小样本条件下基于数据增强和WACGAN的雷达目标识别算法

目前小样本条件下高分辨距离像雷达目标识别算法存在识别率较低、识别率稳定度较差等问题,对此,本文提出了基于数据增强和加权辅助分类生成对抗网络（Weighted Auxiliary Classifier Generative Adversarial Networks,WACGAN）的雷达目标识别算法.该算法首先根据雷达目标散射特性,通过时间镜像数据增强方法扩充数据集,然后将扩充数据集输入WACGAN,通过自动选择高质量的生成样本,使判别器在标签样本监督学习的基础上得到进一步优化,最后直接利用判别器实现对雷达目标的有效识别.仿真实验结果表明,本文算法在不增加识别时间的基础上,有效提高了小样本条件下对雷达目标的识别率和识别稳定度.     

一种优化孪生网络的小样本辐射源个体识别方法

针对信号辐射源个体识别小样本难以稳定收敛、识别准确率不足的问题,提出了一种基于优化孪生网络模型进行小样本辐射源个体识别的方法,分析了通过孪生网络实现不同类别样本对特征向量距离增大、相同类别样本对特征向量距离减小的弹簧模型,达到小样本训练损失函数的快速收敛的目的,并结合交叉熵实现损失函数优化,从而提升了小样本个体识别的准确率和稳定性。试验结果表明,针对每类不大于10个训练样本集的通信电台所提方法能够达到88%以上个体识别准确率。     

基于双通道生成对抗网络的镜片缺陷数据增强

针对小样本条件下深度学习缺陷检测算法识别率较低的问题,提出一种基于双通道生成对抗网络的数据增强方法.由全局鉴别层和局部鉴别层两通道组成生成对抗网络,其中局部鉴别器可以增加缺陷类型的置信度损失,实现对局部信息的增强.采用所提方法在镜片缺陷图像数据集上进行实验.实验结果表明,所提方法的最近邻留一指标、最大均值差异和Wasserstein距离分别达到0.52、0.15和2.81;对于麻点、划痕、气泡和异物的缺陷类型图像,生成的图像质量优于条件生成对抗网络、Wasserstein距离生成对抗网络和马尔科夫判别器.双通道生成对抗网络生成的镜片图像有着多样性的全局信息和高质量的细节特征,可以有效增强镜片缺陷数据集.     

利用生成对抗网络的时频图像去噪和增强处理

针对雷达信号时频图像的去噪和增强问题,提出了利用生成对抗网络二次生成时频图像的方法。首先利用时频分析产生雷达信号的时频图像作为原始数据集1;接着利用生成对抗网络对数据集1进行学习之后生成新的数据集2,数据集2相对于数据集1拥有着去噪和增强的效果;最后提取时频图像奇异值特征检验生成的数据集2的有效性。对6种常见的雷达信号的时频图像进行了仿真实验,结果证明了该方法在时频图像去噪和增加样本多样性方面是有效的。     

辐射源个体识别的一种可解释性测试架构

由于射频信号种类多,电磁环境复杂,特征提取难度大,现有的基于人工特征的射频辐射源个体识别方法的鲁棒性、适用性难以满足应用需求。数据驱动的深度学习方法虽然可以提供更灵活的辐射源个体识别模式,但深度学习方法自身可解释性差,而且缺乏通用测试模式来评价一个深度学习方法的优劣。本文在电磁大数据非凡挑战赛目标个体数据集的基础上,探索了基于该数据集的深度学习模型测试方法,提出面向辐射源个体识别神经网络模型的通用测试系统架构。该构架通过信号特征遮掩、生成对抗网络(GAN)、欺骗信号汇集、信道模拟等方法构造仿真测试样本,并把测试样本与原样本数据导入深度模型进行识别结果对比测试。基于测试结果分析了深度模型聚焦的信号关键特征位置,分析模型的鲁棒性,揭示信道环境对识别性能的影响,从而解释了深度学习网络模型的性能。     

基于CNN-Transformer网络融合模型的电磁信号识别研究

随着当今通信技术水平的蓬勃发展,电磁空间环境也变得更加错综复杂,电磁空间中的信号种类也呈现多样性。面对电磁空间中的各种干扰,能够准确有效地分辨出电磁信号的种类也变得更加困难。针对该问题,提出了一种基于卷积神经网络与Transformer网络融合模型的电磁信号识别方法,通过对卷积网络结构以及模型参数设计生成面向电磁信号的网络模型结构,再将Transformer网络与提出的卷积神经网络融合,通过公开数据集RadioML 2016.10a进行电磁信号识别性能分析。实验结果表明,提出的新型网络模型在电磁信号上的识别性能相比现有流行的神经网络模型具有更好的识别性能,更加适用于对电磁信号识别的应用。     

电磁信号调制识别中的对抗性攻击技术研究

无线通信常需要检测通信信号的调制类型,来分析估计调制参数,或发出干扰信号破坏对方通信系统。深度学习成为研究热点为调制信号识别带来了极大的便利,然而人工智能模型面临着来自对抗样本严重的威胁,这大大降低了深度机器学习任务执行的高可靠性度和安全性。针对电磁信号识别中的对抗攻击问题,使用Matlab生成数据集,并设计深度神经网络为问题研究的基础。进一步对对抗样本进行分析,结合信号理论,给出了通信信号对抗样本产生原因的分析,并研究经典的基于梯度生成的对抗样本生成算法,实现在不同攻击类型及迭代步长下的白盒攻击,可将原始模型识别率降低30%以上。仿真实验证明,卷积神经网络极易受到对抗攻击,对抗样本会对智能模型的辨识精度产生影响,对于深度学习模型的安全性与可靠性的研究具有重要价值。     

基于MDCGAN的裂缝样本扩充及识别研究

针对裂缝图像获取困难导致的样本少、传统数据扩充方法提升样本特征空间能力不足等问题,提出了一种基于改进深度卷积生成对抗网络(MDCGAN)的裂缝样本扩充方法。首先对数据集进行预处理,利用滑窗法进行数据降维和清洗;其次优化激活函数,提高生成特征的多样性,同时引入谱归一化进行权重标准化提升网络结构的稳定性,以生成高质量的裂缝数据集;最后,利用改进的Alexnet网络对扩充后的混合样本集进行特征提取并分类识别。结果表明,MDCGAN网络数据增强性能与传统扩充方法相比均有明显提高,适用于扩充裂缝图像。     

自监督双流融合的小样本雷达辐射源识别方法

针对实际场景中辐射源数据稀缺造成的小样本问题，提出了一种基于自监督和双流融合的小样本雷达辐射源识别方法。首先利用高斯分布噪声、莱斯多径衰落、设计时钟偏移信号等减损方法，基于有限数量的真实样本构建类均衡辐射源信号样本集。基于增强数据集，提出一种信号时间序列与时频图的双流特征融合模型。采用对比学习方法构建双流特征融合模型的自监督上游任务，以提升在有限标签数据情况下信号多域特征的表征能力与泛化能力。实验结果证明，该方法在小样本条件下能够有效地实现较好的辐射源类型识别能力，在目标域每个类别100个样本限制下，识别精度达到97.1%,与传统一维特征方法和基于长短期记忆(Long Short Term Memory, LSTM)的方法相比均有较大提升。     

基于软阈值深度学习的自动调制识别算法

自动调制识别是认知无线电、电子侦察、电磁态势生成中重要的环节.由于电磁环境日益复杂,噪声对能否正确调制识别影响显著.本文针对低信噪比（signal-noise ratio,SNR）环境条件设计了一种基于软阈值的深度学习模型,在卷积神经网络（convolutional neural networks, CNN）的基础上加入软阈值函数.将IQ数据转化为幅度相位信息作为模型的输入,CNN用于提取幅度相位数据中的特征,软阈值学习网络可以针对不同特征设置不同阈值,用于滤除样本噪声,提高低SNR条件下的识别率.在开源数据集RML2016.10a上验证了所提算法的有效性,对比其他网络结构,本文提出的模型识别率更高且效率更高.     

基于数据增强的小样本通信干扰识别技术

干扰识别是通信抗干扰过程的前置环节,为抗干扰决策和波形选择提供关键的先验知识,是抗干扰成功与否的关键步骤.在复杂的电磁条件下,对干扰信号进行大量标记往往是困难的,并且对干扰识别的实时性要求很高.针对上述问题,研究了一种基于数据增强的小样本干扰信号识别技术,以解决小样本条件下分类器训练过程的欠拟合问题.小样本条件下,在正...     

Automatic modulation classification based on AlexNet with data augmentation

Deep learning (DL) requires massive volume of data to train the network. Insufficient training data will cause serious overfitting problem and degrade the classification accuracy. In order to solve this problem, a method for automatic modulation classification ( AMC) using AlexNet with data augmentation was proposed. Three data augmentation methods is considered, i. e. , random erasing, CutMix, and rotation. Firstly, modulated signals are converted into constellation representations. And all constellation representations are divided into training dataset and test dataset. Then, training dataset are augmented by three methods. Secondly, the optimal value of execution probability for random erasing and CutMix are determined. Simulation results show that both of them perform optimally when execution probability is 0.5. Thirdly, the performance of three data augmentation methods are evaluated. Simulation results demonstrate that all augmentation methods can improve the classification accuracy. Rotation improves the classification accuracy by 13.04% when signal noise ratio (SNR) is 2 dB. Among three methods, rotation outperforms random erasing and CutMix when SNR is greater than - 6 dB. Finally, compared with other classification algorithms, random erasing, CutMix, and rotation used in this paper achieved the performance significantly improved. It is worth mentioning that the classification accuracy can reach 90.5% with SNR at 10 dB.     

基于深度学习的大规模电磁信号识别

近年来,很多高质量的数据集支撑了深度学习在计算机视觉、语音和自然语言处理领域的快速发展.但在电磁信号识别领域仍缺乏高质量的数据集,为促进深度学习在电磁信号识别中的应用,本文基于广播式自动相关监视(ADS-B)建立了一个大规模的真实电磁信号数据集.首先设计了一个自动数据收集和标注系统,在开放和真实的场景中自动捕获ADS-...     

基于大数据的复杂环境下调制分类方法

随着频率使用设备的激增和大数据时代的到来,频谱管理和控制面临着有效性和准确性的挑战.调制分类技术是频谱管理和控制的基础,也是其关键部分.因此,在大数据场景下进行有效的调制分类技术非常重要.本文不仅考虑了大数据背景下分类模型的有效性,还考虑了复杂电磁环境中噪声的动态性.因此,构建了一个包含不同信噪比下不同信号的大数据集,...     

多级注意力特征网络的小样本学习

针对目前基于度量学习的小样本方法存在特征提取尺度单一,类特征学习不准确,相似性计算依赖标准度量等问题,该文提出多级注意力特征网络。首先对图像进行尺度处理获得多个尺度图像;其次通过图像级注意力机制融合所提取的多个尺度图像特征获取图像级注意力特征;在此基础上使用类级注意机制学习每个类的类级注意力特征。最后通过网络计算样本特征与每个类的类级注意力特征的相似性分数来预测分类。该文在Omniglot和MiniImageNet两个数据集上验证多级注意力特征网络的有效性。实验结果表明,相比于单一尺度图像特征和均值类原型,多级注意力特征网络进一步提高了小样本条件下的分类准确率。     

面向一体化应用的电磁信号智能检测方法研究

针对复杂电磁环境中信号检测受限于低信噪比的问题,基于信号与噪声一体化的思路,提出了一种以电磁空间的所有电磁辐射信号为背景,并结合深度学习算法的电磁信号检测方法。首先建立动态场景的电磁环境模型,包括了通信基站信号、雷达信号、干扰信号等,其次使用加高斯窗傅里叶变换提取电磁信号时频域的能量分布特征,最后采用卷积神经网络进行特征选择分类,实现信号检测。仿真结果表明,该方法在一定程度上减轻了信号检测受限于信噪比的问题,克服了传统能量检测方法和基于SVM检测方法的缺陷,提高了低信噪比下电磁信号的检测性能。      

基于图像分割网络的深度假脸视频篡改检测

随着深度学习技术的快速发展,利用深度神经网络模型伪造出的深度假脸(deepfake)视频越来越逼真,假脸视频造成的威胁也越来越大。文献中已出现一些基于卷积神经网络的换脸视频检测算法,他们在库内获得较好的检测效果,但跨库检测性能急剧下降,存在泛化能力不足的问题。该文从假脸篡改的机制出发,将视频换脸视为特殊的拼接篡改问题,利用流行的神经分割网络首先预测篡改区域,得到预测掩膜概率图,去噪并二值化,然后根据换脸主要发生在人脸区域的前提,提出一种计算人脸交并比的新方法,并进一步根据换脸处理的先验知识改进人脸交并比的计算,将其作为篡改检测的分类准则。所提出方法分别在3个不同的基础分割网络上实现,并在TIMIT, FaceForensics++, FFW数据库上进行了实验,与文献中流行的同类方法相比,在保持库内检测的高准确率同时,跨库检测的平均错误率显著下降。在近期发布的合成质量较高的DFD数据库上也获得了很好的检测性能,充分证明了所提出方法的有效性和通用性。     

一种基于特征点对齐的假脸检测框架

近年来,Deepfake等假脸技术的产生颠覆了人们对人脸信息真实性和安全性的认知,引发广泛的社会担忧,检测假脸成为了学术界、产业界共同关注的热点问题。通过一种基于特征点对齐的假脸检测框架,可以有效对Deepfake技术产生的假脸进行判别。该框架制定了一套包括人脸检测、定点、对齐、特征提取、假脸识别等步骤的假脸检测流程,并通过引入特征点对齐保障假脸检测效果。在Deepfake检测挑战赛(DFDC)数据集上的试验表明,该框架适配4种当前主流骨干网络算法都能获得较好的检测结果;在FaceForensics++数据集上的试验表明,该框架适配ResNet50针对几种不同方式生成的假脸图像都可以取得良好效果。     

光电探测靶假弹丸信号消除的设计与分析

野外使用的光电探测靶易受外界环境的干扰而产生假弹丸信号,引起仪器误触发,导致测量仪器工作异常。利用光电探测靶的探测幕厚特征与实际弹丸飞行速度,分析弹丸与其他假弹丸作用于光幕产生的信号脉宽差异,剔除干扰信号;根据信号脉宽特征,设计弹丸信号识别与提取的逻辑电路,并结合实际测量的多光幕系统,利用各光幕间的信号逻辑关系,达到消除假弹丸信号的目的。