电磁信号调制识别中的对抗性攻击技术研究

无线通信常需要检测通信信号的调制类型,来分析估计调制参数,或发出干扰信号破坏对方通信系统。深度学习成为研究热点为调制信号识别带来了极大的便利,然而人工智能模型面临着来自对抗样本严重的威胁,这大大降低了深度机器学习任务执行的高可靠性度和安全性。针对电磁信号识别中的对抗攻击问题,使用Matlab生成数据集,并设计深度神经网络为问题研究的基础。进一步对对抗样本进行分析,结合信号理论,给出了通信信号对抗样本产生原因的分析,并研究经典的基于梯度生成的对抗样本生成算法,实现在不同攻击类型及迭代步长下的白盒攻击,可将原始模型识别率降低30%以上。仿真实验证明,卷积神经网络极易受到对抗攻击,对抗样本会对智能模型的辨识精度产生影响,对于深度学习模型的安全性与可靠性的研究具有重要价值。     

基于一维距离像的抗干扰方法研究

雷达探测领域,各种虚假目标的主动干扰对单体雷达目标探测带来了极大挑战。为了提高单体雷达的抗干扰性能,文中基于宽带雷达目标回波数据,计算了多角度一维距离像,并作为标签训练数据,引进成熟的卷积神经映射网络,通过大量虚假目标与真实目标回波的训练调参,成功构建雷达目标识别网络,可以从雷达接收机大量各类型中频回波数据中提取真实雷达目标。文中的雷达特征数据是通过CST软件进行三维目标建模仿真计算得到的,为了提高网络识别的鲁棒性,在仿真雷达目标回波样本的基础上增加了微小的扰动,雷达目标提取网络可以依据训练数据的增大而使得雷达目标探测更加准确。