CN112398552A - 基于差分复数深度神经网络的通信辐射源个体识别方法 - Google Patents

Abstract

本发明公开了一种基于差分复数深度神经网络的通信辐射源个体识别方法，解决了目前提取具有独特原生属性的射频指纹仍具挑战性，对于同厂家同批次同型号的无线设备的识别率低的问题，其技术方案要点是包括有以下步骤：通过接收机对通信辐射源个体的射频基带信号进行采集，获得初始I/Q两路信号；对每一段初始I/Q信号进行差分处理，形成新的I/Q两路信号片段，对新的I/Q两路信号片段进行归一化处理，作为发射机的发射指纹；利用复数深度神经网络对发射机的射频指纹进行识别，本发明的一种基于差分复数深度神经网络的通信辐射源个体识别方法，能提高识别准确率、有效性和可靠性。

Description

基于差分复数深度神经网络的通信辐射源个体识别方法

技术领域

本发明涉及射频指纹识别技术，特别涉及一种基于差分复数深度神经网络的通信辐射源个体识别方法。

背景技术

目前对射频指纹识别的研究现状，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，尤其是对于同厂家同批次同型号的无线设备的识别率低，还有大量问题有待研究。

发明内容

本发明的目的是提供一种基于差分复数深度神经网络的通信辐射源个体识别方法，能提高识别准确率、有效性和可靠性。

本发明的上述技术目的是通过以下技术方案得以实现的：

一种基于差分复数深度神经网络的通信辐射源个体识别方法，包括有以下步骤：

S1、通过接收机对通信辐射源个体的射频基带信号进行采集，获得初始I/Q两路信号；

S2、对每一段初始I/Q信号进行差分处理，形成新的I/Q两路信号片段，对新的I/Q两路信号片段进行归一化处理，直接作为发射机的发射指纹；

S3、利用复数深度卷积神经网络对发射机的射频指纹进行识别。

作为优选，所述复数深度卷积神经网络进行训练和识别所用的差分处理后的新的I/Q两路信号片段长度相统一。

作为优选，通过接收机对发射机发送的射频基带信号进行采集具体包括有：

接收机对接收到的信号进行下变频得到基带信号Y(t),

接收机接收到的信号R(t)＝S(t)，S(t)为发射机发射的射频信号，

其中，X(t)为发射机基带信号,f_cTx为发射机载波频率；f_cRx为接收机载波频率，

为接收机接收信号时的相位误差；

当f_cRx≠f_cTx时，接收机下变频得到的基带信号即为：

式中，θ＝f_cRx-f_cTx。

作为优选，对I/Q两路信号的差分处理具体如下：

其中，Y^*为取共轭值，n为差分的间隔(这里n取为1)，差分处理后的信号D(t)包含有一个恒定数值的相位旋转因子e^-j2πθn。

综上所述，本发明具有以下有益效果：

通过对采集的基带信号进行差分处理后形成新的I/Q两路信号片段，差分处理后的I/Q两路信号仅包含一个恒定数值的相位旋转因子，在不对接收机的载波频率偏差和相位偏差进行估计和补偿，也可以获取稳定的通信辐射源(发射机)射频指纹，再经过归一化处理可不致使差分处理后的I/Q两路信号幅值过小而损失指纹精度，直接作为发射机的射频指纹。再通过复数深度卷积神经网络进行识别，复数网络可以通过I/Q融合通道有效提取电磁信号波形中的I/Q关联信息，即幅值信息与相位信息，从而有效的提升了电磁信号的识别准确性，可实现对通信辐射源的调制识别、个体识别，以及物联网设备物理层认证，相较于传统的基于星座图的统计图域方法通过电磁信号波形数据在转换为图像的过程中，不可避免的存在信息损失，相比较于传统的复数深度神经网络方法，可大大提高识别准确率，更具有有效性和可靠性。

附图说明

图1为本发明的流程示意图；

图2为基于射频基带I/Q两路信号的复数深度卷积神经网络识别流程图；

图3为基于射频基带I/Q两路信号的复数深度卷积神经网络的通信辐射源个体的识别结果图；

图4为基于本发明方法的识别结果图。

具体实施方式

以下结合附图对本发明作进一步详细说明。

现有的射频指纹识别技术根据利用物理层资源的不同，可分为基于信道的指纹识别技术和基于传输信号的指纹识别技术。基于信道特征的指纹识别技术旨在利用设备的唯一位置信息来作为不同用户在不同场景下的身份检测指标，通常应用于物联网设备的室内定位。常用的信道特征有无线电信号强度(RSS)、信道状态信息(CSI)和信道频率响应(CFR)。基于传输信号的指纹识别技术分为基于瞬态信号的指纹识别技术和基于稳态信号的指纹识别技术。瞬态信号不包含任何数据信息，只体现发射机的硬件特征，具有独立性，射频指纹最初就是从瞬态信号中提取的，如瞬态信号的持续时间、分形维数特征、频谱特性、时域包络、小波系数等。由于瞬态信号持续时间短，难以捕获，对突变点检测和定位较为敏感，限制了其在实际环境中的应用。稳态信号是发射机处于稳定工作状态时的信号，其持续时间长，更容易获得，利用廉价的接收机即可完成，但稳态信号中存在的射频指纹更不容易提取，如频率偏移、Holder系数特征、熵特征等。随着射频指纹识别技术的发展，学者们逐渐从利用瞬态信号到利用稳态信号的前导序列，再到利用稳态信号的传输数据段，逐步减少了对待识别信号检测和提取的要求。

根据一个或多个实施例，本发明公开了一种基于差分复数深度神经网络的通信辐射源个体识别方法，如图1所示，包括有以下步骤：

S1、通过接收机对通信辐射源个体的射频基带信号进行采集，获得初始I/Q两路信号；

S2、对每一段初始I/Q信号进行差分处理，形成新的I/Q两路信号片段，对新的I/Q两路信号片段进行归一化处理，能做到不致使差分处理后的I/Q两路信号幅值过小而损失指纹精度，直接作为发射机的射频指纹；

S3、利用复数深度卷积神经网络对发射机的射频指纹进行识别。

具体的，接收机采集的射频基带信号可以是稳态信号，也可以是暂态信号。若采用稳态信号，则复数深度卷积神经网络训练与识别过程都用稳态信号片段；若采用暂态信号，则复数深度卷积神经网络训练与识别过程都用暂态信号片段。利用复数深度卷积神经网络对提取的差分处理后的新的I/Q两路信号片段进行训练与分类识别，并且复数深度卷积神经网络训练与识别时所用的信号片段长度统一。

通信辐射源(发射机)发射的射频信号：

式中，X(t)为发射机基带信号,f_cTx为发射机载波频率。

假设发射机的射频电路是理想的，信道也是理想的，接收机接收到的信号R(t)＝S(t)。

接收机将信号进行下变频得到基带信号：

式中，f_cRx为接收机载波频率，

为接收机接收信号时的相位误差。

当f_cRx≠f_cTx时，接收机下变频得到的基带信号即为：

式中，θ＝f_cRx-f_cTx。

由于解调的信号含有残余的频率偏差θ，导致基带信号的每一个采样点都有一个相位旋转因子e^j2πθt。该相位旋转因子随着采样点位置t的不同而变化，通常导致提取的星座图特征鲁棒性和稳定性欠佳。因此，对I、Q两路基带信号进行差分处理，如下：

式中，Y^*为取共轭值，n为差分的间隔，此处n取为1。差分处理后的信号D(t)尽管还是含有一个相位旋转因子e^-j2πθn，但是该相位旋转因子是一个恒定的数值，不会随着采样点位置的变化而改变。因此经过差分处理后，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，也可以获取包含稳定的射频指纹信息的新的I、Q两路信号片段，作为发射机的具有唯一性与稳定性的射频指纹。最后采用复数深度卷积神经网络对发射机的射频指纹进行识别，复数网络可以通过I/Q融合通道有效提取电磁信号波形中的I/Q关联信息(即幅值信息与相位信息)，从而有效的提升了电磁信号的识别准确性，可实现对通信辐射源的调制识别、个体识别，以及物联网设备物理层认证等。用相同的复数深度卷积神经网络模型架构下，相较于传统的基于星座图的统计图域方法(电磁信号波形数据在转换为图像的过程中，不可避免的存在信息损失)和传统的复数深度神经网络方法，可以有效加快复数深度卷积神经网络的训练收敛时间，提高识别准确率。

为说明清楚，现举一实例：

具体的实施方案以识别同厂家同型号同批次的20个WiFi网卡设备为例，过程如下：

基带信号采集设备：FSW26频谱仪。

采集环境：实验室LOS。

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，其中对于每个设备，训练样本为3200个，测试样本为800个)。为了说明本发明所提出的方法的有效性，与基于射频基带I/Q两路信号的复数深度神经网络识别效果(如图2所示)进行对比，所选用的复数深度神经网络结构统一都为表1所示。

表1复数深度神经网络结构

分别得到基于射频基带I/Q两路信号的复数深度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3所示，识别成功率为94.8％，基于本发明所提的方法，在使用相同的复数深度神经网络模型架构下的识别结果，测试结果混淆矩阵如图4所示，识别成功率为99.7％，在使用相同的复数深度神经网络模型架构下，本发明所提出的方法可以大大提高识别准确率，论证了本发明所提出的方法的有效性与可靠性。

本具体实施例仅仅是对本发明的解释，其并不是对本发明的限制，本领域技术人员在阅读完本说明书后可以根据需要对本实施例做出没有创造性贡献的修改，但只要在本发明的权利要求范围内都受到专利法的保护。

Claims (4)

1.一种基于差分复数深度神经网络的通信辐射源个体识别方法，其特征是，包括有以下步骤：

S1、通过接收机对通信辐射源个体的射频基带信号进行采集，获得初始I/Q两路信号；

S2、对每一段初始I/Q信号进行差分处理，形成新的I/Q两路信号片段，对新的I/Q两路信号片段进行归一化处理，直接作为发射机的发射指纹；

S3、利用复数深度卷积神经网络对发射机的射频指纹进行识别。

2.根据权利要求1所述的基于差分复数深度神经网络的通信辐射源个体识别方法，其特征是：所述复数深度卷积神经网络进行训练和识别所用的差分处理后的新的I/Q两路信号片段长度相统一。

3.根据权利要求2所述的基于差分复数深度神经网络的通信辐射源个体识别方法，其特征是：通过接收机对发射机发送的射频基带信号进行采集具体包括有：

接收机对接收到的信号进行下变频得到基带信号Y(t),

接收机接收到的信号R(t)＝S(t)，S(t)为发射机发射的射频信号，

其中，X(t)为发射机基带信号,

为发射机载波频率；

为接收机载波频率，

为接收机接收信号时的相位误差；

当

时，接收机下变频得到的基带信号即为：

式中，

4.根据权利要求3所述的基于差分复数深度神经网络的通信辐射源个体识别方法，其特征是，对I/Q两路信号的差分处理具体如下：

其中，Y^*为取共轭值，n为差分的间隔，差分处理后的信号D(t)包含有一个恒定数值的相位旋转因子e^-j2πθn。

Images