用于频谱监测模型的深度时频去噪变换防御方法技术

一种用于频谱监测模型的深度时频去噪变换防御方法，包括如下步骤：步骤一、构建包括深度去噪模块、变换模块和预训练的自动调制分类模型的深度时频去噪变换防御架构；步骤二、在深度去噪模块中，使用短时傅里叶变换将输入数据样本映射成时频矩阵，放大原始样本x<supgt;s</supgt;与对抗样本x<supgt;a</supgt;之间的差异，并在特征提取器所提取的深度特征的监督下重构时频域信号；步骤三、将重构的原始样本和对抗样本输入变换模块中，生成特定于样本的变换矩阵M<supgt;s</supgt;和M<supgt;a</supgt;，得到变换后的原始样本和变换后的对抗样本步骤四、将变换后的原始样本和变换后的对抗样本输入预训练的自动调制分类模型，实现信号的分类决策。

【技术实现步骤摘要】

本专利技术涉及一种用于频谱监测模型的深度时频去噪变换防御方法，属于通信。

技术介绍

1、随着通信技术的不断发展，复杂电磁空间中存在各种调制方法，以自动调制分类(amc)为中心的频谱监测任务对保障无线电频谱资源的合理利用和维护无线电通信秩序具有重要作用。在amc领域，深度学习方法在处理和分类复杂调制信号方面尤为重要，深度学习模型对波动信号环境的适应性至关重要，特别是对于动态频谱监测环境下的有效信号分类任务。然而，包括自动调制分类模型在内的深度学习模型已被发现非常容易受到对抗样本攻击的威胁，这些攻击将微小且精心设计的扰动注入到输入信号中，尽管这些扰动对人类和传统通信系统来说几乎是不可察觉的，但它们可能会导致模型产生严重错误。

2、为了提高amc模型的对抗鲁棒性，研究人员提出了各种防御方法，amc模型的对抗性防御方法主要分为以模型为中心和以数据为中心两种策略，这些方法在一定程度上减轻了对抗样本对amc模型的威胁。然而电磁频谱的开放性促进了多种对抗攻击的发展，理解和解决这些攻击已成为基于深度学习的amc模型在频谱监测任务中安全应用的紧迫挑战。

<本文档来自技高网...

【技术保护点】

1.一种用于频谱监测模型的深度时频去噪变换防御方法，其特征在于，所述深度时频去噪变换防御方法包括如下步骤：

2.如权利要求1所述的深度时频去噪变换防御方法，其特征在于，

3.如权利要求2所述的深度时频去噪变换防御方法，其特征在于，

4.如权利要求3所述的深度时频去噪变换防御方法，其特征在于，所述深度去噪函数D由四层3×3卷积核的卷积神经网络组成。

5.如权利要求3所述的深度时频去噪变换防御方法，其特征在于，

6.如权利要求2所述的深度时频去噪变换防御方法，其特征在于，所述自动调制分类模型为VGG16基准模型。

【技术特征摘要】

1.一种用于频谱监测模型的深度时频去噪变换防御方法，其特征在于，所述深度时频去噪变换防御方法包括如下步骤：

2.如权利要求1所述的深度时频去噪变换防御方法，其特征在于，

3.如权利要求2所述的深度时频去噪变换防御方法，其特征在于，

4.如权利要求3所述...

【专利技术属性】
技术研发人员：林云，张思成，姜航，杨凇麟，朱应申，周婉玉，贾信育，
申请(专利权)人：哈尔滨工程大学，
类型：发明
国别省市：