基于改进DnCNN的电磁信息泄漏信号去噪增强方法

本发明属于电磁信息安全，尤其涉及基于改进dncnn的电磁信息泄漏信号去噪增强方法。

背景技术：

1、计算机等电子设备在工作时会无意地泄漏带有信息的电磁信号。泄漏的电磁信号被截获后，通过tempest技术中信息重建技术，还原电磁泄漏信号中的信息，对信息安全造成威胁。通过分析现有的电磁信息泄漏检测方法，可以发现目前检测方法均存在一些不足。其中最主要的一点就是电磁泄漏信号信噪比低，在环境噪声的干扰下，信息泄漏特征容易变形、偏移、甚至被压制。在实际的电磁环境下，泄漏的电磁信号不仅会遭到环境中噪声的干扰，还会受到其他电子设备或自身内部所辐射的电磁波的干扰。当泄漏的电磁信号被大量的噪声干扰之后，有用的信息就会被噪声覆盖，难以检测出电磁泄漏并通过传统图像复现手段难以还原有效信息，现有的检测方法适应能力有限，仍须在明确泄漏特征的前提下开展检测工作。因此，难以标准化地定义和寻找信息泄漏特征成为电磁信息泄漏检测面临的重点问题。为了更好地检测风险，在相对复杂的电磁环境下更有效的检查电磁泄漏，发现风险点，为了实现电磁泄漏信号中信息的还原重建，去除噪声的干扰显得十分重要。

2、电磁信号的泄漏方式包含辐射泄漏和传导泄漏，计算机显示器上的视频信息可通过视频线缆发生传导泄漏。然而当电磁信息泄漏时，所辐射出的电磁信号中含有大量的噪声，该噪声具有随机性并且难以通过先验知识判断噪声类型，并且在实际环境中采取的电磁信号在不同环境下噪声各不相同，不同环境下采集的信号信噪比变化范围较大，这给信号的进一步分析与提取带来了困难。抑制电磁信号中的噪声，提高信噪比是一个亟待解决的问题。

技术实现思路

1、本发明的目的在于提出基于改进dncnn的电磁信息泄漏信号去噪增强方法，基于改进dncnn的电磁信息泄漏信号去噪增强方法利用深度卷积残差神经网络训练数据集，通过利用残差跳连的方式通过隐藏层中的操作隐式地移除了潜在的干净图像，从而训练出噪声数据用以恢复干净的数据。

2、为实现上述目的，本发明提供了基于改进dncnn的电磁信息泄漏信号去噪增强方法，具体包括以下步骤：

3、构建数据集；

4、构建初始深层去噪残差网络模型；

5、将所述数据集输入所述初始深层去噪残差网络模型并进行训练，获取深层去噪残差网络模型；

6、利用所述深层去噪残差网络模型，获取去噪信息，实现对显示器泄漏电磁信号去噪。

7、可选的，构建所述数据集包括：

8、基于双通道同步，采集电磁信号；

9、基于所述电磁信号，获取标签数据集和特征数据集；

10、基于所述标签数据集和所述特征数据集，构建所述数据集。

11、可选的，所述电磁信号包括纯净信号和带噪信号。

12、可选的，构建所述初始深层去噪残差网络模型包括：

13、构建一维选择性卷积核网络；

14、将所述带噪信号输入所述一维选择性卷积核网络，获取特征映射信息；

15、对所述特征映射信息进行特征提取，获取低维特征信息；

16、基于所述低维特征信息进行重建，获取去噪后的信号，构建所述初始深层去噪残差网络模型。

17、可选的，构建所述一维选择性卷积核网络包括：

18、基于一次卷积操作、激活操作，获取特征映射数据；

19、对所述特征映射数据进行分组卷积操作，获取若干个卷积后的特征图；

20、对若干个所述卷积后的特征图进行求和，获取卷积层；

21、对所述卷积层进行全局平均池化操作和全连接操作，并利用softmax函数获取若干个权重通道特征层；

22、对若干个所述权重通道特征层进行选取，获取一维选择性卷积核处理后的特征图，构建所述一维选择性卷积核网络。

23、可选的，其特征在于，所述深层去噪残差网络模型中的激活函数均采用带泄漏修正线性单元。

24、可选的，其特征在于，利用所述深层去噪残差网络模型，获取所述去噪信息包括：

25、对所述深层去噪残差网络模型进行预测，获取所述带噪信号的噪声；

26、基于所述带噪信号的噪声进行计算，获取所述去噪信息。

27、本发明具有以下有益效果：

28、本发明深度卷积残差神经网络中使用局部注意力机制更好地将带噪电磁信号进行特征映射，并引入leaky relu做为残差去噪网络的激活函数，对于无意泄漏的低信噪比电磁信号，增强了对微弱有效信号的恢复能力，提升了去噪的性能，并且更好地保持了有效信号中的细节，对复杂信噪比的数据展现出良好的泛化性；利用改进dncnn通过融合卷积注意力机制提示网络特征映射能力从而提高网络去噪性能，使用leaky relu做为网络激活函数，增强训练后的去噪模型对微弱有效信号的恢复能力，较现有方法去噪能力更为显著，能在去噪的同时更好地保持了有效信号中的细节，对复杂信噪比的数据展现出良好的泛化性。

技术特征：

1.基于改进dncnn的电磁信息泄漏信号去噪增强方法，其特征在于，具体包括以下步骤：

2.如权利要求1所述的基于改进dncnn的电磁信息泄漏信号去噪增强方法，其特征在于，构建所述数据集包括：

3.如权利要求2所述的基于改进dncnn的电磁信息泄漏信号去噪增强方法，其特征在于，所述电磁信号包括纯净信号和带噪信号。

4.如权利要求3所述的基于改进dncnn的电磁信息泄漏信号去噪增强方法，其特征在于，构建所述初始深层去噪残差网络模型包括：

5.如权利要求4所述的基于改进dncnn的电磁信息泄漏信号去噪增强方法，其特征在于，构建所述一维选择性卷积核网络包括：

6.如权利要求1所述的基于改进dncnn的电磁信息泄漏信号去噪增强方法，其特征在于，所述深层去噪残差网络模型中的激活函数均采用带泄漏修正线性单元。

7.如权利要求3所述的基于改进dncnn的电磁信息泄漏信号去噪增强方法，其特征在于，利用所述深层去噪残差网络模型，获取所述去噪信息包括：

技术总结
本发明公开了基于改进DnCNN的电磁信息泄漏信号去噪增强方法，包括以下步骤：构建数据集；构建初始深层去噪残差网络模型；将所述数据集输入所述初始深层去噪残差网络模型并进行训练，获取深层去噪残差网络模型；利用所述深层去噪残差网络模型，获取去噪信息，实现对显示器泄漏电磁信号去噪。本发明利用改进DnCNN通过融合卷积注意力机制提示网络特征映射能力从而提高网络去噪性能，使用LeakyReLU做为网络激活函数，增强训练后的去噪模型对微弱有效信号的恢复能力，较现有方法去噪能力更为显著，能在去噪的同时更好地保持了有效信号中的细节，对复杂信噪比的数据展现出良好的泛化性。

技术研发人员：茅剑,游兴业,崔萌萌,刘晋明
受保护的技术使用者：集美大学
技术研发日：
技术公布日：2024/1/15