申请/专利权人：电子科技大学

申请日：2023-12-15

公开（公告）日：2024-04-09

公开（公告）号：CN117851912A

主分类号：G06F18/2415

分类号：G06F18/2415;G06F18/214;G06N3/0464;G06F17/14;G06F17/16;G06N3/084

优先权：

专利状态码：在审-实质审查的生效

法律状态：2024.04.26#实质审查的生效;2024.04.09#公开

摘要：本发明提供了一种基于轻量化抗多普勒射频指纹识别的方法，属于物联网安全信息技术领域。本发明包括结合IQ信号特点，将信号表示转换为时频图，保留时域和频域射频指纹特征，构建去信道化的差分频谱图；并采用多普勒信道建模合成更多数据集的方式，使模型能够通过获取更多的多普勒频移环境下的射频信号进行数据增强提取更多可靠的射频指纹特征。此外，还设计了一种新的轻量化深度卷积可分离网络。本发明的识别模型由输入层，卷积层，多个深度可分离卷积层，最大池化层，全连接层以及softmax分类层组成。该方法能增加模型的推理速度，提高模型识别准确率，实现资源受限下低成本绿色环保通信识别。

主权项：1.一种基于轻量化抗多普勒射频指纹识别方法，其特征在于，包括以下步骤：S1、将原始采集的带有低速多普勒的干扰的射频信号输入到构建的瑞利信道生成模型中，生成相当于实际在非可视距路径下采集到的带有多种不同多普勒频移的真实数据；与此同时将原始数据加入到构建的莱斯信道生成模型中，仿真在可视距路径下采集的有多种不同多普勒频移的真实信号数据；将经过瑞利信道和莱斯信道两种仿真模型生成的增强数据和原始数据合成得到合成的数据集，对合成的数据集进行归一化后，进行短时傅里叶变换得到时频图，将时频图中m列除以m+1列，得到差分频谱图，即信道独立谱，将信道独立谱作为训练数据；S2、构建基于轻量化深度卷积可分离神经网络的目标识别模型，包括依次连接的输入层、卷积层、深度可分离卷积模块、最大池化层、Flatten层和softmax激活函数，其中深度可分离卷积模块包括10个依次连接的深度可分离卷积单元，每个深度可分离卷积单元均包括深度可分离卷积和卷积操作，所述输入层的输入为训练数据，卷积层的卷积核尺寸为3×3，个数为32；深度可分离卷积模块中，第一深度可分离卷积单元的深度可分离卷积和卷积操作的卷积核尺寸分别为3×3和1×1，个数为32和64，第二深度可分离卷积单元的深度可分离卷积和卷积的卷积核尺寸分别为3×3和1×1，个数为64和128，依次类推到第五深度可分离卷积单元的深度可分离卷积和卷积的卷积核尺寸分别为3×3和1×1，个数为256和512，第六深度可分离卷积单元到第十深度可分离卷积单元的结构与第五深度可分离卷积单元相同，深度可分离卷积模块的输出经过最大池化层提取特征后，再经过Flatten层降维拉平，最后通过全连接的softmax激活函数输出分类个数；每次卷积操作后都需经过批量归一化处理和relu激活函数修正；S3、利用S1中的训练数据对S2中得目标识别模型进行训练，训练采用稀疏交叉熵函数作为分类损失函数： 其中，N表示样本数，M表示类别的数量，yic取值为0或1表示变量，取值方式为如果该类别和样本i的类别相同就是1，否则是0，pic表示对于观测样本i属于类别c的预测概率；使用Adam函数进行性能调优，设置Epoch为200次，每一次的batch_size设为128，在预设条件下完成训练得到训练好的目标识别模型；S4、获取待识别的多普勒频移射频信号，输入训练好的目标识别模型中进行识别。

全文数据：

权利要求：

百度查询： 电子科技大学 一种基于轻量化抗多普勒射频指纹识别的方法

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