CN110751049B - 一种面向信号采样梯度攻击的防御方法 - Google Patents
一种面向信号采样梯度攻击的防御方法 Download PDFInfo
- Publication number
- CN110751049B CN110751049B CN201910891918.2A CN201910891918A CN110751049B CN 110751049 B CN110751049 B CN 110751049B CN 201910891918 A CN201910891918 A CN 201910891918A CN 110751049 B CN110751049 B CN 110751049B
- Authority
- CN
- China
- Prior art keywords
- sampling
- signal
- sample
- attack
- gradient
- 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.)
- Active
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
- G06F2218/02—Preprocessing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F21/00—Security arrangements for protecting computers, components thereof, programs or data against unauthorised activity
- G06F21/50—Monitoring users, programs or devices to maintain the integrity of platforms, e.g. of processors, firmware or operating systems
- G06F21/55—Detecting local intrusion or implementing counter-measures
- G06F21/56—Computer malware detection or handling, e.g. anti-virus arrangements
- G06F21/567—Computer malware detection or handling, e.g. anti-virus arrangements using dedicated hardware
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- General Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Computer Security & Cryptography (AREA)
- General Physics & Mathematics (AREA)
- Computer Hardware Design (AREA)
- Artificial Intelligence (AREA)
- Software Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Signal Processing (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Biology (AREA)
- General Health & Medical Sciences (AREA)
- Virology (AREA)
- Evolutionary Computation (AREA)
- Computer And Data Communications (AREA)
- Data Exchanges In Wide-Area Networks (AREA)
Abstract
本发明公开了一种面向信号采样梯度攻击的防御方法,包括:(1)筛选待攻击的无线信号;(2)随机采取无线信号中任意方向上若干采样信号点;(3)对每个采样信号点进行偏移,获得估计样本;(4)利用估计样本计算采样信号点的损失函数和梯度信息;(5)根据梯度信息划分重要样本像素点;(6)在设置像素阈值范围内,对重要样本像素点进行采样梯度攻击;(7)重复步骤(2)~(6),不断迭代寻找最优的扰动及对抗样本;(8)将获得的对抗样本添加到训练样本集中,利用训练样本集对信号分类模型进行训练,以获得新信号分类模型;(9)利用新信号分类模型对待分类信号进行分类,以实现对攻击的防御。
Description
技术领域
本发明属于人工智能领域的深度学习算法与数据的安全领域研究领域,具体涉及一种面向信号采样梯度攻击的防御方法。
背景技术
深度学习受神经科学启发而来,可以通过学习和计算大量数据的潜在联系,获得比一般算法更准确的分类结果,具有强大的特征学习能力和特征表达能力。深度学习的核心是利用参数庞大的神经网络进行特征抽取,典型的神经网络有卷积神经网络(CNN)和循环神经网络(RNN),分别适用于处理图像数据和时序数据。
在历年的ImageNet竞赛中,卷积神经网络从AlexNet、VGGNet不断发展成ResNet、InceptionNet,在图像分类任务中展示出强大的性能。此外,在目标检测任务中,如基于R-CNN,Fast R-CNN等基于卷积神经网络的目标检测模型,也都实现了比传统目标检测器先进的检测效果。在时序数据处理任务中,如视频序列数据、文本数据、音频数据等,循环神经网络展现了良好的序列特征维度的抽取能力,作为RNN的一种特殊形式,长短时记忆网络(LSTM)可以学习序列数据的长期依赖信息,从而能够实现自然语言翻译、语音识别、音乐合成、天气预测等功能。
近年来,深度学习除了在图像、语音、文本等数据处理任务中实现了良好的性能,也逐渐被研究人员引入无线电数据处理领域。无线电信号是指在所有自由空间中传播的电磁波,属于波普中的一个有限频带,根据国际电信联盟规定,频率范围一般为3KHz~300GHz。无线电信号数据处理任务包括信号调制、信号解调、信号压缩、信号编码等。
虽然深度学习在各个领域都表现出很强大的能力,但是szegedy等人发现,深度模型很容易对某些细微的扰动出现错误的判断。这些细小的扰动对于人类来说是几乎无法察觉的,但却可以使得深度模型分类错误,甚至对错误的分类结果表现出很高的置信度。这种现象便会容易使得模型在无线电数据处理过程中出现差错,造成信号传输不安全的问题。除了信号传输的安全保密问题,无线电信号还存在信息冗余问题和噪声干扰问题。因此,在本身就存在干扰的基础上,保证模型有一个抵抗对抗样本攻击的能力,是及其重要的。
对于一些能够较为准确区分无线信号调至类型的黑箱模型而言,虽然内部结构的不可见已经大大增加了攻击的困难性,但是目前已经存在了多种攻击方法对黑盒展现出强大的攻击能力。因此,提高黑箱模型对黑盒攻击的防御能力就及其重要。同时,通过梯度采样攻击,判断攻击效果危害的严重性,也是我们评估防御效果好坏的一个重要决定因素。
综上所述,如何对梯度采样攻击完成再现,得到效果更好的对抗样本,并利用对抗样本加入模型再训练,以提高模型的鲁棒性,在提升LSTM黑盒模型防御能力方面上有着极其重要的理论与实践意义。
发明内容
为了提高信号分类模型对梯度采样产生的对抗样本的防御能力,本发明提供了一种面向信号采样梯度攻击的防御方法,该方法利用对抗样本训练的方法提高信号分类模型对无线信号对抗样本的识别效果,从而提高对对抗样本的防御效果。
本发明解决其技术问题所采用的技术方案是:
一种面向信号采样梯度攻击的防御方法,包括以下步骤:
(1)筛选待攻击的无线信号,以及确定该些无线信号的攻击目标类型;
(2)随机采取无线信号中任意方向上若干采样信号点;
(3)对每个采样信号点进行偏移,获得该采样信号点的估计样本;
(4)利用采样信号点的估计样本计算采样信号点的损失函数;
(5)根据采样信号点的损失函数计算每个采样信号点的梯度信息;
(6)根据每个采样信号点的梯度信息,划分重要样本像素点;
(7)在设置像素阈值范围内,对重要样本像素点进行采样梯度攻击;
(8)重复步骤(2)~步骤(7),以迭代次数或样本效果为要求,不断迭代寻找最优的扰动及对抗样本;
(9)将获得的对抗样本添加到训练样本集中,利用训练样本集对信号分类模型进行训练,以获得能够防御对抗攻击的新信号分类模型;
(10)利用新信号分类模型对待分类信号进行分类,以实现对攻击的防御。
与现有技术相比,具有的有益效果为:
利用信号分类模型(黑盒模型)反馈出来的置信度信息,拟合攻击时所需要的梯度信息,采取采样攻击方式,可以有效避免由于全部信号点影响不同带来的数据处理操作复杂等问题,并且能在一定程度上防止攻击过程中,噪声干扰带来的损失偏差。利用梯度采样算法,得到较优的对抗样本,并通过迭代筛选,不断保证样本的攻击效果,为得到最优扰动提供基础。并且并算法具有较好迁移性,对样样本不会丧失多样性。最后在检测图片输入到黑盒的图像分类器模型前,用梯度采样攻击得到的对抗样本投入检测器进行检测,从而达到在不知道且不改动黑盒模型内部结构的基础上,实现对已知攻击和部分未知攻击进行防御。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图做简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动前提下,还可以根据这些附图获得其他附图。
图1是本发明提供的获得最佳对抗样本的流程示意图;
图2利用本发明提供的图像分类器对对抗性攻击进行防御的过程示意图;
图3(a)是攻击前的真实波形图,图3(b)是攻击后得到的对抗样本的波形图;
图4(a)~图4(f)是训练长短时记忆网络(LSTM)的各种类型的波形图;
具体实施方式
为使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及实施例对本发明进行进一步的详细说明。应当理解,此处所描述的具体实施方式仅仅用以解释本发明,并不限定本发明的保护范围。
在实际应用中,往往都需要对幅度调制(调幅ASK)、频率调制(调频FSK)和相位调制(调相PSK)等无线信号的调制类型进行分类,但是在分类的过程中,往往会受到攻击,致使分类错误。为了防御对无线信号的攻击破坏,本实施例提供了一种面向信号采样梯度攻击的防御方法。该防御方法包括两个阶段,分别为对抗样本生成阶段,应用防御阶段,下面针对每阶段进行说明。
对抗样本生成阶段
基于背景技术可知,能够对待攻击样本进行攻击的扰动往往都是很细微的,具有很高的隐藏性,不容易被察觉分辨,因为了有针对性地对这些扰动进行有效防御,必需要很清楚这些扰动的特性,为此,防御的首要阶段就是研究对抗样本。
对抗样本生成阶段的目的就是要获得各种各样的攻击成功率较高的对抗样本,如图1所示,具体包括以下步骤:
S101,筛选待攻击的无线信号,以及确定该些无线信号的攻击目标类型。
在进行优化对抗样本前,也就是优化防御效果前,确定待攻击无线信号为A,待攻击无线信号A的攻击目标类型为B,该待攻击无线信号A和攻击目标类型B为攻击过程提供了初始攻击信息,具体包括梯度方向Ca,损失总值等,其中,梯度方向Ca是通过A,B的置信度差关于两个的信号点偏移得出的,损失总值是利用A,B的置信度通过损失函数计算而来。该初始攻击信息便于对攻击效果评估采样,更加高效地完成防御优化。
S102,随机采取无线信号中任意方向上若干采样信号点。
由于无线信号的噪声干扰问题,通过随机采取n个采样信号点,记为D[n],D[·]表示采样信号点对应的位置信息。
在攻击过程中,有一部分的信号点是对于无线信号分类没有影响或者又很小影响,而这些信号点零散的分布在信号中,且不占少数,所以如果不利用随机取点并加以判断,此时很可能对若干无用信号点做出求梯度等无用操作,直接影响计算复杂度,因此,需要对采样信号点进行影响程度判断,这样可以有效避免由于全部采样信号点影响不同带来的数据处理操作复杂等问题,并且能在一定程度上防止攻击过程中,噪声干扰带来的损失偏差。
S103,对每个采样信号点进行偏移,获得该采样信号点的估计样本。
具体地,针对每一个采样信号点,以采样信号点自身为中心,分别正负偏移一个单位长度k,获得两个估计样本,记为val[i],因为一个采样采样信号点有两个估计样本,所以估计样本总个数为2n个。
其中k为一个非常小的正数,作为采样信号点的随机偏移量,用来估计采样采样信号点当前位置的梯度信息。
S104,利用采样信号点的估计样本计算采样信号点的损失函数。
具体地,首先,将每个信号及对应的估计样本作为信号分类模型(可以采用长短时记忆网络(LSTM)模型)的输入,该信号分类模型输出估计样本的置信度信息,记为C[i];
然后,利用获得的置信度信息,通过公式(1)~公式(5)求得各个采样信号点的损失函数值loss:
l2=||val[i]-A||2(1)
real_loss=||Ca*C[i]||1(2)
other_loss=max{(1-Ca)*C[i]-10000*Ca,1}(3)
loss1=max{log(real_loss)-log(other_loss),-k}(4)
loss=l2+loss1*CONST(5)
其中,l2表示待攻击无线信号A与估计样本val[i]在欧几里得距离上面的差值,是为了表示产生的估计样本val[i]与待攻击无线信号A在欧几里得平面上的差距,用来反映估计样本val[i]偏离待攻击无线信号A的程度;loss1是通过估计样本val[i]的置信度C[i]与待攻击无线信号A的置信度Ca之间的关系得来的,其中,real_loss是为了反映估计样本val[i]在真实类标下的置信度变化情况,而other_loss是为了反映估计样本val[i]被分类为其他调制类型的概率变化;因为关于长短时记忆网络(LSTM)模型的信号梯度采样攻击,是为了在尽可能小的扰动下找到最优对抗样本,完成类标迁移的目的,所以loss总体由三部分相加构成。最后CONST是调整l2和loss1之间占比关系的参数,可以动态地在攻击构成中放大或者缩小置信度影响效果。
S105,根据采样信号点的损失函数计算每个采样信号点的梯度信息。
具体地,利用公式(6)计算每个采样信号点的梯度信息grad[i]:
grad[i]=(loss[2*i]-loss[2*i+1])/2*k(6)
其中,i为估计样本的索引。
S106,根据每个采样信号点的梯度信息,划分重要样本像素点。
信号像素点的重要程度指的是信号点对置信度或者类标的影响程度,而梯度是象征着偏移带来的置信度变化剧烈程度,所以利用信号点的梯度信息可以直接划分重要样本像素点。
具体地,首先,确定攻击目标,那么梯度反映出来的信息能够表达向某一特定信号添加正扰动时,此信号的置信度是远离还是接近攻击目标,根据添加扰动后的采样信号点的梯度信息与攻击目标的差距,将采样信号点分为正相关点,负相关点,无关点。
当添加扰动后的采样信号点的梯度信息趋近于攻击目标时,则采样信号点为正相关点;当添加扰动后的采样信号点的梯度信息远离于攻击目标时,则采样信号点为负相关点;当添加扰动后的采样信号点的梯度信息变化范围在设定阈值内时,则采样信号点为无关点;
选取正相关点作为重要样本像素点。
S107,在设置像素阈值范围内,对重要样本像素点进行采样梯度攻击。
在对重要样本像素点进行攻击时,需要限定攻击后像素点的上限或下限,只有在像素阈值内容攻击才是有效攻击。具体地,利用公式(7)对采样信号点进行基于采样梯度的攻击:
其中,lr是本次攻击过程的学习率,用来控制攻击速度,b1和b2分别为调整参数,因为拟合出来的梯度只作用于信号点很小范围的正负偏移内,所以需要调整参数限制范围;A[D[i]]表示第i个采样信号的像素值,A[D[i]]'表示第i个采样信号被攻击后的像素值。
S108,重复S102~S107,以迭代次数或样本效果为要求,不断迭代寻找最优的扰动及对抗样本,为生成对抗样本检测器提供训练样本,提高对抗样本检测器的检测精度。
在迭代求优的过程中,还要记录最优扰动,最高置信度以及最少损失。举例说明,图3(a)是攻击前的真实波形图,图3(b)是攻击后得到的对抗样本的波形图。
应用防御阶段
在获得大量对抗样本以后即可以针对这些大量对抗样本进行有针对性防御,如图2所示,具体过程为:
观察对抗样本的攻击成功率,并根据攻击效果的体现,将一些对抗样本加入到训练样本集中,训练样本集中的信号类型如图4(a)~4(f)所示,对信号分类模型进行训练以达到防御效果。
具体地,筛选对抗样本参与信号分类模型训练,保证对抗样本的对样以及优质。通过将对抗样本信号输入到长短时记忆网络(LSTM)黑盒模型分类器,进行检测,并将对抗样本加入到模型训练阶段,在实现对现有攻击进行防御的基础上还能实现对部分未知攻击进行防御的效果。
以上所述的具体实施方式对本发明的技术方案和有益效果进行了详细说明,应理解的是以上所述仅为本发明的最优选实施例,并不用于限制本发明,凡在本发明的原则范围内所做的任何修改、补充和等同替换等,均应包含在本发明的保护范围之内。
Claims (6)
1.一种面向信号采样梯度攻击的防御方法,包括以下步骤:
(1)筛选待攻击的无线信号,以及确定该些无线信号的攻击目标类型;
(2)随机采取无线信号中任意方向上若干采样信号点;
(3)对每个采样信号点进行偏移,获得该采样信号点的估计样本;
(4)利用采样信号点的估计样本计算采样信号点的损失函数;
(5)根据采样信号点的损失函数计算每个采样信号点的梯度信息;
(6)根据每个采样信号点的梯度信息,划分重要样本像素点,包括:确定攻击目标;当添加扰动后的采样信号点的梯度信息趋近于攻击目标时,则采样信号点为正相关点;当添加扰动后的采样信号点的梯度信息远离于攻击目标时,则采样信号点为负相关点;当添加扰动后的采样信号点的梯度信息变化范围在设定阈值内时,则采样信号点为无关点;选取正相关点作为重要样本像素点;
(7)在设置像素阈值范围内,对重要样本像素点进行采样梯度攻击;
(8)重复步骤(2)~步骤(7),以迭代次数或样本效果为要求,不断迭代寻找最优的扰动及对抗样本;
(9)将获得的对抗样本添加到训练样本集中,利用训练样本集对信号分类模型进行训练,以获得能够防御对抗攻击的新信号分类模型;
(10)利用新信号分类模型对待分类信号进行分类,以实现对攻击的防御。
2.如权利要求1所述的面向信号采样梯度攻击的防御方法,其特征在于,步骤(3)中,针对每一个采样信号点,以采样信号点自身为中心,分别正负偏移一个单位长度k,获得两个估计样本。
3.如权利要求1所述的面向信号采样梯度攻击的防御方法,其特征在于,步骤(4)中,首先,将每个信号及对应的估计样本作为信号分类模型的输入,该信号分类模型输出估计样本的置信度信息,记为C[i];
然后,利用获得的置信度信息,通过公式(1)~公式(5)求得各个采样信号点的损失函数值loss:
l2=||val[i]-A||2 (1)
real_loss=||Ca*C[i]||1 (2)
other_loss=max{(1-Ca)*C[i]-10000*Ca,1} (3)
loss1=max{log(real_loss)-log(other_loss),-k} (4)
loss=l2+loss1*CONST (5)
其中,l2表示待攻击无线信号A与估计样本val[i]在欧几里得距离上面的差值,loss1是通过估计样本val[i]的置信度C[i]与待攻击无线信号A的置信度Ca之间的关系得来的,其中,real_loss是为了反映估计样本val[i]在真实类标下的置信度变化情况,而other_loss是为了反映估计样本val[i]被分类为其他调制类型的概率变化;CONST是调整l2和loss1之间占比关系的参数,k为正负偏移的单位长度。
4.如权利要求1所述的面向信号采样梯度攻击的防御方法,其特征在于,步骤(5)中,利用公式(6)计算每个采样信号点的梯度信息grad[i]:
grad[i]=(loss[2*i]-loss[2*i+1])/2*k (6)
其中,i为估计样本的索引,k为正负偏移的单位长度,loss()为损失函数。
6.如权利要求1所述的面向信号采样梯度攻击的防御方法,其特征在于,选择长短时记忆网络作为信号分类模型。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910891918.2A CN110751049B (zh) | 2019-09-20 | 2019-09-20 | 一种面向信号采样梯度攻击的防御方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910891918.2A CN110751049B (zh) | 2019-09-20 | 2019-09-20 | 一种面向信号采样梯度攻击的防御方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110751049A CN110751049A (zh) | 2020-02-04 |
CN110751049B true CN110751049B (zh) | 2022-04-29 |
Family
ID=69276762
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910891918.2A Active CN110751049B (zh) | 2019-09-20 | 2019-09-20 | 一种面向信号采样梯度攻击的防御方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110751049B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111709515B (zh) * | 2020-05-29 | 2022-07-12 | 西安交通大学 | 一种基于频率带的对抗攻击深度神经网络的方法 |
CN111681156B (zh) * | 2020-06-16 | 2022-09-23 | 南开大学 | 一种应用于无线传感器网络的深度压缩感知图像重构方法 |
CN113673581B (zh) * | 2021-07-29 | 2023-08-01 | 厦门路桥信息股份有限公司 | 硬标签黑盒深度模型对抗样本的生成方法、存储介质 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109524021A (zh) * | 2018-11-29 | 2019-03-26 | 上海交通大学 | 基于主动攻击信号消除策略的超声波防御方法及*** |
CN109525384A (zh) * | 2018-11-16 | 2019-03-26 | 成都信息工程大学 | 利用神经网络进行拟合的dpa攻击方法及***、终端 |
CN109740615A (zh) * | 2018-12-29 | 2019-05-10 | 武汉大学 | 一种对抗攻击样本扰动的去除方法 |
-
2019
- 2019-09-20 CN CN201910891918.2A patent/CN110751049B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109525384A (zh) * | 2018-11-16 | 2019-03-26 | 成都信息工程大学 | 利用神经网络进行拟合的dpa攻击方法及***、终端 |
CN109524021A (zh) * | 2018-11-29 | 2019-03-26 | 上海交通大学 | 基于主动攻击信号消除策略的超声波防御方法及*** |
CN109740615A (zh) * | 2018-12-29 | 2019-05-10 | 武汉大学 | 一种对抗攻击样本扰动的去除方法 |
Non-Patent Citations (1)
Title |
---|
Local Gradients Smoothing: Defense against localized adversarial attacks;Muzammal Naseer et al.;《arXiv》;20181119;第1-8页 * |
Also Published As
Publication number | Publication date |
---|---|
CN110751049A (zh) | 2020-02-04 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Lin et al. | Adversarial attacks in modulation recognition with convolutional neural networks | |
Lin et al. | Threats of adversarial attacks in DNN-based modulation recognition | |
CN110751049B (zh) | 一种面向信号采样梯度攻击的防御方法 | |
CN111163472B (zh) | 一种基于生成式对抗网络的信号识别攻击的防御方法 | |
CN113298846B (zh) | 基于时频语义感知的干扰智能检测方法 | |
CN111325324A (zh) | 一种基于二阶方法的深度学习对抗样本生成方法 | |
CN114881092A (zh) | 一种基于特征融合的信号调制识别方法 | |
CN111428817A (zh) | 一种面向无线电信号识别对抗攻击的防御方法 | |
CN109887047B (zh) | 一种基于生成式对抗网络的信号-图像翻译方法 | |
CN113657491A (zh) | 一种用于信号调制类型识别的神经网络设计方法 | |
CN113947151B (zh) | 一种海上复杂环境下的无线通信信号自动调制识别方法 | |
CN116866129A (zh) | 一种无线通信信号检测方法 | |
CN110768959A (zh) | 一种基于信号边界摸索攻击的防御方法 | |
CN111010356A (zh) | 一种基于支持向量机的水声通信信号调制方式识别方法 | |
Sang et al. | Application of novel architectures for modulation recognition | |
WO2021012859A1 (zh) | 基于调制信号循环自相关函数对称峰值的频谱感知方法 | |
CN110929842A (zh) | 非合作无线电信号突发时间区域精确智能检测方法 | |
CN113505855A (zh) | 一种对抗攻击模型的训练方法 | |
CN116628566A (zh) | 一种基于聚合残差变换网络的通信信号调制分类方法 | |
CN113569773B (zh) | 基于知识图谱和Softmax回归的干扰信号识别方法 | |
CN115376554A (zh) | 一种域转移的自监督机器异常声音检测方法 | |
Sun et al. | Denoising of transient electromagnetic data based on the minimum noise fraction-deep neural network | |
CN111612130A (zh) | 一种频移键控通信信号调制方式识别方法 | |
Ma et al. | LPI radar waveform recognition based on neural architecture search | |
Zhang et al. | A spectrum sensing algorithm for OFDM signal based on deep learning and covariance matrix graph |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |