CN110472584A - 一种通信设备身份识别方法、电子设备及计算机程序产品 - Google Patents
一种通信设备身份识别方法、电子设备及计算机程序产品 Download PDFInfo
- Publication number
- CN110472584A CN110472584A CN201910759340.5A CN201910759340A CN110472584A CN 110472584 A CN110472584 A CN 110472584A CN 201910759340 A CN201910759340 A CN 201910759340A CN 110472584 A CN110472584 A CN 110472584A
- Authority
- CN
- China
- Prior art keywords
- signal
- communication
- classifier
- communication equipment
- power supply
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000004891 communication Methods 0.000 title claims abstract description 101
- 238000000034 method Methods 0.000 title claims abstract description 53
- 238000004590 computer program Methods 0.000 title claims abstract description 19
- 238000012549 training Methods 0.000 claims description 27
- 230000009466 transformation Effects 0.000 claims description 24
- 230000006870 function Effects 0.000 claims description 22
- 238000000605 extraction Methods 0.000 claims description 14
- 230000008569 process Effects 0.000 claims description 12
- 238000001228 spectrum Methods 0.000 claims description 9
- 239000000284 extract Substances 0.000 claims description 8
- 238000012545 processing Methods 0.000 claims description 6
- 238000010845 search algorithm Methods 0.000 claims description 2
- 238000012706 support-vector machine Methods 0.000 claims description 2
- 238000002790 cross-validation Methods 0.000 description 16
- 238000010586 diagram Methods 0.000 description 12
- 238000012360 testing method Methods 0.000 description 11
- 230000005855 radiation Effects 0.000 description 8
- 238000012986 modification Methods 0.000 description 5
- 230000004048 modification Effects 0.000 description 5
- 230000007274 generation of a signal involved in cell-cell signaling Effects 0.000 description 4
- 238000010801 machine learning Methods 0.000 description 4
- 238000000926 separation method Methods 0.000 description 4
- 238000004088 simulation Methods 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 3
- 230000005611 electricity Effects 0.000 description 3
- 238000005457 optimization Methods 0.000 description 3
- 230000008054 signal transmission Effects 0.000 description 3
- 230000005540 biological transmission Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000003860 storage Methods 0.000 description 2
- 238000010200 validation analysis Methods 0.000 description 2
- 230000008901 benefit Effects 0.000 description 1
- 239000002131 composite material Substances 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/08—Feature extraction
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/12—Classification; Matching
Landscapes
- Mobile Radio Communication Systems (AREA)
Abstract
本申请实施例中提供了一种通信设备身份识别方法、电子设备及计算机程序产品，方法包括：获取待识别的通信设备产生的通信信号；从该通信信号中提取对应的电源指纹特征；将该通信设备的电源指纹特征输入预先建立的分类器；根据该分类器输出的结果识别该通信设备的身份。采用本申请实施例中的方案，不受限于多发射电路的干扰，能够提升身份识别的准确性。
Description
技术领域
本申请涉及信号特征识别技术领域，尤其涉及一种通信设备身份识别方法、电子设备及计算机程序产品。
背景技术
目前在无线通信领域中，结合信号特征识别和机器学习实现通信设备(又称为通信辐射源)身份识别是行业研究热点，并且具有重要意义。
现有技术中，通常基于发射电路的唯一性，提取发射电路射频指纹特征，利用机器学习的方法对发射电路进行识别，进而完成通信设备的身份识别。这种方案相比基于信号传输内容加解密等操作完成的身份识别更容易且不容易被伪造。
但在实现本申请的过程中，发明人认为，目前通过提取发射电路射频指纹特征来实现的身份识别方法依然存在缺陷，具体地，目前在提取信号特征时，通常是基于信号发射电路本身差异性所产生的射频指纹特征，而对于多通道发射电路的通信辐射源，存在多个发射电路带来的混合性、复杂性以及干扰性，采用现有技术中的通过提取发射电路射频指纹特征来实现的身份识别的方案，身份识别的准确度较低。
发明内容
本申请实施例中提供了一种通信设备身份识别方法、电子设备及计算机程序产品，用于解决上述至少一种问题。
根据本申请实施例的第一个方面，提供了一种通信设备身份识别方法，包括：获取待识别的通信设备产生的通信信号；从该通信信号中提取对应的电源指纹特征；将该通信设备的电源指纹特征输入预先建立的分类器；根据该分类器输出的结果识别该通信设备的身份。
根据本申请实施例的另一个方面，提供了一种电子设备，电子设备包括：显示器，存储器，一个或多个处理器；以及一个或多个模块，一个或多个模块被存储在存储器中，并被配置成由一个或多个处理器执行，一个或多个模块包括用于执行上述方法中各个步骤的指令。
根据本申请实施例的第三个方面，提供了一种计算机程序产品，该计算机程序产品对用于执行一种过程的指令进行编码，该过程包括上述的方法。
采用本申请实施例中提供的通信设备身份识别方法、电子设备及计算机程序产品，从通信信号中提取对应的电源指纹特征；将电源指纹特征输入预先建立的分类器；根据该分类器输出的结果识别该通信设备的身份。由于根据电源指纹特征来进行通信设备的身份识别，剥离发射电路，不受限于多发射电路的干扰，能够提升身份识别的准确性。
附图说明
此处所说明的附图用来提供对本申请的进一步理解，构成本申请的一部分，本申请的示意性实施例及其说明用于解释本申请，并不构成对本申请的不当限定。在附图中：
图1示出了根据本申请实施例的一种通信设备身份识别方法的流程图；
图2示出了根据本申请实施例的用于构建SVM分类器的一种系统连接结构图；
图3示出了根据本申请实施例的用于构建SVM分类器的另一种系统连接结构图；
图4示出了根据本申请实施例二的电子设备的结构示意图。
具体实施方式
在实现本申请的过程中，发明人发现，现有技术中在提取信号特征时，通常是基于信号发射电路本身差异性所产生的射频指纹特征，而对于多通道发射电路的通信辐射源，存在多个发射电路带来的混合性、复杂性以及干扰性，采用现有技术中的通过提取发射电路射频指纹特征来实现的身份识别的方案，身份识别的准确度较低。
本申请发明人基于电源DNA对多通道通信辐射源身份独特性与唯一性的影响，针对多个发射通道的通信辐射源存在多个发射电路的场景，提出一种利用提取信号特征中电源DNA和机器学习对多通道通信辐射源进行身份识别的方法。通过从通信信号中提取对应的电源指纹特征；将电源指纹特征输入预先建立的分类器；根据该分类器输出的结果识别该通信设备的身份。
相比于传统利用发射电路提取信号特征进行设备身份识别的方法，本方法针对通信辐射源多通道发射电路共用电源带来的信号特征电源DNA进行识别，可以不受多个发射通道电路对信号特征的影响；发射电路共用电源带来的信号特征影响因子具有身份的唯一性，同其他基于信号特征识别方法而言，电源DNA识别对信噪比要求也更低，适用于信噪比更低的信号。
为了使本申请实施例中的技术方案及优点更加清楚明白，以下结合附图对本申请的示例性实施例进行进一步详细的说明，显然，所描述的实施例仅是本申请的一部分实施例，而不是所有实施例的穷举。需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。
图1示出了根据本申请实施例的一种通信设备身份识别方法的流程图。
如图1所示，根据本申请实施例的一种通信设备身份识别方法，包括：
S101，预先建立分类器。
在具体实施时，预先建立分类器，具体可以包括：采集多个通信设备各自的通信信号；多个通信设备的电源彼此不同；从通信信号中分别提取对应的电源指纹特征DNA；确定支持向量机SVM分类器的核函数、Gamma参数和惩罚系数C；将提取的多个电源指纹特征的至少一部分作为SVM分类器的训练集，对SVM分类器进行训练；得到预先建立的分类器。具体地，采集多个通信设备各自的通信信号，具体可包括：采集多个通信设备在不同信噪比环境下发送的通信信号。具体地，可以采集多个通信设备在不同信噪比环境下发送的同一通信信号。
在具体实施时，从通信信号中提取对应的电源指纹特征，具体可以包括：对通信信号进行小波变换；将小波变换后的信号进行时频傅里叶变换；对时频傅里叶变换变换后的信号进行能量谱提取；将提取的能量谱作为通信设备的电源指纹特征。
在具体实施时，确定SVM分类器的核函数、Gamma参数和惩罚系数C具体可以包括：确定SVM分类器的核函数为rbf函数；根据下述公式对Gamma 参数和惩罚系数C估值：Gamma＝1/(2*σ2)，C＝10t，t＝[-4，4]，其中，σ为高斯函数幅值；gamma＝1/n，其中n为对多个通信设备进行分类的类别数；在估值范围内，根据网格搜索算法确定最优参数；并将最优参数作为SVM分类器的Gamma参数和惩罚系数C。
在具体实施时，在将提取的多个电源指纹特征的至少一部分作为SVM分类器的训练集，对SVM分类器进行训练之前，还包括：将提取的多个电源指纹特征按照比例划分，并随机组合，分别形成验证集、训练集和测试集。
在具体实施时，在对SVM分类器进行训练之后；得到预先建立的分类器之前，还包括：将验证集中的电源指纹特征输入训练后的SVM分类器；根据 SVM分类器的输出结果，对SVM分类器的参数进行调整；并将准确率最高的参数确定为分类器的参数。
S102，获取待识别的通信设备产生的通信信号。
在具体实施时，可以采用现有技术中的常规技术手段，获取待识别的通信设备产生的通信信号。具体地，通信信号可以是待识别通信设备发送的信号。
S103，从通信信号中提取对应的电源指纹特征。
在具体实施时，从通信信号中提取对应的电源指纹特征，具体可以包括：对通信信号进行小波变换；将小波变换后的信号进行时频傅里叶变换；对时频傅里叶变换变换后的信号进行能量谱提取；将提取的能量谱作为通信设备的电源指纹特征。
S104，将通信设备的电源指纹特征输入预先建立的分类器。
在具体实施时，在本步骤中，是将S103中得到的待识别通信设备的电源 DNA输出在步骤S101中建立的分类器中进行识别。
S105，根据分类器输出的结果识别通信设备的身份。
采用本申请实施例中提供的通信设备身份识别方法，从通信信号中提取对应的电源指纹特征；将电源指纹特征输入预先建立的分类器；根据该分类器输出的结果识别该通信设备的身份。由于根据电源指纹特征来进行通信设备的身份识别，剥离发射电路，不受限于多发射电路的干扰，能够提升身份识别的准确性。
图2示出了根据本申请实施例的用于构建SVM分类器的一种系统连接结构图。
如图2所示，根据本申请实施例的用于构建SVM分类器的系统包括信号生成部分、混合特征提取部分、SVM分类器模型组建部分。
在信号生成部分，分别对同一信号进行模拟输出，设置不同信噪比，采集信号。通过这个过程，可以忽略信号发射电路和信号类型对身份造成的影响，信号特征完全由不同身份的电源DNA决定。
在混合特征提取部分，包括小波变换相似信号与细节信号的组建、时频傅里叶变化、能量谱提取三个小步骤。
小波变换提供了近似信息和细节信息，对于信噪比较低的环境下，需要对信号进行较深的小波变换实现近似信息和细节信息的多层分离。一般情况下小波变换的近似信息和细节信息的多层向下分离符合以下公式：
f(t)＝fA(t)+fD(t)
通过对不同信噪比的大量数据交叉验证，小波变换在信噪比较稳定的情况下，采用以特定组合方式可以达到很高的准确率:
在信噪比较低至8dB甚至以下，采用可以使信号达到较高的准确率，如果信道环境在信噪比相对较差或者不稳定的环境下，则使用以上公式效果最好。
将时域信号进行时频傅里叶变换：
最后获得功率谱表达式：
在SVM分类器模型的组建部分，包括训练集、测试集和验证集的建立、分类器参数选择、交叉验证。
具体地，将采集的数据按照比例划分集合，采用随机组合建立集合：
C验证集＝∪(P1*Ci)
C训练集＝(∑Ci-C测试集)*P2
C测试集＝(∑Ci-C测试集)*(1-P2)
i为信号编号，C为集合，P1、P2分别代表划分比例；
通过上述集合，对SVM分类器选择性能消耗比最优的核函数rbf函数，同时进行参数选择，根据公式对gamma和C估值，然后通过网格搜索，选择最优参数组合，交叉验证评比参数组合的稳定性，训练最优模型，最后用验证集进行输出验证。
gamma参数是rbf函数的自带参数，它的计算公式为：
Gamma＝1/(2*σ2),其中σ为高斯函数幅值
C是模型的惩罚系数，代表对误差的容忍度，一般选择范围为：
C＝10t,t＝[-4，4]
惩罚系数选择过小会导致模型无法拟合，过大则会导致模型过拟合。
根据公式，定义网格搜索法，选择SVM训练器参数，采用交叉验证对拟合过程的准确率进行检测，建立最优模型。其中，交叉验证可以通过分组交叉测试对准确率方差等参数进行计算，用以检查模型的稳健性。
模型确定后，输入训练集数据和验证数据集，调整和优化SVM分类器模型，选择准确率最高的模型保存。
加载最优模型，输入测试集，输出识别类别，不再进行重复训练，提高效率。
图3示出了根据本申请实施例的用于构建SVM分类器的另一种系统连接结构图。
如图3所示，根据本申请实施例的用于构建SVM分类器的系统包括信号生成部分、混合特征提取部分、SVM分类器模型组建部分。
在信号生成部分，生成信号用信号发生器对接3个不同电源(编号1,2,3)，分别对同一信号进行模拟输出，设置信噪比28dB、18dB、8dB三组，通过采集设备采集信号。其中采集电源1的信号28dB信号1000个，18dB信号1000个， 8dB信号1000个，电源2、电源3参照以上采集信号，总共采集9000个信号。通过这个过程，可以忽略信号发射电路本身对信号特征造成的影响，信号特征完全由电源设备决定。
在混合特征提取部分，时域的小波变换提供了近似信息和细节信息的分离，对于信噪比较低的环境下，需要对时域进行较深的小波变换实现近似信息和细节信息的分离。一般情况下小波变换的主要信号和细节信息的往下分离符合以下公式：
f(t)＝fA(t)+fD(t)
通过对不同信噪比的大量数据交叉验证，小波变换在信噪比28dB、18dB 的情况下，采用特定的小波组合方式，采集信号在交叉验证，对20％的小样本进行训练，拟合准确率就可达到100％：
在信噪比为8dB甚至以下，采用小波变换，可以使信号达到相对较高的准确率，最终在2970(99％个3000样本量)个样本量下稳定维持在94％。如果信道环境在信噪比不稳定的环境下，则使用特定的相似信号层数组建。
表1示出了三组电源设备信号在不同信噪比下、不同训练集样本数量下的训练准确率/交叉验证准确率；以及三种信噪比混合的情况下，不同训练集样本数量下的训练准确率/交叉验证准确率。
表1三组电源设备信号训练准确率/交叉验证准确率
在小波变换后，将时域信号进行时频傅里叶变换，并取模值：
最后获得通过功率谱表达式：
计算出最终输入SVM分类器的信号特征一维数组表达式。
在SVM分类器模型的组建部分，包括训练集、测试集和验证集的建立、分类器参数选择、交叉验证。具体过程请参见图3。
将采集的数据按照比例划分集合，采用随机组合建立集合，1％的验证集，除去验证集采用80％的训练集与20％的测试集：
C验证集＝∪(1％*Ci)
C训练集＝(∑Ci-C验证集)*80％
C测试集＝(∑Ci-C验证集)*20％
i为信号编号，C为集合，P1、P2分别代表划分比例；
通过上述数据集合，对SVM分类器选择性能消耗比最优的核函数，同时进行参数选择，根据公式对gamma和C估值，然后通过网格搜索，选择最优参数组合，交叉验证评比参数组合的稳定性，训练最优模型，最后用验证集进行输出验证。
特定的核函数对拟合效率和效果有很重要的影响，相对于比较低信噪比的信号，很多核函数拟合效率很低，甚至不能完全拟合或者出现过拟合。
gamma参数是rbf函数的自带参数，它的计算公式为：
Gamma＝1/(2*σ2),其中σ为高斯函数幅值；
默认gamma设置1/n，其中n为需要识别的类别数，当gamma越大时，支持类别越多，函数幅值越低，容易产生过拟合，取值过小，却不容易完全拟合；
C是模型的惩罚系数，代表对误差的容忍度，一般选择范围为：
C＝10t,t＝[-4，4]；
惩罚系数选择过小会导致模型无法拟合，过大则会导致模型过拟合。
在以上范围内，定义网格搜索法，确定SVM分类器参数，采用交叉验证对拟合过程的准确率进行检测，建立最优模型，具体调节过程准确率估计请见表2。其中，交叉验证可以利用分组交叉测试对准确率平均值方差等进行计算，用以检测模型的稳健性。
表2 SVM参数优化训练准确率/交叉验证准确率(8db信号3*1000)
模型确定后，输入训练集数据和验证数据集，调整和优化SVM分类器模型，选择准确率最高的模型保存。
加载最优模型，输入测试集，输出识别类别，不再进行重复训练，提高效率。
采用本申请实施例中的方案，通过不同电源连接同一发射电路模拟生成信号，通过射频采集设备采集不同信噪比下的信号，提取混合特征，建立SVM分类器模型，对采集的信号进行学习、训练、分类，试验结果表明电源DNA作为信号特征影响因子具有身份唯一性。
采用本申请实施例中的方案，通过对单一信号发生器连接不同电源，模拟 28dB、18dB、8dB信噪比环境，采集9000个样本，对样本进行信号特征的电源DNA提取、机器学习模型训练和交叉验证，基于机器学习的通信辐射源电源DNA识别准确率在98.8％。
基于同一发明构思，本申请实施例中还提供了一种电子设备，由于该设备解决问题的原理与本申请实施例一所提供的方法相似，因此该设备的实施可以参见方法的实施，重复之处不再赘述。
实施例二
图4示出了根据本申请实施例二的电子设备的结构示意图。
如图4所示，根据本申请实施例二的电子设备400包括：显示器401，存储器402，一个或多个处理器403；以及一个或多个模块，一个或多个模块被存储在存储器中，并被配置成由一个或多个处理器执行，一个或多个模块包括用于执行本申请实施例一中的通信设备身份识别方法中各个步骤的指令。
采用本申请实施例中提供的电子设备，从通信信号中提取对应的电源指纹特征；将电源指纹特征输入预先建立的分类器；根据该分类器输出的结果识别该通信设备的身份。由于根据电源指纹特征来进行通信设备的身份识别，剥离发射电路，不受限于多发射电路的干扰，能够提升身份识别的准确性。
基于同一发明构思，本申请实施例中还提供了一种计算机程序产品，由于该计算机程序产品解决问题的原理与本申请实施例一所提供的方法相似，因此该计算机程序产品的实施可以参见方法的实施，重复之处不再赘述。
实施例三
根据本申请实施例三的计算机程序产品对用于执行一种过程的指令进行编码，该过程包括本申请实施例一中的通信设备身份识别方法。
采用本申请实施例中提供的计算机程序产品，从通信信号中提取对应的电源指纹特征；将电源指纹特征输入预先建立的分类器；根据该分类器输出的结果识别该通信设备的身份。由于根据电源指纹特征来进行通信设备的身份识别，剥离发射电路，不受限于多发射电路的干扰，能够提升身份识别的准确性。
本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、 CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和 /或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/ 或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
尽管已描述了本申请的优选实施例，但本领域内的技术人员一旦得知了基本创造性概念，则可对这些实施例作出另外的变更和修改。所以，所附权利要求意欲解释为包括优选实施例以及落入本申请范围的所有变更和修改。
显然，本领域的技术人员可以对本申请进行各种改动和变型而不脱离本申请的精神和范围。这样，倘若本申请的这些修改和变型属于本申请权利要求及其等同技术的范围之内，则本申请也意图包含这些改动和变型在内。
Claims (10)
1.一种通信设备身份识别方法，其特征在于，包括：
获取待识别的通信设备产生的通信信号；
从所述通信信号中提取对应的电源指纹特征；
将所述通信设备的电源指纹特征输入预先建立的分类器；
根据所述分类器输出的结果识别所述通信设备的身份。
2.根据权利要求1所述的通信设备身份识别方法，其特征在于，预先建立分类器，具体包括：
采集多个通信设备各自的通信信号；所述多个通信设备的电源彼此不同；
从所述通信信号中分别提取对应的电源指纹特征；
确定支持向量机SVM分类器的核函数、Gamma参数和惩罚系数C；
将提取的多个电源指纹特征的至少一部分作为所述SVM分类器的训练集，对所述SVM分类器进行训练；
得到预先建立的分类器。
3.根据权利要求2所述的通信设备身份识别方法，其特征在于，采集多个通信设备各自的通信信号，具体包括：
采集多个通信设备在不同信噪比环境下发送的通信信号。
4.根据权利要求3所述的通信设备身份识别方法，其特征在于，采集多个通信设备在不同信噪比环境下发送的通信信号，具体包括：
采集多个通信设备在不同信噪比环境下发送的同一通信信号。
5.根据权利要求2所述的通信设备身份识别方法，其特征在于，确定SVM分类器的核函数、Gamma参数和惩罚系数C具体包括：
确定所述SVM分类器的核函数为rbf函数；
根据下述公式对所述Gamma参数和惩罚系数C估值：
Gamma＝1/(2*σ2)，
C＝10t，t＝[-4，4]，
其中，σ为高斯函数幅值；gamma＝1/n，其中n为对所述多个通信设备进行分类的类别数；
在所述估值范围内，根据网格搜索算法确定最优参数；并将所述最优参数作为所述SVM分类器的所述Gamma参数和惩罚系数C。
6.根据权利要求1或2所述的通信设备身份识别方法，其特征在于，从通信信号中提取对应的电源指纹特征，具体包括：
对所述通信信号进行小波变换；
将小波变换后的信号进行时频傅里叶变换；
对时频傅里叶变换变换后的信号进行能量谱提取；
将提取的能量谱作为所述通信设备的电源指纹特征。
7.根据权利要求2所述的通信设备身份识别方法，其特征在于，在将提取的多个电源指纹特征的至少一部分作为所述SVM分类器的训练集，对所述SVM分类器进行训练之前，还包括：
将提取的多个电源指纹特征按照比例划分，并随机组合，分别形成验证集、训练集和测试集。
8.根据权利要求7所述的通信设备身份识别方法，其特征在于，在对所述SVM分类器进行训练之后；得到预先建立的分类器之前，还包括：
将验证集中的电源指纹特征输入训练后的SVM分类器；
根据所述SVM分类器的输出结果，对所述SVM分类器的参数进行调整；并将准确率最高的参数确定为所述分类器的参数。
9.一种电子设备，其特征在于，所述电子设备包括：显示器，存储器，一个或多个处理器；以及一个或多个模块，所述一个或多个模块被存储在所述存储器中，并被配置成由所述一个或多个处理器执行，所述一个或多个模块包括用于执行权利要求1-8中任一所述方法中各个步骤的指令。
10.一种计算机程序产品，所述计算机程序产品对用于执行一种过程的指令进行编码，所述过程包括根据权利要求1-8中任一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910759340.5A CN110472584A (zh) | 2019-08-16 | 2019-08-16 | 一种通信设备身份识别方法、电子设备及计算机程序产品 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910759340.5A CN110472584A (zh) | 2019-08-16 | 2019-08-16 | 一种通信设备身份识别方法、电子设备及计算机程序产品 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN110472584A true CN110472584A (zh) | 2019-11-19 |
Family
ID=68510175
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910759340.5A Pending CN110472584A (zh) | 2019-08-16 | 2019-08-16 | 一种通信设备身份识别方法、电子设备及计算机程序产品 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110472584A (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110879989A (zh) * | 2019-11-22 | 2020-03-13 | 四川九洲电器集团有限责任公司 | 基于小样本机器学习模型的ads-b信号目标识别方法 |
| CN112073375A (zh) * | 2020-08-07 | 2020-12-11 | 中国电力科学研究院有限公司 | 一种适用于电力物联网客户侧的隔离装置及隔离方法 |
| CN113347175A (zh) * | 2021-05-31 | 2021-09-03 | 华中科技大学 | 一种光通信设备指纹特征提取及设备身份识别方法和系统 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20160239726A1 (en) * | 2015-02-12 | 2016-08-18 | Morpx Inc. | Vision sensor, system, and method for image processing, and vision based interactive device |
| CN106491161A (zh) * | 2016-11-15 | 2017-03-15 | 乐普（北京）医疗器械股份有限公司 | 一种智能组织识别的方法及装置 |
| US20180293431A1 (en) * | 2016-01-08 | 2018-10-11 | King Fahd University Of Petroleum And Minerals | Identification method using partitioning of subject silhouettes |
| CN109472239A (zh) * | 2018-10-28 | 2019-03-15 | 中国人民解放军空军工程大学 | 一种跳频电台个体识别方法 |
| CN109782158A (zh) * | 2019-02-19 | 2019-05-21 | 桂林电子科技大学 | 一种基于多级分类的模拟电路诊断方法 |
| CN109948731A (zh) * | 2019-03-29 | 2019-06-28 | 成都大学 | 一种通信电台个体识别方法、系统、存储介质及终端 |
-
2019
- 2019-08-16 CN CN201910759340.5A patent/CN110472584A/zh active Pending
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20160239726A1 (en) * | 2015-02-12 | 2016-08-18 | Morpx Inc. | Vision sensor, system, and method for image processing, and vision based interactive device |
| US20180293431A1 (en) * | 2016-01-08 | 2018-10-11 | King Fahd University Of Petroleum And Minerals | Identification method using partitioning of subject silhouettes |
| CN106491161A (zh) * | 2016-11-15 | 2017-03-15 | 乐普（北京）医疗器械股份有限公司 | 一种智能组织识别的方法及装置 |
| CN109472239A (zh) * | 2018-10-28 | 2019-03-15 | 中国人民解放军空军工程大学 | 一种跳频电台个体识别方法 |
| CN109782158A (zh) * | 2019-02-19 | 2019-05-21 | 桂林电子科技大学 | 一种基于多级分类的模拟电路诊断方法 |
| CN109948731A (zh) * | 2019-03-29 | 2019-06-28 | 成都大学 | 一种通信电台个体识别方法、系统、存储介质及终端 |
Non-Patent Citations (1)
| Title |
|---|
| 葛娟: "基于细微特征提取的辐射源个体识别方法研究", 《中国优秀硕士学位论文全文数据库信息科技辑》 * |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110879989A (zh) * | 2019-11-22 | 2020-03-13 | 四川九洲电器集团有限责任公司 | 基于小样本机器学习模型的ads-b信号目标识别方法 |
| CN112073375A (zh) * | 2020-08-07 | 2020-12-11 | 中国电力科学研究院有限公司 | 一种适用于电力物联网客户侧的隔离装置及隔离方法 |
| CN112073375B (zh) * | 2020-08-07 | 2023-09-26 | 中国电力科学研究院有限公司 | 一种适用于电力物联网客户侧的隔离装置及隔离方法 |
| CN113347175A (zh) * | 2021-05-31 | 2021-09-03 | 华中科技大学 | 一种光通信设备指纹特征提取及设备身份识别方法和系统 |
| CN113347175B (zh) * | 2021-05-31 | 2022-09-27 | 华中科技大学 | 一种光通信设备指纹特征提取及设备身份识别方法和系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110826630A (zh) | 基于深度卷积神经网络的雷达干扰信号特征级融合识别方法 | |
| CN110472584A (zh) | 一种通信设备身份识别方法、电子设备及计算机程序产品 | |
| CN108960138B (zh) | 一种基于卷积神经网络的设备认证特征识别方法 | |
| CN112312457B (zh) | 一种基于复数深度残差网络的通信辐射源个体识别方法 | |
| CN106446754A (zh) | 图像识别方法、度量学习方法、图像来源识别方法及装置 | |
| Fyhn et al. | Multipacket reception of passive UHF RFID tags: A communication theoretic approach | |
| CN110598530A (zh) | 一种基于acgan的小样本无线电信号增强识别方法 | |
| CN110427893A (zh) | 一种基于卷积神经网络的辐射源个体识别方法、装置及计算机存储介质 | |
| CN105095836B (zh) | 一种基于Gabor特征的皮肤纹理检测方法及装置 | |
| CN102890777B (zh) | 可识别面部表情的电脑系统 | |
| CN105701470A (zh) | 一种基于最优小波包分解的模拟电路故障特征提取方法 | |
| CN101814135A (zh) | 学习设备、学习方法、识别设备、识别方法和程序 | |
| CN105261367A (zh) | 一种说话人识别方法 | |
| CN110647951A (zh) | 基于机器学习算法的无线射频设备身份识别方法及系统 | |
| CN111144522A (zh) | 一种基于硬件本征差异的电网nfc设备指纹认证方法 | |
| CN114867018A (zh) | 利用载波频率偏移的设备识别认证方法、系统及存储介质 | |
| CN111027614B (zh) | 一种噪声增强射频指纹识别方法及装置 | |
| CN111275070B (zh) | 一种基于局部特征匹配的签名验证方法及设备 | |
| CN106548136A (zh) | 一种无线信道场景分类方法 | |
| CN115661869A (zh) | 基于多维特征智能融合的射频信号指纹识别方法和系统 | |
| CN113343868A (zh) | 一种辐射源个体识别方法及装置、终端、存储介质 | |
| CN104125050A (zh) | 超高频rfid读卡器协议一致性测试方法 | |
| CN111245821B (zh) | 辐射源识别方法、装置及辐射源识别模型创建方法、装置 | |
| CN112766201A (zh) | 基于csi数据的行为跨域识别模型建立、识别方法及系统 | |
| CN109598216B (zh) | 一种基于卷积的射频指纹特征提取方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| RJ01 | Rejection of invention patent application after publication | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20191119 |