买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

申请/专利权人：中国电子科技集团公司第五十四研究所

摘要：本发明公开了一种针对通信调制样式智能识别的智能欺骗干扰方法，属于通信对抗与人工智能交叉领域。本发明包括：构建通信调制样式数据集、构造并训练通信调制样式识别深度神经网络、构造并训练通信调制样式欺骗干扰信号生成深度神经网络、基于通信信号智能生成欺骗干扰信号。本发明面向保护无线通信传输的客观需求，针对通信调制样式智能识别模型针对性的训练智能欺骗干扰能力，形成从感知通信信号到生成干扰信号的“端对端”生成能力，产生的干扰信号能够同时针对多种通信调制样式的非合作识别进行欺骗，将识别类型诱骗为指定通信调制样式类型，从而削弱情报融合和干扰决策能力，提升通信的安全性和可靠性。

主权项：1.一种针对通信调制样式智能识别的智能欺骗干扰方法，其特征在于，包括以下步骤：步骤1：构建通信调制样式数据集；具体方式为：步骤1-1：在试验区域内，设置通信信号发送设备、通信侦察设备和通信抗侦察设备，通信信号发送设备共发射N种调制样式的通信信号；通信侦察设备感知通信信号并对调制样式进行识别；通信抗侦察设备基于通信信号产生干扰信号，通信信号叠加干扰信号后将使得通信侦察设备产生指定通信样式分类，实现通信调制样式智能欺骗干扰；每种调制样式的通信信号共产生M次，总试验次数为L=M×N；第l次试验后，得到的通信信号样本为，对应的通信信号调制类型样本为，其中表示第l次试验通信信号实部数据，表示第l次试验通信信号虚部数据，数据长度均为T，表示第l次试验通信信号对应的调制类型；则L次试验后，得到通信信号样本集为，通信信号调制类型集为；步骤1-2：按照和的比例，将通信信号样本集和通信信号调制类型集切分为特征训练集、标签训练集、特征测试集和标签测试集，其对应维度分别为、、和，其中；步骤2：构造通信调制样式识别深度神经网络；其中，通信调制样式识别深度神经网络的输入维度与通信信号样本维度一致，输出维度与通信信号调制种类N一致；通信调制样式识别深度神经网络采用Conv2d卷积网络、ReLU激活函数、MaxPool2d最大池化层、ConvTranspose2d转置卷积层和Linear线性变换层构建K条感受野不同的特征提取通道，将不同感受野的特征相加后通过Linear线性变换层映射，使得输出与通信信号调制种类N保持一致；步骤3：训练通信调制样式识别深度神经网络；具体方式为：步骤3-1：设置优化函数和学习率，优化函数为Adam优化器；步骤3-2：从特征训练集和标签训练集随机抽取batch条数据，其中batch小于等于，组成和，通过通信调制样式识别深度神经网络映射，得到估计： 其中为通信调制样式识别深度神经网络，为网络参数；步骤3-3：设置损失函数为交叉熵损失函数，用于衡量估计值和标签训练集之间的差距为loss，计算误差，并利用Adam优化器对网络参数进行优化；步骤3-4：从特征测试集和标签测试集随机抽取Q条数据，其中Q小于等于，组成和，通过通信调制样式识别深度神经网络映射，得到估计： 统计和中对应位置调制类型相同的数量，再除以Q得到正确率，利用正确率验证分类性能；步骤3-5：重复步骤3-2、步骤3-3和步骤3-4，记录重复次数step和之前迭代过程中所有正确率的最大值，如果本次迭代正确率大于之前迭代过程中所有正确率的最大值，则将本次正确率赋值给，并且保存对应的网络参数；如果本次迭代的正确率小于等于之前迭代过程中所有正确率的最大值，则进入下一次迭代，直到所对应的重复次数step小于总重复次数一半时停止，保存最优性能的网络参数；步骤4：构造通信调制样式欺骗干扰信号生成深度神经网络；其中，通信调制样式欺骗干扰信号生成深度神经网络的输入维度与通信信号样本维度一致，输出维度与通信信号样本维度一致；通信调制样式欺骗干扰信号生成深度神经网络采用Conv2d卷积网络、ReLU激活函数、MaxPool2d最大池化层、ConvTranspose2d转置卷积层和Linear线性变换层构建K条感受野不同的特征提取通道，将不同感受野的特征相加后通过Linear线性变换层映射，使得输出的欺骗干扰信号与通信信号样本维度一致；步骤5：训练通信调制样式欺骗干扰信号生成深度神经网络；具体方式为：步骤5-1：设置欺骗类型为，即，在通信信号叠加干扰信号后，通过通信调制样式识别深度神经网络得到通信调制样式分类结果的目标为；步骤5-2：设置优化函数和学习率，优化函数为Adam优化器；步骤5-3：从特征训练集随机抽取batch条数据，其中batch小于等于，组成，通过通信调制样式欺骗干扰信号生成深度神经网络映射，得到欺骗干扰信号： 其中，为通信调制样式欺骗干扰信号生成深度神经网络，为网络参数；通过通信调制样式识别深度神经网络映射，得到估计： 其中，为通信调制样式识别深度神经网络，为网络参数；步骤5-4：设置损失函数为交叉熵损失函数，用于衡量估计值和欺骗类型之间的差距为loss，计算误差，并利用Adam优化器对网络参数进行优化；步骤5-5：从特征测试集随机抽取Q条数据，其中Q小于等于，组成，通过通信调制样式欺骗干扰信号生成深度神经网络映射，得到欺骗干扰信号： 通过通信调制样式识别深度神经网络映射，得到估计： 统计中调制类型和欺骗类型相同的数量，再除以Q得到欺骗率，利用欺骗率验证生成性能；步骤5-6：重复步骤5-3、步骤5-4和步骤5-5，记录重复次数step和之前迭代过程中所有欺骗率的最大值，如果本次迭代的欺骗率大于之前迭代过程中所有欺骗率的最大值，则将本次欺骗率赋值给，并且保存对应的网络参数；如果本次迭代的欺骗率小于等于之前迭代过程中所有欺骗率的最大值，则进入下一次迭代，直到所对应的重复次数step小于总重复次数一半时停止，保存最优性能的网络参数；步骤6：基于通信信号智能生成欺骗干扰信号；具体方式为：步骤6-1：读取最优性能的网络参数，并加载到通信调制样式欺骗干扰信号生成深度神经网络；步骤6-2：针对通信信号发送设备产生的通信信号，通过通信调制样式欺骗干扰信号生成深度神经网络产生干扰信号，将通信信号叠加干扰信号后发往通信侦察设备，从而破坏通信侦察设备对通信信号调制类型的识别能力。

全文数据：

权利要求：

百度查询： 中国电子科技集团公司第五十四研究所 一种针对通信调制样式智能识别的智能欺骗干扰方法