CN110647951A - 基于机器学习算法的无线射频设备身份识别方法及系统 - Google Patents

基于机器学习算法的无线射频设备身份识别方法及系统 Download PDF

Info

Publication number
CN110647951A
CN110647951A CN201911177591.9A CN201911177591A CN110647951A CN 110647951 A CN110647951 A CN 110647951A CN 201911177591 A CN201911177591 A CN 201911177591A CN 110647951 A CN110647951 A CN 110647951A
Authority
CN
China
Prior art keywords
radio frequency
equipment
entropy
classification
wireless radio
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
Application number
CN201911177591.9A
Other languages
English (en)
Inventor
邹玉龙
王后星
马云龙
朱佳
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Nanjing Post and Telecommunication University
Nanjing University of Posts and Telecommunications
Original Assignee
Nanjing Post and Telecommunication University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Nanjing Post and Telecommunication University filed Critical Nanjing Post and Telecommunication University
Priority to CN201911177591.9A priority Critical patent/CN110647951A/zh
Priority to PCT/CN2019/126138 priority patent/WO2021103206A1/zh
Publication of CN110647951A publication Critical patent/CN110647951A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/243—Classification techniques relating to the number of classes
    • G06F18/2431—Multiple classes
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T1/00—General purpose image data processing
    • G06T1/0007—Image acquisition
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L63/00—Network architectures or network communication protocols for network security
    • H04L63/08—Network architectures or network communication protocols for network security for authentication of entities
    • H04L63/0876—Network architectures or network communication protocols for network security for authentication of entities based on the identity of the terminal or configuration, e.g. MAC address, hardware or software configuration or device fingerprint
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W12/00—Security arrangements; Authentication; Protecting privacy or anonymity
    • H04W12/06—Authentication

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Evolutionary Biology (AREA)
  • Signal Processing (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Computer Security & Cryptography (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Artificial Intelligence (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Power Engineering (AREA)
  • Probability & Statistics with Applications (AREA)
  • Computing Systems (AREA)
  • Computer Hardware Design (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了一种基于机器学习算法的无线射频设备身份识别方法及系统，属于无线通信技术领域。所述方法包括发射端发送射频信号，接收端接收处理信号，通过将射频信号转换为图像来训练学习卷积神经网络算法，进行身份识别。本发明借助机器学习算法，利用射频信号的图像信息可以有效地识别已知设备和未知设备，并能在已知设备类别中识别设备的具体信息，有效提高了无线通信系统的设备认证安全。

Description

基于机器学习算法的无线射频设备身份识别方法及系统
技术领域
本发明涉及无线通信中设备身份识别技术领域，具体涉及一种基于机器学习算法的无线射频设备身份识别方法及系统。
背景技术
现有的无线设备身份识别，主要通过提取射频信号的瞬态特征或稳态特征参数信息来建立设备的指纹特征信息库，当遇到未知设备时通过与指纹库中的记录进行对比来确定设备的身份。无论是利用瞬态特性还是稳态特征，都是通过提取特定的参数信息用于设备身份识别，没有直接利用射频信号的图像信息。
此外，一些智能化程度较高的设备识别方法通过给设备加入射频标签，进而通过识别射频标签来实现设备的身份识别，然而此方法需要在无线信道中传输射频标签信息，容易受到窃听攻击。
发明内容
本发明的目的在于克服现有技术中的不足，提出了一种基于机器学习算法的无线射频设备身份识别方法及系统，解决现有身份识别技术中参数选择的困难、标签信息易被篡改的技术问题。
为解决上述技术问题，本发明提供了一种基于机器学习算法的无线射频设备身份识别方法，其特征是，包括以下过程：
采集待识别无线射频设备发送的射频信号；
将射频信号的频谱图转换为图像；
将图像输入预设的卷积神经网络进行分类，获得此无线射频设备的分类结果；
根据无线射频设备的分类结果，计算得到对应的熵值；
根据无线射频设备对应的熵值，判断此设备的最终识别结果。
进一步的，所述图像大小为720*232像素。
进一步的，所述图像输入预设的卷积神经网络进行分类之前，对图像进行下采样。
进一步的，所述根据无线射频设备的分类结果计算得到对应的熵值包括：
无线射频设备的分类结果为此无线射频设备属于第
Figure 964808DEST_PATH_IMAGE002
类设备的概率，记为
Figure 101391DEST_PATH_IMAGE004
；
通过公式
Figure 770270DEST_PATH_IMAGE006
，计算得到此无线射频设备对应的熵值。
进一步的，所述根据无线射频设备对应的熵值判断此设备的最终识别结果包括：
对无线射频设备进行多次分类，获得多个分类结果；
根据多个分类结果，计算得到对应的多个熵值；
根据多个熵值，计算得到对应的熵均值；
将熵均值与预设阈值进行比较判断，得到此设备的最终识别结果。
相应的，本发明提供了一种基于机器学习算法的无线射频设备身份识别系统，其特征是，包括射频信号采集模块、信号转换模块、分类识别模块、熵值计算模块和最终结果识别模块；其中：
射频信号采集模块，用于采集待识别无线射频设备发送的无线射频信号；
信号转换模块，用于将射频信号的频谱图转换为图像；
分类识别模块，用于将图像输入预设的卷积神经网络进行分类，获得此无线射频设备的分类结果；
熵值计算模块，用于根据无线射频设备的分类结果，计算得到对应的熵值；
最终结果识别模块，用于根据无线射频设备对应的熵值，判断此设备的最终识别结果。
进一步的，信号转换模块中，所述图像大小为720*232像素。
进一步的，分类识别模块中，所述图像输入预设的卷积神经网络进行分类之前，对图像进行下采样。
进一步的，熵值计算模块中，所述根据无线射频设备的分类结果计算得到对应的熵值包括：
无线射频设备的分类结果为此无线射频设备属于第
Figure 763634DEST_PATH_IMAGE002
类设备的概率，记为
Figure 455646DEST_PATH_IMAGE004
；
通过公式
Figure 192658DEST_PATH_IMAGE006
，计算得到此无线射频设备对应的熵值。
进一步的，最终结果识别模块中，所述根据无线射频设备对应的熵值判断此设备的最终识别结果包括：
对无线射频设备进行多次分类，获得多个分类结果；
根据多个分类结果，计算得到对应的多个熵值；
根据多个熵值，计算得到对应的熵均值；
将熵均值与预设阈值进行比较判断，得到此设备的最终识别结果。
与现有技术相比，本发明所达到的有益效果是：本发明利用卷积神经网络（CNN）算法来训练和测试射频信号的图像信息，不需要给出明确的特征参数，如频偏、前导和调制特征等信息，通过训练学习得出的分类器以及熵值计算和比较可以有效地识别已知设备和未知设备，并能在已知设备类别中识别设备的具体身份，达到无线设备安全认证的目的，提高了无线通信系统的安全性。
附图说明
图1为本发明方法的流程框图；
图2为实施例中应用本发明方法的判别正确概率示意图。
具体实施方式
下面结合附图对本发明作进一步描述。以下实施例仅用于更加清楚地说明本发明的技术方案，而不能以此来限制本发明的保护范围。
本发明的一种基于机器学习算法的无线射频设备身份识别方法，应用于无线射频设备的安全认证，参见图1所示，包括以下步骤：
1）训练过程：
步骤1：采集多个USRP设备发送的射频信号，此多个USRP设备均已知其设备信息；
利用现有的USRP设备（Universal Software Radio Peripheral，通用软件无线电外设）作为无线射频设备进行无线射频信号的收发。发射端采用N台USRP设备来发射无线射频信号，发射端设备称为USRP训练设备，此N台USRP设备已知其设备信息（如包括设备类型、设备属性等，作为分类标签），接收端采用一台USRP设备来接受射频信号。
将N台USRP训练设备
Figure 152262DEST_PATH_IMAGE008
（例如N取值3）置于某一位置，N台训练设备在相同频点处分别发送相同的射频信号，接收端USRP设备
Figure 519789DEST_PATH_IMAGE010
依次采集N个训练设备的射频信号，其中设备
Figure 761415DEST_PATH_IMAGE012
和
Figure 974221DEST_PATH_IMAGE010
为同一厂家生产的同一型号设备。
步骤2：对射频信号进行转换存储处理；
接收端设备依次采集到N台训练设备的射频信号，将各射频信号的频谱图先经过归一化处理（归一化方法为射频信号的幅值元素除以幅值的均值），再利用Labview中写入JPEG函数将归一化后的频谱图转换为可视的归一化频谱图，存储的每张图像大小为720*232像素。对所有训练设备
Figure 890542DEST_PATH_IMAGE012
发送的射频信号采用统一的接收处理方法，以保证数据采集的统一性。
步骤3：将转换后的图像数据输入卷积神经网络进行训练学习，获取分类器；
本发明中运用卷积神经网络(CNN)算法（是一种机器学习算法）构建相应的卷积神经网络，读取N台训练设备转化得到的图像数据，输入卷积神经网络，经过两层卷积池化并进行训练，得到分类器，由于 N台训练设备对应N类标签，该分类器的输出为每张图像数据被判别为某一类训练设备所对应的标签以及N类标签分别对应的判决概率。
进一步，由于数据采集量较大，每张图像大小为720*232像素，在读取图像数据训练之前，将图像数据按照4:1进行下采样，下采样后的图像大小为180*58像素，以减小训练的计算量。
进一步，由于USRP设备中的振荡器频偏、相位噪声、调制器的调制误差、功放的非线性失真等因素，导致了各射频信号的频谱存在细微差异，为了充分学习不同训练设备发送的射频信号差异，需要对不同时刻、不同频段的训练设备信号进行采集、处理和训练，以得到更通用的分类器。
2）测试过程（即待识别无线射频设备的识别过程）：
步骤1：熵值计算；
测试时，发射端采用M台USRP设备作为待识别无线射频设备来发射无线射频信号，发射端设备称为USRP测试设备，此M台USRP设备信息未知，接收端采用一台USRP设备来接受无线射频信号。
每台测试设备的图像数据采集K次，利用上述训练得到的分类器对每台测试设备采集到的图像数据进行分类，进而可以得到此测试设备的数据判为第
Figure 619463DEST_PATH_IMAGE002
类训练设备的概率，记为
Figure 134496DEST_PATH_IMAGE004
。通过公式
Figure 632473DEST_PATH_IMAGE006
，计算得到此测试设备对应的熵值。
步骤2：均值计算；
因为每台测试设备的图像数据采集
Figure DEST_PATH_IMAGE014
次，相应的可得到
Figure 341803DEST_PATH_IMAGE014
次测试结果，进而计算得到每次测试的熵值，通过公式
Figure 230125DEST_PATH_IMAGE016
计算得到该测试设备对应的熵均值，其中
Figure 112630DEST_PATH_IMAGE018
表示第i次测试时该测试设备对应的熵值。
步骤3：阈值比较；
通过将测试设备对应的熵均值与预设的阈值（经验值）进行比较，当熵均值大于设定的阈值时，则此测试设备判为未知设备；当熵均值小于设定的阈值时，则此测试设备判为已知设备，并根据分类器给出的标签获取具体的已知设备信息（包括设备类型）。
阈值的确定通过大量数据集的测试得到，具体方法描述为：采集N台设备的图像数据进行训练，并对这N台已知设备进行测试，通过步骤1得到N台设备的熵值。同时采集另外N台设备图像数据不参与训练，只进行测试，用同样方法得到这N台设备的熵值。将这2N台设备的熵值数据绘制仿真图，通过观察可以发现已训练设备（已知设备）和未参与训练设备（未知设备）的熵值分布有明显的分层现象。通过计算N台已知设备和N台未知设备的熵均值，可以发现未知设备的熵均值要明显大于已知设备的熵均值，在已知设备和未知设备的熵均值之间人为地设定一个中间值作为阈值。
结合图2，图中USRP1、2、3为已知设备，即已被训练过的设备，获得的分类器对应USRP1、2、3这三类标签，USRP4、5、6为未知设备，即未被训练过的设备，通过采集USRP1、2、3、4、5、6这六台设备的图像数据进行测试，测试时每台设备采集数据K次，利用上述熵值计算和阈值比较来验证测试正确概率。图2（a）是测试数据未分组情况下的测试正确概率，图2（b）是将K次采集的测试数据进行分组，每10个数据分为一组，在熵值计算中将每一组的10个瞬时熵值求和并取平均，再与设定的阈值进行比较。当熵均值大于设定的阈值，将该组测试数据判为未知设备；当熵均值小于设定的阈值，即判为已知设备，并根据分类器给出的标签获得具体已知设备，若一组数据中分类器给出相同标签6次以上，则判定结果为该标签对应的具体已知设备。
综上所述，本发明的一种基于机器学习算法的无线射频设备身份识别方法，通过软件无线电平台USRP和LabVIEW来发送和接收不同设备的射频信号，并将射频信号转换为图像信息，利用Python和Matlab软件负责训练学习图像信息并进行测试，通过分类器计算设备熵值大小，并引入门限比较机制来实现无线设备身份识别。通过大量的数据采集及训练，所述方法对已知设备的识别准确率达到98%以上，进一步采用阈值比较算法，可得未知设备的判别率达到90%以上。
与传统的设备识别方法相比，本发明的有益效果为：利用射频信号的图像信息可以有效地识别已知设备和未知设备，并能在已知设备类别中识别设备的具体身份，达到无线设备安全认证的目的，提高了无线通信系统的安全性。
综上所述，本发明利用射频信号的图像信息实现了基于电磁环境中的无线设备身份识别，相较于传统的设备识别方法，本发明的一种基于机器学习算法的无线射频设备身份识别方法提高了通信系统的安全性。
相应的，本发明提供了一种基于机器学习算法的无线射频设备身份识别系统，其特征是，包括射频信号采集模块、信号转换模块、分类识别模块、熵值计算模块和最终结果识别模块；其中：
射频信号采集模块，用于采集待识别无线射频设备发送的射频信号；
信号转换模块，用于将射频信号的频谱图转换为图像；
分类识别模块，用于将图像输入预设的卷积神经网络进行分类，获得此无线射频设备的分类结果；
熵值计算模块，用于根据无线射频设备的分类结果，计算得到对应的熵值；
最终结果识别模块，用于根据无线射频设备对应的熵值，判断此设备的最终识别结果。
进一步的，信号转换模块中，所述图像大小为720*232像素。
进一步的，分类识别模块中，所述图像输入预设的卷积神经网络进行分类之前，对图像进行下采样。
进一步的，熵值计算模块中，所述根据无线射频设备的分类结果计算得到对应的熵值包括：
无线射频设备的分类结果为此无线射频设备属于第
Figure 402797DEST_PATH_IMAGE002
类设备的概率，记为
Figure 345346DEST_PATH_IMAGE004
；
通过公式，计算得到此无线射频设备对应的熵值。
进一步的，最终结果识别模块中，所述根据无线射频设备对应的熵值判断此设备的最终识别结果包括：
对无线射频设备进行多次分类，获得多个分类结果；
根据多个分类结果，计算得到对应的多个熵值；
根据多个熵值，计算得到对应的熵均值；
将熵均值与预设阈值进行比较判断，得到此设备的最终识别结果。
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。
以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明技术原理的前提下，还可以做出若干改进和变型，这些改进和变型也应视为本发明的保护范围。

Claims (10)

1.一种基于机器学习算法的无线射频设备身份识别方法，其特征是，包括以下过程：
采集待识别无线射频设备发送的射频信号；
将射频信号的频谱图转换为图像；
将图像输入预设的卷积神经网络进行分类，获得此无线射频设备的分类结果；
根据无线射频设备的分类结果，计算得到对应的熵值；
根据无线射频设备对应的熵值，判断此设备的最终识别结果。
2.根据权利要求1所述的一种基于机器学习算法的无线射频设备身份识别方法，其特征是，所述图像大小为720*232像素。
3.根据权利要求1所述的一种基于机器学习算法的无线射频设备身份识别方法，其特征是，所述图像输入预设的卷积神经网络进行分类之前，对图像进行下采样。
4.根据权利要求1所述的一种基于机器学习算法的无线射频设备身份识别方法，其特征是，所述根据无线射频设备的分类结果计算得到对应的熵值包括：
无线射频设备的分类结果为此无线射频设备属于第
Figure 781338DEST_PATH_IMAGE002
类设备的概率，记为
Figure 760795DEST_PATH_IMAGE004
；
通过公式
Figure 540532DEST_PATH_IMAGE006
，计算得到此无线射频设备对应的熵值。
5.根据权利要求1所述的一种基于机器学习算法的无线射频设备身份识别方法，其特征是，所述根据无线射频设备对应的熵值判断此设备的最终识别结果包括：
对无线射频设备进行多次分类，获得多个分类结果；
根据多个分类结果，计算得到对应的多个熵值；
根据多个熵值，计算得到对应的熵均值；
将熵均值与预设阈值进行比较判断，得到此设备的最终识别结果。
6.一种基于机器学习算法的无线射频设备身份识别系统，其特征是，包括射频信号采集模块、信号转换模块、分类识别模块、熵值计算模块和最终结果识别模块；其中：
射频信号采集模块，用于采集待识别无线射频设备发送的射频信号；
信号转换模块，用于将射频信号的频谱图转换为图像；
分类识别模块，用于将图像输入预设的卷积神经网络进行分类，获得此无线射频设备的分类结果；
熵值计算模块，用于根据无线射频设备的分类结果，计算得到对应的熵值；
最终结果识别模块，用于根据无线射频设备对应的熵值，判断此设备的最终识别结果。
7.根据权利要求6所述的一种基于机器学习算法的无线射频设备身份识别系统，其特征是，信号转换模块中，所述图像大小为720*232像素。
8.根据权利要求6所述的一种基于机器学习算法的无线射频设备身份识别系统，其特征是，分类识别模块中，所述图像输入预设的卷积神经网络进行之前，对图像进行下采样。
9.根据权利要求6所述的一种基于机器学习算法的无线射频设备身份识别系统，其特征是，熵值计算模块中，所述根据无线射频设备的分类结果计算得到对应的熵值包括：
无线射频设备的分类结果为此无线射频设备属于第类设备的概率，记为
Figure 55839DEST_PATH_IMAGE004
；
通过公式
Figure 940618DEST_PATH_IMAGE006
，计算得到此无线射频设备对应的熵值。
10.根据权利要求6所述的一种基于机器学习算法的无线射频设备身份识别系统，其特征是，最终结果识别模块中，所述根据无线射频设备对应的熵值判断此设备的最终识别结果包括：
对无线射频设备进行多次分类，获得多个分类结果；
根据多个分类结果，计算得到对应的多个熵值；
根据多个熵值，计算得到对应的熵均值；
将熵均值与预设阈值进行比较判断，得到此设备的最终识别结果。
CN201911177591.9A 2019-11-27 2019-11-27 基于机器学习算法的无线射频设备身份识别方法及系统 Pending CN110647951A (zh)

Priority Applications (2)

Application Number Priority Date Filing Date Title
CN201911177591.9A CN110647951A (zh) 2019-11-27 2019-11-27 基于机器学习算法的无线射频设备身份识别方法及系统
PCT/CN2019/126138 WO2021103206A1 (zh) 2019-11-27 2019-12-18 基于机器学习算法的无线射频设备身份识别方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911177591.9A CN110647951A (zh) 2019-11-27 2019-11-27 基于机器学习算法的无线射频设备身份识别方法及系统

Publications (1)

Publication Number Publication Date
CN110647951A true CN110647951A (zh) 2020-01-03

Family

ID=69014694

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911177591.9A Pending CN110647951A (zh) 2019-11-27 2019-11-27 基于机器学习算法的无线射频设备身份识别方法及系统

Country Status (2)

Country Link
CN (1) CN110647951A (zh)
WO (1) WO2021103206A1 (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111310700A (zh) * 2020-02-27 2020-06-19 电子科技大学 一种用于辐射源指纹特征识别的中频采样序列处理方法
CN112528695A (zh) * 2020-12-18 2021-03-19 北京元心科技有限公司 识别方法、装置、设备及计算机可读存储介质
CN112911597A (zh) * 2021-03-24 2021-06-04 上海电机学院 基于射频信号精细画像的物联网物理层多级特征提取方法
CN114374975A (zh) * 2022-03-22 2022-04-19 南京邮电大学 一种可抗多径衰落的射频指纹识别方法及系统

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116541693B (zh) * 2023-07-07 2023-09-12 河北省水利工程局集团有限公司 开放式施工环境人员检测方法、劳务人员在岗管理系统
CN117200932A (zh) * 2023-09-28 2023-12-08 中国南方电网有限责任公司超高压输电公司电力科研院 基于神经网络的无人机频射信号的识别方法和系统

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101893704A (zh) * 2010-07-20 2010-11-24 哈尔滨工业大学 一种基于粗糙集的雷达辐射源信号识别方法
CN102540164A (zh) * 2012-01-04 2012-07-04 中国电子科技集团公司第二十八研究所 一种基于增量式学习的雷达辐射源分类建模方法
CN110011932A (zh) * 2019-04-18 2019-07-12 清华大学深圳研究生院 一种可识别未知流量的网络流量分类方法和终端设备
CN110018447A (zh) * 2019-04-09 2019-07-16 电子科技大学 基于双谱分析与卷积神经网络的信号发射机个体识别方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8810404B2 (en) * 2010-04-08 2014-08-19 The United States Of America, As Represented By The Secretary Of The Navy System and method for radio-frequency fingerprinting as a security layer in RFID devices

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101893704A (zh) * 2010-07-20 2010-11-24 哈尔滨工业大学 一种基于粗糙集的雷达辐射源信号识别方法
CN102540164A (zh) * 2012-01-04 2012-07-04 中国电子科技集团公司第二十八研究所 一种基于增量式学习的雷达辐射源分类建模方法
CN110018447A (zh) * 2019-04-09 2019-07-16 电子科技大学 基于双谱分析与卷积神经网络的信号发射机个体识别方法
CN110011932A (zh) * 2019-04-18 2019-07-12 清华大学深圳研究生院 一种可识别未知流量的网络流量分类方法和终端设备

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111310700A (zh) * 2020-02-27 2020-06-19 电子科技大学 一种用于辐射源指纹特征识别的中频采样序列处理方法
CN111310700B (zh) * 2020-02-27 2024-02-13 电子科技大学 一种用于辐射源指纹特征识别的中频采样序列处理方法
CN112528695A (zh) * 2020-12-18 2021-03-19 北京元心科技有限公司 识别方法、装置、设备及计算机可读存储介质
CN112528695B (zh) * 2020-12-18 2024-03-15 北京元心科技有限公司 识别方法、装置、设备及计算机可读存储介质
CN112911597A (zh) * 2021-03-24 2021-06-04 上海电机学院 基于射频信号精细画像的物联网物理层多级特征提取方法
CN114374975A (zh) * 2022-03-22 2022-04-19 南京邮电大学 一种可抗多径衰落的射频指纹识别方法及系统

Also Published As

Publication number Publication date
WO2021103206A1 (zh) 2021-06-03

Similar Documents

Publication Publication Date Title
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
CN109522304B (zh) 异常对象识别方法及装置、存储介质
CN107979842B (zh) 一种基于双谱特征和深度学习的手机个体识别方法
CN111144522B (zh) 一种基于硬件本征差异的电网nfc设备指纹认证方法
CN105095856A (zh) 基于掩膜的有遮挡人脸识别方法
CN111160424B (zh) 一种基于cnn图像识别的nfc设备指纹认证方法及系统
CN115908142B (zh) 一种基于视觉识别的接触网微小部件验损方法
CN107092898A (zh) 一种基于qpsk信号双谱能量熵和颜色矩的射频指纹识别方法
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
CN105335689A (zh) 字符识别方法和装置
CN112906672B (zh) 钢轨缺陷识别方法及系统
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
CN114374975A (zh) 一种可抗多径衰落的射频指纹识别方法及系统
CN104125050A (zh) 超高频rfid读卡器协议一致性测试方法
CN113869156A (zh) 一种射频指纹识别方法
CN113343868A (zh) 一种辐射源个体识别方法及装置、终端、存储介质
CN109584208A (zh) 一种针对工业结构缺陷智能识别模型的检验方法
CN103761538A (zh) 基于形状特征不变子空间的交通标志识别方法
US11817977B2 (en) Method of determining single sampling frequency of classification target signal in order to predict modulation type of classification target signal, and method and apparatus for predicting modulation type by using classification target signal sampled with single sampling frequency
CN113221863B (zh) 基于电磁空间周期统计的加密协议识别方法、系统及介质
CN112566117B (zh) 基于度量学习的车辆节点身份识别方法及装置
CN112085081B (zh) 一种污水成分检测方法及系统
CN104125026A (zh) 超高频rfid标签协议一致性测试方法
Rajharia et al. A new and effective approach for fingerprint recognition by using feed forward back propagation neural network
CN112240964B (zh) 一种用于配电网故障类型识别的方法

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: 20200103