CN112312457A - 一种基于复数深度残差网络的通信辐射源个体识别方法 - Google Patents

一种基于复数深度残差网络的通信辐射源个体识别方法 Download PDF

Info

Publication number
CN112312457A
CN112312457A CN202011184054.XA CN202011184054A CN112312457A CN 112312457 A CN112312457 A CN 112312457A CN 202011184054 A CN202011184054 A CN 202011184054A CN 112312457 A CN112312457 A CN 112312457A
Authority
CN
China
Prior art keywords
radio frequency
radiation source
residual error
communication radiation
error network
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.)
Granted
Application number
CN202011184054.XA
Other languages
English (en)
Other versions
CN112312457B (zh
Inventor
李靖超
应雨龙
董春蕾
张斌
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.)
Shanghai Dianji University
Original Assignee
Shanghai Dianji 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 Shanghai Dianji University filed Critical Shanghai Dianji University
Priority to CN202011184054.XA priority Critical patent/CN112312457B/zh
Publication of CN112312457A publication Critical patent/CN112312457A/zh
Application granted granted Critical
Publication of CN112312457B publication Critical patent/CN112312457B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W24/00—Supervisory, monitoring or testing arrangements
    • H04W24/08—Testing, supervising or monitoring using real traffic
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/048—Activation functions
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04B—TRANSMISSION
    • H04B17/00—Monitoring; Testing
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
    • Y02D30/00—Reducing energy consumption in communication networks
    • Y02D30/70—Reducing energy consumption in communication networks in wireless communication networks

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Computational Linguistics (AREA)
  • Evolutionary Computation (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Software Systems (AREA)
  • Data Mining & Analysis (AREA)
  • Mathematical Physics (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Signal Processing (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Electromagnetism (AREA)
  • Mobile Radio Communication Systems (AREA)

Abstract

本发明公开了一种基于复数深度残差网络的通信辐射源个体识别方法，所述识别方法包括：通信辐射源个体发出稳态射频基带信号，所述稳态射频基带信号包括I/Q两路信号；接收机除去所述稳态射频基带信号中的噪声段数据后对所述稳态射频基带信号进行信号采集，获取所述通信辐射源个体的射频指纹；将所述射频指纹输入复数深度残差网络进行识别；获取对所述通信辐射源个体的识别结果。将通信辐射源个体的射频指纹特征提取与识别过程融合，建立了适用于无线通信的深度学习模型，大大提高了通信辐射源个体识别准确率；即使不对接收机的载波频率偏差和相位偏差进行估计和补偿，也可以实现高准确率的通信辐射源个体识别精度。

Description

一种基于复数深度残差网络的通信辐射源个体识别方法
技术领域
本发明涉及信息安全技术领域，具体涉及一种射频指纹提取与识别技术。
背景技术
随着无线通信网络带来的信息安全问题不断涌现，如何准确地识别和认证物联对象，阻止用户身份假冒和设备克隆等问题的发生，是物联网得以应用首要解决的问题。传统的认证机制是在应用层实现的，利用密码算法生成第三方难以仿冒的数值结果，但这种机制存在着协议安全漏洞和密钥泄露等风险。物联网感知层终端设备具有多样化、智能化、复杂化且数量庞大的特点，虽然传统的认证机制可以在一定程度上保障信息安全，但是并不适用于处理大规模网络及其所带来的海量数据，难以满足物联网的信息安全需求。
物理层认证，是保障无线通信安全的核心技术之一，其基本原理是联合收发信道与传输信号的空时特异性，对通信双方的物理特征进行验证，从而在物理层实现身份认证。相比于应用层的认证技术，它能够有效抵御模仿攻击，具有认证速度快，复杂度低，兼容性好，不需要考虑各种协议执行的优点。但是，提取具有独特原生属性的射频指纹仍然是一件极具挑战性的任务，提取的射频指纹仍然受大量因素的制约，在射频指纹产生机理、特征提取和特征选择方面，以及在射频指纹的鲁棒性和抗信道环境干扰等方面，还有大量问题有待研究。并且，许多应用于通信领域的深度学习模型都是基于通用模型设计的，例如卷积神经网络通常用于图像分类问题，而循环神经网络通常用于NLP(自然语言处理，NaturalLanguage Processing)领域。因此，在基于深度学习的通信框架下，如何设计适用于无线通信的深度学习模型也是研究者要面对的重要问题。因此，基于物理层认证如何采集射频指纹以及建立适用于无线通信的深度学习模型，进而提高通信辐射源个体识别准确率是目前有待解决的问题。
发明内容
本发明要解决的技术问题是如何采集射频指纹以及建立适用于无线通信的深度学习模型。提供一种基于复数深度残差网络的通信辐射源个体识别方法。
本发明是通过下述技术方案来解决上述技术问题：
一种基于复数深度残差网络的通信辐射源个体识别方法，所述识别方法包括：
通信辐射源个体发出稳态射频基带信号，所述稳态射频基带信号包括I/Q两路信号；
接收机除去所述稳态射频基带信号中的噪声段数据后对所述稳态射频基带信号进行信号采集，获取所述通信辐射源个体的射频指纹；
将所述射频指纹输入复数深度残差网络进行识别；
获取对所述通信辐射源个体的识别结果。
较佳地，当所述通信辐射源个体发出的为暂态射频基带信号时，所述接收机在对所述暂态射频基带信号进行所述信号采集前需要对所述接收机的载波频率和相位偏差进行估计和补偿。
进一步地，在对所述射频指纹进行识别前还包括对所述复数深度残差网络的训练：
当所述通信辐射源个体发出的是所述稳态射频基带信号时，所述复数深度残差网络也使用稳态射频基带信号训练；当所述通信辐射源个体发出的是所述暂态射频基带信号时，所述复数深度残差网络也使用暂态射频基带信号训练；并且所述复数深度残差网络训练与识别时所用的所述射频基带信号片段的长度需要相同。
较佳地，所述复数深度残差网络包括若干个复数残差块和全连接层。
较佳地，所述复数残差块包括若干个复数残差单元。
进一步地，所述识别包括对所述通信辐射源个体的调制识别，人体识别以及物联网设备物理层认证。
在符合本领域常识的基础上，上述各优选条件，可任意组合，即得本发明各较佳实例。
本发明的积极进步效果在于：将通信辐射源个体的射频指纹特征提取与识别过程融合，建立了适用于无线通信的深度学习模型，大大提高了通信辐射源个体识别准确率；即使不对接收机的载波频率偏差和相位偏差进行估计和补偿，也可以实现高准确率的通信辐射源个体识别精度。
附图说明
图1为本发明一种基于复数深度残差网络的通信辐射源个体识别方法一实施例中的方法流程图；
图2为本发明一种基于复数深度残差网络的通信辐射源个体识别方法一实施例中的技术方案图；
图3为本发明一种基于复数深度残差网络的通信辐射源个体识别方法一实施例中的作为对比的技术方案图；
图4为本发明一种基于复数深度残差网络的通信辐射源个体识别方法一实施例中的与技术方案对应的识别结果图；
图5为本发明一种基于复数深度残差网络的通信辐射源个体识别方法一实施例中的作为对比技术方案的识别结果图。
具体实施方式
为了便于理解本申请，下面将参照相关附图对本申请进行更全面的描述。附图中给出了本申请的首选实施例。但是，本申请可以以许多不同的形式来实现，并不限于本文所描述的实施例。相反地，提供这些实施例的目的是使对本申请的公开内容更加透彻全面。
除非另有定义，本文所使用的所有的技术和科学术语与属于本申请的技术领域的技术人员通常理解的含义相同。本文中在本申请的说明书中所使用的术语只是为了描述具体的实施例的目的，不是旨在于限制本申请。本文所使用的术语“及/或”包括一个或多个相关的所列项目的任意的和所有的组合。
如图1和图2所示为本发明一实施例中的方法流程图和技术方案图：
S01：通信辐射源个体发出稳态射频基带信号，所述稳态射频基带信号包括I/Q两路信号；
在一个示例中，以识别同厂家同型号同批次的20个WiFi网卡设备为例，基带信号采集设备为FSW26频谱仪，采集环境为实验室LOS(Line of Sight)传输。
S02：接收机除去所述稳态射频基带信号中的噪声段数据后对所述稳态射频基带信号进行信号采集，获取所述通信辐射源个体的射频指纹；
在一个示例中，采集20个WiFi网卡设备，每个设备采集50个样本；信号采集带宽为80MHz，每次采集1.75ms，即每样本140000点(以I路为例)，其中除去信号噪声段的有效数据传输段后为80000点(均为稳态信号)，再对其切片(以1000点为新的样本)处理。总共有80000个样本(随机选择64000个样本用于差分复数深度神经网络的训练，剩余的16000个样本用于识别测试，其中对于每个无线设备，训练样本为3200个，测试样本为800个)。
S03：将所述射频指纹输入复数深度残差网络进行识别；
在一个示例中，如表1和图2所示通信辐射源个体识别选择复数深度残差网络，其中有若干个复数残差块，每个CRS(Complex-valued Residual Stack，复数残差块)中包含有若干个CRU(Complex-valued Residual Unit，复数残差单元)，全连接层选用的为ReLU(Rectified Linear Unit，线性整流单元)函数，分类器选用Softmax函数。
在一个可选的示例中，作为对比，如表2和图3所示通信辐射源个体识别选择复数深度卷积神经网络，其与上述复数深度残差网络的不同主要在于对I/Q信号进行处理的为复数卷积层(Complex-valued Convolution)和池化层(Average Pooling)。
表1复数深度残差网络结构
Layer Output shape
Input 1000x2
Complex-valued Residual Stack 500x32
Complex-valued Residual Stack 250x32
Complex-valued Residual Stack 125x32
Complex-valued Residual Stack 62x32
Complex-valued Residual Stack 31x32
Complex-valued Residual Stack 15x32
Complex-valued Residual Stack 7x32
Complex-valued Residual Stack 3x32
Flatten 96
FC/Relu 128
FC/Relu 128
FC/Softmax 20
表2复数深度卷积神经网络结构
Figure BDA0002750970740000051
Figure BDA0002750970740000061
S04：获取对所述通信辐射源个体的识别结果。
在一个示例中，如图4和图5所示，分别为I/Q射频基带信号通过复数深度残差网络和复数深度卷积神经网络后的识别结果。其中，基于本发明所提的方法，在使用相同的训练样本与测试样本情况下的识别结果(测试结果混淆矩阵如图4所示，识别成功率为99.56％)，基于复数深度卷积神经网络的通信辐射源个体的识别结果(测试结果混淆矩阵如图5所示，识别成功率为94.8％)。通信辐射源个体的射频基带信号(I/Q两路信号)数学本质上为复数信号，即每个信号点都是复平面上的一个包含幅值信息与相位信息的符号，通过复数卷积神经网络可以有效的学习到每一段射频基带信号(I/Q两路信号)的包含原有发射机(通信辐射源个体)物理层本质特征的射频指纹，因此可以实现通信辐射源的个体设别，本发明在此基础上进一步提出了适用于无线通信的复数深度残差网络模型，大大提高了通信辐射源个体识别的准确率。
虽然以上描述了本发明的具体实施方式，但是本领域的技术人员应当理解，这仅是举例说明，本发明的保护范围是由所附权利要求书限定的。本领域的技术人员在不背离本发明的原理和实质的前提下，可以对这些实施方式做出多种变更或修改，但这些变更和修改均落入本发明的保护范围。

Claims (6)

1.一种基于复数深度残差网络的通信辐射源个体识别方法，其特征在于，所述识别方法包括：
通信辐射源个体发出稳态射频基带信号，所述稳态射频基带信号包括I/Q两路信号；
接收机除去所述稳态射频基带信号中的噪声段数据后对所述稳态射频基带信号进行信号采集，获取所述通信辐射源个体的射频指纹；
将所述射频指纹输入复数深度残差网络进行识别；
获取对所述通信辐射源个体的识别结果。
2.如权利要求1所述的一种基于复数深度残差网络的通信辐射源个体识别方法，其特征在于，当所述通信辐射源个体发出的为暂态射频基带信号时，所述接收机在对所述暂态射频基带信号进行所述信号采集前需要对所述接收机的载波频率和相位偏差进行估计和补偿。
3.如权利要求2所述的一种基于复数深度残差网络的通信辐射源个体识别方法，其特征在于，在对所述射频指纹进行识别前还包括对所述复数深度残差网络的训练：
当所述通信辐射源个体发出的是所述稳态射频基带信号时，所述复数深度残差网络也使用稳态射频基带信号训练；当所述通信辐射源个体发出的是所述暂态射频基带信号时，所述复数深度残差网络也使用暂态射频基带信号训练；并且所述复数深度残差网络训练与识别时所用的所述射频基带信号片段的长度需要相同。
4.如权利要求2所述的一种基于复数深度残差网络的通信辐射源个体识别方法，其特征在于，所述复数深度残差网络包括若干个复数残差块和全连接层。
5.如权利要求2所述的一种基于复数深度残差网络的通信辐射源个体识别方法，其特征在于，所述复数残差块包括若干个复数残差单元。
6.如权利要求1至5任一项所述的一种基于复数深度残差网络的通信辐射源个体识别方法，其特征在于，所述识别包括对所述通信辐射源个体的调制识别，人体识别以及物联网设备物理层认证。
CN202011184054.XA 2020-10-29 2020-10-29 一种基于复数深度残差网络的通信辐射源个体识别方法 Active CN112312457B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011184054.XA CN112312457B (zh) 2020-10-29 2020-10-29 一种基于复数深度残差网络的通信辐射源个体识别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011184054.XA CN112312457B (zh) 2020-10-29 2020-10-29 一种基于复数深度残差网络的通信辐射源个体识别方法

Publications (2)

Publication Number Publication Date
CN112312457A true CN112312457A (zh) 2021-02-02
CN112312457B CN112312457B (zh) 2023-07-21

Family

ID=74332216

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011184054.XA Active CN112312457B (zh) 2020-10-29 2020-10-29 一种基于复数深度残差网络的通信辐射源个体识别方法

Country Status (1)

Country Link
CN (1) CN112312457B (zh)

Cited By (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113343868A (zh) * 2021-06-15 2021-09-03 四川九洲电器集团有限责任公司 一种辐射源个体识别方法及装置、终端、存储介质
CN113343874A (zh) * 2021-06-18 2021-09-03 上海电机学院 基于深度卷积神经网络的大规模无线电信号识别方法
CN113537053A (zh) * 2021-07-15 2021-10-22 四川九洲电器集团有限责任公司 一种构建民航领域射频指纹识别模型的方法
CN113905383A (zh) * 2021-08-26 2022-01-07 湖南艾科诺维科技有限公司 一种基于射频指纹的iff信号识别方法、装置及介质
CN114091545A (zh) * 2021-12-02 2022-02-25 中国人民解放军国防科技大学 基于深度残差收缩网络的辐射源个体识别方法及装置
CN114239646A (zh) * 2021-12-01 2022-03-25 电子科技大学 一种基于复数神经网络的辐射源识别系统
CN114626418A (zh) * 2022-03-18 2022-06-14 中国人民解放军32802部队 一种基于多中心复残差网络的辐射源识别方法及装置
CN114940142A (zh) * 2022-05-31 2022-08-26 中国人民解放军国防科技大学 一种基于辐射源个体验证的汽车防盗方法、系统及车辆
CN115809426A (zh) * 2023-02-03 2023-03-17 西安睿奥电磁环境科技有限公司 一种辐射源个体识别方法及系统
CN117896176A (zh) * 2024-03-12 2024-04-16 西安电子科技大学 面向工业物联网欺骗攻击的学习驱动物理层认证方法

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109165678A (zh) * 2018-07-28 2019-01-08 中国人民解放军战略支援部队信息工程大学 基于双谱三维图像纹理特征的辐射源识别方法及装置
CN111601307A (zh) * 2020-05-18 2020-08-28 江苏电力信息技术有限公司 一种基于瞬态-稳态的部分叠加射频指纹方法

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109165678A (zh) * 2018-07-28 2019-01-08 中国人民解放军战略支援部队信息工程大学 基于双谱三维图像纹理特征的辐射源识别方法及装置
CN111601307A (zh) * 2020-05-18 2020-08-28 江苏电力信息技术有限公司 一种基于瞬态-稳态的部分叠加射频指纹方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
曹延晖: ""复数神经网络研究"", 《中国优秀博硕士学位论文全文数据库(硕士)信息科技辑》 *
翁琳天然: ""基于深度残差网络的ADS－B信号辐射源个体识别"", 《航空兵器》 *

Cited By (15)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113343868A (zh) * 2021-06-15 2021-09-03 四川九洲电器集团有限责任公司 一种辐射源个体识别方法及装置、终端、存储介质
CN113343874A (zh) * 2021-06-18 2021-09-03 上海电机学院 基于深度卷积神经网络的大规模无线电信号识别方法
CN113537053A (zh) * 2021-07-15 2021-10-22 四川九洲电器集团有限责任公司 一种构建民航领域射频指纹识别模型的方法
CN113537053B (zh) * 2021-07-15 2023-08-22 四川九洲电器集团有限责任公司 一种构建民航领域射频指纹识别模型的方法
CN113905383A (zh) * 2021-08-26 2022-01-07 湖南艾科诺维科技有限公司 一种基于射频指纹的iff信号识别方法、装置及介质
CN113905383B (zh) * 2021-08-26 2024-02-06 湖南艾科诺维科技有限公司 一种基于射频指纹的iff信号识别方法、装置及介质
CN114239646B (zh) * 2021-12-01 2023-06-16 电子科技大学 一种基于复数神经网络的辐射源识别系统
CN114239646A (zh) * 2021-12-01 2022-03-25 电子科技大学 一种基于复数神经网络的辐射源识别系统
CN114091545A (zh) * 2021-12-02 2022-02-25 中国人民解放军国防科技大学 基于深度残差收缩网络的辐射源个体识别方法及装置
CN114626418A (zh) * 2022-03-18 2022-06-14 中国人民解放军32802部队 一种基于多中心复残差网络的辐射源识别方法及装置
CN114940142A (zh) * 2022-05-31 2022-08-26 中国人民解放军国防科技大学 一种基于辐射源个体验证的汽车防盗方法、系统及车辆
CN114940142B (zh) * 2022-05-31 2023-10-13 中国人民解放军国防科技大学 一种基于辐射源个体验证的汽车防盗方法、系统及车辆
CN115809426A (zh) * 2023-02-03 2023-03-17 西安睿奥电磁环境科技有限公司 一种辐射源个体识别方法及系统
CN117896176A (zh) * 2024-03-12 2024-04-16 西安电子科技大学 面向工业物联网欺骗攻击的学习驱动物理层认证方法
CN117896176B (zh) * 2024-03-12 2024-05-17 西安电子科技大学 面向工业物联网欺骗攻击的学习驱动物理层认证方法

Also Published As

Publication number Publication date
CN112312457B (zh) 2023-07-21

Similar Documents

Publication Publication Date Title
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
Wang et al. Deep learning for signal demodulation in physical layer wireless communications: Prototype platform, open dataset, and analytics
WO2018176889A1 (zh) 一种数字通信信号调制方式自动识别方法
CN112398553A (zh) 一种基于差分等势星球图的通信辐射源个体识别方法
Wang et al. A convolutional neural network-based RF fingerprinting identification scheme for mobile phones
CN110113288A (zh) 一种基于机器学习的ofdm解调器的设计和解调方法
CN105678273A (zh) 射频指纹识别技术瞬态信号的起始点检测算法
WO2021103206A1 (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
CN112507855A (zh) 一种基于瞬时包络等势星球图的通信辐射源个体识别方法
CN109617845A (zh) 一种基于深度学习的无线通信解调器的设计及解调方法
CN112398552A (zh) 基于差分复数深度神经网络的通信辐射源个体识别方法
CN114218984B (zh) 一种基于样本多视图学习的射频指纹识别方法
Almohamad et al. Dual-determination of modulation types and signal-to-noise ratios using 2D-ASIQH features for next generation of wireless communication systems
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
CN109145889A (zh) 一种针对无线信号进行盲估计的明密文信号分类检测方法
CN111027614A (zh) 一种噪声增强射频指纹识别方法及装置
Wang et al. A new method of automatic modulation recognition based on dimension reduction
CN109587136B (zh) 一种基于双极大值的射频指纹特征提取和识别方法
CN113052013B (zh) 一种用于电台调制信号的射频指纹识别方法
CN113242201B (zh) 基于生成分类网络的无线信号增强解调方法及系统
CN113343874A (zh) 基于深度卷积神经网络的大规模无线电信号识别方法
CN112911597B (zh) 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
CN112633121A (zh) 基于希尔伯特变换与多重分形维数特征的辐射源识别方法
Qu et al. Specific Emitter Identification Based on Two Residual Networks
CN112311480B (zh) 一种通信辐射源个体识别方法

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
GR01 Patent grant
GR01 Patent grant