基于深度学习的计算机显示器电磁信息泄漏识别

• 作者: 裴林聪 张游杰 马通边 石森
• 来源期刊: 计算机系统应用
• 关键词: 电磁泄漏 特征提取 卷积神经网络 电磁防护 电磁信号识别
• 年，卷（期）: 2021,（8）
• 所属期刊栏目: 软件技术·算法|Software Technique · Algorithm
• 页码范围: 150-156
• 页数: 7页
• 语种: 中文
• DOI: 10.15888/j.cnki.csa.008035

摘要

本文以计算机显示设备泄漏电磁信号为研究对象,对于人工提取特征识别电磁泄漏信号存在的主观性强、特征冗余的问题,区别于传统基于经验的人工特征提取模式,利用人工智能深度学习方法,使用处理图像的深度学习技术应用于电磁信息泄漏特征识别,提出了一种基于卷积神经网络的识别方法.该方法首先提取电磁泄漏信号的时频谱信息作为卷积神经网络模型的输入,然后利用模型的自学习能力提取深层特征,实现对不同分辨率来源电磁泄漏信号的识别,识别准确率达到98％,单信号检测时间仅需40 ms,验证了卷积神经网络应用于电磁泄漏信号识别的有效性,为电磁泄漏预警与防护提供了重要依据,为电磁泄漏视频信号还原复现提供有力支撑.