面向ADS-B信号辐射源个体识别的轻量化模型设计

针对辐射源个体识别高精确度、轻量化、实时性的现实应用需求,提出了面向广播式自动相关监测(ADS-B)信号辐射源个体识别的轻量化模型设计方法。根据信号数据特点进行解码处理,并对不均衡样本进行权重调节,改善样本质量;通过分组卷积获取不同维度的细微特征,与初始特征拼接,实现多维互补特征融合,并联同步进行提高识别效率。利用Ghost bottleneck结构实现网络模型压缩与跨层连接,在融合多维特征的同时节省计算资源。实验结果表明,本文算法结构精简,计算量低,识别率达到95.2%,并在不同容量的样本识别中效果稳定。本文算法较好地平衡了辐射源个体识别精确度、轻量化与高时效的需求。     

半监督学习在恶意软件流量检测中的应用

恶意软件检测是保障网络安全、防止网络异常的关键技术之一。为了解决基于深度学习的恶意软件流量检测方法需要大量人工标注的有标签网络流量样本的问题,同时保持算法的检测精度,提出了一种基于半监督学习与网络流量的恶意软件检测方法,其利用少量有标签网络流量样本与大量无标签网络流量样本训练恶意软件检测模型。实验结果表明,所提出的方法在小样本流量环境中比一般的基于深度学习的恶意软件流量检测方法有更好的性能,可用于现实中有标签数据较少的恶意软件流量检测场景。     

面向5G无线通信系统中若干物理层技术探讨

各种智能设备的爆发式增加,新兴多媒体应用的引入以及无线数据需求的指数增长已经对现有蜂窝网络造成了重大负担。与第四代(4G)长期演进(LTE)通信系统相比,第五代(5G)无线通信系统容量要求达到1 000倍以上才能满足用户需求。从无线通信的物理层角度出发,探讨几种应用在5G通信的潜在技术,如新型信道模型估计、定向天线设计、波束成形算法和大规模多输入多输出(MIMO)技术。最后,指出当前物理层技术存在的主要问题并探讨了5G通信系统中的可能发展方向。     

基于轻量化分布式学习的自动调制分类方法

为了解决集中式学习存在的问题,提出了一种基于轻量化网络的分布式学习方法。分布式学习利用边缘设备进行本地训练和模型权重共享的方法训练同一个全局模型,既充分利用了各边缘设备的训练数据,又避免了边缘设备数据泄露。轻量化网络是一种由多个轻量化神经网络块堆叠而成的深度学习模型,相较于传统的深度学习模型,轻量化网络以较低的空间复杂度和时间复杂度实现较高的调制分类性能,有效地解决了分布式学习在实际部署中存在的边缘设备算力不足、存储空间有限及通信开销较高的问题。实验结果表明,基于分布式学习的自动调制信号分类技术在RadioML.2016.10A数据集的分类准确率为62.41%,相比于集中式学习,分类准确率仅降低了0.68%,训练效率提高了近5倍。实验结果也证明了在分布式学习下,部署轻量化网络可以有效降低通信开销。     

基于l1-范数约束的递归互相关熵的稀疏系统辨识

为了有效解决脉冲噪声环境下的稀疏系统辨识(Sparse system identification, SSI)问题,以l1 -范数为约束构建稀疏递归互相关熵准则(Recursive maximum correntropy criterion, RMCC)算法来解决脉冲噪声对于辨识性能的影响。结合带遗忘算子的互相关熵准则和l1 -范数作为代价函数,推导出一种递归形式的算法,其相对于传统的最大相关熵算法具有快的收敛速度及小的稳态误差。仿真实验结果表明:该算法对于脉冲噪声干扰环境下的SSI问题具有强的鲁棒性。      

基于信号特征知识图谱与宽度学习架构的特定辐射源识别

特定辐射源识别是一种有效的工业物联网数据流保护技术，现有的SEI方法可以通过机器学习来实现，而主流的SVM算法针对大规模训练样本会消耗大量的机器内存和运算时间。为了解决上述问题，提出了一种信号特征知识图谱与宽度学习架构的SEI方法KG-BLS算法，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。此外，该方法依靠特征映射节点和增强节点的非线性变换，通过单层前向传播网络来求解复杂的分类问题。仿真结果表明，所提出的KG-BLS算法在识别性能和计算开销方面具有巨大的优势。     

基于深度学习的自动调制识别方法综述

自动调制识别(Automatic Modulation Recognition,AMR)是复杂电磁环境下的信号感知和识别领域中的重要技术,广泛应用于频谱感知、链路自适应、干扰防护等领域。传统的AMR方法主要依赖于人工提取特征、决策理论和识别器的选择。而深度学习(Deep Learning,DL)算法直接从海量数据中自动获取信号特征,同时实现特征提取和识别。因此,针对复杂多变的电磁环境中的信号识别问题,提出了将DL算法应用于AMR任务。首先,从数据集、信号表示和网络模型三个层面系统地综述基于DL的AMR方法;其次,详细总结了针对不同的信号表示所设计的神经网络模型,其中接收信号可以由专家特征、序列和图像来表示;最后概述了AMR存在的问题、潜在的研究方向和结论。     

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

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。     

面向可变信道环境的真实射频信号数据集构建

基于深度学习的射频指纹(Radio Frequency Fingerprinting, RFF)识别具有增强物理层安全性能的潜力。近年来，为了满足深度学习对大规模数据的需求，提出了几种RFF数据集。然而，这些数据集是从类似的信道环境中收集的，多数仅提供来自接收器的接收数据。针对上述问题，利用软件无线电设备作为无线电信号发生器，通过自定义收发射机系统参数，如频带、调制模式、天线增益等，实现射频信号数据集的个性化定制。由于数据集是通过各种复杂的信道环境生成的，旨在更好地描述现实世界中的射频信号，因此在发射机和接收机处同时收集数据，可以模拟基于长期演进(Long Term Evolution, LTE)的真实RFF数据集。此外，通过一个基于卷积神经网络的射频指纹识别例程，验证了数据集的可用性，所提出的数据集和相关代码均可以在GitHub下载。