基于深度学习的电子通信设备异常信号识别

乔 娟

（国家计算机网络与信息安全管理中心甘肃分中心，甘肃 兰州 730030）

1 基于深度学习的电子通信设备异常信号识别方法

1.1 信号数据预处理

电子通信设备的信号数据以文本的格式存储在服务器的磁盘中，需要对这些数据筛选统计，删除信号数据中的空值，去除掉由于人为操作录入的错误信号数据和无关信号数据，对信号数据进行整理分类和规范化存储管理，调整信号数据格式后重新保存。根据不同的信号数据类型进行分类存放，同一种类型的信号数据放在同一个文件夹里面进行区分，用数据压缩的方法对信号数据进行标准化约束。对信号数据归一化处理，是为了确保识别结果能够真实、准确地反应电子通信设备对信号的识别情况。对数据进行归一化

处理的公式为

在对电子通信设备信号识别的过程中，有些频点在某些时刻是不工作的，这时该频点的信号数据是异常信号数据[1]。如果去除这些数据，当该频点工作时就会造成信号的丢失。异常信号是在识别过程中发生错误识别产生的，虽然异常信号本身没有任何意义，但是研究电子通信设备对异常信号如何进行识别，可以使电子通信设备的安全得到保障。对数据进行标准化处理可以提高数据的真实有效性，标准化处理公式为

式中，x是进行标准化处理后，得到的可以作为样本的数据；n是未进行标准化处理的数据的平均值，是未进行标准化处理的数据的标准差。最后不要选择具有唯一性和重复性的信号数据，选择可以互相关联的和可进行数据源属性编码的信号数据，对数据进行遗漏填补和统一的纠正，选取这样的数据是为了使数据可以被赋予属性名和属性值，方便于后面的研究能够顺利进行。

1.2 基于深度学习的信号特征提取

通过使用深度学习的方法，对电子通信设备信号的特征进行提取。利用深度学习对电子通信设备信号数据的特征进行刻画，因为自动编码器层叠形成深度学习神经网络，所以进行这样的操作得到的电子通信设备信号数据的准确率是比较高的[2]。

使用自动编码器的编码网络和解码网络中的编码网络，对处理后的数据进一步压缩处理，降低编码端处理过的信号数据量作为输入的数据，由于隐含层的输入数据可能被还原，所以通过信号数据集，选择根节点数据，然后进行遍历，选择叶子节点，构建特征树，方便下面DNN进行层叠训练，减少不必要的资源浪费。利用深度学习的自动编码器对DNN进行层叠训练，DNN就可以从电子通信设备提供的样本信号数据中，获得需要的异常信号的特征信息。利用深度学习的BP算法，DNN获取的电子通信设备异常信号数据后，再稍微进行一下调整，使DNN获得的电子通信设备异常信号的特征信息更加完成且准确。深度学习调整过程如图1所示。

图1 深度学习调整过程

分析通过DNN获得的电子通信设备异常信号的特征数据，设信号的尺度为x，时延为y，电子通信设备的异常信号数据的特征参数计算公式为

式中，z(y)是所要得到的异常信号数据的特征参数。分离电子通信设备异常信号的频谱偏移特性，可得到频率与时间相关联的参数，其形式表现为

1.3 电子通信设备异常信号识别

提取到电子通信设备异常信号特征后，根据提取到的特征进行电子通信设备异常信号的识别[4]。对特提取的异常信号的特征数据向量值进行训练处理，选择异常信号的最优分类面，方便进行下面的电子通信设备异常信号的识别，便于对之后的函数计算值的有效性显示，方便信号的直接传递以完成进一步识别工作。在进行识别的过程中，受到了多方面的因素的影响，为了让识别的过程能够顺利进行，需要去除掉这些不利于信号识别的影响的干扰，通过式（7）计算需要去除识别干扰。

式中，K是随机序列；a是电子通信设备异常信号的有效密度；SNR是信号的随机性，通过式（8）得出的结果表明，电子通信设备异常信号与随机序列有关联。

通过上述所有计算，忽略不计其他因素对于计算结果的影响，调制处理计算的最终数据结果，处理后的数据结果表示的就是最终的，对于电子通信设备异常信号识别的结果。通过对电子通信设备信号数据的预处理，利用完成预处理后的数据进行信号特征的提取，根据提取结果，进行异常信号的识别计算，最终分析计算结果作为识别结果，完成电子通信设备异常信号的识别。

2 实验

本文利用深度学习对电子通信设备异常信号进行识别，通过实验的形式对使用深度学习的方法进行信号识别测试。首先把进行过预处理的电子通信设备异常信号数据进行分组，然后提取电子通信设备异常数据信号特征，特征提取完成后对两组数据，分别采用深度学习的方法和传统的方法，进行电子通信设备异常信号识别，最后分析通过这两种方法进行识别得到的识别结果。在实验过程中，忽略一些不可抗力的干扰影响，其他的识别环境均保持一样，然后进行下面的实验准备。

2.1 实验准备

选择几款不同型号的6部手机作为电子通信设备，然后提取它们的异常信号作为实验数据集，在选择的这6部手机中，两部主屏分辨率为1920×1080，型号为one型号，运行内存为2G的手机，为它们进行编号a和b；两部主屏分辨率为2400×1080，型号为two型号，运行内存为4G的手机，为它们进行编号c和d；两部主屏分辨率为2340×1080，型号为three型号，运行内存为8G的手机，为它们进行编号e和f。从这6部手机中，每部手机都采集5 000条信号长度为5 000的信号数据。

使用自动编码器对信号特征进行提取，自动编码器结构如图2所示。

图2 自动编码器结构

对信号类型进行分类，类型分为实信号和复信号等几类。然后，使用Dropout的方法，对DNN迭代的概率进行信号识别保留。使用ReLU函数对信号节点进行激活，参数个数的具体设置如表1所示。

表1 参数设置表

采用梯度下降的方法，设batch为64，迭代次数为350，然后进行电子通信设备异常信号的识别。

2.2 实验结果

如表2表示，不论是对不同的手机型号的信号进行识别，还是对相同的手机型号的信号进行识别，使用本文的方法都比使用传统的方法对手机的信号的识别率要更高。

表2 识别结果数据表

本文使用深度学习的方法对6部手机信号进行识别，a和b的手机型号相同都为one，表2识别结果显示：采用本文方法对a的识别率比采用传统方法的对a识别率高0.17%，对b的识别率同样高出0.17%；c和d的手机型号相同都为two，上表识别结果显示：采用本文方法对c的识别率比采用传统方法的对c识别率高0.12%，对d的识别率高出了0.07%；e和f的手机型号相同都为three，上表识别结果显示：采用本文方法对e的识别率比采用传统方法的对e识别率高0.10%，对d的识别率同样高出了0.10%。总体上来看，采用本文的深度学习的方法都比采用传统的方法识别率高，证明了深度学习方法对电子通信设备异常信号识别的优越性高于传统的识别方法。

3 结束语

本文研究了电子通信设备异常信号的识别，通过对新数据进行预处理，然后使用深度学习的方法提取电子通信设备异常信号的特征，最后通过计算完成对电子通信设备异常信号的识别。使用深度学习的方法进行电子通信设备信号的识别，降低了计算的损耗，提高了训练的速度，使识别率能够接近于100.00%，这在实际应用中有着重要的作用，对于电子通信设备异常信号的识别工作有帮助，具有广泛的发展应用空间。■