CN110728175A - 一种用于无线网络的电磁信号红黑识别装置与识别方法 - Google Patents
一种用于无线网络的电磁信号红黑识别装置与识别方法 Download PDFInfo
- Publication number
- CN110728175A CN110728175A CN201910811601.3A CN201910811601A CN110728175A CN 110728175 A CN110728175 A CN 110728175A CN 201910811601 A CN201910811601 A CN 201910811601A CN 110728175 A CN110728175 A CN 110728175A
- Authority
- CN
- China
- Prior art keywords
- signal
- red
- black
- signals
- electromagnetic
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/12—Classification; Matching
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/02—Preprocessing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/08—Feature extraction
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Biophysics (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Computational Linguistics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Signal Processing (AREA)
- Mobile Radio Communication Systems (AREA)
Abstract
本发明公开了一种用于无线网络的电磁信号红黑识别装置与识别方法,识别装置包括天线、接收机、信号采集处理单元、计算分析单元、电源模块和时钟模块;接收机通过天线接收无线电磁信号,对信号进行处理后将信号送入信号采集处理单元;信号采集处理单元完成信号的采集和处理工作,将信号输出到计算分析单元;计算分析单元利用人工智能深度学习的卷积神经网络技术进行无线电磁红黑信号的识别。识别方法基于上述的识别装置。本发明提供的用于无线网络的电磁信号红黑识别装置与识别方法解决了在实际环境中电磁信号红黑特征差别微弱不容易提取的难题,突破了人工提取红黑信号特征较困难的瓶颈。
Description
技术领域
本发明涉及一种用于无线网络的电磁信号红黑识别装置与识别方法。
背景技术
随着信息技术的发展,无线网络己覆盖到人们工作生活的各个方面,网络安全问题也越来越备受关注。由于无线通信网络开放性特点,使得无线电波很容易被截获,遭受分析或破译。通常采用加密算法对无线网络中传输中的信息进行加密保护,这种经过加密的信号就是黑信号,被人截获后很难被破译;没有经过加密的信号就是红信号。如果信息没有经过加密就发出去(信息明发),电磁传输信号被人截获或破译,会造成“红信号”泄漏。因此,需要对无线网络电磁传输信号进行“红”“黑”识别,从而实现对电磁信号的红黑状态进行监测。
目前对电磁信号进行红黑识别的一种方法是已知无线通信协议的情况下,对加密信号进行解调、解码,还原成0-1比特序列,然后对0-1比特序列本身以及统计特性(如:0-1均衡性、游程分布特性、自相关性、信息熵等)进行分析,从而实现红黑信号的分类识别。这种已知通信协议的解调、解码方法,只能针对单一的设备,不能推广的其他的网络设备,通用性差;无线网络终端的型号多、通信体制不统一、调制模式多种多样,在未知无线通信协议的情况下,对无线电磁信号进行解调、解码、还原成比特流数据是比较困难的。
发明内容
为了克服现有技术的上述缺点,本发明提出了一种用于无线网络的电磁信号红黑识别装置与识别方法,本发明在获取无线电磁信号后,不需要对其进行解调、解码和还原成比特流数据,也不需要人工提取无线电磁红黑信号的统计特征,而是采用人工智能深度学习算法(卷积神经网络)的分级的多层结构,从输入信号开始,从低层到高层,逐级完成特征提取,最后将高层特征按照一定的非线性组合映射到线性可分的特征空间,实现信号红黑识别。同时,本发明首次将LeNet卷积神经网络(LeNet CNN)应用于无线电磁信号红黑识别,并在应用过程中将LeNet CNN网络作相应改进,以提高卷积神经网络对于红黑信号分类识别的准确度。
本发明解决其技术问题所采用的技术方案是:
一种用于无线网络的电磁信号红黑识别装置,其包括接收机、信号采集处理单元、计算分析单元、电源模块和时钟模块;
接收机接收无线电磁信号,对信号进行处理后将信号送入信号采集处理单元;
信号采集处理单元完成信号的采集和处理工作,将信号输出到计算分析单元;
计算分析单元利用人工智能深度学习的卷积神经网络技术进行无线电磁红黑信号的识别。
一种用于无线网络的电磁信号红黑识别方法,其基于上述的电磁信号红黑识别装置,包括以下步骤:
步骤一、接收机接收无线电磁信号;
步骤二、接收机对接收到的无线电磁信号进行处理,输出宽带模拟中频信号,送入信号采集处理单元;
步骤三、信号采集处理单元完成宽带模拟中频信号的采集和处理工作,将中频信号转换为基带信号,输出到计算分析单元;
步骤四、计算分析单元实现无线电磁红信号检测。
与现有技术相比,本发明的积极效果是:
本发明针对无线网络电磁信号安全性检测问题,设计了一种新型电磁信号红黑识别检测方法与装置,解决了在实际环境中电磁信号红黑特征差别微弱不容易提取的难题,突破了人工提取红黑信号特征较困难的瓶颈。采用本技术,用人工智能的深度学习,让机器自主学习提取红黑信号特征,实现了无线网络电磁红黑信号的识别方法,提高了红黑信号识别的准确率和对红黑信号参数变化的适应性,解决了无线环境中对红信号泄漏的实时检测难题。
附图说明
本发明将通过例子并参照附图的方式说明,其中:
图1是本发明实施例提供的用于无线网络发射装置的电磁信号红黑识别装置的示意图。
图2是本发明实施例提供的改进的LeNet卷积神经网络结构示意图。
图3是本发明实施例提供的训练卷积神经网络识别红黑信号特征的流程图。
图4是本发明实施例提供的无线网络电磁信号红黑识别流程图。
图5是本发明实施例提供的用于无线网络发射装置的电磁信号红黑识别方法的流程图。
具体实施方式
本发明提供了一种用于无线网络发射装置的电磁信号红黑识别装置,请参阅图1,其包括天线、接收机、信号采集处理单元、计算分析单元、电源模块、时钟模块、显示屏和存储单元。
接收机通过天线接收无线网络发射装置的电磁信号,通过变频、滤波、放大、增益控制等处理,输出宽带模拟中频信号,送入信号采集处理单元进行处理。信号采集处理单元主要完成宽带模拟中频信号的采集和处理工作,该处理单元主要通过ADC变换将模拟中频信号变换成时域数字I/Q信号,送入计算分析单元。计算分析单元通过信号筛选、滤波、抽取、FFT计算等预处理,提取到电磁信号的时域和频域基础特征,并利用人工智能深度学习的卷积神经网络技术通过大样本的特征学习和分层算法自动提取信号特征,然后对红黑信号进行分类、识别,然后在检测到红信号后,将红黑识别结果显示到显示屏上的用户界面,并在存储单元中存储红黑信号识别结果。
人工智能深度学习的卷积神经网络技术的基本框架采用LeNet卷积神经网络。在LeNet卷积神经网络基础上作出三点改进:
1)采用整流线性单元(ReLU)激活函数代替LeNet网络中的Sigmoid激活函数;y=ReLU(x)=max(0,x)
ReLU激活函数具有稀疏激活特性,可以降低整个网络的计算量,同时缓解Sigmoid函数在反向传播中的梯度消失问题。
2)在池化层中采用最大池化(Max-pooling),代替LeNet网络池化层中的平均池化(Mean-pooling),最大池化可以减少卷积层参数误差造成的估计均值偏移,更多的保留信号微弱特征信息。
3)在卷积神经网络训练过程中,对于卷积层C5和全连接层F6中的网络节点采用裁减技术(Dropout),即按照50%的概率将网络中的节点丢弃,防止过拟合并减少训练计算量。
改进的LeNet卷积神经网络结构示意图如图2所示。
具体的,选取红黑信号的基础特征作为训练集样本矩阵(红黑信号样本矩阵32x32各6万个,共计12万个样本矩阵),并采用监督学习方式训练上述卷积神经网络。由于训练集样本数量较大,计算一次梯度下降的计算量较大,因此采用随机梯度下降算法训练卷积神经网络:在训练算法的每一次梯度下降计算中,只从训练集中选取一个Batch(样本矩阵数量50个),分别完成红黑信号前向传播和误差反向传播计算过程。一次迭代(Epoch)需要遍历整个训练集,因此共计需要完成2400次梯度下降计算和网络参数更新。
(1)红黑信号的前向传播计算过程
从训练集中选取红黑信号50个样本矩阵构成输入层,经过卷积层和池化层交替出现两次(即包括C1、S2、C3、S4),然后再经过全连接层(包括C5、F6、输出层),最后因为训练数据都是有答案标注的,所以可以计算出当前卷积神经网络模型的预测结果与真实结果(样本标签)之间的误差;
(2)误差反向传播计算过程
紧接着,基于前向传播得到的预测值和真实值之间的误差,反向传播算法按照输出层→F6→C5→S4→C3→S2→C1→输入层的顺序,采用随机梯度下降算法依次计算各层网络参数的梯度,并用梯度更新各层网络参数,其目的是使这个Batch上神经网络模型的预测结果和真实值更加接近。继续从训练集中选取红黑信号样本矩阵,重复上述操作2400次,直到遍历完整个训练集,即完成一次迭代。
使用随机梯度下降算法时,每次迭代都需要遍历整个训练集,可以预期代价函数都会随着迭代次数的增加而减小,直到最后收敛到合适的精度,则结束卷积神经网络的训练过程,并保存该卷积神经网络参数模型。训练时,本领域技术人员可根据实际需求确定所需要的合适的收敛精度。
训练卷积神经网络识别红黑信号特征的流程图如图3所示。
该卷积神经网络经过训练集中有标注的红黑信号训练过后,通过多次迭代和优化,已基本收敛到一个最优的网络状态,它的功能就是能够逐层完成红黑信号特征提取,将高层特征按照一定的非线性组合映射到线性可分的特征空间,最终比较准确地实现红黑信号的分类识别。
无线网络电磁信号红黑识别的过程相对于训练过程较为简单,只需要将红黑信号的样本经过前向传播计算过程,计算出当前卷积神经网络模型的预测结果。经过测试,通过天线接收的无线网络电磁信号在一定的信噪比条件下(SNR=10dB)红黑信号识别准确率为96.8%。
无线网络电磁信号红黑识别流程如图4所示。
请参阅图5,本发明提供的用于无线网络发射装置的电磁信号红黑识别方法,其采用上述的电磁信号红黑识别装置,包括以下步骤:
步骤一、接收机通过天线接收无线电磁信号;
步骤二、接收机对接收到的无线电磁信号进行处理,输出宽带模拟中频信号,送入信号采集处理单元;
其中,接收机对接收到的无线电磁信号的处理方法包括变频、滤波、放大和增益控制,中频信号频率140MHz,中频信号带宽不超过40MHz;
步骤三、信号采集处理单元完成宽带模拟中频信号的采集和处理工作,将中频信号转换为基带信号,输出到计算分析单元;
具体的,首先对模拟中频信号进行ADC变换,其采样时钟不高于250MSPS;然后ADC的数据进入FPGA进行信号处理,包括宽带DDC、滤波、FFT、多相滤波信道化等处理后,将中频信号转换为基带信号,将基带的I、Q两路数据,通过高速数据接口输出到计算分析单元;
步骤四、计算分析单元实现无线电磁红信号检测;
具体的,利用上述的人工智能深度学习的卷积神经网络技术对无线电磁红黑信号的I、Q两路数据进行识别,检测是否为红信号。如果检测到红信号,将红黑识别结果显示到显示屏上的用户界面,并在存储单元中存储红黑信号识别结果。
Claims (10)
1.一种用于无线网络的电磁信号红黑识别装置,其特征在于,包括接收机、信号采集处理单元、计算分析单元、电源模块和时钟模块;
所述接收机接收无线电磁信号,对信号进行处理后将信号送入所述信号采集处理单元;
所述信号采集处理单元完成信号的采集和处理工作,将信号输出到所述计算分析单元;
所述计算分析单元利用人工智能深度学习的卷积神经网络技术进行无线电磁红黑信号的识别。
2.根据权利要求1所述的用于无线网络的电磁信号红黑识别装置,其特征在于,还包括天线、显示屏和存储单元;
所述接收机通过天线接收无线电磁信号;
所述计算分析单元在检测到红信号后,将红黑识别结果显示到所述显示屏上的用户界面,并在所述存储单元中存储红黑信号识别结果。
3.根据权利要求1或2所述的用于无线网络的电磁信号红黑识别装置,其特征在于,所述人工智能深度学习的卷积神经网络技术的基本框架采用LeNet卷积神经网络,采用整流线性单元激活函数代替LeNet网络中的Sigmoid激活函数,所述整流线性单元激活函数为:
y=ReLU(x)=max(0,x);
在池化层中采用最大池化,代替LeNet网络池化层中的平均池化;
在卷积神经网络训练过程中,对于卷积层C5和全连接层F6中的网络节点采用裁减技术。
4.根据权利要求3所述的用于无线网络的电磁信号红黑识别装置,其特征在于,在卷积神经网络训练过程中,包括以下步骤:
S1、准备无线电磁红黑信号训练集;
S2、从训练集中选取一个Batch样本;
S3、信号前向传播计算网络预测值;
S4、根据样本标签计算误差代价函数;
S5、误差反向传播计算网络参数梯度;
S6、根据梯度更新网络参数;
S7、判定是否遍历整个训练集,若结果为是,进行下一步骤,若结果为否,重复步骤S2至S7;
S8、判定误差代价函数是否收敛到合适的精度,若结果为是,保存网络模型参数,若结果为否,重复步骤S2至步骤S8。
5.根据权利要求4所述的用于无线网络的电磁信号红黑识别装置,其特征在于,在所述步骤S5中,采用随机梯度下降算法依次计算各层网络参数的梯度。
6.一种用于无线网络的电磁信号红黑识别方法,其特征在于,基于权利要求1-5中任意一项所述的电磁信号红黑识别装置,包括以下步骤:
步骤一、所述接收机接收无线电磁信号;
步骤二、所述接收机对接收到的无线电磁信号进行处理,输出宽带模拟中频信号,送入所述信号采集处理单元;
步骤三、所述信号采集处理单元完成宽带模拟中频信号的采集和处理工作,将中频信号转换为基带信号,输出到所述计算分析单元;
步骤四、所述计算分析单元实现无线电磁红信号检测。
7.根据权利要求6所述的用于无线网络的电磁信号红黑识别方法,其特征在于,在所述步骤二中:
所述接收机对接收到的无线电磁信号的处理包括:变频、滤波、放大和增益控制。
8.根据权利要求7所述的用于无线网络的电磁信号红黑识别方法,其特征在于,在所述步骤二中,中频信号频率140MHz,中频信号带宽不超过40MHz。
9.根据权利要求8所述的用于无线网络的电磁信号红黑识别方法,其特征在于,在所述步骤三中,首先对模拟中频信号进行ADC变换,其采样时钟不高于250MSPS,然后ADC的数据进入FPGA进行信号处理,将中频信号转换为基带信号,将基带的I、Q两路数据,通过高速数据接口输出到所述计算分析单元;
其中,基于FPGA进行的信号处理包括宽带DDC、滤波、FFT和多相滤波信道化。
10.根据权利要求8所述的用于无线网络的电磁信号红黑识别方法,其特征在于,在所述步骤四中,使红黑信号的样本经过前向传播计算,若检测到红信号,将红黑识别结果显示到显示屏上,并存储红黑信号识别结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910811601.3A CN110728175A (zh) | 2019-08-30 | 2019-08-30 | 一种用于无线网络的电磁信号红黑识别装置与识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910811601.3A CN110728175A (zh) | 2019-08-30 | 2019-08-30 | 一种用于无线网络的电磁信号红黑识别装置与识别方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110728175A true CN110728175A (zh) | 2020-01-24 |
Family
ID=69218828
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910811601.3A Pending CN110728175A (zh) | 2019-08-30 | 2019-08-30 | 一种用于无线网络的电磁信号红黑识别装置与识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110728175A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117332410A (zh) * | 2023-10-25 | 2024-01-02 | 北京航空航天大学 | 一种基于信息熵特征的电磁泄漏红黑信号辨识方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107122738A (zh) * | 2017-04-26 | 2017-09-01 | 成都蓝色起源科技有限公司 | 基于深度学习模型的无线电信号识别方法及其实现*** |
CN108680796A (zh) * | 2018-05-17 | 2018-10-19 | 集美大学 | 用于计算机显示器的电磁信息泄漏检测***及方法 |
US20180314974A1 (en) * | 2017-04-27 | 2018-11-01 | Raytheon Company | Machine learning algorithm with binary pruning technique for automatic interpulse modulation recognition |
CN109145889A (zh) * | 2018-11-02 | 2019-01-04 | 中国电子科技网络信息安全有限公司 | 一种针对无线信号进行盲估计的明密文信号分类检测方法 |
-
2019
- 2019-08-30 CN CN201910811601.3A patent/CN110728175A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107122738A (zh) * | 2017-04-26 | 2017-09-01 | 成都蓝色起源科技有限公司 | 基于深度学习模型的无线电信号识别方法及其实现*** |
US20180314974A1 (en) * | 2017-04-27 | 2018-11-01 | Raytheon Company | Machine learning algorithm with binary pruning technique for automatic interpulse modulation recognition |
CN108680796A (zh) * | 2018-05-17 | 2018-10-19 | 集美大学 | 用于计算机显示器的电磁信息泄漏检测***及方法 |
CN109145889A (zh) * | 2018-11-02 | 2019-01-04 | 中国电子科技网络信息安全有限公司 | 一种针对无线信号进行盲估计的明密文信号分类检测方法 |
Non-Patent Citations (2)
Title |
---|
周长林 等: "基于PSO-SVM方法的电源线传导泄漏信号识别与还原", 《电子与信息学报》 * |
胡貌男 等: ""基于改进卷积神经网络的图像分类方法"", 《通信技术》 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117332410A (zh) * | 2023-10-25 | 2024-01-02 | 北京航空航天大学 | 一种基于信息熵特征的电磁泄漏红黑信号辨识方法 |
CN117332410B (zh) * | 2023-10-25 | 2024-04-12 | 北京航空航天大学 | 一种基于信息熵特征的电磁泄漏红黑信号辨识方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107124381B (zh) | 一种数字通信信号调制方式自动识别方法 | |
CN109657604B (zh) | 基于循环神经网络的卫星幅相信号识别解调方法及装置 | |
Wang et al. | Multiantenna-assisted spectrum sensing for cognitive radio | |
CN110197127A (zh) | 基于深度学习的无线信号检测与电磁干扰分类***及方法 | |
CN111832417B (zh) | 基于cnn-lstm模型和迁移学习的信号调制样式识别方法 | |
CN110099019B (zh) | 基于深度学习的LoRa调制信号检测方法 | |
CN106713190B (zh) | 基于随机矩阵理论和特征阈值估计的mimo发射天线数目盲估计算法 | |
CN107819548B (zh) | 基于曼彻斯特编码的环境反向散射***的符号检测方法 | |
CN112787736A (zh) | 一种基于协方差矩阵的长短期记忆协作频谱感知方法 | |
CN112949487A (zh) | 一种基于WiFi的船舶驾驶室人员数量检测方法及*** | |
CN111817803A (zh) | 一种基于相关系数和k-均值聚类算法的频谱感知方法、***及计算机可读存储介质 | |
Smith et al. | A communication channel density estimating generative adversarial network | |
CN106230544A (zh) | 一种汽车遥控干扰信号的监测识别与定位方法 | |
CN110728175A (zh) | 一种用于无线网络的电磁信号红黑识别装置与识别方法 | |
CN117713967A (zh) | 一种用于自组网无人机智能频谱感知抗干扰通信*** | |
CN113259289B (zh) | 基于残差神经网络的单通道混叠信号调制模式识别方法 | |
CN106357367A (zh) | 大规模天线***下非相干的联合检测和信道译码的方法 | |
CN104270210A (zh) | 基于压缩非重构的软判决频谱感知方法 | |
Zhang et al. | Blind recognition of channel coding based on CNN-BLSTM | |
Chen et al. | Neuromorphic Split Computing with Wake-Up Radios: Architecture and Design via Digital Twinning | |
CN108055096A (zh) | 基于信号和噪声特征检测的频谱感知方法 | |
Jiao et al. | Joint modulation and coding recognition using deep learning | |
Lijun et al. | A signal demodulation algorithm based on generative adversarial networks | |
CN111917674A (zh) | 一种基于深度学习的调制识别方法 | |
Zheng et al. | Deep learning for cooperative radio signal classification |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20200124 |