基于数据增强和对比学习的射频指纹识别方法及系统技术方案

基于数据增强和对比学习的射频指纹识别方法及系统，包括以下步骤：采集射频信号获取训练数据集；根据训练数据集，选取指定数量的样本作为批训练数据集；计算所有样本经过卷积神经网络CNN计算所得到得输出；计算每一个批训练过程的平均损失函数值；计算损失函数梯度，并根据梯度下降原则更新网络参数，重复上述步骤，直到网络参数稳定训练提前结束或者预设Epoch值迭代完成，则基于原始数据集和增强数据集的对比学习预训练过程完成。本发明专利技术通过在训练阶段联合优化类别样本一致性和标签一致性，可以有效利用样本的内部信息和原始样本与增强样本之间的相关信息，相比于只依赖数据增强的低信噪比射频指纹识别方法可以实现更高的通信辐射源个体识别精度。高的通信辐射源个体识别精度。高的通信辐射源个体识别精度。

【技术实现步骤摘要】
基于数据增强和对比学习的射频指纹识别方法及系统


[0001]本专利技术属于射频指纹识别
，特别涉及基于数据增强和对比学习的射频指纹识别方法及系统。

技术介绍

[0002]近年来，随着无线通信技术的快速发展，特别是5G通信技术的广泛的应用，推动了物联网设备数量的快速增长。目前，海量级别的物联网设备接入到无线网络之中，使得无线网络面临不同以往的安全挑战，这种安全性需求也推动了智能、可靠合法设备鉴权系统的发展。传统基于通信协议和密钥认证的鉴权系统存在密钥易窃取、易复制等问题，无法满足大规模物联网系统的安全性需求。相比而言，基于信号物理层特性的射频指纹识别技术，不依赖于密钥即可实现通信辐射源个体识别，具有识别精度高，安全性强等优点。
[0003]迄今为止，研究人员针对射频指纹识别技术做了大量工作。传统基于人工特征提取的机器学习方法需要进行复杂的特征构造工程，过程繁琐且需要专家知识支撑。除此之外，由于实际通信环境的复杂性，射频指纹无法被简单建模，因而这些基于人工特征提取的方法在实际通信环境下识别性能较差。而以卷积神经网络为核心的深度学习方法避免了繁琐的人工特征提取过程，可以直接提取高层次抽象特征用于通信辐射源个体识别，具有识别精度高、泛化能力强，系统易扩展等优势。但是，现如今基于深度学习的射频指纹识别技术多是基于特定训练数据集实现的，这也导致当测试集数据与训练集数据信号采集环境不同时，识别精度较低。另外，研究表明，射频指纹识别的精度严重依赖于采集信号的信噪比(SNR)水平，当信号信噪比较低时，识别精度相比于高信噪比情况急剧下降。但是在实际无线通信环境中，高信噪比条件往往难以获得，因此研究低信噪比条件下的高精度射频指纹识别方法也就具有重大的意义。
[0004]综合来说，现有方法存在以下缺陷和不足：
[0005]1.现有射频指纹识别方法泛化能力较低，往往需要相同的训练集数据和测试集数据采集环境才能实现高精度的通信辐射源个体识别；
[0006]2.现有基于深度学习的射频指纹识别方法在低信噪比情况下通信辐射源个体识别精度较低，方法信噪比鲁棒性差，无法实现动态信噪比环境下的通信辐射源个体识别；
[0007]3.现有基于数据增强的低信噪比射频指纹识别方法虽然利用噪声建模增加了训练集的信噪比变化种类，但是由于传统监督学习方法过分依赖于样本标签信息，而没有有效利用样本内部的丰富信息，导致模型存在泛化能力差等问题。另外，现有方法在训练阶段没有利用同一数据样本的原始样本和增强样本之间的相关信息，因此存在性能提升的空间。

技术实现思路

[0008]本专利技术的目的在于提供基于数据增强和对比学习的射频指纹识别方法及系统，以解决现有射频指纹识别方法泛化能力较低，通信辐射源个体识别精度较低，方法信噪比鲁
棒性差，模型存在泛化能力差的问题。
[0009]为实现上述目的，本专利技术采用以下技术方案：
[0010]基于数据增强和对比学习的射频指纹识别方法，包括以下步骤：
[0011]采集射频信号，并对采集的射频信号进行预处理；
[0012]对预处理后的信号进行数据增强和信号表征，得到二维时频方阵；
[0013]对得到的时频方阵进行最大值
‑
最小值归一化，将时频方阵数据映射到指定区间，得到到对应的时频灰度图像，作为训练数据集；
[0014]根据训练数据集，选取指定数量的样本作为批训练数据集；
[0015]计算所有样本经过卷积神经网络CNN计算所得到得输出，包括投影向量输出和概率向量输出；
[0016]计算每一个批训练过程的平均损失函数值，通过交叉熵损失函数值定义标签一致性，对比损失函数值定义样本一致性；
[0017]计算损失函数梯度，并根据梯度下降原则更新网络参数，重复上述步骤，直到网络参数稳定训练提前结束或者预设Epoch值迭代完成，则基于原始数据集和增强数据集的对比学习预训练过程完成，根据增强数据集和其对应的标签信息进行网络参数微调，采用标准的监督学习算法进行训练，直至得到最优的训练结果。
[0018]进一步的，采集射频信号，并对采集的射频信号进行预处理具体为：
[0019]在接收端采集射频信号，并对射频信号按信号帧进行分割，随后对信号帧进行均值
‑
方差归一化，使得每一信号帧均服从高斯分布N(0,1)；
[0020]数据增强具体为：
[0021]对经过归一化处理后的信号帧x(n)进行噪声建模，构建对应的增强数据帧 s(n)；假设信号帧数据长度为l，那么信噪比SNR＝a dB时的增强数据帧表示为：
[0022][0023]其中w(n)是对应的白噪声信号，均值方差分别为μ
w
＝0，
[0024]进一步的，信号表征：使用短时傅里叶变换STFT对信号帧进行时频表征，通过调整STFT的变换参数，使得一维时域信号变换为二维时频方阵，其中方阵元素为对应的功率谱密度值PSD；
[0025]对时频方阵进行最大值
‑
最小值归一化，然后乘以255后进行取整，将时频方阵数据映射到[0,255]区间，其中方阵元素为对应的像素值，得到对应的时频灰度图像。
[0026]进一步的，训练数据集包括原始时频灰度图像数据集{X,Y}和对应的不同 SNR的增强时频灰度图像数据集，将SNR＝snrdB时的增强时频灰度图像数据集表示为{X
snr
,Y
snr
}。
[0027]进一步的，对于每一个批训练过程，根据批大小从原始时频灰度图像数据集和增强时频灰度图像数据集中选取指定数量的样本作为批训练原始数据集和对应的增强数据集其中B为批大小并且原始数据集和增强数据集中的样本一一对应，是经过标签平滑的独热编码矩阵。
[0028]进一步的，计算所有样本经过卷积神经网络CNN计算所得到得输出，对于每一个批训练过程，每个样本经过网络后分别得到投影向量p和概率向量z，那么原始数据集和增强数据集的输出分别为和
[0029]进一步的，以原始数据集概率向量与样本独热编码向量的交叉熵损失函数值定义标签一致性，每一个批训练过程的交叉熵损失函数值定义为：
[0030][0031]以原始数据集投影向量与增强数据集投影向量的对比损失函数值定义样本一致性，对于一对原始数据集投影向量与增强数据集投影向量将视为正样本对，并将其余的2B
‑
2个样本视为负样本，那么样本对的对比损失函数值定义为：
[0032][0033]其中S(u,v)为余弦相似度公式，τ为温度参数，并且τ>0；
[0034][0035]进一步的，最终的对比损失函数值包括所有正样本对的对比损失函数值，包括l
i
(p,p
snr
)和l
i
(p
snr
,p)；得到投影向量对的对比损失函数值计算公式为：
[0036][0037]每一个批训练过程的平均损失函数值本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于数据增强和对比学习的射频指纹识别方法，其特征在于，包括以下步骤：采集射频信号，并对采集的射频信号进行预处理；对预处理后的信号进行数据增强和信号表征，得到二维时频方阵；对得到的时频方阵进行最大值
‑
最小值归一化，将时频方阵数据映射到指定区间，得到到对应的时频灰度图像，作为训练数据集；根据训练数据集，选取指定数量的样本作为批训练数据集；计算所有样本经过卷积神经网络CNN计算所得到得输出，包括投影向量输出和概率向量输出；计算每一个批训练过程的平均损失函数值，通过交叉熵损失函数值定义标签一致性，对比损失函数值定义样本一致性；计算损失函数梯度，并根据梯度下降原则更新网络参数，重复上述步骤，直到网络参数稳定训练提前结束或者预设Epoch值迭代完成，则基于原始数据集和增强数据集的对比学习预训练过程完成，根据增强数据集和其对应的标签信息进行网络参数微调，采用标准的监督学习算法进行训练，直至得到最优的训练结果。2.根据权利要求1所述的基于数据增强和对比学习的射频指纹识别方法，其特征在于，采集射频信号，并对采集的射频信号进行预处理具体为：在接收端采集射频信号，并对射频信号按信号帧进行分割，随后对信号帧进行均值
‑
方差归一化，使得每一信号帧均服从高斯分布N(0,1)；数据增强具体为：对经过归一化处理后的信号帧x(n)进行噪声建模，构建对应的增强数据帧s(n)；假设信号帧数据长度为l，那么信噪比SNR＝a dB时的增强数据帧表示为：其中w(n)是对应的白噪声信号，均值方差分别为μ
w
＝0，3.根据权利要求1所述的基于数据增强和对比学习的射频指纹识别方法，其特征在于，信号表征：使用短时傅里叶变换STFT对信号帧进行时频表征，通过调整STFT的变换参数，使得一维时域信号变换为二维时频方阵，其中方阵元素为对应的功率谱密度值PSD；对时频方阵进行最大值
‑
最小值归一化，然后乘以255后进行取整，将时频方阵数据映射到[0,255]区间，其中方阵元素为对应的像素值，得到对应的时频灰度图像。4.根据权利要求1所述的基于数据增强和对比学习的射频指纹识别方法，其特征在于，训练数据集包括原始时频灰度图像数据集{X,Y}和对应的不同SNR的增强时频灰度图像数据集，将SNR＝snrdB时的增强时频灰度图像数据集表示为{X
snr
,Y
snr
}。5.根据权利要求1所述的基于数据增强和对比学习的射频指纹识别方法，其特征在于，对于每一个批训练过程，根据批大小从原始时频灰度图像数据集和增强时频灰度图像数据集中选取指定数量的样本作为批训练原始数据集和对应的增强数据集其中B为批大小并且原始数据集和增强数据集中的样本一一对应，
是经过标签平滑的独热编码矩阵。6...

【专利技术属性】
技术研发人员：任品毅，任占义，张田田，鲁磊，
申请(专利权)人：西安交通大学，
类型：发明
国别省市：