[发明专利]一种基于去噪对抗自编码器的频谱异常检测方法

说明书

本发明公开了一种基于去噪对抗自编码器的频谱异常检测方法，涉及异常检测技术领域。本发明提供的一种基于去噪对抗自编码器的频谱异常检测方法，通过在编码器模块设置去噪层增强了频谱异常检测模型对噪声的鲁棒性，使得训练所得频谱异常检测模型在低信噪比下具备精确的检测效果，且编码器模块将输入信号功率谱密度映射到隐空间特征，还可以分类频谱异常类型分布，编码器模块网络采用半监督学习方式训练，在少量标注样本的训练下即可使频谱异常检测模型具备频谱异常类型预测能力；本发明还采用对抗学习，相较现有自编码器能够控制编码后的隐空间特征向量和异常类型分布向量的分布，对信号的特征获取更加稳健精准，具备良好的频谱异常检测能力。

技术领域

本发明涉及异常检测技术领域，特别涉及一种基于去噪对抗自编码器的频谱异常检测方法。

背景技术

频谱异常检测是指根据目标频谱以前的正常运行状态判断当前频谱是否发生异常变化的过程，作为无线电系统状态监测的重要方法，信号频谱异常检测对于判断无线电系统是否正常运行具有重要意义。

传统频谱异常检测方法是基于决策树的分类算法，该方法设计简单，易于实现，但频谱特征的提取和选择需要专家介入，决策树中的阈值设定的好坏对最终检测效果影响极大，且抗噪性能较差。随着近年来深度学习技术的发展，研究人员提出了基于深度神经网络的频谱异常检测模型，这类模型具有检测准确率高，特征自适应选择等优点，但是在信噪比较低的条件下，异常检测效果不好。另外上述方法均采用了监督学习方法，需要采集并标注大量正常和异常频谱样本，且无法判断频谱异常类型，限制了这类方法在实际应用的效果。

发明内容

为了解决现有技术存在的上述问题，本发明提供了一种基于去噪对抗自编码器的频谱异常检测方法，结合降噪自编码器和对抗学习技术，使得频谱异常检测模型具备更加鲁棒的频谱特征学习能力，相较传统编解码器模型具备更佳抗噪声能力和检测能力，同时结合半监督学习技术使得模型在检测信号数据异常的同时还能够进一步确定异常类型。本发明提供的技术方案具体如下：

根据本发明实施例的一个方面，提供一种基于去噪对抗自编码器的频谱异常检测方法，其特征在于，该方法包括：

计算各IQ信号数据的信号功率谱密度，根据各IQ信号数据所对应信号功率谱密度的异常状态，将各IQ信号数据划分为训练样本集D_t和验证样本集D_v，其中，所述训练样本集D_t包括由无标签的IQ信号数据组成的非异常训练样本集D_t1，以及由包括异常类型标签的IQ信号数据组成的异常训练样本集D_t2，所述验证样本集D_v均为包括异常类型标签的IQ信号数据；

利用所述训练样本集D_t中的各IQ信号数据训练得到基于去噪对抗自编码器的频谱异常检测模型，并根据所述验证样本集D_v中的各IQ信号数据确定所述频谱异常检测模型的重构误差门限、异常类型判断损失门限、特征判断损失门限；

将待检测IQ信号数据输入至所述频谱异常检测模型，计算所述待检测IQ信号数据对应的重构误差、异常类型判断损失和特征判断损失，并分别与所述重构误差门限、所述异常类型判断损失门限、所述特征判断损失门限进行比较，根据比较结果确定所述待检测IQ信号数据的异常状态。

优选的，所述非异常训练样本集所述异常训练样本集所述验证样本集其中，n1为所述非异常训练样本集D_t1中IQ信号数据的数量，n2为所述异常训练样本集D_t2中IQ信号数据的数量，x_i为信号功率谱密度，y_i为异常类型标签。