基于深度学习的电磁信号欠定盲源分离.pdf

基于深度学习的电磁信号欠定盲源分离

摘要

本研究聚焦于基于深度学习的电磁信号欠定盲源分离问题，旨在解决电子设备在工作

过程中泄漏的电磁信号所带来的信息安全隐患。随着电子信息技术的广泛应用，设备在运

行过程中不可避免地会产生并泄漏电磁信号，这些信号中往往包含多路敏感信息，形成欠

定盲源分离问题。

本研究首先针对电磁信号数据集的欠缺问题，采集了不同设备的VGA混合电磁泄漏

信号、帧行同步信号以及RGB信号，构建了深度学习所需的电磁信号数据集。

随后，本研究深入探讨了Wave-U-Net基础模型，并针对电磁信号欠定分离任务，提

出DeepFocusingU-Net网络。该网络使用ELU激活函数，增加深度聚焦跳跃连接，能够

更加专注于底层的纯净信号，有效降低浅层噪音信号的干扰。

此外，本研究还研究了Conv-Tasnet模型，并在其基础上进行了改进，设计了

Swish-Tasnet网络。通过使用swish激活函数，调整时间卷积网络（TCN）块的结构，设计

Swish-TCN，优化了模型结构。

为了将复杂的电磁信号转换为直观的可视化表示，本研究设计了一个电磁信号重构为

图像的系统。该系统将电磁信号转换为图像，提供了可视化的分析手段。

SISDRSDRSAR

最后，采用了尺度不变源失真比（）、源失真比（）和源伪影比（）

等指标进行性能评估。在混合电磁泄漏数据集上的实验结果表明，Swish-Tasnet网络在电

磁信号分离任务中表现最优。

Wave-U-NetConv-Tasnet

关键词：电磁信号分离；盲源分离；深度学习；；

I

UnderdeterminedBlindSourceSeparationof

ElectromagneticSignalsBasedonDeepLearning

Abstract

Thisstudyfocusesontheunderdeterminedblindsourceseparationofelectromagnetic

signalsbasedondeeplearning,aimingtoaddresstheinformationsecurityrisksposedbythe

leakageofelectromagneticsignalsfromelectronicdevicesduringtheiroperation.Withthe

widespreadapplicationofelectronicinformationtechnology,devicesinevitablygenerateand

leakelectromagneticsignalsduringoperation.Thesesignalsoftencontainmultiplesensitive

informationstreams,posinganunderdeterminedblindsourceseparationproblem.

First,addressingthelackofelectromagneticsignaldatasets,thisstudycollectedVGA

mixedelectromagneticleakagesignals,framesynchronizationsignals,andRGBsignalsfrom

differentdevicestoconstructanelectromagneticsignaldatasetrequiredfordeeplearning.

Subsequently,thisstudydelvedintotheWave-U-NetbasemodelandproposedaDeep