用于电磁非预期辐射发射鲁棒且可解释分析的神经随机微分方程

我们针对类 ResNet 模型在非预期辐射发射（Unintended Radiated Emission, URE）分类中的鲁棒性与可解释性进行了综合评估，并提出了一种利用神经随机微分方程（Neural Stochastic Differential Equations, SDEs）的新方法来解决已识别的局限。我们实证展示了类 ResNet 模型对高斯噪声扰动的脆弱性：在仅 0.5 标准差的高斯噪声下，模型性能急剧恶化，其 F1-score 降至近乎可忽略的 0.008。我们还强调了一个令人担忧的差异：类 ResNet 模型提供的解释未能反映输入数据中的固有周期性，而这是来自稳定设备的 URE 检测中的关键属性。针对这些发现，我们提出了神经 SDE 的新应用，以构建对噪声鲁棒且提供更有意义和直观解释的 URE 分类模型。神经 SDE 模型即使在暴露于标准差为 0.5 的高斯噪声时仍保持 0.93 的高 F1-score，展现出优于 ResNet 模型的韧性。神经 SDE 模型成功地从输入数据中恢复了时间不变或周期性的水平带，这是类 ResNet 模型生成的解释中明显缺失的特征。这一进展在开发鲁棒且可解释的实时 URE 应用模型方面迈出了微小但重要的一步，其中数据固有含噪且保证性论证要求可解释的机器学习预测。