基于分层自编码器的开放集射频指纹识别方法技术

本发明专利技术提供了一种基于分层自编码器的开放集射频指纹识别方法，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

【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
的输出混合分类器
。
融合了三维希尔伯特谱和双谱这两种特征，提出了基于深度学习的多特征融合的射频指纹识别模型，提升了模型识别的精度
。M.Liu
，
C.Liu
，
Y.Chen
等人在其发表的论文“Radio Frequency Fingerprint Collaborative Intelligent Blind Identification for Green Radios”(IEEE Transactions on Green Communications and Networking
，
vol.7
，
no.2
，
pp.940
‑
949
，
2023)
提出了一种基于可变形卷积网络的射频指纹识别方法，使卷积运算更偏向于能量较高的特征图中有用的信息内容而忽略部分背景噪声信息
。
电子科技大学提出的公开号为
CN112926477A
的专利申请“一种适用于低信噪比环境的物联网射频指纹识别方法”，其公开了一种适用于低信噪比环境的物联网射频指纹识别方法
。
[0004]综上所述，深度学习方法可以有效地对射频设备进行特征分析与识别，突破了传统算法对特征的限制
。
然而，大多数现有方法都是在闭集射频指纹识别下实现的，闭集射频指纹识别假设所有测试样本与训练样本具有相同的分布
。
在闭集的情况下，通信区域中存在未知开放设备会带来错误识别的风险
。
同时，在实际的开放集电磁频谱环境中，不可能所有的类都被训练集覆盖
。
因此，未知开放样本的射频指纹识别是一个亟待解决的问题
。

技术实现思路

[0005]本专利技术针对现有射频指纹识别技术大多数都是在闭集情况下实现的，且闭集情况下存在未知设备难以正确识别
、
不可能所有类别都被训练集覆盖等难点的问题，提供一种基于分层自编码器的开放集射频指纹识别方法
。
为了提高开放电磁频谱环境的稳健性，本专利技术利用度量学习在降低同类之间的距离的同时增大不同类间的距离，提出了基于分层自编码器的开放集射频指纹智能精确识别模型，不仅保持了已知样本的识别精度，而且提升
了开放集射频指纹识别准确率
。
[0006]为实现上述目的，本专利技术采用以下技术方案：
[0007]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：
[0008]采集射频数据，将射频数据转换为时频图；
[0009]对时频图进行类别划分，得到训练样本和测试样本；
[0010]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；
[0011]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
。
[0012]为优化上述技术方案，采取的具体措施还包括：
[0013]进一步地，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
。
[0014]进一步地，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
。
[0015]进一步地，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；
[0016]其中，第
l
层表示为：
[0017]x
l+1
＝
E
l
(x
l
)
[0018]Z
l
＝
H
l
(x
l
)
[0019][0020][0021]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
。
[0本文档来自技高网...

【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：