一种基于多采样卷积神经网络的射频指纹提取和识别方法技术

本发明专利技术公开了一种基于多采样卷积神经网络的射频指纹提取和识别方法，包括如下步骤：S1、识别平台收集不同环境参数下的仿真环境中无线设备的输出信号，截取所述I/Q基带信号的稳态信号片段作为个体的射频指纹；S2、对读取的信号数据进行预处理，建立深度卷积神经网络，利用训练样本和测试样本对所述深度卷积神经网络进行训练；S3、将预处理后的信号数据输入预先建立好的射频指纹识别模型，利用训练后的所述深度卷积神经网络对射频指纹进行识别，得到射频指纹识别结果。本发明专利技术通过卷积神经网络自动学习射频指纹信号特征，提高了设备识别的准确性，同时利用射频信号指纹识别技术，降低了无线设备自身的复杂度和计算开销。低了无线设备自身的复杂度和计算开销。低了无线设备自身的复杂度和计算开销。

【技术实现步骤摘要】
一种基于多采样卷积神经网络的射频指纹提取和识别方法


[0001]本专利技术涉及射频指纹识别
，具体为一种基于多采样卷积神经网络的射频指纹提取和识别方法。

技术介绍

[0002]现有射频指纹识别技术主流方式有两类，一类是先从无线电信号中，提取出信号特征如频谱特征、统计特征、星座图特征等，然后筛选出合适有用的特征作为射频指纹特征，将其输入到传统分类器如SVM、决策树、K近邻算法等进行分类识别；另一类则是将无线电I/Q信号直接作为训练数据输入到深度神经网络中，由神经网络自动学习射频指纹特征后再进行分类，值得注意的是，无论采取何种方式，都是建立在大型数据集的基础之上实现的。
[0003]卷积神经网络是一类包含卷积计算且具有深度结构的前馈神经网络，是深度学习的典型网络结构之一。对卷积神经网络的研究始于20世纪80至90年代，到21世纪后，随着深度学习理论的提出、数值计算设备的改进以及各种标准的数据集的出现，卷积神经网络得到了快速发展，并被应用于计算机视觉、自然语言处理等领域。
[0004]卷积神经网络的典型结构大致分为卷积层、池化层本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于多采样卷积神经网络的射频指纹提取和识别方法，其特征在于：包括如下步骤：S1、识别平台收集不同环境参数下的仿真环境中无线设备的输出信号，对通信辐射源个体的射频基带信号进行采集，获得I/Q基带信号并进行存储，截取所述I/Q基带信号的稳态信号片段作为个体的射频指纹，有新的无线信号时按照预设的采集点数和时间长度依次读取信号数据；S2、对读取的信号数据进行预处理，将射频指纹按照5:1的比例分为一训练样本和一测试样本，建立深度卷积神经网络，利用训练样本和测试样本对所述深度卷积神经网络进行训练；S3、将预处理后的信号数据输入预先建立好的射频指纹识别模型，输出该信号数据对应的射频设备标号，利用训练后的所述深度卷积神经网络对射频指纹进行识别，得到射频指纹识别结果。2.根据权利要求1所述的一种基于多采样卷积神经网络的射频指纹提取和识别方法，其特征在于：所述步骤S1中采集无线设备...

【专利技术属性】
技术研发人员：高原，王平，曹江，
申请(专利权)人：中国人民解放军军事科学院战争研究院，
类型：发明
国别省市：