|
|
|
题名
|
作者
|
年代
|
出处
|
被引量
|
| 1 | 基于Raw I/Q和深度学习的射频指纹识别方法综述显示文摘硬件差异会形成辐射源的独有指纹,并附加在无线电信号上,利用辐射源的这一独特属性可进行射频指纹识别。在非合作条件下,由于信道环境未知、信号调制方案等先验知识匮乏,基于特征工程的射频指纹识别方法面临巨大挑战,而基于深度学习的射频指纹识别方法,尤其是能够直接处理Raw I/Q的方法表现出了很大潜力,但是该方向的研究成果较为零散,妨碍了研究者对关键问题的把握。该文首先从先验知识的利用上,对基于深度学习的射频指纹识别方法进行了分类对比,将问题聚焦到基于Raw I/Q和深度学习的射频指纹识别方法。然后,该文重点对使用Raw I/Q进行射频指纹识别的深度神经网络模型进行了分类和讨论,并对射频指纹识别相关的开源数据集、数据表示方法和数据增强方法进行了整理和归纳。最后,该文讨论了基于深度学习的射频指纹识别方法所面临的难题和值得关注的研究方向,以期对射频指纹识别的研究与应用有所帮助。 | 陈翔 汪连栋 许雄 申绪涧 冯蕴天 | 2023 | 雷达学报(中英文)2023，12，1： | 2 |
| 2 | 基于多模态深度学习的信号调制识别显示文摘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。 | 冯忠明 王景岩 李奎贤 | 2022 | 太赫兹科学与电子信息学报2022，20，12： | 2 |
| 3 | 电磁信号调制识别中的对抗性攻击技术研究显示文摘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。 | 王满喜 史明佳 陆科宇 张思成 | 2022 | 无线电通信技术2022，48，6： | 2 |
| 4 | 自适应估计信号个数的频谱信号提取算法显示文摘无线电监测频谱数据中包含有大量的信号,准确提取这些信号有利于掌握全频段的频谱使用情况。实际信号的频谱由于受噪声干扰,会出现信号频带内个别频点能量值低于检测门限的情况,此时传统的门限检测算法会将该信号错估为多个信号,产生多个虚假的相邻信号间隔,导致频谱信号提取的准确率下降。对此,根据虚假相邻信号间隔特点,提出一种自适应估计信号个数的频谱信号提取算法,该算法可自动、准确估计频谱监测数据中电磁信号的个数,并将对应的信号及频谱信息提取出来。实验结果表明,该方法具有自适应性、强鲁棒性和高准确性,有效提高了频谱信号提取的准确率,为军、民电磁环境的识别与掌握提供基础的电磁信号数据支撑。 | 单中尧 林枫 王景岩 冯忠明 | 2022 | 太赫兹科学与电子信息学报2022，20，12： | 1 |
| 5 | 基于深度学习的认知无线电调制参数估计显示文摘自动调制分类是电磁空间感知的一个关键问题,目前传统的识别技术很难适应复杂的信号情况。现有的调制分类算法大多忽略了不同特征之间的互补性和特征融合的重要性。基于此,提出一种用于自动调制分类的图像特征融合方法。该方法充分利用了不同图像特征之间的互补性,通过格拉姆角场(Gramian Angular Field, GAF)方法将原始信号转换为图像,同时利用累积极坐标特征转换技术将接收到的信号从I-Q域转换为r-θ域,在r-θ域对原始信号进行特征编码然后转换为图像。使用深度学习对两种图像进行特征提取,将提取的特征融合后用作神经网络分类器的输入,以实现对多种类型信号的自动调制分类。实验结果表明,使用Swin-Transformer网络模型对转换后的图像进行分类,在信噪比大于4 dB的情况下,调制方法的识别率超过90%。 | 马文轩 蔡卓燃 徐从安 葛亮 高洪元 林云 | 2023 | 无线电通信技术2023，49，2： | 1 |
| 6 | 降噪自编码器用于频谱感知对抗防御模型显示文摘基于深度学习的频谱感知模型虽检测性能优异,但普遍具有脆弱性,容易受到频谱对抗攻击的干扰。为了防御这种攻击,提出使用降噪自编码器过滤对抗信号,并在此基础上提出了一种结合降噪自编码器和防御蒸馏的联合防御方法。利用对抗信号和干净信号预训练得到降噪自编码器,频谱信号经降噪自编码器过滤后用于训练感知分类器,在测试阶段,联合使用降噪自编码器和分类器。同时,为进一步缓解扰动对模型性能的影响,在分类器训练阶段,利用蒸馏算法平滑训练网络,提高模型泛化能力。实验结果表明,对于可以降低深度学习频谱感知模型检测概率的频谱对抗攻击,所提出的基于降噪自编码器的防御方法仍然能够拥有较高的检测概率和较低的攻击成功率。 | 杨研蝶 李志刚 张思成 包志达 林云 | 2023 | 移动通信2023，47，2： | 0 |
| 7 | 面向特定辐射源识别的小样本学习方法综述显示文摘随着第五代移动通信、物联网等技术的普及,辐射源数量与类型都呈现井喷式增长,这导致基于统计特征与机器学习的传统特定辐射源识别技术的识别性能难以达到实际应用水平。近年来,深度学习在计算机视觉、自然语言处理等领域表现出的高超性能启发了大量研究者将深度学习用于特定辐射源识别问题,并且取得了丰硕的研究成果,验证了基于深度学习的特定辐射源识别方法的有效性。数据是深度学习的三大支柱之一,这意味着基于深度学习的特定辐射源识别方法在训练阶段通常也需要海量、高质量电磁信号样本,但是在复杂多变的电磁环境中获取海量、高质量的电磁信号样本,并对其进行标注是十分困难并且成本高昂的。为此,部分研究者将目光聚焦在小样本特定辐射源识别问题上。为了揭示面向特定辐射源识别的小样本学习方法现有水平,推动小样本场景下的特定辐射源识别方法的研究与发展,文章系统地调研并综述了近年来国内外面向特定辐射源识别的小样本学习方法。首先,将已有的小样本特定辐射源识别方法根据有无辅助电磁信号样本对其进行分类,并进行问题描述;然后,分别综述已有的研究工作;最后,进行相关实验仿真并分析了存在的问题与未来的方向。 | 桂冠 陶梦圆 王诚 付雪 王禹 | 2023 | 南通大学学报(自然科学版)2023，22，3： | 0 |
| 8 | Spatial Distribution Feature Extraction Network for Open Set Recognition of Electromagnetic Signal显示文摘This paper proposes a novel open set recognition method,the Spatial Distribution Feature Extraction Network(SDFEN),to address the problem of electromagnetic signal recognition in an open environment.The spatial distribution feature extraction layer in SDFEN replaces convolutional output neural networks with the spatial distribution features that focus more on inter-sample information by incorporating class center vectors.The designed hybrid loss function considers both intra-class distance and inter-class distance,thereby enhancing the similarity among samples of the same class and increasing the dissimilarity between samples of different classes during training.Consequently,this method allows unknown classes to occupy a larger space in the feature space.This reduces the possibility of overlap with known class samples and makes the boundaries between known and unknown samples more distinct.Additionally,the feature comparator threshold can be used to reject unknown samples.For signal open set recognition,seven methods,including the proposed method,are applied to two kinds of electromagnetic signal data:modulation signal and real-world emitter.The experimental results demonstrate that the proposed method outperforms the other six methods overall in a simulated open environment.Specifically,compared to the state-of-the-art Openmax method,the novel method achieves up to 8.87%and 5.25%higher micro-F-measures,respectively. | Hui Zhang Huaji Zhou Li Wang Feng Zhou | 2024 | Computer Modeling in Engineering & Sciences2024，139，4： | 0 |
| 9 | 基于信号特征知识图谱和特征融合的特定辐射源识别技术显示文摘SEI可以用于识别各种类型的无线电发射源,包括无线电通信设备、雷达系统、无线电干扰源等。现有的SEI方法往往通过深度学习来实现,通常SEI要求分类模型具有很高的准确性和鲁棒性。针对现今辐射源信号可视化管理不足和信号识别准确率低的问题,提出了一种信号特征KG和特征融合的SEI方法。第一,该方法创新性地建立了信号特征数据库,且利用KG对信号特征实现可视化表征;第二,基于构建的信号特征KG进行特征融合,有效提升了特定辐射源分类识别的准确率。仿真结果表明,所提出的基于KG和特征融合的SEI方法可以更好地对辐射源信号进行可视化管理,且提升了辐射源识别性能。 | 李英凯 王淑菲 张逸彬 桂冠 | 2023 | 移动通信2023，47，6： | 0 |
您所在的机构暂未开通此部分的功能，请联系管理员