申请/专利权人：桂林电子科技大学

申请日：2021-12-07

公开（公告）日：2024-03-22

公开（公告）号：CN114218984B

主分类号：G06F18/241

分类号：G06F18/241;G06F18/2131;G06F18/25;G06N3/0464;G06N3/045;G06N3/08

优先权：

专利状态码：有效-授权

法律状态：2024.03.22#授权;2022.04.08#实质审查的生效;2022.03.22#公开

摘要：本发明公开了一种基于多视图学习的射频指纹识别方法，其特包括如下步骤：1）采集每个待识别无线设备射频信号；2）数据处理并加噪声；3）分割数据并制作数据集一、二和三；4）设计复数值神经网络子组件并搭建复数值神经网；5）搭建子神经网络一6）搭建二维卷积神经网络二、三；7）合成多视图神经网络；8）训练神经网络；9）射频指纹识别。这种方法能利用样本数据并让计算机自动提取信号指纹特征，对样本数量要求降低的同时能改善低信噪比时的识别精度，数据特征提取效率高识别精度高。

主权项：1.一种基于样本多视图学习的射频指纹识别方法，其特征在于，包括如下步骤：1采集待识别设备信号：采集每个待识别发射机带通信号，设带通信号的时间序列为sn，进行下变频处理化为复基带时间序列其中同相In-Phase分量xn和正交Quadrature分量yn表示为公式1： 公式1中为信号sn的希尔伯特变换，f0为信号的载波频率；2数据处理并加噪声：将步骤1中采集到的数据作能量归一化处理，然后采用MATLAB软件的awgn函数手动加入不同信噪比的高斯白噪声并分别保存；3分割数据并制作数据集一、二和三：3-1将步骤2中保存好的数据作分割，分割为一组片段并打上所属设备标签，每个片段便是一个数据样本，一个样本包含2*128个采样点，将分割好的数据保存，为数据集一；3-2依据步骤2保存的数据、采用MATLAB软件中的快速傅里叶变换函数fft对各个信噪比的数据进行傅里叶变换然后保存；3-3将步骤3-2中保存好的数据作分割，分割为一组片段并打上所属设备标签，每个片段便是一个数据样本，一个样本包含2*128个采样点，将分割好的数据保存，为数据集二；3-4依据步骤2保存好的数据，将同相分量xn和正交分量yn相加为基带复信号Xn如公式2所示：Xn＝xn+iyn2；3-5依据步骤3-4中复信号Xn计算双谱，然后获得等高图，并制作数据集三，过程为：3-5-1复信号Xn的k阶累积量表示为如公式3所示：ckxτ1，…，τk-1＝cum[Xn，Xn+τ1，…，Xn+τk-1]3，式中τ1，…，τk-1为时延；3-5-2Xn的k阶谱定义为其k阶累积量的k-1维离散时间傅里叶变换，即如公式4所示： 公式4中ω1，ω2，…，ωk-1为频率分量，当k＝3时即为双谱，又称三阶谱，表达式为公式5所示： 公式5中三阶累积量的计算公式为c3xτ1，τ2＝E{XnXn+τ1Xn+τ2}，E{·}表示对括号内求期望；3-5-3采用MATLAB软件中的contour函数画出双谱等高图，设置白色背景并隐藏坐标系与坐标轴网格线无关信息，等高图的绘制采用五个等高线层级；3-5-4将所得每张双谱等高图从RGB转化为灰度图，并将尺寸缩小为32×32，图像几何变换的插值算法采用像素面积相关重采样法，最后将每张图像打上对应的设备标签保存为数据集三；4设计复数值神经网络子组件并搭建复数值神经网：采用接收复值数据的一维复值残差卷积神经网络，4-1设计复值卷积核：采用实数值模拟复值运算，设复值卷积核矩阵为W＝A+iB，卷积核W作用的特征向量为h＝x+iy，当卷积核W与特征向量h相乘得到公式6所示：W*h＝A*x-B*y+iB*x+A*y6，在实际的矩阵运算中，用R代表实部I代表虚部，则有公式7所示： 4-2设计复值激活函数CReLU：设神经元的值为z，实值运算的线性整流函数ReLU的公式为：fz＝max0，z，而复值激活函数CReLU在神经元z的实部和虚部同时运用ReLU计算如公式8所示：CReLUz＝ReLURz+iReLUIz8；5搭建子神经网络一：采用步骤4中设计好的复值卷积核组成一维卷积层并配以复值激活函数CReLU，采用一组卷积层搭建残差模块，将一组残差模块连接，组成子神经网络一；6搭建二维卷积神经网络二、三：采用接收实值数据的二维残差卷积神经网络、采用一组二维卷积层以及线性整流激活函数ReLU搭建残差模块，将一组残差模块连接，分别组成二维卷积神经网络二、三；7合成多视图神经网络：搭建针对射频指纹识别的多视图神经网络是将子神经网络一、二、三的输出连接在一起，形成一个全连接层，再连接一个新的神经元个数为待识别射频指纹设备个数的全连接层，最后全连接层的输出给到softmax分类器，softmax分类器将输出一组概率值p、数学表达式如公式9所示： 公式9中zi为神经网络最后一层的输出，i为类别索引，C为类别总数，输出的概率满足8训练神经网络：将数据集一、二和三均按样本数量7∶3的大小分别分割为训练集和测试集，每组训练集和测试集分别作为对应子神经网络一、二、三的输入进行训练，训练完毕后保存网络模型权值数据；9射频指纹识别：重新采集待识别设备的数据样本如步骤1-步骤3所示，输入到步骤8已经训练好的神经网络中最后输出识别结果。

全文数据：

权利要求：

百度查询： 桂林电子科技大学 一种基于样本多视图学习的射频指纹识别方法

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD