本发明涉及频谱检测,更具体地说,涉及一种基于度量-对抗学习的多传感器频谱异常检测方法。
背景技术:
1、随着物联网技术的普及,重点区域电磁环境日渐紧张且复杂化,频谱资源不仅涵盖合法用户的正常活动,一些非法用户也混杂其中,加剧了频谱资源的竞争与滥用现象。无线设备与通信终端的激增,使得频谱安全在关键区域及频段上的保障变得尤为艰巨,这些对频谱资源的有效管理和利用构成了一定挑战。基于此,开发一种快速高效的频谱异常检测技术显得尤为重要。
2、传统的频谱异常检测算法,如基于能量分析的方式,主要依赖诸如似然比检验或贝叶斯框架等复杂的统计模型。然而模型所依赖的先验知识,特别是当频谱异常现象呈现多样化的特点时,泛化能力将会受到很大限制,难以适应复杂多变的实际环境。在无线通信系统中,频谱资源的使用具有高度的动态性和实时性。因此,频谱异常检测算法需要具备较好的实时性处理能力,以便在异常发生的短时间内进行响应和处理。当前基于深度学习的频谱异常检测方法虽然展现出了不小的潜力,但仍然存在两大局限。首先,这些方法在实际复杂环境中的适用性受到限制,难以完全适应多变的检测场景。其次,多数深度学习方法仅采用单一的性能指标来评估检测效果,缺乏从多维度进行全面考量的能力,这在一定程度上削弱了检测系统的鲁棒性和泛化能力,使得其在实际应用中可能面临性能波动或不稳定的问题。
3、专利文献cn117851947a提出了一种基于时频序列差分和单类支持向量机的频谱异常检测方法和系统,该方法采用通用设计,解决了现有检测方法通用性差和重复设计的问题。通过干扰模型自定义,易于实现各种形态的射频频谱异常仿真,建立多个特征量进行检测,拓宽异常频谱识别面。然而,该方案并未考虑从更高维度的信号特征来解决频谱异常检测问题,难以有效识别由位置与工作频段均不确定的非法用户引发的频谱异常。
4、专利文献cn112924749a提出了一种无监督对抗学习电磁频谱异常信号检测方法,该方法结合功率谱数据的局部特性,使用卷积神经网络,将对抗思想引入电磁频谱异常信号检测,然而该方法仅考虑了重构误差对电磁异常的影响,未考虑非正常频谱范围的监测。
技术实现思路
1、1.要解决的技术内容
2、本发明针对现有频谱异常检测技术难以检测位置、频段未知的非法用户及单次检测数量少、检测单一的问题,提出了一种基于度量-对抗学习的多传感器频谱异常检测方法;面向多传感器的频谱采集数据进行重构获取重构精度,再引入深度度量学习获取马氏距离,扩大未知维度波段的频谱检测;两种度量的加权处理有效提升了频谱检测性能。
3、2.技术方案
4、本发明的目的通过以下技术方案实现。
5、本技术提供一种基于度量-对抗学习的多传感器频谱异常检测方法,包括:s1利用多传感器进行同频段同时采集,并对所采集到的频谱数据进行划分、预处理得到训练样本及测试样本;s2利用训练样本对度量-对抗学习模块作预训练,以获取频谱异常检测的训练模型:所进行的深度度量学习模块预训练的过程为,将训练样本输入编码器以获取频谱语义特征,引入三重损失函数训练优化样本与类中心的距离,控制分类误差,提高语义特征的可靠性,降低输入数据与重构数据的均方误差;所进行的对抗网络模块预训练的过程为,编码器提取语义特征后,进一步获得潜在特征,通过解码器进行上采样操作,完成频谱重构,引入对抗性损失提高重构频谱精度;s3采集待测样本输入,根据训练得到的度量-对抗学习模型,将对抗网络模型重新构建频谱数据所产生的重建误差d1,作为第一个度量;深度度量学习优化中心损失后的类中心与测试样本的最小马氏距离d3,作为第二个度量;对两个度量进行加权处理得到最终度量:d=γd1+(1-γ)d3,判断最终度量d与频谱训练异常得分阈值之间的关系,阈值η从训练频谱数据集的异常得分中选取;若最终度量大于阈值,则频谱检测异常;若小于或等于阈值,则频谱检测正常。
6、进一步的,多传感器采集过程及归一化的过程包含,将不同频谱传感器接收的功率谱密度数据,拼接成m×n大小的频谱数据矩阵进行归一化处理,其中m为传感器数量,n为频点数;传感器在s的感知结果为[ts1,ts2,…,tsn],且s=1,2,…m,为采集时的某一传感器,传感器在j的感知结果为[t1j,t2j,…,tmj],j=1,2...n,为某一频点,最终得到输入频谱矩阵为
7、
8、进一步的,深度度量学习模块由一个编码器、一个分类器组成,编码器中包含三个卷积层、池化层以及两个全连接层组成,分类器中则包含两个全连接层与softmax激活函数。将预处理完的频谱数据输入深度度量学习模块的编码器以获取语义特征,引入三重损失函数训练优化样本与类中心的距离,控制分类误差,提高语义特征的可靠性,降低输入数据与重构数据的均方误差;深度度量学习的预训练中引入的三重损失函数包括:
9、
10、lcl代表中心损失,其中zi代表语义特征,代表输入样本类中心向量,r代表输入样本批次大小,i代表样本批次,代表处理后的类中心频谱向量范数;
11、
12、lce代表交叉熵损失,其中ki代表输入样本标签,代表预测标签,r代表输入样本批次大小,i代表样本批次;
13、
14、lmse代表均方误差损失,其中fi代表输入频谱数据,代表重构频谱数据,r代表输入样本批次大小,i代表样本批次。三重损失结合训练得到的最终优化目标总损失l表示为:minl=min{λlcl+lce+lmse},其中λ为中心损失的控制系数。
15、进一步的,生成对抗网络模块的模块包括,一个编码器、一个解码器以及一个鉴别器。编码器部分与深度度量学习模块共用,解码器则由三个上采样层与池化层、以及一个全连接层组成,鉴别器则包括三个卷积层与两个全连接层。对抗网络模型中鉴别器所引入的对抗损失函数:其中lad(e,ds)代表对抗性训练损失,ds代表鉴别器,e代表编码器,p(f)代表输入频谱数据的分布,代表对输入频谱数据分布的数学期望。
16、进一步的,模型训练的第一度量重建误差定义为:
17、
18、其中,d1代表重建误差,fsj代表测试频谱数据,代表重构频谱数据;m代表共m个频谱传感器,n代表共n个频点,s代表第s个传感器,j代表第j个频点;
19、第二度量马氏距离定义为:
20、
21、其中d2代表测试样本与类中心的马氏距离,d3为最小马氏距离;其中e代表编码器,f代表测试样本,pk代表类中心,代表测试样本的协方差矩阵的逆矩阵。
22、进一步的将预处理得到的测试样本输入度量-对抗模型中进行模型验证,编解码器输入对抗网络的各层进行计算,得到重构误差d1,输入深度度量学习各层计算得到最小马氏距离d3,最终得到频谱训练异常得分,根据异常得分设置模型判断阈值;
23、进一步的,对两个度量进行加权处理得到最终度量与频谱训练异常阈值η之间的关系,进行判定,加权处理参数d定义为:d=γd1+(1-γ)d3,其中,d代表频谱异常检测的最终度量。d1代表重建误差,d3代表最小马氏距离,γ为重建误差与马氏距离的控制系数。阈值η从训练频谱数据集的异常得分中选取。当d>η时,被判定为异常,否则被认为是正常。
24、3.有益效果
25、(1)本发明考虑了电磁环境中的频谱异常检测,并利用多传感器感知结果的相关性作为异常检测的原始数据,有效地改善了对位置未知,工作频段未知的非法用户引起的频谱异常的检测性能;
26、(2)本发明提出了一种鲁棒性更强的频谱异常检测方法,该方法采用双重度量。首先计算语义特征向量与语义中心特征向量之间的马氏距离作为第一个度量,而重构误差作为第二个度量。双重度量的方式既降低了多维度空间的频谱漏检率,又进一步对特征空间与正常样本之间的异常点进行极限捕捉,有效弥补单一度量所遗漏的频谱异常检测。