本技术公开了一种基于度量‑对抗学习的多传感器频谱异常检测方法,包括:通过多传感器并行采集的实时频谱数据作为输入,采用深度度量学习模型提取预处理后的频谱数据语义特征,建立语义中心特征向量,并计算向量之间的马氏距离作为频谱异常检测的第一度量指标;生成对抗网络模型用于重构频谱数据,获取重构误差作为第二度量指标;最终对两种度量进行加权处理得到最终度量,并计算度量与频谱训练异常阈值关系,判断异常情况。本发明采用多传感器并行采集的方式,有效检测了高维度未知位置及频率的非法频谱,扩大检测规模的同时,采用马氏距离与重构误差两种度量指标相结合的方式,提升了异常频谱检测的准确性及性能。
背景技术
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。
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。
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。
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。
实现思路