一种基于深度学习的用频设备射频指纹识别方法技术

本发明专利技术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基于深度学习的用频设备射频指纹识别方法。本发明专利技术包括：采集相应的射频信号并进行解析，以I/Q数据的形式进行存储；对I/Q数据进行基于调制方式的整形处理预处理，构建训练/测试数据集；构建RCAN

【技术实现步骤摘要】
一种基于深度学习的用频设备射频指纹识别方法


[0001]本专利技术属于神经网络和射频指纹识别
，具体来说是涉及一种基于深度学习的用频设备射频指纹识别方法。

技术介绍

[0002]随着现代通信技术的发展和5G网络的普及，物联网的应用得到了极大的拓宽，在线的移动设备以及传感器部署量爆炸式增长。海量的设备将产生前所未有的数据量，由于物联网中存在伪造合法身份的网络安全隐患，接入方的认证和访问控制成为物联网领域的一个关键问题。物联网的节点中大部分都是简单的传感器，而传统身份认证技术往往是依靠运算复杂的加密算法，轻量级设备的算力无法满足可用安全性要求。同时，用频设备数量的膨胀也使得电磁环境日益复杂，维护无线电秩序与安全，防范非法用户，对于助推国家无线电治理体系和治理能力现代化日益重要。在这个背景下射频指纹识别技术成为关键的研究工作，该技术即可以实现在物理层上的身份认证安全机制，也为电磁空间的态势分析奠定了基础。
[0003]由于电子元件的公差效应，射频指纹在射频发射终端设备出厂的时候已经固定，可以作为在开放性无线网络的接入设备身份安全凭证，如本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于深度学习的用频设备射频指纹识别方法，其特征在于，包括以下步骤：S1、采集不同信道环境中用频设备的射频信号，具体为：通过OFDM发射机发射QPSK调制的数字信号，并将数字信号输入不同的仿真信道，接着通过OFDM接收机接收经过信道后的采样信号，预处理后获得I/Q信号，将2
×
N大小的I/Q信号按照调制的相位重新排列为格式，得到训练数据集；S2、构建深度识别网络模型，包括依次连接的输入层、卷积抽象层、堆叠的注意力增强模块、输出层；所述输入层的输入为训练数据，输入层的输出连接到卷积抽象层的输入；所述卷积抽象层包括第一卷积层、第二卷积层，用于提取I/Q两路的数据在高度抽象特征；所述堆叠的注意力增强模块由注意力增强模块堆叠构成，注意力增强模块的输入端为第一归一线性化层，与卷积抽象层中的第二卷积层输出相连，第一归一线性化层输出后进入通道注意选择机制；所述通道注意选择机制包含第三卷积层、第四卷积层，第三卷积层和第四卷积层同时与第一归一线性化层输出相连；所述第三卷积层、第四卷积层的输出进行分支融合后与第一全局平均池化层相连；所述第一全局平均池化层与第一全连接层进行相连；所述第一全连接层进行通道注意选择，同时与第二全连接层、第三全连接层进行连接，并使用SoftMax函数进行通道注意选择；所述通道注意选择将生...

【专利技术属性】
技术研发人员：胡苏，吴薇薇，杜钊楠，杨钿，黄恒洋，林迪，马上，唐万斌，靳传学，
申请(专利权)人：电子科技大学，
类型：发明
国别省市：