【技术实现步骤摘要】
基于分层自编码器的开放集射频指纹识别方法
[0001]本专利技术属于通信
,具体为一种基于分层自编码器的开放集射频指纹识别方法
。
技术介绍
[0002]随着智能通信时代的到来,无线通信的安全性变得越来越重要
。
然而,无线通信安全面临着许多严峻的挑战,尤其是容易受到窃听和欺骗等恶意攻击
。
射频指纹,作为发射设备中电磁信号的固有属性,具有难以篡改的特性,可用于确定发射设备的身份验证
。
因此,射频指纹识别是一种利用发射设备的固有属性,推断出射频设备和内含“差异”的通信信号的内在关联关系,对其发射的信号进行发射设备识别的方法
。
传统的人工提取特征的方法依赖于专家和领域知识,难以提取最优特征
。
[0003]与传统的人工提取特征的方法相比,使用深度学习方法可以提取更高级的特征,以提高射频指纹识别的性能
。G.Shen
,
J.Zhang
,
A.Marshall
等人在其发表的论文“Radio Frequency Fingerprint Identification for LoRa Using Spectrogram and CNN”(IEEE INFOCOM 2021
,
pp.1
‑
10
,
2021)
利用瞬时载波频率偏移的平均值相对稳定这一特性,提出了一种根据瞬时载波频率偏移调整
CNN
的输出 ...
【技术保护点】
【技术特征摘要】
1.
基于分层自编码器的开放集射频指纹识别方法,其特征在于,包括如下步骤:采集射频数据,将射频数据转换为时频图;对时频图进行类别划分,得到训练样本和测试样本;构建射频指纹识别网络模型,并利用训练样本训练射频指纹识别网络模型;根据训练完成的射频指纹识别网络模型和测试样本,搭建开放集射频指纹识别网络模型,用于开放集射频指纹识别
。2.
如权利要求1所述的基于分层自编码器的开放集射频指纹识别方法,其特征在于:所述将射频数据转换为时频图,具体为:将射频数据分成多个样本数据,计算样本数据的均值和方差,并进行归一化操作,将样本数据转化为时频图
。3.
如权利要求1所述的基于分层自编码器的开放集射频指纹识别方法,其特征在于:所述训练样本和测试样本互不相交;训练样本仅包含已知样本,其中
N
K
表示已知样本的数量,表示训练样本的第
i
个时频图,表示第
i
个类别标签;测试样本包含已知样本和未知开放样本,其中
N
T
表示测试样本的样本数量,表示测试样本的第
i
个时频图,表示第
i
个类别标签
。4.
如权利要求3所述的基于分层自编码器的开放集射频指纹识别方法,其特征在于:所述射频指纹识别网络模型包括编码器
、
潜在表征器
、
解码器和已知分类器;所述编码器分层次提取各层的分层编码特征;所述潜在表征器基于改组注意力机制,从分层编码特征中提取每层的潜在表示;所述解码器利用潜在表示和自顶向下的信息来重构分层编码特征,进而重构时频图;所述已知分类器基于分层编码特征,执行对已知样本的识别;其中,第
l
层表示为:
x
l+1
=
E
l
(x
l
)Z
l
=
H
l
(x
l
))
式中,
x
l
表示第
l
层的分层编码特征,表示第
l
层重构的分层编码特征,
Z
l
表示特征映射,表示第
l
层的潜在表示,
E
l
(
·
)
表示第
l
层的自编码器,
H
l
(
·
)
表示提取第
l
层中的潜在表示,为执行逆运算,
SA(
·
)
表示改组注意力机制,
D
l
(
·
)
表示第
l
层的解码器
。5.
如权利要求4所述的基于分层自编码器的开放集射频指纹识别方法,其特征在于:所述潜在表征器将特征映射
Z
l
划分为
G
组,
Z
l
=
[X1,
X2,
...
,
X
G
]
,
k∈{1
,
...
,
G}
,
C
表示特征通道数,
H
表示特征图的高,
W
表示特征图的宽,子特征
X
k
分为通道注意力分支和信道注意力分支对于通道注意力分支,使用
global
平均池生成通道统计数据
s1:式中,
F
gap
(
·
)
表示平均池化函数,是在
H
和
W
两个维度的具体数值;得到通道注意力分支的输出结果
式中,
σ
(
·
)
表示具有门控机制的
sigmoid
激活函数,
F
c
(
·
)
表示特征提取函数,和分别表示对应于通道注意力分支的权重和偏置;对于信道注意力分支,使用群范数来获得空间统计
s2:式中,
GN(
·
)
表示群范数;得到信道注意力分支的输出结果得到信道注意力分支的输出结果式中,...
【专利技术属性】
技术研发人员:周福辉,张子彤,袁璐,晋本周,吴启晖,唱亮,宋新超,陆志宏,
申请(专利权)人:南京航空航天大学,
类型:发明
国别省市:
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。