基于深度度量学习的小样本无线设备射频指纹识别方法及装置制造方法及图纸

本发明专利技术公开了一种基于深度度量学习的小样本无线设备射频指纹识别方法及装置，其方法包括：获取多个无线设备对应的射频信号，并进行预处理，以生成训练集；建立基于深度度量学习的小样本无线信号分类识别网络模型，以进行特征提取与特征比较；采用元学习的训练方式自适应学习特征距离，通过N

【技术实现步骤摘要】
基于深度度量学习的小样本无线设备射频指纹识别方法及装置


[0001]本专利技术涉及无线通信
，特别涉及一种基于深度度量学习的小样本无线设备射频指纹识别方法、一种计算机可读存储介质、一种计算机设备以及一种基于深度度量学习的小样本无线设备射频指纹识别装置。

技术介绍

[0002]相关技术中，基于物理层指纹的认证方案在无线设备识别领域里具有广阔的应用前景；目前基于物理层射频指纹的无线设备识别常常面临获得大量的信号较为困难的问题，为此，研究小样本情形下的无线设备个体识别问题意义重大；目前主要针对图像处理领域解决小样本问题，采用的方法主要分为基于数据增强、基于算法以及基于模型三种；通过数据扩充的方法很难枚举出信号在不同时间点上的变化可能性；基于算法的小样本学习策略往往复杂度较高且对提供先验知识的数据类型要求较高；而基于模型的ResNet
‑
18、基于数据的生成对抗网络模型射频GAN、应用在语音领域的识别算法DeepSpeaker等多种算法的识别率较低。

技术实现思路

[0003]本专利技术旨在至少在一定程度上解决上述技术中的技术问题之一。为此，本专利技术的一个目的在于提出一种基于深度度量学习的小样本无线设备射频指纹识别方法，通过FSig
‑
Net模型及N
‑
way、K
‑
shot的训练方式，提高了小样本场景下无线信号射频指纹识别的识别率。
[0004]本专利技术的第二个目的在于提出一种计算机可读存储介质。
[0005]本专利技术的第三个目的在于提出一种计算机设备。
[0006]本专利技术的第四个目的在于提出一种基于深度度量学习的小样本无线设备射频指纹识别装置。
[0007]为达到上述目的，本专利技术第一方面实施例提出了一种基于深度度量学习的小样本无线设备射频指纹识别方法，所述方法包括以下步骤：获取多个无线设备对应的射频信号，并对所述多个无线设备对应的射频信号进行预处理，以生成训练数据集；建立基于深度度量学习的射频指纹识别模型，其中，所述射频指纹识别模型包括特征提取网络和特征比较网络；从所述训练数据集中随机抽取多个不同类别对应的多个训练数据以构成支持数据集样本，从所述抽取后剩下的训练数据集中继续随机抽取多个训练数据以构成验证数据集样本；将所述支持数据集样本和所述验证数据集样本输入到所述射频指纹识别模型中的特征提取网络进行特征提取，以得到每个支持数据集样本对应的支持数据集特征和每个验证数据集样本对应的验证数据集特征；将所述每个支持数据集样本对应的支持数据集特征按类别进行维数压缩后分别和所述每个验证数据集样本对应的验证数据集特征中的某个验证数据集特征进行拼接后，输入到所述射频指纹识别模型中的特征比较网络进行分析比较，
以便比较特征相似度确定所述某个验证数据集样本的所属类别。
[0008]根据本专利技术实施例的基于深度度量学习的小样本无线设备射频指纹识别方法，首先，获取多个无线设备对应的射频信号，并对多个无线设备对应的射频信号进行预处理，以生成训练数据集；接着，建立基于深度度量学习的射频指纹识别模型，其中，射频指纹识别模型包括特征提取网络和特征比较网络；然后，从训练数据集中随机抽取多个不同类别对应的多个训练数据以构成支持数据集样本，从抽取后剩下的训练数据集中继续随机抽取多个训练数据以构成验证数据集样本；将支持数据集样本和验证数据集样本输入到射频指纹识别模型中的特征提取网络进行特征提取，以得到每个支持数据集样本对应的支持数据集特征和每个验证数据集样本对应的验证数据集特征；最后，将每个支持数据集样本对应的支持数据集特征按类别进行维数压缩后分别和每个验证数据集样本对应的验证数据集特征中的某个验证数据集特征进行拼接后，输入到射频指纹识别模型中的特征比较网络进行分析比较，以便比较特征相似度确定某个验证数据集样本的所属类别；由此，通过FSig
‑
Net模型及N
‑
way、K
‑
shot的训练方式，提高了小样本场景下无线信号射频指纹识别的识别率。
[0009]另外，根据本专利技术上述实施例提出的基于深度度量学习的小样本无线设备射频指纹识别方法还可以具有如下附加的技术特征：
[0010]可选地，所述特征提取网络包括一个卷积层、一个最大池化层和四个残差网络；其中，第一残差网络和第三残差网络中包含的卷积操作参数相同，第二残差网络和第四残差网络中包含的卷积操作和池化操作的参数相同；所述特征提取网络通过非线性子空间学习嵌入特征的相似性，以便对同类别特征进行聚集。
[0011]可选地，所述特征比较网络包括两个卷积层，一个维数变换和一个全连接层；所述特征比较网络通过对所述特征提取网络处理后的不同类别样本的高层语义进行分析比较，以得到最终的识别。
[0012]可选地，在训练过程中还通过交叉熵损失函数计算识别的误差，并经过多次迭代以对所述射频指纹识别模型进行优化。
[0013]为达到上述目的，本专利技术第二方面实施例提出了一种计算机可读存储介质，其上存储有基于深度度量学习的小样本无线设备射频指纹识别程序，该基于深度度量学习的小样本无线设备射频指纹识别程序被处理器执行时实现如上述的基于深度度量学习的小样本无线设备射频指纹识别方法。
[0014]根据本专利技术实施例的计算机可读存储介质，通过存储基于深度度量学习的小样本无线设备射频指纹识别程序，以使得处理器在执行该基于深度度量学习的小样本无线设备射频指纹识别程序时，实现如上述的基于深度度量学习的小样本无线设备射频指纹识别方法，由此，通过FSig
‑
Net模型及N
‑
way、K
‑
shot的训练方式，提高了小样本场景下无线信号射频指纹识别的识别率。
[0015]为达到上述目的，本专利技术第三方面实施例提出了一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时，实现如上述的基于深度度量学习的小样本无线设备射频指纹识别方法。
[0016]根据本专利技术实施例的计算机设备，通过存储器对基于深度度量学习的小样本无线设备射频指纹识别程序进行存储，以使得处理器在执行该基于深度度量学习的小样本无线设备射频指纹识别程序时，实现如上述的基于深度度量学习的小样本无线设备射频指纹识
别方法，由此，通过FSig
‑
Net模型及N
‑
way、K
‑
shot的训练方式，提高了小样本场景下无线信号射频指纹识别的识别率。
[0017]为达到上述目的，本专利技术第四方面实施例提出了一种基于嵌入式的无线设备射频指纹识别装置，包括采集模块、模型建立模块和训练识别模块，所述采集模块用于获取多个无线设备对应的射频信号，并对所述多个无线设备对应的射频信号进行预处理，以生成训练数据集；模型建立模块，所述模型建立模块用于建立基于深度度量学习的射频指纹识别模型，其中，所述射频指纹识别模型包括特征提取网络和特征比较网络；训练识别模本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于深度度量学习的小样本无线设备射频指纹识别方法，其特征在于，包括以下步骤：获取多个无线设备对应的射频信号，并对所述多个无线设备对应的射频信号进行预处理，以生成训练数据集；建立基于深度度量学习的射频指纹识别模型，其中，所述射频指纹识别模型包括特征提取网络和特征比较网络；从所述训练数据集中随机抽取多个不同类别对应的多个训练数据以构成支持数据集样本，从所述抽取后剩下的训练数据集中继续随机抽取多个训练数据以构成验证数据集样本；将所述支持数据集样本和所述验证数据集样本输入到所述射频指纹识别模型中的特征提取网络进行特征提取，以得到每个支持数据集样本对应的支持数据集特征和每个验证数据集样本对应的验证数据集特征；将所述每个支持数据集样本对应的支持数据集特征按类别进行维数压缩后分别和所述每个验证数据集样本对应的验证数据集特征中的某个验证数据集特征进行拼接后，输入到所述射频指纹识别模型中的特征比较网络进行分析比较，以便比较特征相似度确定所述某个验证数据集样本的所属类别。2.如权利要求1所述的基于深度度量学习的小样本无线设备射频指纹识别方法，其特征在于，所述特征提取网络包括一个卷积层、一个最大池化层和四个残差网络；其中，第一残差网络和第三残差网络中包含的卷积操作参数相同，第二残差网络和第四残差网络中包含的卷积操作和池化操作的参数相同；所述特征提取网络通过非线性子空间学习嵌入特征的相似性，以便对同类别特征进行聚集。3.如权利要求2所述的基于深度度量学习的小样本无线设备射频指纹识别方法，其特征在于，所述特征比较网络包括两个卷积层，一个维数变换和一个全连接层；所述特征比较网络通过对所述特征提取网络处理后的不同类别样本的高层语义进行分析比较，以得到最终的识别。4.如权利要求1
‑
3中任一项所述的基于深度度量学习的小样本无线设备射频指纹识别方法，其特征在于，在训练过程中还通过交叉熵损失函数计算识别的误差，并经过多次迭代以对所述射频指纹识别模型进行优化。5.一种计算机可读存储介质，其特征在于，其上存储有基于度量学习的小样本无线设备的射频指纹识别程序，该基于度量学习的小样本无线设备的射频指纹识别程序被处理器执行时实现如权利要求1
‑
4中任一项所述的基于度量学习的小样本无线设备的射频指纹识别方法。6.一种计算机设备，包括存储器、处理器及存储在存...

【专利技术属性】
技术研发人员：赵彩丹，罗格格，余锦辉，王艺霖，
申请(专利权)人：厦门大学，
类型：发明
国别省市：