基于深度学习的海量截获卫星数据分析技术研究

In order to overcome technical bottlenecks of massive interceptive satellite data analysis, deep learning has been introduced into the analysis for massive interceptive data. Through the design for deep learning architecture based on DBN network, sparse coding method based on perfect basis vector, and deep learning decision based on fuzzy function, to construct potential distributed multiple complex expression algorithm from massive data, to learn the low level features from the mass of the satellite data, and to build these low level features from mass data, then to build higher expression based on these low level features, to repeat these low levels of expression form linear or nonlinear combinations of expression, in order to surpass artificial feature extraction limitation, not only to get the way of communication, modulation mode, behavior characteristics, coding method of lower level information, but also to get the way of communication, working mode, behavior characteristics, the cooperation way, tactical intention of higher level information so as to improve the accuracy for interceptive satellite data analysis, to mine the hidden mass data information, and the research results can be applied for massive interceptive satellite data analysis.

为了克服海量截获卫星数据分析面临的技术瓶颈，将深度学习引入海量截获卫星数据分析中。通过研究基于DBN网络的深度学习架构，基于超完备基的稀疏编码方式，以及基于模糊函数的深度学习决策，构建海量数据潜在的分布多层复杂特征表达，用海量数据去学习特征，先从数据去学习较低层次特征，然后在这些低层次特征的基础上再建立更高层次表达，最终形成海量数据的线性或者非线性组合特征表达，以超越人工提取数据特征表达的极限，不仅能获取卫星传输方式、调制方式、编码方式等较低层次的情报信息，也能获取卫星的工作模式、行为特征、协作方式、战术意图等较高层次情报信息，从而提高海量截获卫星数据分析精度，挖掘隐藏海量数据的情报信息，并使所研究的成果在将来能够运用于海量截获卫星数据分析中。

在信息对抗场景中，电子战双方需要获知截获卫星数据的先验信息，同时需要识别截获卫星数据的信号参数、调制方式、用户特征等情报信息。因此，能够对截获卫星数据的精确分析、识别、形成精确情报对现代空天地一体化电子战，军事对抗具有重要意义，也是信息情报获取、战场认知和战场指挥控制的瓶颈和核心。该研究采用深度学习方式在传统的卫星截获数据分析中，以替代人工通过观测接收机截获数据的分布形状的获取情报方式。最终形成海量数据的线性或者非线性组合特征表达，以超越人工观测数据特征的极限。. 首先，建立DBN网络以获取卫星数据特征学习为目标，通过DBN网络的逐层特征变换，将样本在原空间的特征表示持续变换到新特征空间。针对截获海量卫星信号，特别是存在载波频偏及低信噪比条件下，提出一种最优权值搜索网络，即WIC网络。进而建立基于DBN的最优权值处理（WIC， Weight Interference Cancellation）网络进行海量卫星信号载波频偏修正，进而完成截获卫星信号识别。. 然后，提出一种基于超完备稀疏编码的可扩展的深度神经网络（ENN，Expanded Neural Networks），该网络针对海量卫星信号的幅度、频率以及相位，分别建立不同维度的子深度学习网络。并通过权值的正向训练，建立不同维度的完备稀疏编码，进而形成信号在不同维度的特征稀疏表示。以解决随着信噪比的降低，卫星快衰落信道模型下的卫星信号识别率减低特性，提升多维度的深度学习架构对于高维度数据特征高效表示。. 进而，提出一种基于自适应权值修正的深度级联决策网络，该网络的权值修正方向根据截获信号处理阶段及学习目标准则特征进行自适应调整，进而形成不同目标变换空间特征的分析识别，并通过层间的信息传递与重构来提升顶层的融合决策的性能。. 最后，分别建立不同电抗场景的信道模型，慢衰落信道模型，以及截获多用户卫星信号的快衰落信道模型仿真，来识别卫星通信常用的数字调制信号进行截获识别，获得较优的识别性能。通过本研究提高海量截获卫星数据分析精度，挖掘隐藏海量数据的情报信息，并能够运用于海量截获卫星数据分析中。