System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind()
【技术实现步骤摘要】
本专利技术涉及移动通信技术和无线网络安全领域,尤其是一种保证低信噪比下的射频指纹识别准确率的识别策略。
技术介绍
1、随着物联网技术的飞速发展,其无线网络的开放特性也为它带来了诸多网络安全隐患。为了保障无线网络安全,接入认证技术被提出。其主要是通过识别和验证用户身份来防止非法入侵者进入。但是传统认证技术容易受到非法监听,篡改,冒充等攻击,入侵者可以通过复制密钥和ip/mac地址等识别信息来欺骗设备。因此,非口令认证的射频指纹识别技术被提出用来保障无线网络的安全。但是在低信噪比环境下,现有的射频指纹识别技术可能无法发挥很好的性能,因此如何提升低信噪比环境下的射频指纹识别准确率成为了关键问题。
技术实现思路
1、本专利技术所要解决的技术问题在于,提供一种射频指纹识别策略,能够保证在低信噪比环境下获得较高的的识别准确率。
2、为解决上述技术问题,本专利技术结合了维格纳-维尔(wigner-ville)分布理论,深度学习理论,以分割卷积网络为躯干并结合移位窗口多头自注意力机制和残差卷积网络的去噪网络(swin-conv-unet去噪网络),残差神经网络(resnet18分类网络)。包括如下步骤:
3、(1)通过wigner-ville变换将各信号转化为维格纳-维尔分布(wigner-villedistribution,wvd)时频图f1;
4、(2)搭建swin-conv-unet去噪网络;
5、(3)将不同信噪比下的wvd时频图f1一起输入
6、(4)将训练得到的权重作为swin-conv-unet最佳权重ws;
7、(5)通过wigner-ville变换将已知标签的待识别射频信号转化为wvd时频图f2;
8、(6)通过加载模型ws来对f2进行去噪得到重构图像x;
9、(7)按比例(可以是0.8:0.1:0.1)将不同信噪比下的重构图像x划分为训练集,验证集和测试集;
10、(8)搭建resnet18网络;
11、(9)将训练集和验证集分别输入resnet18深度学习理论进行训练和验证;
12、(10)将保存的权重作为resnet18网络最佳权重wr;
13、(11)测试阶段,将不同信噪比的测试集依次输入权重为ws的swin-conv-unet去噪网络和权重为wr的resnet18分类网络;
14、(12)根据标签和输出计算出不同信噪比下的识别准确率。
15、优选的,步骤(1)的具体步骤包括:
16、(11)输入iq复信号s;
17、(12)根据wigner-ville变换公式得到wvd时频图,即
18、
19、其中t表示时刻,f表示频率,τ表示时滞,s*(t)是s(t)的共轭,e表示自然底数。
20、优选的,步骤(2)的具体步骤包括:
21、(21)通过一个3*3的卷积层得到特征图;
22、(22)通过3个步长为2的卷积层实现3次下采样;
23、(23)通过3个步长为2的转置卷积层实现3次上采样;
24、(24)搭建swin-conv(sc)模块;
25、(25)在每个下采样之前插入4个sc模块;
26、(26)在最后一个下采样和第一个上采样之间插入4个sc模块;
27、(27)在每个上采样之后插入4个sc模块;
28、(28)通过shortcut连接同一个尺寸中的卷积层和sc模块的输出;
29、(29)最后通过一个3*3的卷积层实现图像重构。
30、优选的,步骤(24)的具体步骤包括:
31、(241)通过一个1*1的卷积层得到特征图x;
32、(242)将x根据通道数划分为两部分x1和x2;
33、(243)x1输入swint模块得到y1;
34、(244)x2输入3*3的rconv模块得到y2;
35、(244)y1和y2拼接起来得到y;
36、(245)y通过一个1*1的卷积实现两模块的特征融合得到c;
37、(246)c加上特征图x得到输出z,即
38、z=conv1×1(concat(swint(x1),rconv(x2)))+x
39、优选的,步骤(243)的具体步骤包括:
40、(2431)在第l层,x1先通过一个归一化层得到xnl;
41、(2432)xnl被m个不重叠的窗口划分为m个小特征图xil;
42、(2433)对每个xil计算其多头自注意力并拼接得到特征图xhl;
43、(2434)xhl加上x1得到xwl,即:
44、xwl=wmsa(norm(x1))+x1
45、(2435)xwl通过一个归一化层得到xwnl;
46、(2436)xwnl通过一个mlp层得到xwml;
47、(2437)xwml加上xwl得到xl,表示为:
48、xl=mlp(norm(xwl))+xwl
49、(2438)在第l+1层,xl先通过一个归一化层得到xn(l+1);
50、(2439)xn(l+1)被m个具有[m/2,m/2]移位的不重叠窗口划分为m个小特征图xi(l+1);
51、(24310)对每个xi(l+1)计算其多头自注意力并拼接得到特征图xh(l+1);
52、(24311)按照(2434)-(2437)步骤进行计算输出y1,表示为
53、y1=mlp(norm(swmsa(norm(xl))+xl))+(swmsa(norm(xl))+xl)
54、优选的,步骤(244)的具体步骤包括:
55、(2441)x2通过一个3*3的卷积层输出得到xr;
56、(2442)xr加上x2得到输出y2,即
57、y2=conv3×3(x2)+x2
58、优选的,步骤(3)的具体步骤包括:
59、(31)选择adam作为优化器,学习率设置为0.0001,批大小设置为4,l1范数作为损失函数,表示为:
60、
61、其中,n表示样本数,对第i个样本来说,xi表示其对应的纯净图像,yi表示其通过scunet网络输出的去噪图像;
62、(32)初始化最小损失loss1min为无穷大;
63、(33)计算网络输出的重构图像x和纯净图像y之间的损失loss1;
64、(34)将loss1反馈给swin-conv-unet网络;
65、(35)如果loss1<loss1min,则更新最小损失loss1min=本文档来自技高网...
【技术保护点】
1.基于Swin-Conv-UNet去噪网络的射频指纹识别方法,其特征在于,包括如下步骤:
2.根据权利要求1所述的基于Swin-Conv-UNet去噪网络的射频指纹识别方法,其特征在于,步骤(1)的具体步骤包括:
3.根据权利要求1所述的基于Swin-Conv-UNet去噪网络的射频指纹识别方法,其特征在于,步骤(2)的具体步骤包括:
4.根据权利要求3所述的基于Swin-Conv-UNet去噪网络的射频指纹识别方法,其特征在于,步骤(24)的具体步骤包括:
5.根据权利要求4所述的基于Swin-Conv-UNet去噪网络的射频指纹识别方法,其特征在于,步骤(243)的具体步骤包括:
6.根据权利要求4所述的基于Swin-Conv-UNet去噪网络的射频指纹识别方法,其特征在于,步骤(244)的具体步骤包括:
7.根据权利要求1所述的基于Swin-Conv-UNet去噪网络的射频指纹识别方法,其特征在于,步骤(3)的具体步骤包括:
8.根据权利要求1所述的基于Swin-Conv-UNet去噪网络
9.基于Swin-Conv-UNet去噪网络的射频指纹识别系统,其特征在于,包括:
...【技术特征摘要】
1.基于swin-conv-unet去噪网络的射频指纹识别方法,其特征在于,包括如下步骤:
2.根据权利要求1所述的基于swin-conv-unet去噪网络的射频指纹识别方法,其特征在于,步骤(1)的具体步骤包括:
3.根据权利要求1所述的基于swin-conv-unet去噪网络的射频指纹识别方法,其特征在于,步骤(2)的具体步骤包括:
4.根据权利要求3所述的基于swin-conv-unet去噪网络的射频指纹识别方法,其特征在于,步骤(24)的具体步骤包括:
5.根据权利要求4所述的基于swin-conv-unet去噪...
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。