通信信号智能调制识别对抗攻击研究

基于深度学习技术的通信信号调制识别算法由于其优秀的特征提取能力,极大地提升了调制识别任务的精度,但是对抗样本特性的存在,导致基于深度学习的调制识别模型的安全性受到了极大威胁,通过在训练好的调制识别网络中添加设计好的特定微小扰动,就可以使得调制识别模型完全失效。研究了基于深度学习的调制识别模型及其对抗样本攻击方法,提出一种基于快速梯度符号法的定向扰动生成方法,该方法在扰动和原始信号功率比为-21 dB的条件下,针对11类常见的不同调制种类的通信信号生成扰动,实现对通信信号调制识别模型的定向攻击,为智能调制识别模型的攻防对抗提供参考。     

基于深度学习的通信信号调制识别算法

随着通信技术的发展，信号体制、调制方式日趋复杂，例如CPM、OFDM等，这给调制识别技术带来了巨大挑战。近年来，深度学习技术由于其强大的特征提取能力和分类能力，被广泛应用到模式识别领域中。为了实现复杂调制方式的识别，文章将深度学习技术引入到调制识别领域，并提出一种基于改进的CLDNN模型的调制识别算法。CLDNN模型已被成功应用到语音识别领域，其表现出了强大的特征提取和分类能力。该方法在原有CLDNN模型的基础上，针对调制识别问题的特点，对CLDNN进行了改进。而且该方法不依赖于载波同步、码元同步等预处理。实验结果表明，该方法可同时识别12种信号调制方式和信号体制，信噪比在3dB以上时，整体识别准确率达到90%以上，并且可以较好地识别复杂调制方式和信号体制。     

基于卷积神经网络的雷达和通信信号调制识别

雷达和通信信号的调制识别是电子侦察对抗的一项关键技术,通过搜索、截获敌方电子设备发射的电磁辐射信号,经过电子侦察系统分析、识别,从而获取敌方战术、技术特征参数等情报。人工神经网络中的深度学习网络由于具有强大的表征学习能力,可以自动从原始数据中提取出各种复杂的特征。介绍了一种差分自相关预处理结合深度学习进行中频信号调制识别的方法,结合工作的实际需求,对深度学习在信号调制识别中提出了一些展望,如进一步提高在低信噪比下的识别率和研究深度学习调制识别混合架构。     

基于深度学习的雷达辐射源识别算法

为解决雷达辐射源识别中特征提取困难、低信噪比条件下识别效率低的问题,提出了一种基于一维卷积神经网络和长短期记忆网络的深度学习智能识别算法,构建了一个CNN-LSTM网络,能实现对不同脉内调制方式雷达辐射源的端到端识别.该网络首先利用卷积层学习信号局部特征,然后将卷积层输出的结果输入长短期记忆网络,学习信号的全局特征,最...     

基于星座图恢复的PSK信号调制方式盲识别

针对非协作通信条件下PSK信号识别问题,提出了一种基于星座图恢复的MPSK/MDPSK信号调制方式盲识别系统.该系统不需要信号任何先验信息,星座图恢复所需的参数如载波频率、符号速率、位定时信息均从接收序列中估计得到,同时,在系统中采用相位差分的方法以消除由载波估计偏差引起的星座图扩散.提出并定义信号隶属度函数,该函数利用星座图盲聚类得到的聚类中心的数目计算隶属度来实现MPSK和MDPSK信号调制方式识别.仿真表明,在AWGN信道条件下,当SNR＞11dB时,对所有信号的识别率大于90%,对于BPSK、4PSK信号在SNR＞6dB时识别率达到100%,证明了该算法的有效性.     

时-频分析算法在通信信号调制识别中的应用

在通信情报侦察系统中 ,对通信信号的识别和参数估计 ,是一项关键的技术。主要针对通信系统中最典型的几种信号调制类型 ,如 :PSK ,FSK ,线性FM ,采用了最近受到普遍关注的时频分析算法 (STFT和WVD)和小波变换 ,进行了调制类型的识别仿真。并介绍了这几种方法的基本原理和各自的性能。     

一种宽范围非合作目标中频角跟踪接收机的设计与实现

为实现对非合作星间目标信号的捕获跟踪,提出了一种基于单通道单脉冲跟踪技术的非合作目标中频角跟踪接收机软硬件设计方案。硬件平台设计方案结合了FPGA与DSP在算法处理上的优势,涵盖高速ADC设计、系统时钟设计等。针对非合作星间目标信号的特征,提出了不同调制体制、不同码速率的非合作宽带数据传输信号的检测识别、角误差信号提取与分离方案,涵盖数字预处理、数字信道化、信道判决、信号检测估计、角误差信号提取等处理环节。系统捕获跟踪试验结果表明该非合作目标角跟踪接收机可以完成对多种调制体制(BPSK、QPSK、SQPSK等载波相位调制)、不同码速率(1kbps～300Mbps)的非合作宽带数据传输信号的角误差信号提取与分离,载频估计精度优于100kHz,码速率估计精度优于100kbps。本系统可实现对非合作目标信号的有效跟踪,为开展非合作目标角跟踪接收机的工程化研究奠定了扎实基础。     

利用VxWorks Socket实现宽带数传信号接收与识别的试验平台

介绍基于VxWorks实时操作系统的宽带数传信号接收与识别试验平台的结构,在研究通用解调器CORTEXTCP/IP以太网接口通信机制以及VxWorks系统Socket通信协议实现方法的基础上,开发出数传信号接收识别部分与COR-TEX的通信模块,成功地将宽带数传信号识别、调制参数估计与信号解调三者融为一体。     

基于矩特征的雷达信号脉内调制样式识别方法研究

相控阵雷达为了获得良好的低截获(LPI)特性,同时兼顾距离和速度分辨率,需要对信号进行复杂的脉内调制,将发射能量扩散到很宽的频率范围上,甚至与噪声水平相近。对雷达脉内调制信号进行识别,可以获取敌方雷达作战性能并制定相应的干扰策略。针对不同调制信号的时频图几何分布不同的特点,对CW、LFM、PARFM、PSK、FSK五类信号进行Choi-Williams变换,提出将不同信噪比下时频图像中最能反映图像区域几何特征的四个不变矩作为输入特征向量,利用梯度下降算法构建神经网络,对调制样式进行识别的方法。仿真结果表明,方法的识别效果良好。     

基于PSK调制的数字通信信号仿真分析技术

基于PSK调制的数字通信系统在无线通信工程实践中有着广泛的应用，由于受到各种条件的限制，从实际工程系统接收到的PSK数字通信信号在教学科研中不易获得，而PSK调制仿真数据则可以自己产生。在掌握通信原理和仿真技术的基础上利用Matlab实现对BPSK、DPSK、QPSK、DQPSK、8PSK、π/4-DQPSK、OQPSK等数字通信信号源的模拟仿真，可对调制体制、工作频率、传输码率、采样频率、信道特征等参数进行灵活设置，并按要求生成规定格式的DAT数据文件，可作为调制方式识别软件的训练和测试样本。结合模方谱、平方谱、四次方谱、八次方谱等谱线参数特征，同时结合星座图和眼图进行基于PSK调制的数字通信信号的调制体制判别和验证。     

基于卷积神经网络的雷达辐射源稳健识别方法

针对低信噪比下，基于传统统计特征的雷达信号识别方法对复杂调制信号类型识别性能不高，因而处理复杂度高的问题，提出一种基于卷积神经网络的雷达辐射源信号稳健识别方法。该方法通过提取信号的瞬时相位特征，获得变换域的表征信号，将其作为卷积神经网络的输入，实现雷达辐射源信号的快速识别。针对瞬时相位特征对于信噪比敏感的特点，采用主成分分析方法对信号特征域进行降噪处理，提升模型对噪声的稳健性。通过仿真实验验证了所提出方法在不同信噪比下对7种调制信号类型的识别性能，通过理论分析及不同方法的实验对比，验证了算法具有耗时较短、识别准确率较高、噪声稳健性好等优势，具有良好的工程实用性。     

基于深度学习的雷达干扰识别方法研究

针对复杂电磁环境下雷达干扰信号识别问题,从优化卷积神经网络结构的角度出发,本文提出了一种对卷积神经网络结构LeNet-5增加批量归一化层和改变激活函数的方法。该方法能够加速网络收敛,提升网络的学习效率。本文首先建立舰船目标模型,分析了噪声调幅干扰、噪声调频干扰、梳状谱干扰和无干扰的真实目标回波信号在时频域的差异,然后利用四种信号对舰船目标模型生成数据集,最后通过本文所提方法实现雷达干扰的自动识别。仿真结果表明：在全信噪比条件下,本文所提方法对四种信号的识别准确率达到98.1%,表明所提方法有着较好的稳定性和鲁棒性。     

基于YOLO智能网络的红外弱小多目标检测技术

复杂背景下的红外弱小多目标检测是红外目标检测的难点,现有算法的稳健性难以满足实际弹载应用需求。针对弹载环境下的红外场景图像开展了基于典型深度学习网络模型的目标检测应用研究,提出一种基于YOLO(you only look once)网络的智能目标检测方法,通过高维特征学习表征和推理实现红外弱小多目标检测。采用传统的模板匹配算法和YOLO深度学习算法进行识别性能对比分析,验证了YOLO网络在红外弱小多目标检测方面的良好性能。实验结果表明:YOLO算法的检测概率可达92.2%,平均检测精度为0.844,与传统的模板匹配方法相比,YOLO具有明显的优势。     

深度学习技术在空间激光通信中的应用

与射频通信相比，空间激光通信具有传输速率高、保密性能强、终端功耗低等优点，目前已成为当前通信领域的一个研究热点。同时，空间激光通信也面临着一些严峻的技术挑战，如大气湍流导致空间激光通信的信道情况十分复杂，复杂的信道会引发信号光强度起伏剧烈，信标光跟踪与瞄准困难，接收端的信号光场波前畸变严重等。为了提升空间激光通信在复杂信道环境中的性能，学者们将深度学习技术引入到空间激光通信系统中。多项研究表明，深度学习在空间激光通信的诸多方面表现出了优越的信息处理能力。对近年来深度学习技术在空间激光通信信号处理与检测，信标光捕获与跟踪以及波前畸变探测与校正等方面的应用做一全面梳理，并对用于空间激光通信的深度学习技术的前景进行展望。     

基于FRFT的一类低截获概率雷达信号调制识别

线性调频信号、对称三角线性调频连续波信号与多相编码(Frank、P1、P2、P3与P4码)信号是一类具有线性调频特性的低截获概率雷达信号.为了识别这类信号的调制方式,分析了它们各自的时频分布特征,以及它们在分数阶Fourier域内的频谱分布特征.根据上述三种信号各自在参数(U,P)平面上的能量尖峰的分布特点,给出一种基...     

基于神经网络的时频域雷达信号调制参数估计

针对常规时频分析方法对多分量雷达信号分析的不足,提出一种基于神经网络的时频域多分量雷达信号调制参数估计新方法.把多分量雷达信号的时频分布作为灰度图像,通过神经网络训练得到高分辨率时频平面图,然后在时频域实现雷达信号各分量的调制参数估计,相对于时频重排等方法,其对时频分布的处理不需要关于各分量信号的先验知识.仿真实验表明,该方法在得到比时频重排方法更高分辨率时频图的基础上,能够较准确地估计各分量雷达信号调制参数.     

构件裂纹缺陷的超声识别

将小波包多分辨率分析与能量谱相结合,提出了金属材料缺陷特征提取的方法(小波包子带能量比较法)及不同缺陷的识别方法(小波分形神经网络法)。选取最能反映缺陷特征的参数——"能量特征向量"作为特征参数,进行缺陷的特征提取。缺陷的识别方法将小波包分解后各子带系数的分形维数作为特征矢量,对其进行径向基神经网络训练,从而可很明显区分出有无裂纹以及不同裂纹信号。以航天发射塔架钢连接构件疲劳裂纹超声检测信号为例,使用所提出的特征提取和模式识别方法,结果表明是行之有效的新方法,为金属材料缺陷检测与识别开拓了新思路。