CN113572568B - 低截获波形生成方法 - Google Patents
低截获波形生成方法 Download PDFInfo
- Publication number
- CN113572568B CN113572568B CN202110943056.0A CN202110943056A CN113572568B CN 113572568 B CN113572568 B CN 113572568B CN 202110943056 A CN202110943056 A CN 202110943056A CN 113572568 B CN113572568 B CN 113572568B
- Authority
- CN
- China
- Prior art keywords
- signal
- disturbance
- probability
- original signal
- update
- 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
- 238000000034 method Methods 0.000 title claims abstract description 35
- 230000000694 effects Effects 0.000 claims abstract description 11
- 238000004364 calculation method Methods 0.000 claims description 8
- 238000010606 normalization Methods 0.000 claims description 8
- 230000008859 change Effects 0.000 claims description 7
- 238000012545 processing Methods 0.000 claims description 5
- 230000008602 contraction Effects 0.000 claims description 4
- 230000006854 communication Effects 0.000 abstract description 29
- 238000004891 communication Methods 0.000 abstract description 28
- 230000008569 process Effects 0.000 description 9
- 238000005516 engineering process Methods 0.000 description 4
- 238000013135 deep learning Methods 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 238000003062 neural network model Methods 0.000 description 3
- 238000011161 development Methods 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000012804 iterative process Methods 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 230000010287 polarization Effects 0.000 description 1
- 230000008054 signal transmission Effects 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 238000001228 spectrum Methods 0.000 description 1
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04K—SECRET COMMUNICATION; JAMMING OF COMMUNICATION
- H04K3/00—Jamming of communication; Counter-measures
- H04K3/20—Countermeasures against jamming
- H04K3/25—Countermeasures against jamming based on characteristics of target signal or of transmission, e.g. using direct sequence spread spectrum or fast frequency hopping
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04K—SECRET COMMUNICATION; JAMMING OF COMMUNICATION
- H04K3/00—Jamming of communication; Counter-measures
- H04K3/40—Jamming having variable characteristics
- H04K3/44—Jamming having variable characteristics characterized by the control of the jamming waveform or modulation type
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Noise Elimination (AREA)
Abstract
本发明涉及一种低截获波形生成方法,包括:S1.生成原始信号,获取调制识别模型;S2.发送每次扰动更新前的原始信号,根据调制识别模型对原始信号的识别效果,计算更新梯度;S3.根据梯度修改原始信号,获得更新后的期望信号;S4.判断期望信号是否收敛,收敛则继续执行以下步骤,否则循环迭代S2~S4,直至收敛;S5.对期望信号进行放大、离散化处理;S6.发送期望信号,由调制识别模型输出被识别的概率;S7.将概率与预设阈值B进行比较,当概率≤阈值时,生成目标低截获信号的波形,当概率>阈值时,循环S2~S7,直至最终获得的概率≤阈值。本发明可有效防止通信信号被识别,进而防止通信***中传输的信息被截获和窃听,增强通信***的安全和可靠性。
Description
技术领域
本发明涉及无线通信抗干扰技术领域,尤其涉及一种低截获波形生成方法。
背景技术
通信***在产生重要的军用和民用应用价值的同时,由于其结构复杂,极易成为被窃听截获的目标。
得益于深度学习技术的发展,最强的现有智能模型已经可以以极高的准确率识别频谱信号的调制格式。这种技术具有准确高效、泛化能力强,且用户部署成本很低的特点。然而,对于通信来说,这类技术的发展是一把双刃剑,在带来优秀性能的同时,也为那些恶意使用的人提供了方便,使得现有的通信信号面临严峻的被截获和窃听的风险。
中国专利CN112468258A公开了一种全双工端到端自动编码器通信***及其对抗窃听方法,在存在窃听的无线信道环境下,合法接收器发送对抗扰动信号攻击非法***的网络模型,可减小恶意节点的窃听能力。现有技术没有从通信信号本身这一方面入手对降低通信被窃听和截获的风险进行研究。
发明内容
为防止通信***信号被识别,进而防止传输的信息被截获和窃听,本发明提供一种低截获波形生成方法。
为实现上述发明目的,本发明的技术方案是:
本发明提供一种低截获波形生成方法,包括以下步骤:
S1.生成待发送原始信号,并获取调制识别模型;
S2.发送每次扰动更新前的所述原始信号,根据所述调制识别模型对所述原始信号的识别效果,计算并更新梯度;
S3.根据所述梯度修改所述原始信号,使所述梯度减小,并得到更新后的期望信号;
S4.判断所述期望信号是否收敛,若所述期望信号收敛,则继续执行以下步骤,否则循环迭代所述S2~S4,直至最终获得的所述期望信号收敛;
S5.放大所述期望信号,并对其进行离散化处理;
S6.发送经所述S5处理后的所述期望信号,并经所述调制识别模型识别后,输出并获得所述期望信号被识别的概率;
S7.将所述概率与预设阈值进行比较,当所述概率≤所述阈值时,生成目标低截获信号的波形,当所述概率>所述阈值时,循环重复所述S2~S7,直至最终获得的所述概率≤所述阈值。
进一步地,所述S2的所述调制识别模型输入为所述原始信号,其输出为所述原始信号对应分类类别的概率,并根据所述输入与所述输出的关系计算所述梯度的值。
进一步地,所述输入与所述输出的关系表示为:
y=f(wi),
label=argmax(y),
其中,i≥0,0≤y≤1,wi表示每次扰动更新前的原始信号,y表示各分类类别的概率,label表示原始信号被识别为所属分类类别中对应概率最大的分类标签。
进一步地,所述梯度的计算公式为:
进一步地,所述S3包括以下步骤:
S31.初始化S1的所述原始信号的扰动方向,并设定所述扰动方向为0,扰动幅度为ε;
S32.对所述梯度进行归一化处理,所述归一化公式为:
S33.更新所述扰动方向,并根据以下关系式进行扰动更新:
其中,i≥0,δi表示每次扰动更新前一次的扰动方向,δi+1表示每次扰动更新后的扰动方向,α表示每次更新的学习率;
S34.根据判断所述原始信号是否被所述调制识别模型识别来调整所述扰动幅度,当所述原始信号被识别,按照以下关系式(a)调整所述扰动幅度,当所述原始信号没有被识别,按照以下关系式(b)调整所述扰动幅度:
εi+1=(1+γ)εi (a),
εi+1=(1-γ)εi (b),
其中,i≥0,γ表示收缩系数,εi表示每次扰动更新前一次的扰动幅度,εi+1表示每次扰动更新后的扰动幅度;
S35.根据以下关系式修改并不断更新所述原始信号,得到每次更新后的所述期望信号:
其中,wi+1表示每次更新后的期望信号;
S36.检查所述期望信号,并确保所述期望信号波形的幅度范围满足以下关系式:
wi+1=clip(wi+1,-1,1)。
进一步地,所述期望信号收敛的依据是,相邻两次迭代输出的概率改变幅度小于阈值,即|yi+1-yi|<A。
进一步地,所述阈值的取值为A=10-6。
进一步地,将所述期望信号按照以下关系式进行放大:
wi+1=wi+a·(wi+1-wi),
其中,a表示常量。
进一步地,所述期望信号被识别的概率的计算公式为:
本发明的有益效果是:
本发明结合人工智能的对抗样本技术,通过优化、修改和更新通信信号,使其被调制识别模型识别后的梯度减小,从而降低该信号被调制识别模型识别的概率,可有效地防止所传输的信息被窃听和截获,同时不影响通信***的正常通信过程。
本发明的低截获波形生成方法,最后生成的低截获波形信号具有显著的不被准确识别的能力,低截获效果好,保密性强。该方法在实际通信环境下表现出优秀的低截获效果,对于通信保密、通信安全等方面的应用具有重要价值。
本发明的低截获波形生成方法增强通信***的安全性、可靠性,在使用过程中可自适应无线通信各类应用场景,具有良好的扩展应用能力。在民用领域,该方法可用于未来6G等移动通信应用,提高用户通信信息的抗截获安全性;在军用领域,主要用于对抗作战环境下,面对使用智能手段监听截获通信的情况时,该方法可满足通信信号的伪装、欺骗、抗截获需求。
附图说明
图1示意性表示本发明的一种实施方式的低截获波形生成方法流程图;
图2示意性表示本发明的一种实施方式的低截获波形生成方法在理想状态下信号的低截获效果图;
图3示意性表示本发明的一种实施方式的低截获波形生成方法在模拟环境下信号的低截获效果图。
具体实施方式
为了更清楚地说明本发明实施方式或现有技术中的技术方案,下面将对实施方式中所需要使用的附图作简单地介绍。显而易见地,下面描述中的附图仅仅是本发明的一些实施方式,对于本领域普通技术人员而言,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
下面结合附图和具体实施方式对本发明作详细地描述,实施方式不能在此一一赘述,但本发明的实施方式并不因此限定于以下实施方式。
图1示意性表示本发明的一种实施方式的低截获波形生成方法流程图。如图1所示,在本实施方式中,开始执行本发明后,先执行S1,首先将传递信息的待发送到用于传输信号的信道中的待发送模拟信号进行调制,生成待发送原始信号w0(t),并获取用来识别该原始信号w0(t),以截获或窃听该原始信号w0(t)所传递信息的调制识别模型。其中,对模拟信号进行调制时,可选择的调制方式有振幅调制、频率调制和相位调制等方式。上述调制识别模型通常为基于深度学习的神经网络模型。本实施方式采用的调制识别模型为经过RADIOML 2018.01A数据集中的数据训练后的ResNet神经网络模型,具有优秀的识别能力,记为f()。其中,RADIOML 2018.01A数据集的数据,对应的数据长度为1024*2,具体地,“1024”表示信号时间离散长度,“2”表示信号的2个偏振方向。
然后,在本实施方式中,执行S2,其具体过程是:先发送上述S1生成的原始信号w0(t)到信道中,接着在信号传输的过程中,由已经训练好的调制识别模型对该原始信号w0(t)进行识别,根据调制识别模型对该原始信号w0(t)的识别效果来计算梯度值。在本实施方式中,由于训练后的ResNet神经网络模型具有优秀的识别能力,该原始信号w0(t)能被准确识别。
具体地,本实施方式先在调制识别模型中输入原始信号w0(t),之后,该调制识别模型输出原始信号w0(t)被识别为所有可能的所属分类类别对应的不同概率。根据该输入与输出的关系计算梯度值。其中,输入与输出满足以下关系:
y=f(w0),
label=argmax(y),
其中,0≤y≤1,y表示原始信号w0(t)对应各分类类别的概率,label表示原始信号w0(t)被识别为所属分类类别中对应概率最大的分类标签。这里,原始信号w0(t)被调制识别模型识别出的最终分类标签label反映了上述S2中的识别效果。梯度值的计算公式为:
上述梯度值的计算公式反映出输出概率与输入信号之间的依赖关系。梯度值越大,表示两者关联越强,也就是说,梯度值越大,表示输入信号被准确识别为对应的所属分类类别的概率越大。
所以,需要执行S3,通过修改原始信号w0(t)得到更新后的期望信号w1(t),使其通过调制识别模型后的梯度值减小,降低原始信号w0(t)被识别的概率,从而降低信息被截获和窃听的概率,保证通信的可靠性、安全性。S3中通过修改原始信号w0(t)来更新梯度的具体过程包括:
S31.初始化原始信号w0(t)的扰动方向,并将扰动方向设定为0,扰动幅度设为ε;在本实施方式中,取ε=0.01;
S32.对S2的梯度进行归一化处理,其中,归一化公式为:
S33.更新对原始信号w0(t)的扰动方向,并根据以下关系式进行扰动更新:
其中,δ0表示初始化的扰动方向,即δ0=0,δ1表示第一次扰动更新后的扰动方向,α表示学习率;
S34.根据判断原始信号w0(t)是否被调制识别模型识别来调整扰动幅度,当原始信号w0(t)被识别,按照以下关系式(a1)调整扰动幅度,当原始信号w0(t)没有被识别,按照以下关系式(b1)调整扰动幅度:
ε1=(1+γ)ε0 (a1),
ε1=(1-γ)ε0 (b1),
其中,γ表示收缩系数,ε0表示初始化的扰动幅度,即ε0=ε,ε1表示第一次扰动更新后的扰动幅度;
S35.根据以下关系式对原始信号w0(t)进行第一次修改,得到第一次更新后的期望信号:
其中,w1表示第一次更新后的期望信号w1(t);
S36.检查期望信号w1(t),并确保期望信号w1(t)波形的幅度范围满足以下关系式:
w1=clip(w1,-1,1)。
接着,执行S4,判断上述S3输出的期望信号w1(t)是否收敛,如果该期望信号w1(t)满足收敛的条件,则继续执行S5~S7,如果该期望信号w1(t)不满足收敛的条件,则继续循环迭代S2~S4,直至最终获得期望信号满足收敛的条件。其中,收敛的条件为期望信号通过调制识别模型输出的损失改变幅度小于阈值A,即相邻两次迭代输出的概率y的改变幅度小于阈值A,即|yi+1-yi|<A。
当期望信号w1(t)满足收敛的条件时,则继续执行S5~S7。其中,S5为将S4输出的期望信号w1(t)放大和离散化处理的过程,具体是将期望信号w1(t)按照以下关系式进行放大,
w1=w0+a·(w1-w0),
其中,a表示常量。S5之后继续执行S6,将放大、离散化后的期望信号w1(t)发送,经过调制识别模型识别后,输出并获得该期望信号w1(t)被识别的概率。该概率的计算公式为:
最后执行S7,将期望信号w1(t)被识别的概率与预设的阈值进行比较,当概率≤阈值时,生成目标低截获信号的波形。当概率>阈值时,循环重复S2~S7,直至最终获得的概率≤阈值。
当期望信号w1(t)不满足收敛的条件时,则继续循环迭代S2~S4。在每次循环迭代的过程中,都将上一次迭代过程输出的期望信号作为下一次迭代过程的原始信号,也就是作为每次扰动更新前的原始信号。那么,本实施方式将期望信号w1(t)作为第二次迭代、扰动更新前的原始信号,继续循环迭代S2~S4。同理,在本实施方式中,S2将原始信号wi(t)输入调制识别模型,然后输出该原始信号wi(t)被识别为所有可能的所述分类类别对应的不同概率,再计算梯度值。具体地,输入与输出满足以下关系:
y=f(wi),
label=argmax(y),
其中,i≥0,0≤y≤1,wi表示每次扰动更新前的原始信号,y表示原始信号wi(t)对应各分类类别的概率,label表示原始信号wi(t)被识别为所属分类类别中对应概率最大的分类标签。梯度值的计算公式为:
在本实施方式中,S3通过修改原始信号wi(t)得到更新后的期望信号wi+1(t),使其通过调制识别模型后的梯度值减小,降低原始信号wi(t)被识别的概率,从而降低信息被截获和窃听的概率,保证通信的可靠性、安全性。S3中通过修改原始信号wi(t)来更新梯度的具体过程包括:
S32.对S2获得的梯度进行归一化处理,其中,归一化公式为:
S33.更新对原始信号wi(t)的扰动方向,并根据以下关系式进行扰动更新:
其中,i≥0,δi表示每次扰动更新前一次的扰动方向,δi+1表示每次扰动更新后的扰动方向,α表示每次更新的学习率;
S34.根据判断原始信号wi(t)是否被调制识别模型识别来调整扰动幅度,当原始信号wi(t)被识别,按照以下关系式(a)调整扰动幅度,当原始信号wi(t)没有被识别,按照以下关系式(b)调整扰动幅度:
εi+1=(1+γ)εi (a),
εi+1=(1-γ)εi (b),
其中,i≥0,γ表示收缩系数,εi表示每次扰动更新前一次的扰动幅度,εi+1表示每次扰动更新后的扰动幅度;
S35.根据以下关系式修改并不断更新原始信号wi(t),得到每次更新后的期望信号:
其中,wi+1表示每次更新后的期望信号wi+1(t);
S36.检查期望信号wi+1(t),并确保期望信号wi+1(t)波形的幅度范围满足以下关系式:
wi+1=clip(wi+1,-1,1)。
在本实施方式中,上述S3梯度更新的整个过程利用深度学***高,可自适应各类应用场景。除此以外,本实施方式还可使用FGSM、PGD、DeepFool、CW等对抗样本生成思想。
在本实施方式中,S4判断期望信号wi+1(t)是否收敛,如果该期望信号wi+1(t)满足收敛的条件,则继续执行S5~S7,如果该期望信号wi+1(t)不满足收敛的条件,则再继续循环迭代S2~S4,直到最终获得的期望信号满足收敛的条件。优选地,本实施方式中收敛条件判断中的阈值A=10-6。也就是说,当相邻两次迭代过程分别得到的概率非常接近,且该相邻两次输出的概率改变值趋向于10-6时,此时获得的期望信号的低截获性能已经达到极限,基本上达到最优。即使使相邻两次输出的概率改变值进一步变小,即小于10-6,上述期望信号的低截获性能的改变非常小。
当期望信号wi+1(t)满足收敛的条件时,执行S5,将期望信号wi+1(t)按照以下关系式进行放大,然后进行离散化处理。
wi+1=wi+a·(wi+1-wi),
其中,a表示常量。继续执行S6,将放大、离散化后的期望信号wi+1(t)发送,经过调制识别模型识别后,输出并获得该期望信号wi+1(t)被识别的概率。最后执行S7,将期望信号wi+1(t)被识别的概率与预设的阈值进行比较,当概率≤阈值时,生成目标低截获信号的波形。当概率>阈值时,循环重复S2~S7,直至最终获得的概率≤阈值。当该阈值设定为不同的值时,本实施方式的低截获波形生成方法可应用在具有防截获和防窃听需求的不同场景。
图2和图3分别示意性表示本发明的一种实施方式的低截获波形生成方法在理想状态下和在模拟环境下信号的低截获效果图。
如图2所示,在理想状态下,与发送的原始信号w0(t)相比,无论信噪比怎样变化,本实施方式的低截获波形生成方法最后生成的目标低截获信号被调制识别模型识别的概率为0,此时通信***中传输的信息低截获的效果最好,可有效防止信息被截获和窃听。
如图3所示,在通信模拟的复杂信道环境中,本实施方式的低截获波形生成方法最后生成并输出的目标低截获信号被调制识别模型识别的准确率保持在40%以下。当信噪比为0时,准确率接近40%;当信噪比低于0或高于0时,准确率都低于40%,但是信噪比低于0时的信号被识别准确率比信噪比高于0时的更低。所以,通过修改原始信号w0(t),增加噪声干扰的方式可以有效地降低通信信息被截获和窃听的概率,增加通信***的安全、可靠性。
以上所述仅为本发明的一个实施方式而已,并不用于限制本发明,对于本领域的技术人员来说,本发明可以有各种更改和变化。凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包括在本发明的保护范围之内。
Claims (5)
1.一种低截获波形生成方法,包括以下步骤:
S1.生成待发送原始信号,并获取调制识别模型;
S2.发送每次扰动更新前的所述原始信号,根据所述调制识别模型对所述原始信号的识别效果,计算并更新梯度;
S3.根据所述梯度修改所述原始信号,使所述梯度减小,并得到更新后的期望信号;
S4.判断所述期望信号是否收敛,若所述期望信号收敛,则继续执行以下步骤,否则循环迭代所述S2~S4,直至最终获得的所述期望信号收敛;
S5.放大所述期望信号,并对其进行离散化处理;
S6.发送经所述S5处理后的所述期望信号,并经所述调制识别模型识别后,输出并获得所述期望信号被识别的概率;
S7.将所述概率与预设阈值进行比较,当所述概率≤所述阈值时,生成目标低截获信号的波形,当所述概率>所述阈值时,循环重复所述S2~S7,直至最终获得的所述概率≤所述阈值;
所述S2的所述调制识别模型输入为所述原始信号,其输出为所述原始信号对应分类类别的概率,并根据所述输入与所述输出的关系计算所述梯度的值;
所述输入与所述输出的关系表示为:
y=f(wi),
label=argmax(y),
其中,i≥0,0≤y≤1,wi表示每次扰动更新前的原始信号,y表示各分类类别的概率,label表示原始信号被识别为所属分类类别中对应概率最大的分类标签;
所述梯度的计算公式为:
所述S3包括以下步骤:
S31.初始化S1的所述原始信号的扰动方向,并设定所述扰动方向为0,扰动幅度为ε;
S32.对所述梯度进行归一化处理,所述归一化公式为:
S33.更新所述扰动方向,并根据以下关系式进行扰动更新:
其中,i≥0,δi表示每次扰动更新前一次的扰动方向,δi+1表示每次扰动更新后的扰动方向,α表示每次更新的学习率;
S34.根据判断所述原始信号是否被所述调制识别模型识别来调整所述扰动幅度,当所述原始信号被识别,按照以下关系式(a)调整所述扰动幅度,当所述原始信号没有被识别,按照以下关系式(b)调整所述扰动幅度:
εi+1=(1+γ)εi (a),
εi+1=(1-γ)εi (b),
其中,i≥0,γ表示收缩系数,εi表示每次扰动更新前一次的扰动幅度,εi+1表示每次扰动更新后的扰动幅度;
S35.根据以下关系式修改并不断更新所述原始信号,得到每次更新后的所述期望信号:
其中,wi+1表示每次更新后的期望信号;
S36.检查所述期望信号,并确保所述期望信号波形的幅度范围满足以下关系式:
wi+1=clip(wi+1,-1,1)。
2.根据权利要求1所述的低截获波形生成方法,其特征在于,所述期望信号收敛的依据是,相邻两次迭代输出的概率改变幅度小于阈值,即|yi+1-yi|<A。
3.根据权利要求2所述的低截获波形生成方法,其特征在于,所述阈值的取值为A=10-6。
4.根据权利要求1所述的低截获波形生成方法,其特征在于,将所述期望信号按照以下关系式进行放大:
wi+1=wi+a·(wi+1-wi),
其中,a表示常量。
5.根据权利要求1所述的低截获波形生成方法,其特征在于,所述期望信号被识别的概率的计算公式为:
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110943056.0A CN113572568B (zh) | 2021-08-17 | 2021-08-17 | 低截获波形生成方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110943056.0A CN113572568B (zh) | 2021-08-17 | 2021-08-17 | 低截获波形生成方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113572568A CN113572568A (zh) | 2021-10-29 |
CN113572568B true CN113572568B (zh) | 2024-05-28 |
Family
ID=78171885
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110943056.0A Active CN113572568B (zh) | 2021-08-17 | 2021-08-17 | 低截获波形生成方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113572568B (zh) |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107238818A (zh) * | 2017-05-25 | 2017-10-10 | 中国科学院国家空间科学中心 | 一种线性调频混沌噪声波形及其去斜处理方法 |
CN108768446A (zh) * | 2018-05-30 | 2018-11-06 | 西安电子科技大学 | 低截获雷达通信一体化***的信号波形设计方法 |
CN112560803A (zh) * | 2021-01-22 | 2021-03-26 | 南京航空航天大学 | 基于时频分析与机器学习的雷达信号调制识别方法 |
-
2021
- 2021-08-17 CN CN202110943056.0A patent/CN113572568B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107238818A (zh) * | 2017-05-25 | 2017-10-10 | 中国科学院国家空间科学中心 | 一种线性调频混沌噪声波形及其去斜处理方法 |
CN108768446A (zh) * | 2018-05-30 | 2018-11-06 | 西安电子科技大学 | 低截获雷达通信一体化***的信号波形设计方法 |
CN112560803A (zh) * | 2021-01-22 | 2021-03-26 | 南京航空航天大学 | 基于时频分析与机器学习的雷达信号调制识别方法 |
Non-Patent Citations (1)
Title |
---|
"低截获概率雷达信号性能分析和评估技术研究";舒奕榕;《中国优秀硕士学位论文全文数据库 (信息科技辑)》(第2期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN113572568A (zh) | 2021-10-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106161297A (zh) | Ofdm***中基于独立分量分析的抗导频欺骗攻击信道估计和识别方法 | |
Kim et al. | How to Make 5G Communications" Invisible": Adversarial Machine Learning for Wireless Privacy | |
Kim et al. | Adversarial attacks with multiple antennas against deep learning-based modulation classifiers | |
CN109168166A (zh) | 物理层认证***的安全性检测方法 | |
CN109511116A (zh) | 考虑敌对端计算能力的物理层认证***的安全性检测方法 | |
CN107864029A (zh) | 一种降低多用户检测复杂度的方法 | |
CN105024771A (zh) | 一种Alpha稳定分布噪声下频谱感知方法 | |
Ali et al. | An M‐QAM Signal Modulation Recognition Algorithm in AWGN Channel | |
CN110751049B (zh) | 一种面向信号采样梯度攻击的防御方法 | |
CN111525955A (zh) | 一种基于稀疏贝叶斯学习的可见光通信的均衡方法及*** | |
Gouissem et al. | IoT anti-jamming strategy using game theory and neural network | |
Zhang et al. | Lightweight automatic modulation classification via progressive differentiable architecture search | |
Zhou et al. | A countermeasure against random pulse jamming in time domain based on reinforcement learning | |
CN113572568B (zh) | 低截获波形生成方法 | |
CN110062384A (zh) | 一种基于信号旋转的无线监控方法 | |
CN112329523A (zh) | 一种水声信号种类识别方法、***及设备 | |
Zhang et al. | Attacking Modulation Recognition with Adversarial Federated Learning in Cognitive Radio-Enabled IoT | |
Zolotukhin et al. | On Assessing Vulnerabilities of the 5G Networks to Adversarial Examples | |
CN117478474B (zh) | 一种基于信道预补偿的对抗样本信号波形生成方法 | |
Zou et al. | Underwater optical channel generator: A generative adversarial network based approach | |
Guo-Xi | Research on a Convolutional Neural Network Method for Modulation Waveform Classification. | |
Zou et al. | [Retracted] Automatic Modulation and Recognition of Robot Communication Signal Based on Deep Learning Neural Network | |
KR102348311B1 (ko) | 심층 학습 기반의 무선 통신 환경에서 대용 모델을 이용해 도청 회피 신호를 송신하는 방법 및 장치 | |
Wang et al. | Wireless Universal Adversarial Attack and Defense for Deep Learning-Based Modulation Classification | |
Yan et al. | Optimal local sensor decision rule for target detection with channel fading statistics in multi-sensor networks |
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 |