【技术实现步骤摘要】
本专利技术涉及通信安全认证技术，特别涉及基于深度学习的通信验证技术。
技术介绍
1、在当今数字化和智能化环境中，实时传输图像信息的验证成为确保用户安全的关键环节，例如智能设备上的图像认证，基于用户主动输入图像的身份识别，或者通过用户的关键信息的图像识别。然而，随着信息技术的不断进步，网络攻击和数据篡改等安全威胁也日益增加，使得传统的验证方法面临更为严峻的挑战。尤其是在工业环境中确定生产安全成为了一项重要的需求，确定工业自动化安全成为了一个十分重要的课题。
技术实现思路
1、本专利技术所要解决的技术问题是，针对固定认证设备场景，提供一种在实时传输图像进行信息验证时，还引入基于数据本身所反映的物理特征来进行用户认证的方法。
2、本专利技术为解决上述技术问题所采用的技术方案是，一种基于信道与图像特征的多源融合的用户认证方法，包括步骤：
3、数据收集步骤：一方面采用多进多出mimo天线的收集通信设备的信道数据；另一方面采用通过逐帧选取的方式从通信设备处采集与信道数据相同时间...
【技术保护点】
1.一种基于信道与图像特征的多源融合用户认证方法，其特征在于，包括以下步骤：
2.如权利要求1所述方法，其特征在于，深度学习模型为卷积神经网络CNN。
3.如权利要求2所述方法，其特征在于，卷积神经网络CNN包括卷积层与池化层的多层次组合，通过多层卷积操作并结合池化操作，实现对输入数据的层层抽象和维度的降低；在卷积层后通过引入了激活函数ReLU来实现非线性变换；通过对特征进行归一化处理，以确保网络的稳定性和更好的收敛性，引入对归一化后的信道特征和图像特征按照分配权重形成融合特征，再通过拉平操作将高维的特征图转换为一维向量，最后将融合特征的一维向
【技术特征摘要】
1.一种基于信道与图像特征的多源融合用户认证方法，其特征在于，包括以下步骤：
2.如权利要求1所述方法，其特征在于，深度学习模型为卷积神经网络cnn。
3.如权利要求2所述方法，其特征在于，卷积神经网络cnn包括卷积层与池化层的多层次组合，通过多层卷积操作并结合池化操作，实现对输入数据的层层抽象和维度的降低；在卷积层后通过引入了激活函数relu来实现非线性变换；通...
【专利技术属性】
技术研发人员：王爱文，唐杰，罗洪宇，文红，王永丰，宋欢欢，
申请(专利权)人：电子科技大学，
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。