對(duì)無(wú)線網(wǎng)絡(luò)中通聯(lián)行為進(jìn)行識(shí)別和分析,對(duì)反恐維穩(wěn)等國(guó)家安全具有重要意義。通聯(lián)關(guān)系是挖掘無(wú)線網(wǎng)絡(luò)中行為關(guān)系和網(wǎng)絡(luò)中的隱藏信息的基礎(chǔ)。通過識(shí)別通聯(lián)關(guān)系,可以推測(cè)電臺(tái)在通信網(wǎng)絡(luò)中的層級(jí)位置,進(jìn)而找到網(wǎng)絡(luò)中的關(guān)鍵節(jié)點(diǎn)。端到端是指不需要人工設(shè)計(jì)專家特征,使用深度學(xué)習(xí)的方法直接通過頻譜監(jiān)測(cè)數(shù)據(jù)識(shí)別通聯(lián)關(guān)系。經(jīng)過仿真試驗(yàn)發(fā)現(xiàn),殘差神經(jīng)的網(wǎng)絡(luò)結(jié)構(gòu)可以有效識(shí)別通聯(lián)關(guān)系,在測(cè)試集上識(shí)別率達(dá)到99.02%。 

【文章來(lái)源】：通信技術(shù). 2020,53(11)

【文章頁(yè)數(shù)】：4 頁(yè)

【部分圖文】：

殘差塊結(jié)構(gòu)

先使用一個(gè)單獨(dú)的卷積層對(duì)數(shù)據(jù)進(jìn)行卷積，然后使用殘差網(wǎng)絡(luò)結(jié)構(gòu)提取特征，其中包含4個(gè)卷積塊，卷積核的個(gè)數(shù)依次為64、128、256、512。文中每個(gè)卷積層內(nèi)部都使用CBA結(jié)構(gòu)、卷積、批歸一化算法[6]，然后使用Re LU激活函數(shù)激活。本文的殘差神經(jīng)網(wǎng)絡(luò)使用全局平均池化[7]函數(shù)防止過擬合和減少模型參數(shù)。詳細(xì)的殘差網(wǎng)絡(luò)如圖2所示。選擇自適應(yīng)距估計(jì)優(yōu)化器[8]更新參數(shù)，使用Tensor Flow和Keras編寫網(wǎng)絡(luò)模型。本文運(yùn)行環(huán)境使用2塊RTX2080ti。

在寬度20 km、縱深30 km的區(qū)域隨機(jī)設(shè)置12部超短波電臺(tái)，如圖3所示。圓形表示電臺(tái)，實(shí)線和虛線表示不同的通信網(wǎng)絡(luò)，矩形表示頻譜監(jiān)測(cè)設(shè)備。下面要解決的問題是多分類問題，需要識(shí)別電臺(tái)A的通聯(lián)關(guān)系，即需要識(shí)別A與B的通信、A與C的通信等。通信監(jiān)測(cè)設(shè)備的掃描速率為80 Gb/s，監(jiān)測(cè)范圍為30～90 MHz。測(cè)試集識(shí)別結(jié)果用混淆矩陣展示，如圖4和圖5所示。其中，顏色表示識(shí)別程度，即顏色越深，識(shí)別效果越好。為了更好地展示模型的表達(dá)能力，通過使用歸一化的混淆矩陣和未歸一化的矩陣展示模型的識(shí)別效果。混淆矩陣對(duì)角線上數(shù)據(jù)表示數(shù)據(jù)被正確分類，其余表示被錯(cuò)誤分類。如圖4展示了每種類別的準(zhǔn)確率，圖5展示了每個(gè)類別分類結(jié)果。其中，未歸一化的混淆矩陣對(duì)角線上為正確被識(shí)別的樣本個(gè)數(shù)，對(duì)角線上個(gè)數(shù)占總樣本個(gè)數(shù)的比例為識(shí)別率�？梢姡瑯颖咀罱K在測(cè)試集上達(dá)到99.02%的識(shí)別率。


本文編號(hào)：3231933