[發明專利]一種面向未知格式化報文結構的數據鏈戰術行為識別方法

在審

• 申請號: 202310074097.X
• 申請日: 2023-02-07
• 公開（公告）號: CN116127356A
• 公開（公告）日: 2023-05-16
• 發明（設計）人: 雷迎科;李海濤;錢鋒;俞紅兵;張孟伯;王巍;王一川;金虎
• 申請（專利權）人: 中國人民解放軍國防科技大學
• 主分類號: G06F18/24
• 分類號: G06F18/24;G06F18/213;G06F18/10;G06N3/045;G06N3/0464;H04L69/22
• 代理公司: 南京理工大學專利中心 32203
• 代理人: 薛云燕

1.一種面向未知格式化報文結構的數據鏈戰術行為識別方法，其特征在于，包括以下步驟：

步驟1、根據格式化報文結構封裝消息的特點，對包含不同戰術消息的數據鏈V系列報文進行模擬，將封裝好的消息通過2FSK調制，生成不同的數據鏈信號；

步驟2、利用小波包分解方法，提取已調制數據鏈信號的時頻特征；

步驟3、生成小波包時頻面圖像，構建圖片數據集，統一圖片的尺寸大小，并做歸一化處理；

步驟4、設計CNN模型CBAM-CNN：在CNN的基礎上，引入注意力機制，通過嵌入卷積塊注意力模塊CBAM，增強圖片特征，優化模型的學習能力；

步驟5、將圖片數據集輸入CBAM-CNN中，對包含不同戰術消息的數據鏈信號進行分類識別，實現逆向認知戰術行為。

2.根據權利要求1所述面向未知格式化報文結構的數據鏈戰術行為識別方法，其特征在于，所述步驟1具體為：

步驟S1.1、根據格式化報文的特點，模擬戰術消息長度為1和2時的V系列報文數據位，戰術消息的起始位M和終止位N隨機產生，其余消息由隨機比特替代，L為戰術消息的長度，滿足L＝N-M+1；

步驟S1.2、對于已經模擬的數據位，添加同步脈沖序列、前置碼和非鍵控位，構建完整的格式化數據鏈報文，并利用2FSK調制，生成數據鏈信號。

3.根據權利要求1所述面向未知格式化報文結構的數據鏈戰術行為識別方法，其特征在于，所述步驟2具體為：

對生成的已調制數據鏈信號，使用小波包分解算法，提取時頻圖特征；

其中小波包分解算法的遞推公式如下：

其中，y_2n(t)、y_2n+1(t)、y_n(2t)為正交小波包，表示信號y(t)在各種尺度全頻段的分解結果；n為小波包分解層數；t為時間，h(n)和g(1-n)是一對正交鏡像濾波器，即h(n)＝(-1)ⁿg(1-n)；

h(n)滿足：

∑h(n-2k)h(n-2l)＝δ_kl,

其中，δ_kl為沖激函數；

通過小波包分解產生2ⁿ個子信號，即：

其中，小波包分解層數n設置為5，選取db1小波基。

4.根據權利要求1所述面向未知格式化報文結構的數據鏈戰術行為識別方法，其特征在于，所述步驟3具體為：

步驟S3.1、根據小波包分解方法，生成信號的時頻面圖像，并保存為圖片數據集；

步驟S3.2、對圖像做預處理，將圖片的尺寸統一為100×100×3，然后做歸一化處理，歸一化方法為極大極小歸一化，公式如下：

其中，x_{normalization}為歸一化的結果，x為待歸一化的數據，max(x)為x的最大值，min(x)為x的最小值；通過歸一化處理，數據取值范圍被約束在0到1之間。

5.根據權利要求1所述面向未知格式化報文結構的數據鏈戰術行為識別方法，其特征在于，所述步驟4具體為：

步驟S4.1、將注意力機制引入CNN中，具體為將卷積塊注意力模塊CBAM作為中間層嵌入CNN中，實現輸入特征的精煉；CBAM由通道注意力CAM和空間注意力SAM組成，假設F是原始特征，F”是精煉特征，那么：

其中表示逐元素相乘，F'是F通過CAM后的輸出特征，M_c(F)和M_s(F')定義如下：

M_c(F)＝σ(MLP(Avgpool(F))+MLP(Maxpool(F)))

M_s(F)＝σ(f^7×7([Avgpool(F)；Maxpool(F)]))

其中，σ為sigmod激活函數，Avgpool()、Maxpool()分別為通過平均池化層和最大池化層的輸出，MLP()為通過多層感知機的輸出；

激活函數為relu函數，定義如下：

f(x)＝max(0,x)

其中，x為激活函數的輸入，f(x)為激活函數的輸出。

6.根據權利要求1所述面向未知格式化報文結構的數據鏈戰術行為識別方法，其特征在于，所述步驟5具體為：

步驟S5.1、將圖片數據集打包標簽，并按照3:1:1的比例劃分為訓練集、驗證集、測試集；將預訓練集輸入網絡模型中，采用動量梯度下降算法Momentum更新權值，具體為：

v_k←αv_k-1+(1+α)g

θ_k←θ_k-1-εv_k

其中，g為梯度，m為樣本個數，θ_k、θ_k-1為第k、k-1次迭代權值，x⁽ⁱ⁾為樣本{x⁽¹⁾,x⁽²⁾,…,x^(m)}的第i個數據，v_k、v_k-1為第k、k-1次更新速度；α為動量參數，ε為學習率；初始化學習率設置為0.0001，動量參數設置為0.9；

交叉熵損失函數L如下：

其中，N為樣本數，M為類別的數量，y_ic為符號函數，i為觀測樣本，c為真實類別，p_ic表示i被預測為c類的概率；網絡模型中，批處理大小設置為128，學習紀元設置為200；

步驟S5.2、完成模型訓練后，保存模型權重，設置信噪比為-3dB到3dB，將預處理后的測試集輸入訓練好的模型進行測試，輸出分類結果，并使用準確率、精確度、召回率作為評估指標；

步驟S5.3、開展實驗，比較不同小波包分解層數的實驗結果，再通過消融實驗，驗證CBAM對CNN模型性能的提升。