一种基于样本多视图学习的射频指纹识别方法技术

本发明专利技术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。征提取效率高识别精度高。征提取效率高识别精度高。

【技术实现步骤摘要】
一种基于样本多视图学习的射频指纹识别方法


[0001]本专利技术涉及无线通信物理层安全
，具体是一种基于多视图学习的射频指纹识别方法。

技术介绍

[0002]由无线局域网(WLAN)以及移动通信等技术的发展，大量的无线通信设备比如路由器、物联网设备、民用旋翼无人机的认证以及管控，还有不断出现的伪造通信基站信号的鉴别等，这些伴随无线通信的发展而出现的设备安全问题和信息安全问题愈发受到重视。大部分的无线局域网协议是存在安全风险的，单个欺诈性的非法设备或被黑客攻击的设备混入系统中就可能危及整个网络的安全。现在无线局域网的认证方法主要采用在应用层或数据链路层的密钥认证的方式。在可见的将来，当量子计算成熟时，密钥便很容易被破解，防护机制便无效了。因此，最近的安全策略研究集中在物理层特性上，作为密钥的补充，增强安全性。
[0003]基于物理层的射频指纹识别方法旨在利用唯一代表设备的射频信号特征，这些指纹特征是由发射机内部电子原件的容差或老化形成的独一无二的特征，非常适合用来进行设备的识别认证。

技术实现思路

>[0004]本专利本文档来自技高网...

【技术保护点】

【技术特征摘要】
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s(n)，进行下变频处理化为复基带时间序列其中同相In
‑
Phase分量x(n)和正交Quadrature分量y(n)表示为公式(1)：公式(1)中为信号s(n)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x(n)和正交分量y(n)相加为基带复信号X(n)如公式(2)所示：X(n)＝x(n)+iy(n)
ꢀꢀꢀꢀꢀ
(2)；3
‑
5)依据步骤3
‑
4)中复信号X(n)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X(n)的k阶累积量表示为如公式(3)所示：c
kx
(τ1，
…
，τ
k
‑1)＝cum[X(n)，X(n+τ1)，
…
，X(n+τ
k
‑1)]
ꢀꢀꢀꢀ
(3)，式中τ1，
…
，τ
k
‑1为时延；3
‑5‑
2)X(n)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，
…
，ω
k
‑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c
3x
(τ1，τ2)＝E{X(n)X(n+τ1)X(n+τ2)}，E{

【专利技术属性】
技术研发人员：谢跃雷，邓涵方，许强，肖潇，曾浩南，梁文斌，王胜，谢星丽，蒋俊正，欧阳缮，
申请(专利权)人：桂林电子科技大学，
类型：发明
国别省市：