面向智能调制识别的电磁信号灵巧诱骗方法

基于深度学习的调制识别技术以其在特征提取和识别性能方面的优势,在电磁频谱感知中逐渐得到融合应用。然而,由于智能频谱感知模型内在学习机制的脆弱性和局限性,通过在原始信号上添加难以感知的扰动,能够降低电磁信号调制识别系统的性能。本文针对智能电磁信号调制识别系统的脆弱性,开展了电磁信号诱骗方法研究。与传统的在信号上添加全局扰动不同,该方法通过优选原始电磁信号上的显著采样点,并在特定采样点上加入扰动,实现对电磁信号调制识别系统的灵巧诱骗。实验结果表明,该方法通过在原始信号上添加轻微的隐蔽扰动,在不影响接收机性能的前提下,即可使得智能调制识别系统产生机器幻觉,将对抗样本识别为指定的信号类型,定向扰乱电磁信号调制识别系统的识别结果,从而达到“隐真示假”的目的。     

电磁信号对抗样本攻击与防御发展研究

以深度学习为代表的智能化技术在提升电磁频谱控制与利用系统性能水平的同时,也暴露出其脆弱性,催生出一批以对抗样本为代表的智能电磁攻防技术。随着智能化的快速应用和发展,该领域势必成为电磁频谱竞争的又一个“制高点”。首次尝试着明确了电磁对抗样本攻防的概念内涵,为规范后续的关键技术研究和具体应用提供参考。分析了智能模型脆弱性机理,认为智能模型脆弱性与可解释性存在一定的关系,将专家知识嵌入到模型学习中是下一步改善模型鲁棒性的研究方向。系统梳理了电磁信号对抗样本攻击和对抗样本防御的研究脉络,总结了通用对抗样本领域的共性研究规律,可以直接为电磁信号对抗样本研究提供借鉴。通过总结电磁信号对抗样本的研究规律,提炼出电磁信号对抗样本特有的问题。在此基础上,结合团队近年在该领域的研究积累,提出下一步的发展趋势,对抗攻击下一步的研究趋势是适应跨模型、跨任务的场景,应更加注重领域知识的应用,目标是要对抗多源综合的传感器体系;对抗防御的研究趋势是寻找鲁棒性与泛化性的权衡,通过利用信号处理知识优化处理流程,提高模型的对抗防御性能。同时关注鲁棒性评估,这可能是下一代智能化系统可靠性评估的关键技术之一。     

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。     

调制识别中目标对抗攻击

由于深度学习算法具有特征表达能力强、特征自动提取以及端到端学习等突出优势,因此被越来越多的研究者应用至通信信号识别领域。然而,对抗样本的发现使得深度学习模型极大程度地暴露在潜在的风险因素中,并对当前的调制识别任务造成严重的影响。本文从攻击者的角度出发,通过对当前传输的通信信号添加对抗样本,以验证和评估目标对抗样本对调制识别模型的攻击性能。实验表明,当前的目标攻击可以有效地降低模型识别的精确度,所提出的logit指标可以更细粒度地用于衡量攻击的目标性效果。     

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%。     

基于深度学习的通信信号调制方式识别

针对采用传统机器学习算法对通信信号调制识别方法中的计算复杂度高、准确率低以及人工提取特征步骤繁琐等问题,提出一种基于深度神经网络通信信号调制识别模型。模型可以直接识别经过采样之后的通信信号类别,且具有识别准确率高、通用性强、抗噪声性能好及处理流程简便等特点,有效解决了传统算法无法实现自动提取特征的缺陷。通过大量实验以及对通信信号特征的准确分析,采用卷积神经网络和循环神经网络等网络的组合设计,构建了一个识别准确率较高且端到端的通信信号识别模型。     

基于深度学习的电磁信号调制识别方法

电磁信号调制识别是电磁信息安全领域的重要技术基础。该文针对无线衰落造成电磁信号调制识别准确率低的问题,研究比较了基于深度学习的无线衰落信道电磁信号的调制识别方法。通过Matlab仿真生成同向正交(IQ)电磁信号数据,比较分析了AlexNet、VGGNet、ResNet和DenseNet四类神经网络模型的信号调制识别准确率,得到适合应用于无线衰落信道电磁信号调制识别的模型。结果表明,DenseNet神经网络对信号调制识别的准确率最好,达到82.10%。本研究为电磁信号调制识别在电磁信息安全等领域的应用提供重要参考。     

基于稀疏深度神经网络的电磁信号调制识别

为在低复杂度约束条件下提升电磁信号调制识别的性能,提出了一种基于稀疏深度神经网络(Sparse Deep Neural Network, SDNN)的电磁信号调制识别方法。首先,通过提取电磁信号同相和正交两路数据绘制出信号的星座图,作为信号的浅层特征表达;然后,基于星座图中各信号点密度大小对星座图进行上色,增强星座图中信号特征;最后,通过SDNN对增强后的星座图进行识别分类。实验结果表明,SDNN模型选取合适的剪枝率后,能够有效降低模型存储规模和计算量,其中模型参数压缩了72%,浮点运算量压缩了45%,与原模型97%的综合识别率相比,稀疏化处理后模型的综合识别率为96.8%,在小幅度识别精度损失范围内大幅降低了模型复杂度。     

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。     

通信信号调制识别技术

在无线电应用领域,通信信号调制识别技术已成为一个重要的研究课题.对通信信号调制识别技术的研究内容、现有方法和发展前景作了一个综述,以期让大家进一步了解和推动这方面的研究工作.     

数字通信信号自动调制识别技术研究

就目前来看,数字通信信号处理技术的发展程度不断加剧,其带来的重要影响是通信环境质量的下降,该种情况显著制约了通信行业的发展,随着现代科学技术的进步,人们对于数字通信信号的识别技术要求不断提升。就通信行业的整体发展来看,数字通信信号中的自动调制和识别技术是一个关键技术,但其应用于实践还有很多阻碍,基于以上分析强化对数字通信信号自动调制技术的研究,有助于提升数字通信质量,保证社会的稳定。文章主要分析了数字通信信号自动调制识别技术,期望为行业工作提供一定参考。     

基于复数网络与注意力机制的信号调制识别

通信信号调制识别作为管理、监测电磁频谱的重要手段,具有重要的研究价值和应用前景。本文利用调制信号的频域信息,提出一种基于复数神经网络的信号调制识别方法。首先将I、Q两路信号组合成复信号,经过快速傅里叶变换(FFT)后把得到的实部和虚部组合起来作为输入网络的数据集。其次,设计了一种复数神经网络结构,并引入了注意力机制对网络结构进行改良。仿真结果表明,本文提出的方法可以有效识别9种调制方式,在信噪比为6 dB时,平均正确识别率达到96.33%。     

无线电信号的调制识别研究

无线电通信技术的不断发展,使得通信环境日渐复杂多变。通信信号可以采用多种多样十分复杂的调制方式,而怎样有效快捷地监控和识别这些通信信号就显得至关重要,而通信信号调制识别的基本任务是在有多信号的环境和有噪声的干扰之下将接收信号的调制方式和其他信号参数确定出来,从而进一步对信号进行更深程度地分析和处理。     

卫星通信信号调制识别技术研究

通信信号的调制方式识别是非协作通信领域的一个研究热点,它需要在没有任何先验条件,且环境复杂有噪声的条件下,不依赖于其它的先验知识,确定目标信号的调制方式。然后就可提取载频、码速率、滚降系数等参数,为信号的进一步深入研究提供依据。分析了几种经常用于卫星通信的MPSK调制信号和高阶调制信号16APSK,提出了一种基于高阶累积量与频谱特征的识别算法。在特定的数据长度和信噪比条件下,理论分析与仿真验证均验证了该算法易于实现、识别率高（≥95％）。     

认知无线电信号调制识别技术

无线电是在漫长的人类发展进步过程中研究出的一种相互传递信息的先进的方式。无线电技术一经发明,就发挥着至关重要的作用。当前社会人们对无线通信技术的依赖性是非常强的,当前无线通信技术不断发展,对于本就十分紧张的无线频谱资源来说并不是好事。无线频谱资源本身较为紧张,但是研究者在长期的研究过程中却发现,在低频段信号的传播特性是极其优良的,但是在低频段的利用效率却是十分低的。     

基于多模态深度学习的信号调制识别

信号调制识别技术在民用和军事领域都有重要应用。当前信息化战场中,由于各类雷达、通信、导航、电子战武器等信息辐射源的数量愈来愈多,调制形式也日益多样化,信号密度愈来愈大,战争电磁环境日趋复杂化,传统的信号调制识别技术已无法适应。因此,提出基于深度学习的AlexNet网络和复数神经网络,同时采用多模态特征融合和模型融合技术,融合信号统计图域和信号I/Q波形域的多模态信息,实现信号调制识别。仿真结果表明,所提方法的识别精确度在不同信噪比下均优于单模态识别方法和未采用多模态协同融合框架的方法。     

基于轻量化深度学习网络的调制信号识别模型

电磁态势分析是信息化战争中至关重要的工作,如何利用深度学习技术有效实现调制信号识别是其中一项关键技术.首先将调制信号转化为带有颜色信息的星座图形式,并用深度学习方法,选用VGG16和AlexNet两个卷积神经网络完成调制识别任务.结果显示,当信噪比大于等于0 dB时,可以达到99％以上的识别准确率.由于军用设备对于计算...     

基于分级降噪的电磁信号调制识别研究

针对低信噪比(Signal to Noise Ratio, SNR)下电磁信号的调制识别效果不佳、调制识别算法复杂度高的问题,提出了一种基于卷积神经网络(Convolutional Neural Network, CNN)和门控循环单元的高、低SNR分级降噪方法,同时设计了一种基于SNR分级降噪和卷积长短期神经网络的低复杂度调制识别框架。采用中值滤波对低SNR数据降噪,高SNR数据不做降噪处理,使用卷积长短期神经网络结构提取分级降噪后电磁信号的时间相关性和空间特征。实验结果表明,基于分级降噪的调制识别方法在低SNR下的识别准确率有3%的提升,在高SNR下的识别准确率达到了94.3%,实现了11种调制方式的高精度识别。