申请/专利权人：电子科技大学

申请日：2022-05-27

公开（公告）日：2024-04-16

公开（公告）号：CN114997299B

主分类号：G06V10/774

分类号：G06V10/774;G06V10/82;G06N3/0464;G06N3/047;G06N3/09

优先权：

专利状态码：有效-授权

法律状态：2024.04.16#授权;2022.09.20#实质审查的生效;2022.09.02#公开

摘要：本发明属于神经网络和射频指纹识别技术领域，具体来说是涉及一种资源受限环境下的射频指纹识别方法。本发明包括：将原始采样的IQ信号进行数据预处理，得到训练任务集；构建资源受限下的射频指纹识别模型——DSCNet；将训练任务集输入到模型当中进行训练，然后对得到的模型进行量化处理；将识别任务输入到量化后的模型当中，得到射频指纹识别结果。本发明在资源受限的环境下具有较好的识别精度，同时模型的训练和推理速度表现较好，可以在资源不足的设备中进行射频指纹识别任务。

主权项：1.一种资源受限环境下的射频指纹识别方法，其特征在于，包括以下步骤：S1、制作训练样本，具体为：将获取到无线电设备IQ信号，划分为IQ两路2×128格式的射频指纹数据，从而构成训练样本集X0；S2、构建射频指纹识别模型，具体包括标准卷积层、第一深度可分离卷积层、第二深度可分离卷积层、全连接层和输出层；所述标准卷积层使用1×1的卷积核对输入数据集X0的通道数进行扩张，得到一个2×128×10的输出数据X1；所述第一深度可分离卷积层使用1×3的卷积核对上一层的输出数据X1进行特征提取，得到一个2×126×64的输出数据X2；所述第二深度可分离卷积层使用2×1的卷积核对上一层的输出数据X2进行特征提取，得到一个1×126×64的输出数据X3；所述全连接层使用128大小的全连接层对上一层的输出数据X3进行特征提取，得到1032192维的输出向量X4；所述输出层使用上一层的输出数据X4，输入到softmax函数中得到识别结果Y；S3、采用步骤S1获得的训练样本对步骤S2构建的射频指纹识别模型进行训练，获得训练好的射频指纹识别模型后，对训练好的射频指纹识别模型进行量化，具体为：S31、对于输入向量x，在输入之前统计出输入样本中的最大值和最小值，然后计算出缩放因子Sx和量化后的零值Zx，其中Sx和Zx的计算公式为： 式中，Rmax表示输入向量x中的最大值，Rmin表示输入向量x中的最小值，Qmax表示量化之后的最大的定点值，Qmin表示量化之后最小的定点值；同样的，定义卷积层、全连接层的权重为w1，w2以及缩放因子和量化后的零值为Sw1，Zw1，Sw2，Zw2，定义中间层的激活值为a1，a2，并统计出其缩放因子和量化后的零值为Sa1，Za1，Sa2，Za2，因为卷积运算和全连接层的运算本质上都是矩阵运算，因此定义量化运算为： 式中，表示被量化之后的输入数据，表示被量化之后的权重矩阵，表示被量化之后的激活值，在推理过程中，不再需要将输出反量化回a1，直接用qa1执行后面的计算；S32、量化ReLU层：经过量化操作之后，计算公式从qar＝maxqa1，0变换为：qar＝maxqa1，Za1式中，qa1表示经过卷积操作以及量化后的激活值，qar表示经过ReLU运算以及量化后的输出值，同时，Sar＝Sa1，Zar＝Za1；S33、定义网络的输出为y，对应的缩放因子和量化之后的零值为Sy和Zy，则全连接层经过量化之后用如下公式表示： 式中，表示经过量化之后的全连接层激活值，表示经过量化之后的全连接层权重，qy表示经过量化之后的输出值；S34、通过下面的公式把量化之后的结果进行反量化，得到模型的输出：y＝Syqy-Zy式中，Sy表示网络输出y的缩放因子，Zy表示网络输出y被量化之后的零点，qy表示网络输出y被量化之后的数值；S35、保存量化之后的模型；S4、将待识别的射频指纹信号按照S1的方法划分后输入到保存的量化之后的模型，得到识别结果。

全文数据：

权利要求：

百度查询： 电子科技大学 一种资源受限环境下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