f
ls
＝
E
l
(x
s
)
，
f
ls
′
是
f
ls
的乱序副本，
y
s
和
y
s
′
是独热编码形式中的对应标签，是数据扩充后的数据，是数据扩充后的标签，
λ
～
Beta(
α
,
α
)
是混合系数，
α
＝1；
[0016]将
f
ls
和组合并传递到
E
h
中以提取高级特征，通过
C1获得高级特征的预测输出，损失函数由原始信号分类损失和数据增强损失组成，优化过程为：
[0017][0018]公式
(3)
中
E
l
表示低级特征提取器，
E
h
表示高级特征提取器，
C1表示分类器，
S
表示原始信号域
。
[0019]进一步的，步骤三中继承步骤二中训练
E
l
和
E
h
的参数，仅更新
C2的参数，优化过程为：
[0020][0021]公式
(4)
中
C2表示分类器，
a
表示对抗域
。
[0022]进一步的，步骤四中提取两个分类器的任务相关特征，以原始信号为例，使用与标签
y
s
相对应的预测输出相对于域泛化特征的梯度作为特征的相关信息进行分类，梯度为正，表明相应的特征元素对分类有积极的影响，因此得到原始样本的任务相关特征正，表明相应的特征元素对分类有积极的影响，因此得到原始样本的任务相关特征
[0023]公式
(5)
中表示的梯度，同理，可以得到的梯度，同理，可以得到表示的梯度；采用最大均方差
MMD
距离来测量和的分布偏移，其最大均方差
MMD
损失为：
[0024][0025]公式
(6)
中
k(
·
,
·
)
表示高斯核函数，为了确保提取的特征的域独立性，在这一步训练
E
l
、E
h
和
E
g
，将任务相关的特征对齐：
[0026][0027]公式
(7)
中
β
是调整因子，是一个无约束范围的非负超参数
。
[0028]进一步的，步骤五中对抗训练的损失为：
[0029][0030]公式
(8)
中，
A
表示对抗信号域，
x
a
表示对抗信号域
A
中的数据样本，
y
a
表示对本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种电磁信号识别模型对抗域泛化防御方法，其特征在于：所述一种电磁信号识别模型对抗域泛化防御方法的步骤如下：步骤一
、
构建双流识别模型架构，每个流包括特征提取器和分类器，其中特征提取器由两个流共享，包括低级特征提取器
E
l
、
高级特征提取器
E
h
、
域泛化特征提取器
E
g
、
分类器
C1和分类器
C2；步骤二
、
训练低级特征提取器
E
l
、
高级特征提取器
E
h
以及分类器
C1对原始信号域样本进行分类，期间采用流行混合算法进行数据扩充；步骤三
、
用
E
l
、E
h
以及
C1生成对抗样本得到对抗域信号样本，并训练
E
l
、E
h
以及分类器
C2对对抗域信号样本进行分类；步骤四
、
启用域泛化特征提取器
E
g
，提取两分类器的任务相关特征，并对齐；步骤五
、
在特征提取器和
C1上进行对抗训练；步骤六
、
重复训练步骤四和步骤五直至收敛
。2.
根据权利要求1所述的一种电磁信号识别模型对抗域泛化防御方法，其特征在于：步骤二中首先令原始样本
x
s
通过
E
l
提取低级特征，再使用流行混合算法扩充数据：提取低级特征，再使用流行混合算法扩充数据：公式
(1)
和
(2)
中，
S
表示原始信号域，
x
s
表示
S
中的数据样本，
y
s
表示
S
中的标签样本，
f
ls
＝
E
l
(x
s
)
，
f
ls
′
是
f
ls
的乱序副本，
y
s
和
y
s
′
是独热编码形式中的对应标签，是数据扩充后的数据，是数据扩充后的标签，
λ
～
Beta(
α
,
α
)
是混合系数，
α
...

【专利技术属性】
技术研发人员：林云，张思成，李一兵，刘洁，包志达，杨研蝶，
申请(专利权)人：哈尔滨工程大学，
类型：发明
国别省市：