基于 LIME 的非预期辐射发射分类解释
计算机视觉与模式识别
2020-09-09 v2 机器学习
信号处理
摘要
非预期辐射发射在电子设备使用过程中产生。识别并减轻这些发射的影响是现代化电力工程及相关控制系统的关键要素。对电气系统的信号处理可识别这些发射的源头。一个名为 Flaming Moes 的数据集包含了从消费电子产品捕获的非预期辐射发射。该数据集被分析以构建用于设备识别的下一代方法。为此，构建了一个基于将 ResNet-18 图像分类架构应用于电压签名短段的短时傅里叶变换的神经网络。使用该分类器，18 个设备类别与背景类别以接近 100% 的准确率被识别。通过将 LIME 应用于该分类器并在同一设备的多次分类上聚合结果，可确定分类器做决策所用的频带。利用在来自同一父数据分布的极相似数据集上训练的分类器集成，可恢复出对识别有用的设备输出的鲁棒特征集。LIME 应用所提供的额外理解增强了 URE 分析网络的可训练性、可信性与可迁移性。
引用
@article{arxiv.2009.02418,
title = {Explanation of Unintended Radiated Emission Classification via LIME},
author = {Tom Grimes and Eric Church and William Pitts and Lynn Wood},
journal= {arXiv preprint arXiv:2009.02418},
year = {2020}
}
备注
7 pages, 11 Figures