基于频谱数据端到端的电台通联关系研究

发布时间：2021-06-15 23:45

　　对无线网络中通联行为进行识别和分析,对反恐维稳等国家安全具有重要意义。通联关系是挖掘无线网络中行为关系和网络中的隐藏信息的基础。通过识别通联关系,可以推测电台在通信网络中的层级位置,进而找到网络中的关键节点。端到端是指不需要人工设计专家特征,使用深度学习的方法直接通过频谱监测数据识别通联关系。经过仿真试验发现,残差神经的网络结构可以有效识别通联关系,在测试集上识别率达到99.02%。 

【文章来源】：通信技术. 2020,53(11)

【文章页数】：4 页

【部分图文】：

残差块结构

先使用一个单独的卷积层对数据进行卷积，然后使用残差网络结构提取特征，其中包含4个卷积块，卷积核的个数依次为64、128、256、512。文中每个卷积层内部都使用CBA结构、卷积、批归一化算法[6]，然后使用Re LU激活函数激活。本文的残差神经网络使用全局平均池化[7]函数防止过拟合和减少模型参数。详细的残差网络如图2所示。选择自适应距估计优化器[8]更新参数，使用Tensor Flow和Keras编写网络模型。本文运行环境使用2块RTX2080ti。

在宽度20 km、纵深30 km的区域随机设置12部超短波电台，如图3所示。圆形表示电台，实线和虚线表示不同的通信网络，矩形表示频谱监测设备。下面要解决的问题是多分类问题，需要识别电台A的通联关系，即需要识别A与B的通信、A与C的通信等。通信监测设备的扫描速率为80 Gb/s，监测范围为30～90 MHz。测试集识别结果用混淆矩阵展示，如图4和图5所示。其中，颜色表示识别程度，即颜色越深，识别效果越好。为了更好地展示模型的表达能力，通过使用归一化的混淆矩阵和未归一化的矩阵展示模型的识别效果。混淆矩阵对角线上数据表示数据被正确分类，其余表示被错误分类。如图4展示了每种类别的准确率，图5展示了每个类别分类结果。其中，未归一化的混淆矩阵对角线上为正确被识别的样本个数，对角线上个数占总样本个数的比例为识别率。可见，样本最终在测试集上达到99.02%的识别率。


本文编号：3231933