一种自动调制识别中基于可解释学习的信息重要性认知防御方法

本发明公开了一种自动调制识别中基于可解释学习的信息重要性认知防御方法，包括：生成带标签的微量数据集，对数据集进行划分；基于训练集与原调制分类模型构建SHAP梯度解释器；对测试集施加FGSM攻击生成微量对抗样本，输入解释器中进行解释，并根据输出的shapley值分析对抗样本携带的负信息，验证SHAP方法的可迁移指导性；对shapley值进行加和降维处理，得到对分类结果起消极作用的采样点，将训练集和验证集中对应的采样点删除并微调模型，得到新模型；针对现实中被攻击的数据，删除对应的消极的采样点，输入新模型中测试分类性能。本发明显著提高了模型在攻击场景中的防御能力，同时降低了数据计算和存储资源的消耗。