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！

摘要：一种电磁信号识别模型对抗域泛化防御方法，它涉及一种对抗域泛化防御方法。本发明为了解决DL模型的不可解释性使得它们的结果很容易受到对输入数据添加精心设计的不可察觉扰动的影响的问题。本发明采用对齐原始信号和对抗样本的任务相关特征的方法，结合对抗训练增强AMC模型的对抗鲁棒性。本发明属于通信技术领域。

主权项：1.一种电磁信号识别模型对抗域泛化防御方法，其特征在于：所述一种电磁信号识别模型对抗域泛化防御方法的步骤如下：步骤一、构建双流识别模型架构，每个流包括特征提取器和分类器，其中特征提取器由两个流共享，包括低级特征提取器El、高级特征提取器Eh、域泛化特征提取器Eg、分类器C1和分类器C2；步骤二、训练低级特征提取器El、高级特征提取器Eh以及分类器C1对原始信号域样本进行分类，期间采用流行混合算法进行数据扩充；首先令原始样本xs通过El提取低级特征，再使用流行混合算法扩充数据： 公式1和2中，S表示原始信号域，xs表示S中的数据样本，ys表示S中的标签样本，fls＝Elxs，fls′是fls的乱序副本，ys和ys′是独热编码形式中的对应标签，是数据扩充后的数据，是数据扩充后的标签，λ～Betaα,α是混合系数，α＝1；将fls和组合并传递到Eh中以提取高级特征，通过C1获得高级特征的预测输出，损失函数由原始信号分类损失和数据增强损失组成，优化过程为： 公式3中El表示低级特征提取器，Eh表示高级特征提取器，C1表示分类器，S表示原始信号域；步骤三、用El、Eh以及C1生成对抗样本得到对抗域信号样本，并训练El、Eh以及分类器C2对对抗域信号样本进行分类；继承步骤二中训练El和Eh的参数，仅更新C2的参数，优化过程为： 公式4中C2表示分类器，a表示对抗域；步骤四、启用域泛化特征提取器Eg，提取两分类器的任务相关特征，并对齐；提取两个分类器的任务相关特征，以原始信号为例，使用与标签ys相对应的预测输出相对于域泛化特征的梯度作为特征的相关信息进行分类，梯度为正，表明相应的特征元素对分类有积极的影响，因此得到原始样本的任务相关特征 公式5中表示的梯度，同理，可以得到表示的梯度；采用最大均方差MMD距离来测量和的分布偏移，其最大均方差MMD损失为： 公式6中k·,·表示高斯核函数，为了确保提取的特征的域独立性，在这一步训练El、Eh和Eg，将任务相关的特征对齐： 公式7中β是调整因子，是一个无约束范围的非负超参数；步骤五、在特征提取器和C1上进行对抗训练；对抗训练的损失为： 公式8中，A表示对抗信号域，xa表示对抗信号域A中的数据样本，ya表示对抗信号域A中的标签样本；最终收敛后，分类器预测输出结果为：y＝argmaxC1EgEhElx；步骤六、重复训练步骤四和步骤五直至收敛。

全文数据：

权利要求：

百度查询： 哈尔滨工程大学 一种电磁信号识别模型对抗域泛化防御方法