[发明专利]无监督对抗学习电磁频谱异常信号检测方法

权利要求书

1.一种无监督对抗学习电磁频谱异常信号检测方法，其特征在于，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；

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；

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；

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_e三部分构成；所述编码器将功率谱密度向量压缩到隐含空间z，解码器从隐含空间z重构输入的功率谱密度向量，判别器D对编码器编码后的隐含向量进行约束，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，代表D_e解码的功率谱密度向量，β为引入超参数，相应的解码器D_e优化目标为降低重构误差，优化目标函数如下：

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

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_r和判决器损失L_d；

根据所述重构误差L_r和判决器损失L_d确定异常结果A_result，并且通过异常结果A_result确定电磁频谱数据是否存在异常。

2.根据权利要求1所述的无监督对抗学习电磁频谱异常信号检测方法，其特征在于，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。

3.根据权利要求2所述的无监督对抗学习电磁频谱异常信号检测方法，其特征在于，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^l及偏值b^l进行初始化，所述卷积神经网络的输入层节点数与训练集中单个功率谱密度数据样本维度一致，记为p，所述卷积神经网络的输出层节点数为z，其中，l表示卷积神经网络的层数标号，且l＝1,2,…,n，n表示卷积神经网络的总层数，卷积层的卷积核卷积尺寸为一维线性，池化层的下采样尺寸为一维线性；

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^l及偏置b^l进行初始化，所述反卷积神经网络的输入层节点数为z，所述卷积神经网络的输出层节点数为p，其中，l表示卷积神经网络的层数标号，且l＝1,2,…,n，n表示卷积神经网络的总层数，反卷积层的卷积核卷积尺寸为一维线性；

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^l及偏值b^l进行初始化，所述判别模型输入层节点数为z，所述判别模型的输出层节点数为1，其中，l表示卷积神经网络的层数标号，且l＝1,2,…,n，n表示卷积神经网络的总层数，损失函数使用二进制交叉熵。