[发明专利]无监督对抗学习电磁频谱异常信号检测方法

说明书

本发明公开了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_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。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，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。

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。