吴子龙, 陈 红, 雷迎科

(国防科技大学电子对抗学院, 安徽 合肥 230037)

0 引 言

深度学习网络模型的可视化分析有利于掌握网络模型的分类识别依据,有利于掌握网络模型分类识别的可靠性,也有利于改进网络模型[1-2]。在通信协议标准未知的条件下,利用改进DenseNet[3-4]对短波电台的建链行为信号进行识别,方法思路虽然较为新颖,但是网络是否提取到同一类别行为信号的统一特征以及是否提取到不同类别行为信号之间的特征差异,这关系到网络模型在识别建链行为时的可靠性。通过对改进DenseNet的可视化操作可以增大网络模型识别性能的说服力,也有助于未知通信协议下的电台建链行为信号本质区别的机理研究。

短波电台的建链行为指一方电台开始通信时需要进行的通联行为。最新的第三代短波通信电台的自动建链行为主要分为:呼叫行为,握手行为,通知行为,时间校准行为,组时间广播行为,广播行为以及扫描呼叫行为[5]。一般情况下,需要在通信协议已知的条件下,通过协议帧识别的方法来推测电台信号所表达的具体的建链行为[6]。但是,改进DenseNet则是在通信协议未知的条件下,通过信号的特征学习来完成对短波电台建链行为的识别,可以有效避免信号的解跳、解调、解密等困难的问题。利用DenseNet的特征重复利用的优势,并且让网络模型适应一维信号作为输入,以此使得网络模型应用时较为有效和简便。

当前在深度学习领域,网络模型的可解释性和可视化研究大多集中在卷积神经网络的可解释性分析领域[7-8]。……