一种基于元学习模型的射频指纹小样本识别方法技术

本发明专利技术属于神经网络和目标识别技术领域，具体来说是涉及一种基于元学习模型的射频指纹小样本识别方法。本发明专利技术包括：将原始I/Q信号作为数据集，制作训练任务样本集；构建元学习模型——匹配网络模型；将训练任务集输入匹配网络模型，从I/Q信号中提取射频指纹特征，度量样本之间的相似度，对模型进行训练；将识别任务输入到训练好的元学习模型中，输出模型的识别结果。本发明专利技术在面临射频指纹小样本数据集时，具有较好的识别精度，并避免了因数据量少所带来的模型过拟合问题。所带来的模型过拟合问题。所带来的模型过拟合问题。

【技术实现步骤摘要】
一种基于元学习模型的射频指纹小样本识别方法


[0001]本专利技术属于神经网络和目标识别
，具体来说是涉及一种基于元学习模型的射频指纹小样本识别方法。

技术介绍

[0002]近年来，随着5G通信时代的到来，无线通信早已应用到智能家居、物联网、车联网、智慧城市、智能作战等多种场景当中，在民用与军事领域扮演着不可替代的角色。与有线网络相比，在无线网络中，设备间的通信安全通常是基于网络层与传输层上各种安全协议实现的。这使得无线网络中的设备更容易遭受攻击，比如通信设备在接入认证时使用的IP(Internet Protocol)地址、密钥密码可能会被篡改伪造。因此，无线通信急需新型的安全机制与设备身份认证识别技术，以抵御无线设备在网络中潜在的威胁。
[0003]就像人的指纹一样，每个设备的射频指纹都是独一无二的，不同的无线通信设备由于硬件差异，其发出的信号会有所不同。通过分析射频信号的微小差异，提取出的硬件特征就是该设备的射频指纹，可以用于设备识别，这种识别方法称为射频指纹识别技术。
[0004]目前，已有的射频指纹识别技术，主要是通过传统的机器学习或者深度学习，对无线通信设备大量的原始I/Q信号数据集进行训练，提取信号特征即射频指纹，训练得到一个分类器，使用该分类器即可确认无线通信设备的身份。然而，在面临小样本问题时显得有些无力，特别是在某些特殊环境下，如卫星等处于较为隐蔽环境的通信设备，无法获取其大量信号进行射频指纹特征提取。传统的机器学习和深度学习方法也不再适用，因为它们针对的都是数据密集型应用，在面临小数据集时，训练样本太少容易出现算法准确度变低，过拟合等问题。
[0005]近几年提出的一种机器学习方法——小样本学习。通过已经存在的先验知识，小样本学习能够将模型快速泛化到仅有少量有标签样本的新任务中，帮助解决机器学习在面临小样本数据集时出现的问题。而元学习是实现小样本学习方法之一。另外，目前大部分小样本学习都是基于图像识别来实现的，但是在射频指纹识别领域研究较少。因此找到一种有效的射频指纹小样本识别方法极具研究价值。

技术实现思路

[0006]针对现有技术中的上述不足，本专利技术提供的一种基于元学习模型的射频指纹小样本识别方法解决了现有技术中的问题。
[0007]本专利技术的技术方案为：
[0008]一种基于元学习模型的射频指纹小样本识别方法，包括以下步骤：
[0009]S1、制作训练样本，具体为：从获取到无线电设备I/Q信号中，随机选取k个类别，并为每个类别随机选取s+q个样本，将其中的k*s个样本作为支持集，k*q个样本作为查询集，将一组支持集和查询集作为一个训练任务，通过随机采样获得训练阶段所需的全部训练任务作为训练样本；
[0010]S2、构建元学习模型，具体包括处理支持集的嵌入函数g、处理查询集的嵌入函数f以及注意力核函数a；
[0011]所述嵌入函数g和嵌入函数f的结构相同，均包括四个结构相同的卷积模块，每个卷积模块由卷积层、批量归一化、非线性激活函数组成，输入数据经过四次卷积后，使用Flatten函数展开得到嵌入函数提取的特征向量，作为注意力核函数的输入；具体为：
[0012]对于每一个给定的支持集S＝{x
i
,y
i
}
i＝1,2
…
n
，其中n＝k*s代表支持集S的样本数量，x
i
代表第i个样本，y
i
代表第i个样本的标签，分别学习一个分类器这个分类器给出了指定查询集样本时，输出预测标签的概率分布，分类器将支持集中样本标签相似度的加权和作为输出结果：
[0013][0014]式中的权重即为注意力核函数采用欧式距离计算查询集样本特征向量与支持集样本特征向量g(x
i
)之间相似度：
[0015][0016]进行softmax归一化得到注意力核函数计算公式：
[0017][0018]S3、将步骤S1得到的训练样本集输入到步骤S2构建的元学习模型进行训练，具体为：对于一个训练任务过程，首先嵌入函数会分别计算该训练任务支持集与查询集样本各自的特征向量，然后由注意力核函数计算该任务查询样本与各个支持集样本之间的权值，最后结合权值对所有支持集的标签进行加权求和，得到查询集样本在支持集中的概率分布，在模型训练完一轮之后，继续采样训练任务，对模型进行下一轮训练；此时，对整个模型进行参数更新，而参数更新的方式，采用损失函数进行梯度下降，得到一轮训练的损失值，再将损失值反向传播，带入下一轮训练不断优化模型参数，直至模型收敛；
[0019]S4、获取目标设备的I/Q信号，按照步骤S1的方式采样一个识别任务，和训练任务同样包括支持集和查询集样本，将识别任务输入到步骤S3得到的训练好的模型后，嵌入函数会分别计算该识别任务支持集与查询集样本各自的特征向量，然后由注意力核函数计算该识别任务查询样本与各个支持集样本之间的权值，最后结合权值对所有支持集的标签进行加权求和，得到查询集样本在支持集中的概率分布，从而得到识别任务的分类结果。
[0020]本专利技术的有益效果为：
[0021](1)本专利技术将元学习方法应用到射频指纹小样本问题上，避免了模型过拟合问题，为某些特殊场景下的射频指纹识别提供了新思路。
[0022](2)本专利技术搭建的匹配网络模型，为适应I/Q信号的特点，采用欧式距离计算公式来构建注意力核函数，更加精准地比较样本之间的相似度，从而提高模型的识别准确率。
[0023](3)本专利技术可应用于射频指纹小样本的智能识别场景中，模型训练速度较快，所需的服务器算力成本低。
附图说明
[0024]图1为本专利技术提出的基于元学习模型的射频指纹小样本识别方法流程图。
[0025]图2为本专利技术的元学习训练与测试任务阶段示意图。
[0026]图3为本专利技术的匹配网络模型主体架构图。
[0027]图4为本专利技术的匹配网络嵌入函数结构图。
具体实施方式
[0028]下面结合附图，对本专利技术技术方案进行详细描述：
[0029]本专利技术是基于元学习模型的识别方法，元学习的基本概念如下：
[0030]元学习(Meta Learning)就像人类大脑一样，可以利用已有的先验知识来进行新任务的学习，使模型具有学会学习的能力，是解决小样本问题的方法之一。元学习主要有两个阶段。第一阶段是元训练(meta
‑
training)阶段，对大量任务进行训练，学习每个任务的知识，得到模型F的参数θ；在第二阶段，即元测试(meta
‑
testing)阶段，面对新的任务类别，将第一阶段的模型F的参数θ作为初始参数，进行梯度下降计算更新迭代后，即可根据现有模型学习出新的任务模型，再对新任务中的样本进行分类识别。这里将训练任务和测试任务作为训练集和测试集，每个任务中又包含了训练与测试数据，为了避免混淆，每个任务中的数据集被称为支持集(Support Set本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于元学习模型的射频指纹小样本识别方法，其特征在于，包括以下步骤：S1、制作训练样本，具体为：从获取到的无线电设备I/Q信号中，随机选取k个类别，并为每个类别随机选取s+q个样本，将其中的k*s个样本作为支持集，k*q个样本作为查询集，将一组支持集和查询集作为一个训练任务，通过随机采样获得训练阶段所需的全部训练任务作为训练样本；S2、构建元学习模型，具体包括处理支持集的嵌入函数g、处理查询集的嵌入函数f以及注意力核函数a；所述嵌入函数g和嵌入函数f的结构相同，均包括四个结构相同的卷积模块，每个卷积模块由卷积层、批量归一化、非线性激活函数组成，输入数据经过四次卷积后，使用Flatten函数展开得到嵌入函数提取的特征向量，作为注意力核函数的输入；具体为：对于每一个给定的支持集S＝{x
i
,y
i
}
i＝1,2
…
n
，其中n＝k*s代表支持集S的样本数量，x
i
代表第i个样本，y
i
代表第i个样本的标签，分别学习一个分类器这个分类器给出了指定查询集样本时，输出预测标签的概率分布，分类器将支持集中样本标签相似度的加权和作为输出结果：式中的权...

【专利技术属性】
技术研发人员：林迪，胡苏，吴薇薇，李浩，杨钿，黄恒洋，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：