无监督对抗学习电磁频谱异常信号检测方法

技术领域

本发明属于通信技术领域，具体涉及一种无监督对抗学习电磁频谱异常信号检测方法。

背景技术

无线电技术的发展使无线电频谱资源成为了新旧动能转换和发展数字经济的重要生产要素，无线电频谱成为我们最宝贵和广泛使用的自然资源之一。无论是在军事领域还是民用领域，电磁频谱管控都扮演者越来越重要的角色，而电磁频谱异常检测是电磁管控中重要一环。

传统军事行动中，强大的火力和机动力是标配，而现代战争中必须将电磁攻防列入标配清单。美军首先提出电磁频谱作战的概念，电磁频谱作战以电子战和频谱管理为基础，以联合电磁频谱作战为实现方式，目标是在电磁作战环境中达成优势。

电子战中对方可能对我方用频设备进行侦测、干扰，若我方不能监测到因为被干扰、侦测出现的电磁频谱异常，我方各级部队保持沟通指挥将受到影响。而频谱管理中也需要及时发现我方用频设备异常情况，如用频设备老化造成发射功率变高、带宽变宽影响其他频段用频设备的情况。因此战场上电磁异常检测关乎我方制电磁权，影响我方胜败。

民用领域中电磁频谱异常检测也起着重要作用。很多未被授权的基站和发射器出于私利或出于破坏的目的，违规使用无线电频段，对正常的电台站的无线电信号使用造成了干扰，如果不能及时准确的发现异常的无线电信号，让异常信号对正常信号造成干扰，可能会导致授权信号在接收端信息失真甚至丢失，严重的还可能对生命财产安全造成危害。比如私自安装的“手机信号放大器”除了干扰公众通信网络，高铁沿线列车控制系统基站所用频段与移动公司的频段相隔非常近，假如在铁路沿线5公里范围内安装手机信号放大器，很有可能会引起阻塞干扰，威胁列车运行安全；“黑广播”的滥用，不仅占用导航信号频段，其发射功率还盖过了导航信号，影响了民航降落工作。

战场电子对抗造成的电磁频谱异常种类受敌方刻意控制，异常种类多样且战前未知。频谱管理中出现的各种异常情况也面临异常样本难以获取，标注困难等问题。无线电频谱的数据量大、异常多样、异常样本难以获取这些特点给电磁频谱异常检测问题带来了巨大挑战。传统的两种电磁环境异常检测方法有数据库比对法和历史模型分析法，前者需要较完备的频谱执照数据库支持，后者需要长期监测数据积累以及诸多用频参数先验概率分布知识，在电磁环境异常检测问题上表现得也不尽如人意。有学者提出基于时间序列分析的频谱异常自主检测和稳健估计方法，无需用频数据库和长期无线电监测累积历史数据，能够识别典型的异常，但建模过程需要异常的先验知识，而电磁信号异常多样且有未知异常，难以得到全面的异常先验知识，故该方法有一定的局限性。

在过去的十年里，机器学习快速发展。夏伟等人的《基于单类支持向量机模型的频谱异常检测方法》提出基于单类支持向量机模型的频谱异常检测方法，训练效果好、决策速度快、精度高的特点，避免了高代价的异常样本采集，同时对未知异常也有较高的检测精度，但电磁信号的异常检测需要检测的数据量非常大，该方法对海量数据的异常检测存在一定的局限性。

深度学习相对于传统的机器学习有更多网络层数，能够更大程度的压缩数据维度，可以实现自我迭代，只需输入数据，通过深度学习就可以自动实现特征的提取，对于处理量大且复杂的数据有很大优势。深度学习又可以分为有监督学习、半监督学习和无监督学习，有监督学习算法需要对数据创建标签，在数据量大的情况下会花费巨大的人力，而无监督学习算法直接从数据本身得到数据的性质，然后总结数据或对数据进行分组，自动实现特征提取，可以在进行电磁频谱异常检测时避免高代价的异常标记。无监督学习算法可以处理大量数据且无需标记，很适合电磁频谱异常检测中异常种类多样且部分异常种类预先未知的情况。因此电磁频谱异常检测多使用无监督学习的方法，例如冯清松的《Anomalydetection of spectrum in wireless communication via deep auto-encoders》提出一种基于自动编解码器的电磁频谱异常检测方法，该方法可以进行无监督学习异常检测，但是没有对编码后的隐含空间的分布进行约束，导致不能提取到更为有效的特征。

发明内容

有鉴于此，本发明的主要目的在于提供一种无监督对抗学习电磁频谱异常信号检测方法。

为达到上述目的，本发明的技术方案是这样实现的：

本发明实施例提供一种无监督对抗学习电磁频谱异常信号检测方法，该方法为：对获取的功率谱数据进行预处理，获得功率谱密度估计；

通过所述功率谱密度估计构建基于深度学习的电磁频谱异常检测模型；

通过所述电磁频谱异常检测模型对任意一功率谱数据确定重构误差L

根据所述重构误差L

上述方案中，所述对获取的功率谱数据进行预处理，获得功率谱密度估计，具体为：采集某频段无线电信号的IQ数据x(n)，对采集到的IQ数据采用周期图法进行功率谱密度估计，即将x(n)分为L段，每段长度为M：

并对电磁频谱数据进行归一化处理，将功率谱数据为训练集和验证集两部分。

上述方案中，所述电磁频谱异常检测模型由编码模型E、判别模型D、解码模型D

上述方案中，所述解码器从隐含空间z重构输入的功率谱密度向量，并通过与判决器对抗使得p(z)～N(z∣0,1)，具体为：

编码优化目标

其中，P代表输入功率谱密度向量，

判决器D目标为区分输入为先验分布N(z∣0,1)采样样本还是编码器编码结果E(P)，优化目标为

上述方案中，所述通过所述功率谱密度估计构建基于深度学习的电磁频谱异常检测模型包括对编码模型、解码模型、判别模型的构建、以及对电磁频谱异常检测模型进行训练、以及对电磁频谱异常检测模型进行验证。

上述方案中，所述编码模型、解码模型、判别模型的构建，具体通过以下步骤实现：

步骤2a)编码模型构建：确定卷积神经网络的输入层节点数、输出层节点数、卷积层层数、卷积层卷积核数、池化层层数和全连接层层数，以及卷积层、池化层和全连接层的激活函数，并对各层节点的权值W

步骤2b)解码模型构建：确定卷积神经网络的输入层节点数、输出层节点数、卷积层层数、卷积层卷积核数，以及反卷积层的激活函数，并对各层节点的权值W

步骤2c)判别模型构建：确定全连接网络的输入层节点数、输出层节点数、隐藏层层数以及隐藏层神经元单元个数，并对各层节点的权值W

上述方案中，所述对电磁频谱异常检测模型进行训练，具体通过以下步骤实现：

步骤(3a)确定卷积神经网络模型训练的终止条件和最大迭代次数T；

步骤(3b)训练判决器模型：从训练集中随机选取一个功率谱数据，并将其作为编码输入样本，记输出为z

步骤(3c)训练卷积编码模型：从训练集中随机选取一个功率谱数据，并将其作为编码输入样本，记输出为z

步骤(3d)训练反卷积解码模型：从训练集中随机选取一个功率谱数据，并将其作为编码器输入样本，记输出为z

步骤(3e)重复执行步骤(3b)-(3d)，直到卷积神经网络输出层的灵敏度满足卷积神经网络模型训练的终止条件的要求或重复次数为T-1时，保存修正后的卷积神经网络的结构和各层节点的权值及偏值，得到训练好的卷积神经网络模型。

上述方案中，所述对电磁频谱异常检测模型进行验证，具体通过以下步骤实现：

步骤(4a)从验证集中随机选取一个功率谱密度样本，并将其作为编解码器输入验证样本；

步骤(4b)采用正向传播算法，通过输入到卷积神经网络中的输入验证样本，计算卷积神经网络各层的输出，计算重构误差L

步骤(4d)重复执行步骤(4a)-(4c)，直到验证集中的功率谱信号被全部选取时；

步骤(4e)利用验证集的编解码器重构误差按照虚警概率要求设定超参数ε。

上述方案中，所述根据所述重构误差L

异常结果判定表达式为

其中

与现有技术相比，本发明结合功率谱数据的局部特性，使用卷积神经网络代替传统方式的全连接网络，减小了网络的规模；采用对抗自编码器，将对抗思想引入电磁频谱异常信号检测，相比于普通的编解码器模型能够控制编码后的隐含编码向量的分布，能够学习到更加有效的特征，相比传统普通的编解码器模型有更好的检测能力。

附图说明

此处所说明的附图用来公开对本发明的进一步理解，构成本发明的一部分，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。在附图中：

图1为本发明的实现流程图；

图2为本发明的实现的基于对抗自动编解码器的模型结构图；

图3为本发明的模型进行预测时加入异常的功率谱密度样本，SIR＝10dB；

图4为本发明的模型进行预测时输入为图3样本下的输出；

图5为本发明的模型进行预测时正常样本和异常样本重构误差L

图6为本发明(CNN-AAE)和基于全连接编解码器异常检测方法(FC-AE)ROC曲线下面积。

图7为本发明(CNN-AAE)和基于全连接编解码器异常检测方法(FC-AE)检测正确率。

具体实施方式

为了使本发明的目的、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详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。

本发明实施例提供一种无监督对抗学习电磁频谱异常信号检测方法，该方法通过以下步骤实现：

步骤1：对获取的功率谱数据进行预处理，获得功率谱密度估计；

具体地，采集某频段无线电信号的IQ数据x(n)，对采集到的IQ数据采用周期图法进行功率谱密度估计，即将x(n)分为L段，每段长度为M：

并对电磁频谱数据进行归一化处理，将功率谱数据为训练集和验证集两部分。

数据集是设备采获取的功率谱数据，数据信号的中心频率是98MHz，带宽25.6MHz，共20000组，每组样本4096个数据点。前10000组数据作为训练数据，后10000组作为测试数据；其中训练数据的前80％作为训练集，后20％作为验证集，测试数据中前50％作为无异常数据，后50％添加单频干扰信号作为异常样本。

步骤2：通过所述功率谱密度估计构建基于深度学习的电磁频谱异常检测模型；

具体地，所述电磁频谱异常检测模型由编码模型E、判别模型D、解码模型D

所述编码器和解码器采用深度卷积网络结构，判决器采用全连接网络结构。

所述解码器从隐含空间z重构输入的功率谱密度向，并通过与判决器对抗使得p(z)～N(z∣0,1)，具体为：

编码优化目标

其中，P代表输入功率谱密度向量，

判决器D目标为区分输入为先验分布N(z∣0,1)采样样本还是编码器编码结果E(P)，优化目标为

所述通过所述功率谱密度估计构建基于深度学习的电磁频谱异常检测模型包括对编码模型、解码模型、判别模型的构建、以及对电磁频谱异常检测模型进行训练、以及对电磁频谱异常检测模型进行验证。

所述编码模型、解码模型、判别模型的构建，具体通过以下步骤实现：

步骤2a)编码模型构建：确定卷积神经网络的输入层节点数、输出层节点数、卷积层层数、卷积层卷积核数、池化层层数和全连接层层数，以及卷积层、池化层和全连接层的激活函数，并对各层节点的权值W

本实施例中卷积神经网络的总层数n为7层，输入层节点数为4096，输出层节点数为100，卷积层层数为4，池化层层数为2，全连接层层数为2。前两层为卷积层，卷积核大小为1×5，后面跟最大池化层。第四五层为卷积层，卷积核个数为128个，卷积核尺寸为1×3。第六七层为全连接层，神经元个数分别为1000、100个。每层全连接层后启用dropout，dropout率为0.8，使用[0,1]正态分布初始化各层节点的权值W

表1-1卷积编码器网络结构

步骤2b)解码模型构建：确定卷积神经网络的输入层节点数、输出层节点数、卷积层层数、卷积层卷积核数，以及反卷积层的激活函数，并对各层节点的权值W

表1-2反卷积解码器网络结构

本实施例中卷积神经网络的总层数n为5层，第一层为全连接层，神经元个数为65536，连接输入的100个神经单元。第二四层为反卷积层，使用Keras中Conv2DTranspose函数，通过步长设置为(1,2)将输入不断进行扩大。模型具体结构如表1-2。使用[0,1]正态分布初始化各层节点的权值W

步骤2c)判别模型构建：确定全连接网络的输入层节点数、输出层节点数、隐藏层层数以及隐藏层神经元单元个数，并对各层节点的权值W

本实施例中全连接判别网络模型参数如表1-3，模型的总层数n为4层，输入层节点数为100，输出层节点数为1，全部使用全连接结构，使用dropout率为0.7，最后一层使用softmax激活函数，其他层使用relu激活函数。模型具体结构如表1-3。

表1-3全连接判别器模型参数

所述对电磁频谱异常检测模型进行训练，具体通过以下步骤实现：

步骤(3a)确定卷积神经网络模型训练的终止条件和最大迭代次数T；

在本实施例中T为50；

步骤(3b)训练判决器模型：从训练集中随机选取一个功率谱数据，并将其作为编码输入样本，记输出为z

步骤(3c)训练卷积编码模型：从训练集中随机选取一个功率谱数据，并将其作为编码输入样本，记输出为z

步骤(3d)训练反卷积解码模型：从训练集中随机选取一个功率谱数据，并将其作为编码器输入样本，记输出为z

步骤(3e)重复执行步骤(3b)-(3d)，直到卷积神经网络输出层的灵敏度满足卷积神经网络模型训练的终止条件的要求或重复次数为T-1时，保存修正后的卷积神经网络的结构和各层节点的权值及偏值，得到训练好的卷积神经网络模型。

所述对电磁频谱异常检测模型进行验证，具体通过以下步骤实现：

步骤(4a)从验证集中随机选取一个功率谱密度样本，并将其作为编解码器输入验证样本；

步骤(4b)采用正向传播算法，通过输入到卷积神经网络中的输入验证样本，计算卷积神经网络各层的输出，计算重构误差L

步骤(4d)重复执行步骤(4a)-(4c)，直到验证集中的功率谱信号被全部选取时，计算验证集所有样本重构误差L

步骤(4e)利用验证集的编解码器重构误差按照虚警概率要求设定超参数ε。

步骤3：通过所述电磁频谱异常检测模型对任意一功率谱数据确定重构误差L

具体地，采用正向传播算法，通过输入到卷积神经网络中的任意一功率谱数据，计算卷积神经网络各层的输出，计算重构误差L

直至任意一功率谱数据被全部选取时，计算验证集所有样本重构误差L

步骤4：根据所述重构误差L

具体地，异常结果判定表达式为：

其中

若所述异常结果A

以下通过仿真实验，对本发明的技术效果作进一步说明。

1、仿真条件：

本发明的仿真条件中频谱数据，中心频率98MHZ，信号采样速率为25.6MHz，所加干扰信号为单频干扰异常信号，信干比变化范围为0dB到20dB；

蒙特卡洛仿真试验的次数取1000次；

单个功率谱数据样本点数为4096，训练集的大小为32000，验证集的大小为8000，测试集的大小为40000；

卷积神经网络模型在Python3.5的Keras上搭建；

训练迭代次数为50次，batch_size为64，学习率为0.0001，优化器选择Adam优化器。

2、仿真内容：采用本发明和现有的基于全连接自动编解码器异常检测方法对无异常和对存在异常下电磁频谱进行异常检测仿真，仿真结果如图3到7所示。

3、仿真结果分析：

图3为加入异常的输入样本，图4为对应的重构输出，对比可以发现，异常干扰信号没有被重构出来，因此重构误差要大于正常样本的重构误差。

图5为模型对于正常样本和异常样本重构误差

图6为本发明(CNN-AAE)和采用现有的基于全连接自动编解码器异常检测方法(FC-AE)对无异常和对存在异常下电磁频谱进行异常检测对于有无异常的ROC(receiveroperating characteristic curve，接收者操作特性曲线)曲线下方的面积大小仿真，横坐标表示原频谱功率与所加入单频干扰信号的信干比，纵坐标表示ROC曲线下方面积大小。圆形标记的线表示基于本发明的存在异常与不存在异常情况下的曲线下面积，虚线表示基于全连接自动编解码器在存在异常与不存在异常情况下ROC曲线下方面积。

图7为本发明(CNN-AAE)和采用现有的基于全连接自动编解码器(FC-AE)异常检测方法对无异常和对存在异常下电磁频谱进行异常检测对于有异常检测准确率的仿真，其中虚警概率固定为1％。横坐标表示原频谱功率与所加入单频干扰信号的信干比，纵坐标表示在有异常的情况下异常检测准确率。圆形标记的线表示基于本发明的存在异常时异常检测准确率，方形标记的线表示基于全连接自动编解码器在存在异常时异常检测准确率。

由图6可知，在信干比在0到20dB的情况之下，本发明的曲线下面积均大于已有基于全连接自动编解码器的曲线下面积，说明本方法能很好的区分有无异常。

由图7可知，本发明的异常检测概率在信干比大于8dB时才从100％开始下降，而基于全连接自动编解码器的异常检测方法在信干比等于2dB时就开始下降，并且基本发明的方法的异常检测准确率下降比已有方法下降速度慢。因此，本发明提高了异常检测的检测概率。

结合图6和图7的仿真结果可知，本发明提高了异常检测的精度。

需要说明的是，在本文中，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、物品或者装置不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、物品或者装置所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括该要素的过程、物品或者装置中还存在另外的相同要素。

以上所述，仅为本发明的较佳实施例而已，并非用于限定本发明的保护范围。