基于对抗攻击的SAR舰船识别卷积神经网络鲁棒性研究

随着深度学习技术的迅猛发展,卷积神经网络(Convolutional Neural Networks,CNN)在合成孔径雷达(Synthetic Aperture Radar,SAR)舰船分类任务上取得很高的精度。但同时,由于SAR成像存在相干斑噪声等特性以及CNN自身的脆弱性,使得预测结果稳定性较差,在实际应用中存在明显隐患。针对上述CNN在SAR舰船识别分类任务上鲁棒性不足的问题,本文将对抗样本引入到SAR舰船识别鲁棒性的研究之中,通过从梯度、边界、黑盒模拟等多个角度对CNN网络进行全方位的对抗攻击及干扰,实现了对各SAR舰船识别CNN网络的综合评估,并依照评估结果完成针对性的鲁棒性增强方案的制定,为SAR舰船识别鲁棒性研究开拓了新的领域。     

无线通信中的智能识别神经网络对抗攻击技术综述

利用深度学习解决无线通信识别问题的研究越来越多。为了建立安全可靠的深度神经网络模型,有必要研究其对抗攻击技术。在介绍对抗样本概念和攻击算法的基础上,提出了无线通信智能识别神经网络的对抗攻击模型;对近年来无线通信中智能识别神经网络的对抗攻击方法进行了对比分析,给出了当前对抗攻击方法的局限性和后续研究重点;最后展望了未来的研究方向。     

认知无线电中调制识别算法研究

通信信号的调制类型识别对于认知无线电这种智能通信系统具有重要研究意义。利用调制信号的循环谱相关特征,提取了5个特征参数,给出了各个参数随信噪比变化的曲线图。分类器基于RBF神经网络,采用"一类一个网络"结构,并从提高网络识别性能出发,构建了大容量和高质量的网络训练样本,能够扩大识别范围,提高识别精度。基于谱相关特征参数和神经网络分类器的算法能动态识别信号的调制方式,仿真结果验证了该算法在低信噪比下的有效性。     

基于轻量神经网络的无线电调制识别算法

在信号环境日益复杂、信号调制样式种类多变的情况下,采用深度学习方法实现通信信号的调制识别是一种有效手段。针对当前模型存在着超参数量大、部分信号类型(如正交幅度调制信号)识别率低、识别时间过长等问题,提出了一种基于轻量神经网络的无线电自动调制识别算法。首先通过基于深度可分离卷积的基础单元实现特征提取,并引入通道洗牌操作对不同通道的特征进行重新分配,最终使用注意力机制和Smoothing Maximum Unit(SMU)激活函数加强特征挖掘、复用及学习能力。所提模型能够显著增强空间和通道间的信息交流,有效减少模型超参数量和训练耗时,并进一步解决深层网络中的梯度消失问题。实验结果表明,所提模型的平均识别准确率为90.60%,参数量为75 000,训练耗时更短,优于目前流行的调制识别算法,尤其能缓解模型越复杂响应速度越慢的问题,证明了所提模型的有效性及鲁棒性。     

基于调制谱图卷积神经网络的空中目标识别技术

雷达对空中目标的分类识别技术是雷达信号处理领域中的关键技术.目前大部分雷达目标识别方法通用性较差且对雷达具有较高的要求.针对该问题,提出一种将目标回波的周期性调制谱信息图像化后,基于卷积神经网络调制谱图处理的空中目标识别方法.目标调制谱图像通过卷积神经网络逐层变换自动学习到目标特征信息,最终通过分类器进行分类识别.该方法避免了传统人工拟定调制谱特征的方式,实现了端对端的空中目标识别方法.实验结果表明,基于调制谱图的卷积神经网络模型具有较高的空中目标识别准确率,且模型的鲁棒性和泛化能力较好.     

利用并联CNN-LSTM的调制样式识别算法

为了提高基于卷积神经网络的调制样式识别算法性能,利用CNN的空间特征提取能力和LSTM时序特征提取能力,设计了CNN-LSTM并联网络,上支路由一层卷积层和一层池化层组成,下支路使用单层LSTM网络。直接将同向分量和正交分量作为输入数据,上下支路提取信号的空间和时间特征,提高特征表达能力。对BPSK、QPSK、8PSK、16QAM、32QAM、16APSK、32APSK 等7种信号的调制样式识别仿真实验结果表明:算法无需人为设计特征参数,减少人为因素影响,同时该算法在低信噪比下具有较好的识别性能。      

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。     

基于深度学习的常规调制信号与跳频调制信号识别

跳频（Frequency Hopping,FH）调制手段是扩频通信方法中的一类,具有很强的抗干扰性能,被广泛应用在军事通信领域。在战场的强电磁环境中,准确分类识别出跳频信号与常规调制信号,在判断敌我目标属性、实施通信干扰与抗干扰方面具有十分重要的意义。传统基于信号特征提取的跳频信号分类识别手段受信噪比影响大,在低信噪比条件下无法实现有效分类识别。对此,本文利用卷积神经网络实现跳频调制信号与常规调制信号的分类识别。首先通过小波变换得到信号的时频图像,之后将时频图像输入卷积神经网络进行分类识别。实验证明,相比于传统人工特征分类模型,基于卷积神经网络的分类识别模型受信噪比影响小,且分类识别准确率高,在信噪比大于-4 dB条件下,识别成功率达到98%以上。     

基于数据增强和特征嵌入的自动调制识别

基于端到端的深度学习模型已经被广泛应用于自动调制识别。现有的深度学习方案大多数依赖于丰富的样本分布,而大批量的标记训练集通常很难获得。提出了一种基于数据驱动和选择性核卷积神经网络(Convolutional Neural Network,CNN)的自动调制识别框架。首先开发深度密集生成式对抗网络增强5种调制信号的原始数据集;其次选择平滑伪Wigner-Ville分布作为信号的时频表示,并将注意力模块用于聚焦时频图像分类中的差异区域;最后将真实信号输入轻量级卷积神经网络进行时间相关性提取,并融合信号的时频特征完成分类。实验结果表明,所提算法提高了在低信噪比情况下的识别精度,表现出较强的鲁棒性。     

基于雅可比显著图的电磁信号快速对抗攻击方法

为了生成高质量的电磁信号对抗样本,提出了快速雅可比显著图攻击（FJSMA）方法。FJSMA通过计算攻击目标类别的雅可比矩阵,并根据该矩阵生成特征显著图,之后迭代选取显著性最强的特征点及其邻域内连续特征点添加扰动,同时引入单点扰动限制,最后生成对抗样本。实验结果表明,与雅可比显著图攻击方法相比,FJSMA在保持与之相同的高攻击成功率的同时,生成速度提升了约10倍,相似度提升了超过11%;与其他基于梯度的方法相比,攻击成功率提升了超过20%,相似度提升了20%～30%。     

基于双流-非局部时空残差卷积神经网络的人体行为识别

3维卷积神经网络(3D CNN)与双流卷积神经网络(two-stream CNN)是视频中人体行为识别研究的常用架构,且各有优势。该文旨在研究结合两种架构且复杂度低、识别精度高的人体行为识别模型。具体地,该文提出基于通道剪枝的双流-非局部时空残差卷积神经网络(TPNLST-ResCNN),该网络采用双流架构,分别在时间流子网络和空间流子网络采用时空残差卷积神经网络(ST-ResCNN),并采用均值融合算法融合两个子网络的识别结果。进一步地,为了降低网络的复杂度,该文提出了针对时空残差卷积神经网络的通道剪枝方案,在实现模型压缩的同时,可基本保持模型的识别精度;为了使得压缩后网络能更好地学习到输入视频中人体行为变化的长距离时空依赖关系,提高网络的识别精度,该文提出在剪枝后网络的首个残差型时空卷积块前引入一个非局部模块。实验结果表明,该文提出的人体行为识别模型在公共数据集UCF101和HMDB51上的识别准确率分别为98.33%和74.63%。与现有方法相比,该文模型具有参数量小、识别精度高的优点。     

Shift-invariant universal adversarial attacks to avoid deep-learning-based modulation classification

With the development of deep-learning technology, how to prevent signal modulation from being correctly classified by deep-learning-based intruders becomes a challenging issue. Adversarial attack provides an ideal solution as deep-learning models are proved to be vulnerable to intentionally designed perturbations. However, applying adversarial attacks to communication systems faces several practical problems such as shift-invariant, imperceptibility, and bandwidth compatibility. To this end, a shift-invariant universal adversarial attack approach is proposed in this work for misleading deep-learning-based modulation classifiers used by intruders. Specifically, this work first introduces a convolutional neural network (CNN)-based UAP (universal adversarial perturbation) generation model that contains an finite impulse response (FIR) filter layer to control the bandwidth of the output perturbation. Besides, this work proposes a circular shift scheme that simulates the random signal cropping in the inference phase and thus ensures the shift-invariant property of adversarial perturbations. In addition, this work designs a composite loss function that improves the imperceptibility of the adversarial perturbation in both time and frequency domains without decreasing the effectiveness of the adversarial attack. Experimental results demonstrate the effectiveness of the proposed approach, achieving about 50% accuracy drop on the target model when the perturbation-to-signal ratio (PSR) is −10 dB. Furthermore, extensive experiments are conducted to validate the shift-invariant, imperceptibility, bandwidth compatibility, and transferability of the proposed approach for modulation classification tasks.     

基于软阈值深度学习的自动调制识别算法

自动调制识别是通信识别、电子侦察、干扰检测等领域中重要的环节. 针对低信噪比（signal-to-noise ratio, SNR）条件下自动调制识别准确率不高的问题,构建了一种基于注意力机制的卷积神经网络（convolutional neural network, CNN）调制识别模型（sequential convolution-based attention model, SCAM）,用于处理原始I/Q序列信号从而进行调制识别. 通过在一维CNN模型中引入注意力机制,SCAM能够有效地在低SNR条件下提取原始I/Q序列信号中的特征信息,再通过特征融合的方式对多域特征信息进行联合提取,并将融合后的特征用于调制识别,从而提升了自动调制识别的准确率. 对比传统CNN模型,开源数据集RML2016.10a上不同SNR环境条件下的调制识别实验表明,本文提出的SCAM模型能取得更高的调制类型识别准确率.

     

基于深度学习的关节点行为识别综述

关节点行为识别由于其不易受外观影响、能更好地避免噪声影响等优点备受国内外学者的关注,但是目前该领域的系统归纳综述较少。该文综述了基于深度学习的关节点行为识别方法,按照网络主体的不同将其划分为卷积神经网络(CNN)、循环神经网络(RNN)、图卷积网络和混合网络。卷积神经网络、循环神经网络、图卷积网络分别擅长处理的关节点数据表示方式是伪图像、向量序列、拓扑图。归纳总结了目前国内外常用的关节点行为识别数据集,探讨了关节点行为识别所面临的挑战以及未来研究方向,高精度前提下快速行为识别和实用化仍然需要继续推进。     

一种视角无关的时空关联深度视频行为识别方法

当前行为识别方法在不同视角下的识别准确率较低,该文提出一种视角无关的时空关联深度视频行为识别方法。首先,运用深度卷积神经网络的全连接层将不同视角下的人体姿态映射到与视角无关的高维空间,以构建空间域下深度行为视频的人体姿态模型(HPM);其次,考虑视频序列帧之间的时空相关性,在每个神经元激活的时间序列中分段应用时间等级池化(RP)函数,实现对视频时间子序列的编码;然后,将傅里叶时间金字塔(FTP)算法作用于每一个池化后的时间序列,并加以连接产生最终的时空特征表示;最后,在不同数据集上,基于不同方法进行了行为识别分类测试。实验结果表明,该文方法(HPM+RP+FTP)提高了不同视角下深度视频识别准确率,在UWA3DII数据集中,比现有最好方法高出18%。此外,该文方法具有较好的泛化性能,在MSR Daily Activity3D数据集上得到82.5%的准确率。

     

基于时频特征的跳频信号调制识别

跳频信号在抗干扰方面具有良好的性能。准确识别跳频信号的调制方式,能够为判断敌我目标属性、干扰敌方信号等军事信息战提供有力支撑,但国内外对于跳频信号的调制识别仍存在很大空缺。本文提出一种基于时频特征的跳频信号调制识别方法,通过平滑伪魏格纳-维利分布(SPWVD)时频变换获取不同调制类型的跳频信号时频图像,将时频图像送入卷积神经网络(CNN)中进行特征提取及分类识别。仿真实验证明,本文CNN在低信噪比下取得了较好的识别效果。     

基于稀疏自编码器的空间微动目标融合识别方法

当采用高分辨雷达对空间微动目标进行观测时,往往能同时获得其窄带、宽带回波。为充分利用其中蕴含的丰富电磁散射、形状、结构及运动信息,该文提出基于稀疏自编码器(SAE)的空间微动目标特征级融合识别方法。在训练阶段,首先采用卷积神经网络(CNN)分别提取训练集中微动目标回波的1维高分辨距离像(HRRP)、时频图(JTF)及距离-瞬时多普勒像(RID)层级特征。随后,将提取的3个深层特征进行1维拼接形成联合特征向量,并采用SAE自动学习联合特征向量的隐层特征。进而剔除SAE解码部分并在编码器后接入Softmax分类器构成识别网络。最后,利用SAE网络参数对识别网络进行初始化,并利用上述联合特征向量对其进行微调得到训练好的识别网络。在测试阶段,将CNN所提测试集的联合特征向量直接输入训练好的识别网络以得到融合识别结果。不同条件下的电磁仿真数据识别结果证明了所提方法的有效性及稳健性。     

基于快速滤波算法的卷积神经网络加速器设计

为减少卷积神经网络(CNN)的计算量,该文将2维快速滤波算法引入到卷积神经网络,并提出一种在FPGA上实现CNN逐层加速的硬件架构。首先,采用循环变换方法设计行缓存循环控制单元,用于有效地管理不同卷积窗口以及不同层之间的输入特征图数据,并通过标志信号启动卷积计算加速单元来实现逐层加速;其次,设计了基于4并行快速滤波算法的卷积计算加速单元,该单元采用若干小滤波器组成的复杂度较低的并行滤波结构来实现。利用手写数字集MNIST对所设计的CNN加速器电路进行测试,结果表明：在xilinx kintex7平台上,输入时钟为100 MHz时,电路的计算性能达到了20.49 GOPS,识别率为98.68%。可见通过减少CNN的计算量,能够提高电路的计算性能。     

Cooperative automatic modulation recognition in cognitive radio

In this article, a new effective method of cooperative modulation recognition (CMR) is proposed to recognize different modulation types of primary user for cognitive radio receivers. In the cognitive radio (CR) system, two CR users respectively send their feature parameters to the cooperative recognition center, which is composed of back propagation neural network (BPNN). With two users' cooperation and the application of an error back propagation learning algorithm with momentum, the center improves the performance of modulation recognition, especially when one of the CR users' signal-to-noise ratio (SNR) is low. To measure the performance of the proposed method, simulations are carried out to classify different types of modulated signals corrupted by additive white Gaussian noise (AWGN). The simulation results show that this cooperation algorithm has a better recognition performance than those without cooperation.