一种基于知识图谱的干扰策略生成方法技术

本发明专利技术公开了一种基于知识图谱的干扰策略生成方法，利用知识图谱方法，对已有的电磁目标建立电磁目标的干扰策略图谱，通过图神经网络实现图谱向量嵌入，将电台工作模式对应的实体嵌入到低维图谱向量空间中，得到该实体的向量表示，构建卷积神经网络，对该卷积神经网络进行训练，建立电台工作模式的信号特征的嵌入表示与电台工作模式对应节点的嵌入向量之间的映射关系；将电台工作模式的信号特征输入到该卷积神经网络中，利用该卷积神经网络输出的嵌入向量与已知电台工作模式对应实体的嵌入向量之间的关系，进行干扰策略生成。本方法将先验图谱知识和电磁数据相结合，有利于优化干扰策略，可实现对未知目标或未知工作模式的干扰策略推荐。干扰策略推荐。干扰策略推荐。

【技术实现步骤摘要】
一种基于知识图谱的干扰策略生成方法


[0001]本专利技术涉及通信领域和人工智能领域，具体涉及到一种基于知识图谱的干扰策略生成方法。

技术介绍

[0002]目前，在通信干扰对抗领域，典型干扰策略生成方式包括基于案例生成干扰策略方法和基于数据驱动的神经网络策略分类方法；对于基于案例生成干扰策略的方法，其在对电台工作模式已知的基础之上，对已知电台工作波形进行识别，并生成相应的干扰策略；基于数据驱动的神经网络策略分类方法，其使用大量电台波形数据训练神经网络，使之能够对电台工作波形进行分类，在分类的基础上生成相应的干扰策略；
[0003]对于基于案例生成干扰策略的方法，其较为死板且缺乏灵活性，对与记录信息存在偏差或缺乏记录的干扰场景，无法生成有效干扰策略；对于基于数据驱动的神经网络策略分类方法，该方法对数据量需求较大，在缺乏样本和有效数据较量较小的场景下，无法生成高质量的干扰策略。

技术实现思路

[0004]本专利技术针对现有基于数据的干扰策略生成方法对电磁目标先验知识利用不足的问题，公开了一种基于知识图谱的干扰策略生成方法，通过构建电磁目标的干扰策略图谱，将干扰场景的先验知识与电磁目标数据进行融合，生成干扰策略；
[0005]本专利技术公开了一种基于知识图谱的干扰策略生成方法，利用知识图谱方法，对已有的电磁目标建立电磁目标的干扰策略图谱，该电磁目标的干扰策略图谱包括电磁目标、电台工作模式的信号特征和干扰信号波形信息；电磁目标的干扰策略图谱中的节点表示已知的电台工作模式，如果已知的电台工作模式之间的相似度大于某阈值，则确定该电磁目标的干扰策略图谱中相应节点之间有连接；不同电台工作模式间的关系密切程度决定了相应节点间的关系密切程度；图谱向量嵌入指将高维的图谱信息通过训练好的映射关系，将其嵌入到低维的图谱向量空间中；通过图神经网络实现图谱向量嵌入，将电台工作模式对应的实体嵌入到低维图谱向量空间中，得到该实体的向量表示，该向量表示就是与电台工作模式对应实体的嵌入向量表示，构建卷积神经网络，将得到的嵌入向量作为标签，对该卷积神经网络进行训练，建立电台工作模式的信号特征的嵌入表示与电台工作模式对应节点的嵌入向量之间的映射关系，使卷积神经网络实现从电磁空间到嵌入向量空间的映射；在进行干扰策略生成时，将电台工作模式的信号特征输入到该卷积神经网络中，利用该卷积神经网络输出的嵌入向量与已知电台工作模式对应实体的嵌入向量之间的关系，进行干扰策略生成；
[0006]本专利技术公开了一种基于知识图谱的干扰策略生成方法，其具体步骤包括：
[0007]S1，通过图神经网络，利用包含所有已知电台工作模式信息的电磁目标的干扰策略图谱，训练得到已知电台工作模式对应实体的嵌入向量表示；
[0008]对包含已知电台工作模式信息的实体进行嵌入向量表示，电磁目标的干扰策略图谱包含所有已知的电台工作模式所对应的节点；利用图神经网络对该图谱中的所有节点进行嵌入向量表示，得到所有电台工作模式对应节点的嵌入向量表示，其具体步骤包括：
[0009]设电台工作模式间的关系用邻接矩阵C来表示；邻接矩阵C的第i行、第j列的元素c
ij
表示第i个电台工作模式和第j个电台工作模式之间的关系；所有电台工作模式的特征用矩阵F表示，F的第i行表示电台工作模式的第i个类别的特征；将C和F输入到图神经网络中，以训练所有电台工作模式的嵌入向量表示；
[0010]ReLU(
·
)为线性整流函数，‖
·
‖表示l2范数，softmax(
·
)表示逻辑回归函数，I
N
为维度为N的单位矩阵；M
i
为该图神经网络第i个隐藏层的权重，M为权重矩阵；k为迭代次数；数；表示度矩阵，表示归一化拉普拉斯矩阵，表示无向图邻接矩阵，为矩阵中的第i行、第i列的元素，U
i
为第i个电台类别的标签；为矩阵的第i行、第j列的元素；Q为训练后得到的电台工作模式所对应的节点的嵌入向量表示结果；
[0011]S11，初始化图神经网络的权重矩阵M；
[0012]S12，计算该图神经网络的输出O，其计算公式为：
[0013][0014]其中，M0表示该图神经网络第0个隐藏层的权重，M1表示该图神经网络第1个隐藏层的权重，f()表示该图神经网络的计算函数；
[0015]S13，在此输出条件下，计算该图神经网络的损失函数：
[0016][0017]其中，U
l
表示第l个电台类别的标签,f表示矩阵F中的某一行，即某个电台工作模式的特征向量，O
f
表示特征向量f输入到该图神经网络后得到的输出；某个电台工作模式的特征向量，是指某个电台工作模式的若干个特定参数构成的向量；表示对所有类别的电台工作模式的特征向量，输入到该图神经网络后，计算该图神经网络得到的所有输出的和。
[0018]S14，根据该损失函数，使用批量梯度下降法(BGD)更新该图神经网络的权重矩阵M；迭代次数k取值加1；
[0019]S15，重复步骤S12至步骤S14的过程，直到迭代次数k到达预先设定的值；
[0020]S16，计算得到所有的电台工作模式对应节点的嵌入向量表示Q，其计算公式为：
[0021][0022]S2，通过卷积神经网络，训练电台工作模式的信号特征的嵌入表示到电台工作模式对应节点的嵌入向量的映射；
[0023]通过步骤S1得到了电台工作模式对应的节点的嵌入向量表示，将电台工作模式对应的电台信号做短时傅里叶变换，得到该电台信号的时频图；将该电台信号的时频图对应的时频矩阵作为卷积神经网络的输入，将电台工作模式对应节点的嵌入向量作为该卷积神
经网络的标签，用电台工作模式对应节点的嵌入向量和该卷积神经网络的输出向量之间的距离来作为训练该卷积神经网络的损失函数；通过图神经网络得到的电台工作模式对应节点的嵌入向量来训练卷积神经网络，可得到电台工作模式信号特征的嵌入表示；
[0024]通过对该卷积神经网络进行多次迭代优化训练后，其输出的电台工作模式对应节点的嵌入向量的相互关系反映了其对应实体所属类别的关系；步骤S2具体包括：
[0025]S21，构建一个具有两层卷积层，两层池化层，两层全连接层结构的卷积神经网络，初始化该网络的节点权重；所述的卷积层、池化层和全连接层依次连接；
[0026]S22，将该电台信号的时频图对应的时频矩阵P输入至该卷积神经网络中，在该卷积神经网络的最后一层得到电台工作模式对应节点的特征向量R，其即为该卷积神经网络的输出；
[0027]S23，计算该卷积神经网络的损失函数：L＝
‑
‖R
‑
Q‖，其中，Q为电台工作模式对应节点的嵌入向量表示，‖.‖表示求范数；
[0028]S24，根据随机梯度下降法对该卷积神经网络的参数进行优化，更新该网络中节点的权重；
[0029]S25，重复步骤S22至步骤S24，直到迭代次本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于知识图谱的干扰策略生成方法，其特征在于，利用知识图谱方法，对已有的电磁目标建立电磁目标的干扰策略图谱，该电磁目标的干扰策略图谱包括电磁目标、电台工作模式的信号特征和干扰信号波形信息；电磁目标的干扰策略图谱中的节点表示已知的电台工作模式，如果已知的电台工作模式之间的相似度大于某阈值，则确定该电磁目标的干扰策略图谱中相应节点之间有连接；不同电台工作模式间的关系密切程度决定了相应节点间的关系密切程度；图谱向量嵌入指将高维的图谱信息通过训练好的映射关系，将其嵌入到低维的图谱向量空间中；通过图神经网络实现图谱向量嵌入，将电台工作模式对应的实体嵌入到低维图谱向量空间中，得到该实体的向量表示，该向量表示就是与电台工作模式对应实体的嵌入向量表示，构建卷积神经网络，将得到的嵌入向量作为标签，对该卷积神经网络进行训练，建立电台工作模式的信号特征的嵌入表示与电台工作模式对应节点的嵌入向量之间的映射关系，使卷积神经网络实现从电磁空间到嵌入向量空间的映射；在进行干扰策略生成时，将电台工作模式的信号特征输入到该卷积神经网络中，利用该卷积神经网络输出的嵌入向量与已知电台工作模式对应实体的嵌入向量之间的关系，进行干扰策略生成。2.如权利要求1所述的基于知识图谱的干扰策略生成方法，其特征在于，其具体步骤包括：S1，通过图神经网络，利用包含所有已知电台工作模式信息的电磁目标的干扰策略图谱，训练得到已知电台工作模式对应实体的嵌入向量表示；通过步骤S1得到了电台工作模式对应的节点的嵌入向量表示，将电台工作模式对应的电台信号做短时傅里叶变换，得到该电台信号的时频图；将该电台信号的时频图对应的时频矩阵作为卷积神经网络的输入，将电台工作模式对应节点的嵌入向量作为该卷积神经网络的标签，用电台工作模式对应节点的嵌入向量和该卷积神经网络的输出向量之间的距离来作为训练该卷积神经网络的损失函数；通过图神经网络得到的电台工作模式对应节点的嵌入向量来训练卷积神经网络，可得到电台工作模式信号特征的嵌入表示；通过对该卷积神经网络进行多次迭代优化训练后，其输出的电台工作模式对应节点的嵌入向量的相互关系反映了其对应实体所属类别的关系；S2，通过卷积神经网络，训练电台工作模式的信号特征的嵌入表示到电台工作模式对应节点的嵌入向量的映射；步骤S2具体包括：S21，构建一个具有两层卷积层，两层池化层，两层全连接层结构的卷积神经网络，初始化该网络的节点权重；所述的卷积层、池化层和全连接层依次连接；S22，将该电台信号的时频图对应的时频矩阵P输入至该卷积神经网络中，在该卷积神经网络的最后一层得到电台工作模式对应节点的特征向量R，其即为该卷积神经网络的输出；S23，计算该卷积神经网络的损失函数：L＝
‑
||R
‑
Q||，其中，Q为电台工作模式对应节点的嵌入向量表示，||.||表示求范数；S24，根据随机梯度下降法对该卷积神经网络的参数进行优化，更新该网络中节点的权重；S25，重复步骤S22至步骤S24，直到迭代次数达到预先设定好的值，完成对该卷积神经网络的训练；
S26，完成对该卷积神经网络的训练后，该网络的输出R即是电台工作模式信号特征的嵌入表示；S3，利用训练好的卷积神经网络，将接收的待测电台工作模式的信号波形映射为嵌入空间中的向量，即嵌入向量；将接收的待测电台工作模式的信号经过短时傅里叶变换，得到对应的信号时频向量，将该信号时频向量输入到步骤S2中训练好的卷积神经网络中，该卷积神经网络的输出为该接收的待测电台工作模式的信号的嵌入向量；S4，计算...

【专利技术属性】
技术研发人员：杨健，王沙飞，解凯，刘杰，田震，方旖，秦臻，
申请(专利权)人：中国人民解放军三二八零二部队，
类型：发明
国别省市：