吳子龍, 陳 紅, 雷迎科

(國(guó)防科技大學(xué)電子對(duì)抗學(xué)院, 安徽 合肥 230037)

0 引 言

深度學(xué)習(xí)網(wǎng)絡(luò)模型的可視化分析有利于掌握網(wǎng)絡(luò)模型的分類(lèi)識(shí)別依據(jù),有利于掌握網(wǎng)絡(luò)模型分類(lèi)識(shí)別的可靠性,也有利于改進(jìn)網(wǎng)絡(luò)模型[1-2]。在通信協(xié)議標(biāo)準(zhǔn)未知的條件下,利用改進(jìn)DenseNet[3-4]對(duì)短波電臺(tái)的建鏈行為信號(hào)進(jìn)行識(shí)別,方法思路雖然較為新穎,但是網(wǎng)絡(luò)是否提取到同一類(lèi)別行為信號(hào)的統(tǒng)一特征以及是否提取到不同類(lèi)別行為信號(hào)之間的特征差異,這關(guān)系到網(wǎng)絡(luò)模型在識(shí)別建鏈行為時(shí)的可靠性。通過(guò)對(duì)改進(jìn)DenseNet的可視化操作可以增大網(wǎng)絡(luò)模型識(shí)別性能的說(shuō)服力,也有助于未知通信協(xié)議下的電臺(tái)建鏈行為信號(hào)本質(zhì)區(qū)別的機(jī)理研究。

短波電臺(tái)的建鏈行為指一方電臺(tái)開(kāi)始通信時(shí)需要進(jìn)行的通聯(lián)行為。最新的第三代短波通信電臺(tái)的自動(dòng)建鏈行為主要分為:呼叫行為,握手行為,通知行為,時(shí)間校準(zhǔn)行為,組時(shí)間廣播行為,廣播行為以及掃描呼叫行為[5]。一般情況下,需要在通信協(xié)議已知的條件下,通過(guò)協(xié)議幀識(shí)別的方法來(lái)推測(cè)電臺(tái)信號(hào)所表達(dá)的具體的建鏈行為[6]。但是,改進(jìn)DenseNet則是在通信協(xié)議未知的條件下,通過(guò)信號(hào)的特征學(xué)習(xí)來(lái)完成對(duì)短波電臺(tái)建鏈行為的識(shí)別,可以有效避免信號(hào)的解跳、解調(diào)、解密等困難的問(wèn)題。利用DenseNet的特征重復(fù)利用的優(yōu)勢(shì),并且讓網(wǎng)絡(luò)模型適應(yīng)一維信號(hào)作為輸入,以此使得網(wǎng)絡(luò)模型應(yīng)用時(shí)較為有效和簡(jiǎn)便。

當(dāng)前在深度學(xué)習(xí)領(lǐng)域,網(wǎng)絡(luò)模型的可解釋性和可視化研究大多集中在卷積神經(jīng)網(wǎng)絡(luò)的可解釋性分析領(lǐng)域[7-8]。文獻(xiàn)[9]利用反卷積可視化理解卷積神經(jīng)網(wǎng)絡(luò)。文獻(xiàn)[10]中的導(dǎo)向反向傳播也是對(duì)網(wǎng)絡(luò)模型的輸入進(jìn)行求導(dǎo),將輸入和梯度均大于零對(duì)應(yīng)的梯度傳遞回去。文獻(xiàn)[11]利用最后一層卷積層包含的豐富的空間和語(yǔ)義信息,將全連接層替換為全局池化層,求得每張?zhí)卣鲌D對(duì)應(yīng)的類(lèi)別權(quán)重,然后通過(guò)特征加權(quán)的方法求出最后一層卷積層對(duì)應(yīng)的熱力圖。另外,基于可解釋模塊的神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)方法中間層有明確的語(yǔ)義信息,但是只有少數(shù)關(guān)于這方面的研究,如文獻(xiàn)[12-13]所示。文獻(xiàn)[14]重點(diǎn)討論了卷積神經(jīng)網(wǎng)絡(luò)及其表示的可視化,并對(duì)基于模型可解釋性的中端學(xué)習(xí)進(jìn)行了分析。關(guān)于傳統(tǒng)的機(jī)器學(xué)習(xí)的可解釋性分析,文獻(xiàn)[15]通過(guò)干擾原始樣本的特征信息,繼而探究對(duì)分類(lèi)識(shí)別結(jié)果影響較大的特征信息,以達(dá)到可解釋性分析的目的。文獻(xiàn)[16]引入了Deep k-Nearest Neighbors,根據(jù)樣本點(diǎn)之間的差距,將測(cè)試輸入與其鄰近的訓(xùn)練點(diǎn)進(jìn)行比較,并展示了這些相鄰點(diǎn)的標(biāo)簽,提高了訓(xùn)練集之外的數(shù)據(jù)輸入時(shí)的可信度。

本文工作的重點(diǎn)在于解釋改進(jìn)DenseNet在識(shí)別電臺(tái)不同建鏈行為信號(hào)的可靠性。首先根據(jù)第三代短波通信協(xié)議標(biāo)準(zhǔn)MIL-STD-188-141B仿真電臺(tái)的7種不同自動(dòng)建鏈行為信號(hào),利用改進(jìn)的DenseNet進(jìn)行訓(xùn)練學(xué)習(xí),完成對(duì)電臺(tái)行為的識(shí)別。但是網(wǎng)絡(luò)模型是否學(xué)習(xí)到建鏈行為信號(hào)的深層次特征,網(wǎng)絡(luò)模型的分類(lèi)識(shí)別依據(jù)是否可靠是值得探討的問(wèn)題。基于卷積層的可解釋性分析方法在改進(jìn)DenseNet網(wǎng)絡(luò)中難以應(yīng)用,主要原因是卷積層的每個(gè)特征圖的維度較大,對(duì)于維度較大的一維線(xiàn)性特征圖難以通過(guò)直接可視化的圖像觀(guān)測(cè)出異同,而且一維的信號(hào)并不像圖像一樣可以通過(guò)視覺(jué)直接感受到原始特征,本文也通過(guò)實(shí)驗(yàn)來(lái)說(shuō)明基于卷積層的可解性分析的效果并不理想。因此本文主要通過(guò)可視化網(wǎng)絡(luò)模型的全連接層及其激活熱力圖來(lái)探究改進(jìn)DenseNet是否對(duì)建鏈行為信號(hào)進(jìn)行了有效可靠的學(xué)習(xí)訓(xùn)練。網(wǎng)絡(luò)模型可視化的實(shí)驗(yàn)結(jié)果表明,改進(jìn)DenseNet可以提取建鏈行為信號(hào)的深層次特征的異同,進(jìn)一步說(shuō)明在通信協(xié)議未知的條件下,利用深度學(xué)習(xí)去探究電臺(tái)的建鏈行為的思路是可行有效的。

1 基于改進(jìn)DenseNet的短波電臺(tái)建鏈行為識(shí)別方法

短波電臺(tái)的自動(dòng)建鏈行為是電臺(tái)要開(kāi)始通信時(shí)的一個(gè)通聯(lián)行為。通過(guò)仿真7種建鏈行為信號(hào),利用深度學(xué)習(xí)的方法進(jìn)行分類(lèi)識(shí)別,避免了電臺(tái)通信協(xié)議未知的限制,這對(duì)電子對(duì)抗領(lǐng)域的通信電臺(tái)對(duì)抗提供了新思路。短波電臺(tái)的自動(dòng)建鏈行為分為7種建鏈行為,其功能如表1所示。

表1 7種建鏈行為及其功能

深度學(xué)習(xí)在信號(hào)分類(lèi)識(shí)別應(yīng)用時(shí),往往需要對(duì)信號(hào)進(jìn)行特征域變換預(yù)處理,如頻域變換、時(shí)頻域變換、小波變換以及高階譜變換等等[17-21]。變換的目的是將信號(hào)的特征人為地進(jìn)一步凸顯,但是短波電臺(tái)的不同建鏈行為信號(hào)屬于同一種突發(fā)波形,其編碼方式和調(diào)制方式幾乎相同,因此特征變換不會(huì)有良好的效果。所以,本文直接將物理層的一維建鏈行為信號(hào)作為DenseNet的輸入,并且在網(wǎng)絡(luò)中利用兩條支路來(lái)增強(qiáng)網(wǎng)絡(luò)的識(shí)別性能。其中一個(gè)支路的輸入后,信號(hào)的前半部分置零的主要原因是:不同建鏈行為信號(hào)之間的差異主要為突發(fā)波形后半部分?jǐn)y帶不同有效比特的差異,不同行為對(duì)應(yīng)的信號(hào)后半部分會(huì)有較大差異。而突發(fā)波形前半部分主要為建鏈行為的數(shù)據(jù)幀頭,這代表著這個(gè)突發(fā)波形用于傳輸建鏈行為,因此7種建鏈行為信號(hào)的前半部分極為相似,所以信號(hào)前半部分作置零處理。改進(jìn)的DenseNet結(jié)構(gòu)如圖1所示。圖1中的一維dense塊的內(nèi)部結(jié)構(gòu)如表2所示。

表2 一維dense塊的內(nèi)部結(jié)構(gòu)

圖1 改進(jìn)DenseNet的結(jié)構(gòu)

2 DenseNet應(yīng)用時(shí)的可視化方法

深度學(xué)習(xí)網(wǎng)絡(luò)模型可以提取同一類(lèi)別建鏈行為信號(hào)的深層次統(tǒng)一特征,并且可以提取不同類(lèi)別建鏈行為信號(hào)的特征差異。由圖1可知,網(wǎng)絡(luò)模型的輸入信號(hào)維度較大為(5 888,1),而且可以看出網(wǎng)絡(luò)中間層的特征維度依然較大。那么,對(duì)卷積層提取的信號(hào)特征進(jìn)行可視化分析的方法得到的可視化圖像,根據(jù)圖像很難發(fā)現(xiàn)提取信號(hào)的特征的異同之處,所以文獻(xiàn)[10]中的Grad-CAM方法在應(yīng)用時(shí)效果一般。因此,結(jié)合改進(jìn)DenseNet的結(jié)構(gòu)特點(diǎn),從其全連接層著手解釋網(wǎng)路模型。本文利用全連接層維度較小且處于卷積模塊和分類(lèi)器模塊中間的位置特點(diǎn),通過(guò)實(shí)驗(yàn)探索網(wǎng)絡(luò)的可靠性。

YⅠ=H(XⅠ)

(1)

(2)

YⅡ=H(XⅡ)

(3)

(4)

全連接層輸出的深層次特征對(duì)最終識(shí)別結(jié)果的影響需要借助全連接的熱力圖進(jìn)行解釋,可以進(jìn)一步掌握網(wǎng)絡(luò)模型的分類(lèi)依據(jù)。Softmax分類(lèi)器中神經(jīng)元對(duì)應(yīng)的最大值代表著網(wǎng)絡(luò)最終的輸出類(lèi)別。輸出類(lèi)別Ⅰ表示為ZⅠ,類(lèi)別Ⅱ表示為ZⅡ,那么全連接層到輸出類(lèi)別的權(quán)重矩陣表示為

(5)

(6)

(7)

(8)

同一類(lèi)別行為信號(hào)的權(quán)重矩陣所呈現(xiàn)的熱力圖應(yīng)該類(lèi)似,即WⅠ和W′Ⅰ類(lèi)似,WⅡ和W′Ⅱ類(lèi)似。不同類(lèi)別行為信號(hào)的權(quán)重矩陣應(yīng)該有較大差異,即WⅠ和WⅡ,WⅠ和W′Ⅱ有著較大差異。

結(jié)合全連接層輸出和全連接層熱力激活圖的可視化可以很好地解釋網(wǎng)絡(luò)模型是否學(xué)習(xí)到電臺(tái)的建鏈行為信號(hào)的深層次特征,可以判斷網(wǎng)絡(luò)模型的分類(lèi)識(shí)別是否具有可靠性。

3 改進(jìn)DenseNet網(wǎng)絡(luò)性能分析

仿真得到總共14 000個(gè)建鏈行為信號(hào)樣本,隨機(jī)收取部分樣本作為訓(xùn)練集,剩下的部分作為測(cè)試集。網(wǎng)絡(luò)模型訓(xùn)練時(shí),學(xué)習(xí)率設(shè)為0.01,批次處理大小設(shè)為8。隨著訓(xùn)練樣本數(shù)目的增加,當(dāng)信噪比(signal to noise ratio，SNR)分別為-5 dB、 0 dB、 5 dB時(shí),在迭代次數(shù)為15次網(wǎng)絡(luò)性能穩(wěn)定后,在測(cè)試集上的識(shí)別準(zhǔn)確率如表3～表5所示。

表3 網(wǎng)絡(luò)識(shí)別性能(SNR=-5 dB)

表4 網(wǎng)絡(luò)識(shí)別性能(SNR=0 dB)

表5 網(wǎng)絡(luò)識(shí)別性能(SNR=5 dB)

根據(jù)表3～表5可知,隨著訓(xùn)練樣本數(shù)目的增加,網(wǎng)絡(luò)的識(shí)別性能有明顯的提升。當(dāng)SNR為-5 dB,訓(xùn)練樣本數(shù)目從1 400增加到12 600時(shí),網(wǎng)絡(luò)的識(shí)別準(zhǔn)確率從56.34%增加到73.38%;當(dāng)SNR為0 dB,訓(xùn)練樣本數(shù)目從1 400增加到12 600時(shí),網(wǎng)絡(luò)的識(shí)別準(zhǔn)確率從84.46%增加到99.14%;當(dāng)SNR為5 dB,訓(xùn)練樣本數(shù)目從1 400增加到12 600時(shí),網(wǎng)絡(luò)的識(shí)別準(zhǔn)確率從99.58%增加到99.99%。根據(jù)實(shí)驗(yàn)結(jié)果也可以看出在SNR大于0 dB時(shí),訓(xùn)練樣本數(shù)目不少于1 400個(gè),網(wǎng)絡(luò)模型的識(shí)別準(zhǔn)確率可以達(dá)到90%以上,此時(shí)網(wǎng)絡(luò)模型可以有效地識(shí)別短波電臺(tái)不同的建鏈行為。

4 改進(jìn)DenseNet在識(shí)別建鏈信號(hào)時(shí)的可視化分析

雖然在經(jīng)過(guò)訓(xùn)練后,改進(jìn)后DenseNet能夠有效地對(duì)短波電臺(tái)建鏈行為信號(hào)進(jìn)行有效地識(shí)別,但是網(wǎng)絡(luò)內(nèi)部的識(shí)別機(jī)理需要進(jìn)一步探索。改進(jìn)網(wǎng)絡(luò)的可視化分析既能說(shuō)明網(wǎng)絡(luò)是否真正有效地學(xué)習(xí)到短波電臺(tái)建鏈行為信號(hào)的深度特征,也有利于理解不同的建鏈行為信號(hào)的本質(zhì)區(qū)別。在通信協(xié)議未知的情況下,掌握網(wǎng)絡(luò)的識(shí)別依據(jù),也進(jìn)一步為網(wǎng)路模型識(shí)別的可靠性提供支撐。

4.1 同一類(lèi)別的建鏈行為信號(hào)的識(shí)別機(jī)理可視化分析

改進(jìn)的DenseNet網(wǎng)絡(luò)結(jié)構(gòu)主要有3部分構(gòu)成:卷積部分,全連接層部分和分類(lèi)器。對(duì)于卷積層部分的網(wǎng)絡(luò)可解釋性,由于一維的建鏈行為信號(hào)較為冗長(zhǎng),并不像圖像樣本可以通過(guò)Grad-CAM算法清晰地找出網(wǎng)絡(luò)對(duì)樣本的關(guān)注區(qū)域。而且改進(jìn)的DenseNet卷積部分最后一層的維度大小為(2 944, 32),利用Grad-CAM算法得到的激活熱力圖由于維度較大,難以作為可靠的依據(jù)。SNR為0 dB的數(shù)據(jù)訓(xùn)練網(wǎng)絡(luò)后,Grad-CAM得到的熱力圖如圖2所示。

圖2 改進(jìn)的DenseNet的最后一層卷積層的激活熱力圖

由圖2可知,改進(jìn)DenseNet的關(guān)注重點(diǎn)會(huì)聚集在一維信號(hào)的后半部分特征,這后半部分特征對(duì)網(wǎng)絡(luò)最后有效識(shí)別不同的建鏈行為起著重要作用,這也是本文利用兩條支路來(lái)提高網(wǎng)絡(luò)提取信號(hào)特征能力的重要原因。但是由于提取的特征維度較大,難以觀(guān)察出網(wǎng)絡(luò)能否有效地找到同一類(lèi)信號(hào)樣本的共性,進(jìn)一步找到不同類(lèi)別信號(hào)樣本之間的區(qū)別。因此,需要針對(duì)改進(jìn)DenseNet的全連接層進(jìn)一步探究,全連接層的神經(jīng)元個(gè)數(shù)為256,數(shù)目相對(duì)較少,有利于推斷DenseNet是否找到識(shí)別不同建鏈行為信號(hào)的依據(jù)。全連接層在改進(jìn)DenseNet中的位置如圖1所示。其中全連接層內(nèi)部包括全連接層,批次正規(guī)化層,激活層。

實(shí)驗(yàn)時(shí),首先導(dǎo)入訓(xùn)練好的網(wǎng)絡(luò)模型,然后輸入電臺(tái)的建鏈行為信號(hào)樣本,輸出網(wǎng)絡(luò)全連接部分,以探究同一類(lèi)建鏈行為信號(hào)是否有相同或類(lèi)似的輸出,據(jù)此可判斷網(wǎng)絡(luò)是否學(xué)習(xí)到每種行為信號(hào)的深層次特征。

在SNR分別為-5 dB、 0 dB、 5 dB條件下進(jìn)行實(shí)驗(yàn),建鏈行為類(lèi)別為呼叫的信號(hào)樣本作為輸入,得到全連接層的輸出。根據(jù)不同SNR下改進(jìn)DenseNet的識(shí)別性能,首先分析具有一定代表性的SNR=0 dB條件下網(wǎng)絡(luò)可視化的結(jié)果,其全連接輸出如圖3所示。

由圖3可知,呼叫行為信號(hào)的全連接層輸出有較大的相似性。圖3(a)～圖3(d)中圖像的尾部都有一個(gè)小的“山峰”;在橫軸為150左右時(shí),4個(gè)樣本的輸出圖像都有一個(gè)明顯的“低谷”區(qū)域;在橫軸為40左右時(shí),4個(gè)樣本的輸出圖像都有一段類(lèi)似“山峰”的曲線(xiàn)。這些共同點(diǎn)都說(shuō)明,在信噪比SNR=0 dB條件下,改進(jìn)DenseNet能夠提取出同一類(lèi)別不同樣本的共同特征。

為了進(jìn)一步探討改進(jìn)DenseNet是否可以有效學(xué)習(xí)到通過(guò)不同信號(hào)質(zhì)量的建鏈行為信號(hào)的內(nèi)部統(tǒng)一特征,又在SNR分別為-5 dB、 5 dB條件下進(jìn)行實(shí)驗(yàn),全連接層的輸出結(jié)果如圖4和圖5所示。

圖3 呼叫行為對(duì)應(yīng)的全連接層輸出(SNR=0 dB)

根據(jù)圖4和圖5可知,在SNR分別為-5 dB、 5 dB對(duì)應(yīng)的全連接層有統(tǒng)一類(lèi)似的輸出特征,表明改進(jìn)DenseNet可以有效學(xué)習(xí)不同SNR的行為信號(hào)的深層次統(tǒng)一特征。

綜合比較圖3～圖5可知,隨著SNR的提高,網(wǎng)絡(luò)模型全連接層的輸出越趨向于統(tǒng)一。比如,在SNR為-5 dB時(shí)圖4(a)～圖4(d)的統(tǒng)一相似度和在在SNR為5 dB時(shí)圖5(a)～圖5(d)的統(tǒng)一相似度,前者要低于后者,這與改進(jìn)DenseNet對(duì)信噪比更高的建鏈行為信號(hào)有更好的識(shí)別性能相一致。

圖4 呼叫行為對(duì)應(yīng)的全連接層輸出(SNR=-5 dB)

圖5 呼叫行為對(duì)應(yīng)的全連接層輸出(SNR=5 dB)

4.2 不同類(lèi)別的建鏈行為信號(hào)的識(shí)別機(jī)理可視化分析

不同類(lèi)別的樣本的全連接層輸出是否有一定的區(qū)別,這對(duì)檢驗(yàn)改進(jìn)后網(wǎng)絡(luò)是否提取到不同類(lèi)別樣本的本質(zhì)區(qū)別,檢驗(yàn)改進(jìn)網(wǎng)絡(luò)對(duì)電臺(tái)的建鏈行為識(shí)別是否有合理的依據(jù)以及研究網(wǎng)絡(luò)的識(shí)別機(jī)理有較大的意義。

利用SNR為-5 dB、 0 dB、 5 dB的建鏈行為信號(hào)數(shù)據(jù)分別進(jìn)行實(shí)驗(yàn)。但考慮本節(jié)實(shí)驗(yàn)探究的重點(diǎn)在于探究改進(jìn)DenseNet是否可以提取不同類(lèi)別行為信號(hào)的深層次特征區(qū)別,而不側(cè)重探究提取特征的優(yōu)良情況,同時(shí)根據(jù)第4.1節(jié)的實(shí)驗(yàn)結(jié)果,先選取SNR=0 dB的實(shí)驗(yàn)結(jié)果進(jìn)行詳細(xì)地展示和分析。除第4.1節(jié)探討的呼叫行為之外,短波電臺(tái)的握手行為,通知行為,時(shí)間校準(zhǔn)行為,組時(shí)間廣播行為,廣播行為,掃描呼叫行為對(duì)應(yīng)的全連接層輸出如圖6所示。

圖6 不同建鏈行為對(duì)應(yīng)的全連接層輸出(SNR=0 dB)

由圖6可知,不同的建鏈行為對(duì)應(yīng)的全連接層輸出有著明顯區(qū)別,而相同的建鏈行為對(duì)應(yīng)的全連接層輸出有著較大的相似性。這不僅僅是對(duì)第4.1節(jié)中實(shí)驗(yàn)結(jié)果的肯定,也進(jìn)一步說(shuō)明了改進(jìn)后的網(wǎng)絡(luò)模型可以提取到不同類(lèi)別樣本信號(hào)的本質(zhì)特征,并且網(wǎng)絡(luò)能據(jù)此正確識(shí)別電臺(tái)不同類(lèi)別的建鏈行為。

為了說(shuō)明不同SNR條件下,改進(jìn)DenseNet是否能夠?qū)W習(xí)到不同建鏈行為信號(hào)的特征差異,是否符合SNR越高提取的特征差異應(yīng)該越大的實(shí)際情況。下面給出在-5 dB和5 dB條件下,握手行為對(duì)應(yīng)的全連接層輸出,如圖7和圖8所示。

根據(jù)圖3～圖8中不同SNR下呼叫行為和握手行為對(duì)應(yīng)的全連接輸出可知,隨著SNR的增加,不同類(lèi)別行為對(duì)應(yīng)的全連接層輸出差異越大,這表明改進(jìn)DenseNet對(duì)質(zhì)量越好的行為信號(hào)數(shù)據(jù)更能有效地提取不同類(lèi)別的深層次特征差異,進(jìn)一步說(shuō)明改進(jìn)DenseNet的識(shí)別可靠性。

圖7 不同建鏈行為對(duì)應(yīng)的全連接層輸出(SNR=-5 dB)

圖8 不同建鏈行為對(duì)應(yīng)的全連接層輸出(SNR=5 dB)

4.3 建鏈行為信號(hào)全連接層的激活熱力圖

不同的建鏈行為信號(hào)的全連接層輸出圖像有著明顯區(qū)別,但是這些區(qū)別是否作為網(wǎng)絡(luò)識(shí)別的具體依據(jù)需要進(jìn)一步探究分類(lèi)器輸出節(jié)點(diǎn)與全連接層之間的隱藏關(guān)系,這種關(guān)系主要通過(guò)層與層之間的權(quán)值矩陣來(lái)實(shí)現(xiàn)。利用Grad-CAM算法的思想,選擇softmax值最大值的節(jié)點(diǎn)(對(duì)應(yīng)置信度最高的類(lèi)別)反向傳播,對(duì)全連接層求梯度,此梯度作為全連接層對(duì)分類(lèi)器輸出節(jié)點(diǎn)的影響權(quán)重。選取具有代表性的SNR為0 dB的數(shù)據(jù)信號(hào)進(jìn)行實(shí)驗(yàn)。如果能夠通過(guò)實(shí)驗(yàn)表明,SNR為0 dB條件下,分類(lèi)器的輸出節(jié)點(diǎn)確實(shí)與全連接層有著密切的隱藏關(guān)系,那么在SNR為-5 dB或5 dB條件下仍然有著密切關(guān)系,只不過(guò)會(huì)類(lèi)比第4.1節(jié)和第4.2節(jié)的實(shí)驗(yàn)結(jié)論,SNR越高這種關(guān)系會(huì)越明顯。短波電臺(tái)的不同建鏈行為信號(hào)的全連接層熱力圖,如圖9所示。

圖9 不同建鏈行為對(duì)應(yīng)全連接層的熱力圖(SNR=0 dB)

由圖9可知,同一類(lèi)別的建鏈行為信號(hào)對(duì)應(yīng)全連接層的熱力圖較相似,不同類(lèi)別的建鏈行為信號(hào)對(duì)應(yīng)全連接層的熱力圖差距較大。實(shí)驗(yàn)結(jié)果表明,同一類(lèi)別行為信號(hào)的全連接層對(duì)最后輸出類(lèi)別有關(guān)鍵貢獻(xiàn)作用的區(qū)域片段較為接近,不同類(lèi)別行為信號(hào)的全連接層對(duì)最后輸出類(lèi)別有影響的區(qū)域片段明顯不同。

綜合第4.1節(jié)～第4.3節(jié)中的實(shí)驗(yàn)結(jié)果可知,改進(jìn)DenseNet可以有效地學(xué)習(xí)到同一種建鏈行為信號(hào)的本質(zhì)特征,不同建鏈行為信號(hào)的深層次特征區(qū)別以及中間層特征對(duì)行為類(lèi)別判決的關(guān)鍵性貢獻(xiàn)區(qū)域。實(shí)驗(yàn)結(jié)果證明了網(wǎng)絡(luò)的可靠性和有效性,同時(shí)也說(shuō)明了在通信協(xié)議標(biāo)準(zhǔn)未知的條件下,通過(guò)深度學(xué)習(xí)的方法直接分析物理層信號(hào)以達(dá)到識(shí)別電臺(tái)不同行為信號(hào)的思路是可行且有效的。

5 結(jié) 論

在電子對(duì)抗領(lǐng)域,掌握短波電臺(tái)的建鏈行為類(lèi)別,可以進(jìn)一步掌握電臺(tái)的通聯(lián)意圖,對(duì)掌握電臺(tái)的戰(zhàn)術(shù)地位有重要作用。傳統(tǒng)的電臺(tái)的建鏈行為研究,往往需要借助通信協(xié)議標(biāo)準(zhǔn)的技術(shù)支持,這在電子對(duì)抗領(lǐng)域是極其困難的。因此,本文利用改進(jìn)DenseNet直接學(xué)習(xí)電臺(tái)的建鏈行為信號(hào)的深層次特征,達(dá)到有效識(shí)別電臺(tái)不同建鏈行為的目的。并通過(guò)網(wǎng)絡(luò)模型的可視化分析實(shí)驗(yàn),表明改進(jìn)的網(wǎng)絡(luò)模型可以有效提取電臺(tái)建鏈行為信號(hào)的深層次特征上的異同,也進(jìn)一步說(shuō)明了網(wǎng)絡(luò)模型在短波通信電臺(tái)建鏈行為識(shí)別應(yīng)用時(shí)的可靠性。