[发明专利]异常电子侦察数据智能检测及分类方法

说明书

本发明涉及异常电子侦察数据智能检测及分类方法，检测方法为：步骤一：利用大量的正常样本X，X＝{X₁,X₂,...,X_T}训练网络模型，先对选取的数据的特征x进行最大最小值归一化，本发明异常电子侦察数据智能检测及分类方法，通过使用BiGRU‑VAE来对异常电子侦察数据进行检测，以及通过使用BiGRU来对异常电子数据进行分类，首先使用滑动窗口将异常电子侦察数据输入VAE的编码器捕获有效特征，然后建立BiGRU网络进行下个窗口序列的预测，并输入VAE的解码器进行异常电子侦察数据的重构，最后利用计算得到的重建概率与检测门限的比较判别检测出异常电子侦察数据，与传统方法相比，BiGRU擅长对时间序列进行处理，VAE也能够充分提取异常电子侦察数据的隐层特征，将二者结合，异常检测能力得到提升。

【技术领域】

本发明涉及检测分类方法相关技术领域，具体地说是异常电子侦察数据智能检测及分类方法。

【背景技术】

针对电子侦察数据在发送时容易遭受到窃听、干扰、注入、缺失、替换等问题的影响，而现在技术难以及时发现异常以及对各种异常类型做出分类，因此需要解决该问题，本发明提出来一种异常电子侦察数据智能检测及分类方法能够解决上述问题。

【发明内容】

本发明的目的是针对现有技术中的不足，提供异常电子侦察数据智能检测及分类方法。

为实现上述目的，本发明提供异常电子侦察数据智能检测及分类方法，检测方法为：

步骤一：利用大量的正常样本X，X＝{X₁,X₂,...,X_T}训练网络模型，先对选取的数据的特征x进行最大最小值归一化，将每一维特征x'取值范围限制在[-1,1]之间，满足公式：

步骤二：将正常样本X归一化后，滑动窗口长度为l＝10，接下来将t时刻的窗口X'＝{X'_t-l+1,X'_t-l+2,...,X'_t}作为VAE编码器的输入；

步骤三：VAE编码器对X'进行特征扩维，得到高维嵌入Z_t，将Z作为BiGRU网络的输入进行Z'的预测，将BiGRU网络的预测结果Z'作为VAE解码器的输入；

Z'＝{z₁',z₂',...,z_m'}＝GRU(Z)

步骤四：VAE解码器通过对窗口数据Z'进行解码，得到重构序列滑动窗口分割的每一条序列如公式所示；通过对比重构序列和原始序列计算重构误差；异常检测分数f计算方法，设定门限d，当异常检测分数f大于d时，将该序列点判定为异常；

分类方法为：

步骤一：首先双向门控循环单元的两个方向相反的GRU层传递正向和反向两层时间顺序，将两层状态互相拼接；

步骤二：得到BIGRU的隐含层(hidden*2)；

步骤三：对四种常见异常A类随机注入偏差、B类固定注入偏差、C类DOS注入以及D类航路替换，还有正常数据五种类型进行分类，并记录识别准确率；

步骤四：将四类异常可以细分为八类，正常数据也可以按照巡航与起降分为两类，一共10类，并记录识别准确率。

优选的，z'_i代表t时刻第i个窗口的高维嵌入的预测窗口，作为解码器的输入进行窗口序列X'的重构。