System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind()
【技术实现步骤摘要】
本专利技术涉及通信,尤其涉及一种基于无监督学习的电磁频谱异常检测与定格方法。
技术介绍
1、电磁频谱已成为通信、雷达、导航等用频设备及其衍生无人驾驶、移动互联等产业可靠运行的关键基础支撑,但电磁频谱具有的无形界依附欧式空间、无甄别响应辐射调控等特点,极易被非合作方利用,形成无意或有意的单向透明不对称态势,使得电磁频谱安全极易受到危害。为维护电磁频谱安全,首先需要具备发现恶意破坏和利用等安全威胁的能力。这些安全威胁本质上都可被认为是电磁频谱异常行为的具化。及时发现并告警这些安全威胁,拒绝这些安全威胁“病从口入”,可以从源头上减少被进一步影响的可能性。电磁频谱异常检测可以及早发现电磁频谱安全威胁,为及时处置安全事件提供先机,是维护电磁频谱安全的行之有效手段之一。
2、电磁频谱异常检测是指根据一段时间电磁频谱正常运行状态判断当前频谱是否发生异常变化的过程。现有的电磁频谱异常检测大致可以分为数理统计频谱异常检测和深度学习频谱异常检测两大类。其中基于数理统计的频谱异常检测主要包括概率统计异常检测方法和模板比对异常检测方法。概率统计法大都将电磁环境用单一的概率分布来表征,然后结合电波传播模型估算接收信号特性进行异常判断,模板比对法通过台站信息输入和宽频段功率电平均值形成固定单一的比对模板来判断异常。但基于数理统计的频谱异常检测方法大多基于理想的电波传播模型和频谱信号的随机分布模型,而实际电磁环境与这些理想假设存在较大偏差,这些方法难以满足复杂电磁环境下无线电频谱异常快速自主检测的需要。深度学习频谱异常技术使用大量非线性处理单元逐
技术实现思路
1、鉴于上述的分析,本专利技术实施例旨在提供一种基于无监督学习的电磁频谱异常检测与定格方法,用以解决现有电磁频谱异常检测技术难以适应复杂电磁环境下的快速自主检测需求,且在异常信号微弱、有效样本稀缺、未知异常种类多样的情况下,现有方法难以准确检测和定格电磁频谱中的异常行为。
2、本专利技术实施例提供了一种基于无监督学习的电磁频谱异常检测与定格方法,包括如下步骤:
3、步骤s1、将接收到的电磁频谱信号通过短时傅里叶变换处理为时频图,组成频谱样本集;
4、步骤s2、构建频谱异常检测与定格模型,基于所述频谱样本集作为模型输入进行无监督训练,得到训练好的频谱异常检测与定格模型;其中,频谱异常检测与定格模型包括生成模型g和判别模型d;
5、步骤s3、将多个频谱样本输入训练好的生成模型g,基于计算获得的每个频谱样本的重构损失及每个频谱样本的各个频点的重构损失,进一步计算获得频谱异常判决阈值和频谱异常定格阈值向量;
6、步骤s4、将待检测电磁频谱信号通过短时傅里叶变换处理为时频图,输入训练好的生成模型g,基于所述频谱异常判决阈值和频谱异常定格阈值向量得到异常检测与定格结果。
7、进一步地,所述步骤s1,包括:
8、提取接收到的所述电磁频谱信号的同相正交数据,合成所述电磁频谱信号的复数形式数据;
9、将所述复数形式数据进行短时傅里叶变换,获得时频图;
10、将获得的多个时频图顺序打乱组成频谱样本集。
11、进一步地,所述生成模型g包括编码器和解码器,所述编码器和解码器均采用深度卷积网络;
12、编码器对输入的频谱样本进行编码,生成隐含向量z;
13、所述解码器对所述隐含向量z进行解码,重构生成时频图;
14、所述判别模型d为全连接神经网络,所述隐含向量z及从已知分布p(z)采样的zr输入所述判别模型d,得到判别分类结果,包括真或假。
15、进一步地,所述步骤s2包括:
16、初始化所述生成模型g和判别模型d的各层的权重参数;
17、基于所述频谱样本集中的训练集进行所述频谱异常检测与定格模型的无监督训练;
18、首先固定所述生成模型g的权重参数,从所述训练集中随机选取频谱样本训练判别模型d;然后固定所述判别模型d的权重参数,从所述训练集随机选取频谱样本训练生成模型g,直至达到预设最大迭代次数;
19、利用所述频谱样本集中的验证集对所述频谱异常检测与定格模型进行验证包括:
20、固定所述生成模型g和判别模型d的权重参数,从所述频谱样本集中的验证集中随机选取频谱样本作为编码器的输入;计算所述生成模型g的重构误差及所述判断模型d的判别误差;
21、当本轮验证得到的重构误差均大于等于之前所有训练轮次所得到的重构误差,重新进行模型训练,否则保存所述生成模型g和判别模型d的各层的权重参数,得到训练好的频谱异常检测与定格模型。
22、进一步地,在训练过程中,模型的损失函数包括重构损失和判别损失;
23、所述重构损失为所述生成模型g的输入所述编码器的时频图和所述解码器输出的重构时频图之间的差距rl,计算如下:
24、
25、其中,x为输入时频图,为解码器输出的重构时频图n为解码器输出向量的维度;
26、所述判别损失为d=σ(z,1),其中,σ为sigmoid交叉熵函数。
27、进一步地,所述步骤s3包括:
28、将多个频谱样本输入训练好的生成模型g,计算每个频谱样本的重构损失,基于该重构损失计算频谱异常判决阈值;
29、对多个频谱样本的重构损失沿时间维度求和,得到所述频谱样本中时频图的各个频点的重构损失,基于所述各个频点的重构损失计算得到频谱异常定格阈值向量;其中,多个频谱样本包括正常时频图和异常时频图。
30、进一步地,将所述频谱样本集中的多个频谱样本输入所述训练好的生成模型g;
31、每个频谱样本中时频图x以t×f的大小输入所述编码器,经过所述解码器重构后获得重构时频图计算得到一个损失矩阵;其中,t、f分别为样本采样时间维度和采样频率;
32、多个样本得到多个损失矩阵;
33、对多个损失矩阵求和计算,得到输入的多个频谱样本中时频图的损失值,基于所述损失值计算异常判决阈值q,如下所示:
34、q本文档来自技高网...
【技术保护点】
1.一种基于无监督学习的电磁频谱异常检测与定格方法,其特征在于,包括:
2.根据权利要求1所述的基于无监督学习的电磁频谱异常检测与定格方法,其特征在于,所述步骤S1,包括:
3.根据权利要求1所述的基于无监督学习的电磁频谱异常检测与定格方法,其特征在于,所述生成模型G包括编码器和解码器,所述编码器和解码器均采用深度卷积网络;
4.根据权利要求3所述的基于无监督学习的电磁频谱异常检测与定格方法,其特征在于,所述步骤S2包括:
5.根据权利要求4所述的基于无监督学习的电磁频谱异常检测与定格方法,其特征在于,在训练过程中,模型的损失函数包括重构损失和判别损失;
6.根据权利要求5所述的基于无监督学习的电磁频谱异常检测与定格方法,其特征在于,所述步骤S3包括:
7.根据权利要求6所述的基于无监督学习的电磁频谱异常检测与定格方法,其特征在于,将所述频谱样本集中的多个频谱样本输入所述训练好的生成模型G;
8.根据权利要求7所述的基于无监督学习的电磁频谱异常检测与定格方法,其特征在于,对所述一个频谱样本的损失矩
9.根据权利要求7所述的基于无监督学习的电磁频谱异常检测与定格方法,其特征在于,所述步骤S4包括:
10.根据权利要求2所述的基于无监督学习的电磁频谱异常检测与定格方法,其特征在于,对于所述接收到的电磁频谱信号,获得每个尺寸为t*f的时频图,读取的该信号的复数形式数据的个数num,计算如下:
...【技术特征摘要】
1.一种基于无监督学习的电磁频谱异常检测与定格方法,其特征在于,包括:
2.根据权利要求1所述的基于无监督学习的电磁频谱异常检测与定格方法,其特征在于,所述步骤s1,包括:
3.根据权利要求1所述的基于无监督学习的电磁频谱异常检测与定格方法,其特征在于,所述生成模型g包括编码器和解码器,所述编码器和解码器均采用深度卷积网络;
4.根据权利要求3所述的基于无监督学习的电磁频谱异常检测与定格方法,其特征在于,所述步骤s2包括:
5.根据权利要求4所述的基于无监督学习的电磁频谱异常检测与定格方法,其特征在于,在训练过程中,模型的损失函数包括重构损失和判别损失;
6.根据权利要求5所述的基于无监督学习的电磁频谱异常检测与定格方法,其特征在于,所述步骤s3包括:
【专利技术属性】
技术研发人员:郑仕链,裘坤锋,张陆鑫,周华吉,朱佳伟,陈仕川,杨小牛,
申请(专利权)人:中国电子科技集团公司第三十六研究所,
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。