【技术实现步骤摘要】
本专利技术涉及电磁信号，尤其涉及一种基于互补对抗训练的电磁信号深度学习稳健分类方法。
技术介绍
1、随着人工智能技术的发展，电磁频谱空间的探索手段也越来越智能化，其中基于深度学习的一系列技术在频谱感知和利用等方面取得了卓越的性能。然而，近年来在深度学习上的研究表明，深度神经网络模型存在着不安全性和不可靠性。在图像分类领域，通过给图像添加一个肉眼无法察觉的精心制作的极小扰动就可以欺骗分类模型，造成模型错误判决，极大地降低了分类模型的分类准确率。这种精心制作的样本就是对抗样本，大量实验证明，对抗样本具有普适性，对同类型网络均具有破坏性，如何降低对抗样本对模型的影响，如何构建一个稳健的模型，一直是个难题。
2、为了保障智能化系统的可用性和可靠性，电磁信号对抗样本攻防这一特殊形式的电子对抗也被予以重视，电磁对抗攻击是一种主动攻击行动，可以通过发射精心制作的对抗样本波形扰乱敌方的智能电磁频谱控制系统，其具有低功率和隐蔽性等特点。而电磁样本对抗防御的主要任务是保障己方智能电磁频谱控制和利用系统在受到对抗样本攻击时的可用性和可靠性。目前基于攻击的电磁对抗研究层出不穷，而有效的防御手段却寥寥无几。
3、在电磁信号自动调制识别方向，在保证电磁信号调制类型识别的准确率下，需要提高调制类型识别网络的鲁棒性，提高调制类型识别网络面对对抗样本的防御能力。
技术实现思路
1、有鉴于此，本专利技术提供一种基于互补对抗训练的电磁信号深度学习稳健分类方法，以解决上述问题。
2、本
3、在本专利技术的另一实现方式中，对抗攻击方法表示为：
4、
5、其中，xadv为对抗样本，为迭代t时的对抗样本，α是每次迭代的步长，y是输入样本的真实标签，πx,δ是投影方法，表示求损失函数对输入数据x的梯度，sign(·)表示符号函数。
6、在本专利技术的另一实现方式中，互补对抗训练算法参数优化函数如下：
7、
8、其中，l为交叉熵损失，lmse表示均方差损失函数，δ为对抗因子的大小，扰动因子的大小β是一个可以调整的参数，调整该参数的大小可以得到更均衡的性能。
9、在本专利技术的另一实现方式中，基于互补对抗训练算法和新的训练集进行训练，得到目标分类器，包括：将深度神经网络模型中的残差网络模型作为基础分类器；在训练集上利用互补对抗训练算法对基础分类器进行训练，得到目标分类器。
10、在本专利技术的另一实现方式中，通过测试集验证分类器的性能，包括：通过对抗样本生成法对测试集进行处理，生成用于测试的对抗样本；通过目标分类器对用于测试的对抗样本的分类准确率来评判目标分类器的鲁棒性。
11、在本专利技术的另一实现方式中，基于互补对抗训练的电磁信号深度学习稳健分类方法还包括：基于训练集进行模型训练，得到原始分类器；通过目标分类器和原始分类器对训练集的分类准确率来评判目标分类器的泛化性。
12、在本专利技术的基于互补对抗训练的电磁信号深度学习稳健分类方法中，引入了一种扰动样本，该扰动样本定义为在原样本的数值上减去扰动大小，其形式上和生成对抗样本时使用原样本加上扰动大小互补，并基于一般的两种对抗训练方式提出了对应的互补对抗训练算法；通过本专利技术中的互补对抗训练算法训练的模型可以抵御给定范围内的对抗样本攻击，相比于现有的对抗训练方法，本专利技术在在一定扰动范围内提高了模型的鲁棒性的同时，还提高了模型的泛化性，弥补了一般对抗训练方法的不足。
本文档来自技高网...【技术保护点】
1.一种基于互补对抗训练的电磁信号深度学习稳健分类方法，其特征在于，包括：
2.根据权利要求1所述的方法，其特征在于，所述对抗攻击方法表示为：
3.根据权利要求2所述的方法，其特征在于，所述互补对抗训练算法参数优化函数如下：
4.根据权利要求3所述的方法，其特征在于，所述基于互补对抗训练算法和所述新的训练集进行训练，得到目标分类器，包括：
5.根据权利要求1所述的方法，其特征在于，所述通过所述测试集验证所述分类器的性能，包括：
6.根据权利要求1所述的方法，其特征在于，还包括：
【技术特征摘要】
1.一种基于互补对抗训练的电磁信号深度学习稳健分类方法，其特征在于，包括：
2.根据权利要求1所述的方法，其特征在于，所述对抗攻击方法表示为：
3.根据权利要求2所述的方法，其特征在于，所述互补对抗训练算法参数优化函数如下：
4.根据权...
【专利技术属性】
技术研发人员：齐佩汉，张卫琳，李赞，刘马良，梁琳琳，姜涛，孟永超，周小雨，任锦阳，尹凯，
申请(专利权)人：西安电子科技大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。