CN112633121A - 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 - Google Patents
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 Download PDFInfo
- Publication number
- CN112633121A CN112633121A CN202011503308.XA CN202011503308A CN112633121A CN 112633121 A CN112633121 A CN 112633121A CN 202011503308 A CN202011503308 A CN 202011503308A CN 112633121 A CN112633121 A CN 112633121A
- Authority
- CN
- China
- Prior art keywords
- fractal dimension
- radiation source
- hilbert transform
- method based
- identification method
- 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
- 230000005855 radiation Effects 0.000 title claims abstract description 35
- 238000000034 method Methods 0.000 title claims abstract description 26
- 230000001052 transient effect Effects 0.000 claims abstract description 25
- 238000004891 communication Methods 0.000 claims abstract description 22
- 238000000605 extraction Methods 0.000 claims abstract description 14
- 238000012549 training Methods 0.000 claims description 15
- 238000013528 artificial neural network Methods 0.000 claims description 6
- 238000012360 testing method Methods 0.000 claims description 5
- 238000010276 construction Methods 0.000 claims description 3
- 239000012634 fragment Substances 0.000 claims description 3
- 238000005070 sampling Methods 0.000 claims description 3
- 238000005516 engineering process Methods 0.000 description 7
- 238000011160 research Methods 0.000 description 5
- 206010063385 Intellectualisation Diseases 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000010367 cloning Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000013095 identification testing Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- 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
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computational Linguistics (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Health & Medical Sciences (AREA)
- Mathematical Physics (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- Software Systems (AREA)
- Signal Processing (AREA)
- Mobile Radio Communication Systems (AREA)
Abstract
本发明涉及一种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，本发明解决现有技术的问题，其技术方案要点是，包括以下步骤，S1，采集通信辐射源个体的射频瞬态信号片段；S2，经过希尔伯特变换与多重分形维数特征提取后，作为发射机的射频指纹；S3，完成发射机的射频指纹进行识别，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。
Description
技术领域
本发明属于一种辐射源识别方法，涉及一种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。
背景技术
信息安全是构建可靠、稳健的物联网的关键。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。因此，研究一种低错误率、高效率、低成本的通信辐射源个体识别方法，是确保物联网稳健运行的关键。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。
如今对物理层安全认证技术的研究还处于初级阶段，丰富的物理层资源并没有得到充分利用，仍具有很大的研究空间。射频指纹识别是基于设备物理层硬件的非密码认证方法，无需消耗额外的计算资源，也无需嵌入额外的硬件，是构建低成本、更简洁、更安全的识别认证系统的非常有潜力的技术。基于射频信号细微特征的设备识别，最早起源于特定辐射源识别(Specific Emitter Identification，SEI)，即将辐射源独特的电磁特性与辐射源个体关联起来的能力。2003年，加拿大的Hall等人提出了射频“指纹”(RF-Fingerprint)这一概念，从发射机信号中提取一组具有差异性的细微特征集合，作为设备的物理层本质特征。如同每个人会有不同的指纹特征，各个无线设备也会存在不同的射频指纹，即硬件差异，而这些差异会蕴含在通信信号中，可以对信号进行指纹特征提取来进行识别。
从目前射频指纹识别的研究现状来看，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。
发明内容
本发明解决了现有技术从目前射频指纹识别的研究现状来看，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的问题，提供一种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。
本发明解决其技术问题所采用的技术方案是：一种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，其特征在于：为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，执行以下步骤，
S1，采集通信辐射源个体的射频瞬态信号片段；
S2，经过希尔伯特变换与多重分形维数特征提取后，作为发射机的射频指纹；
S3，完成发射机的射频指纹进行识别。
本发明针对现有基于瞬态信号的指纹识别技术对极为相似的通信辐射源个体，特别是同厂家同型号同批次的无线设备识别率低的问题，提出了一种基于Hilbert变换与多重分形维数特征提取的通信辐射源个体识别方法，首先通过接收机对通信辐射源个体的射频瞬态信号片段进行采集，然后经过Hilbert变换提取瞬态信号片段的瞬时包络，再用多重分形维数特征对瞬时包络进行多维特征提取后，即可作为发射机的射频指纹；最后输入灰色关联分类器对发射机的射频指纹进行识别，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。
作为优选，在所述步骤S1中，在无线设备开启或关闭的瞬间，对所发送的一段瞬态或暂态信号进行采集。
作为优选，在步骤S2中，首先经过希尔伯特变换提取瞬态信号片段的瞬时包络，再用多重分形维数特征对瞬时包络进行特征提取。
作为优选，用多重分形维数特征对瞬时包络进行特征提取时，每个特征向量有231个特征参数组成。
作为优选，在步骤S3中，提取的二维多重分形维数特征通过灰色关联分类器来识别。
作为优选，在灰色关联分类器的训练过程中，选用示波器作为采集设备，在实验室LOS中，采集了若干个对讲机瞬态信号，使用示波器采集，每个对讲机采了至少50组数据，采样频率40MHz，每组数据采集159901个点，在所有的样本中随机选择一部分样本用于训练，剩余的样本用于识别测试，其中对于每个对讲机，训练样本至少有20个，测试样本至少有30个。
作为优选，提取的二维多重分形维数特征通过神经网络分类；在神经网络建设中，采用以下子步骤：
子步骤一，随机选取有标签的数据样本，并用BP算法进行训练，计算各层的输出；
子步骤二，求各层的重构误差，并根据误差仅需调整权值和偏置；
子步骤三，根据性能指数评定误差是否在指定的范围内，若不是则重复子步骤一和子步骤二，直至整个网络输出符合要求；输出最后的深度自动编码器训练模型。
本发明的实质性效果是：通过本发明的方法，可以有效提高基于瞬态信号的射频指纹识别技术对通信辐射源个体，特别是同厂家同型号同批次的无线设备的识别准确率。
附图说明：
图1为本发明的整体流程示意图。
具体实施方式
下面通过具体实施例，对本发明的技术方案作进一步的具体说明。
实施例1：
一种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，如图1所示，包括以下步骤，
步骤S1，通过接收机对通信辐射源个体的射频瞬态信号片段进行采集；
步骤S2，经过希尔伯特变换与多重分形维数特征提取后，作为发射机的射频指纹；
步骤S3，输入分类器对发射机的射频指纹进行识别，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。
接收机采集的射频信号是在无线设备开启或关闭的瞬间，所发送的一段瞬态或暂态信号。
在所述步骤S1中，在无线设备开启或关闭的瞬间，对所发送的一段瞬态或暂态信号进行采集，首先经过希尔伯特变换提取瞬态信号片段的瞬时包络，再用多重分形维数特征对瞬时包络进行特征提取。
用多重分形维数特征对瞬时包络进行特征提取时，每个特征向量有231个特征参数组成。
在步骤S3中，提取的二维多重分形维数特征通过灰色关联分类器来识别。在灰色关联分类器的训练过程中，选用安捷伦示波器作为采集设备，在实验室LOS中，采集了10个对讲机瞬态信号，使用安捷伦示波器采集，每个对讲机采了50组数据，采样频率40MHz，每组数据采集159901个点，在总共的500个样本中随机选择200个样本用于训练，剩余的300个样本用于识别测试，其中对于每个对讲机，训练样本为20个，测试样本为30个。
实施例2：
本实施例中，提取的二维多重分形维数特征通过神经网络分类；在神经网络建设中，采用以下子步骤：
子步骤一，随机选取有标签的数据样本，并用BP算法进行训练，计算各层的输出；
子步骤二，求各层的重构误差，并根据误差仅需调整权值和偏置；
子步骤三，根据性能指数评定误差是否在指定的范围内，若不是则重复子步骤一和子步骤二，直至整个网络输出符合要求；输出最后的深度自动编码器训练模型。
以上实施例针对现有基于瞬态信号的指纹识别技术对极为相似的通信辐射源个体，特别是同厂家同型号同批次的无线设备识别率低的问题，提出了一种基于Hilbert变换与多重分形维数特征提取的通信辐射源个体识别方法，首先通过接收机对通信辐射源个体的射频瞬态信号片段进行采集，然后经过Hilbert变换提取瞬态信号片段的瞬时包络，再用多重分形维数特征对瞬时包络进行多维特征提取后，即可作为发射机的射频指纹；最后输入灰色关联分类器对发射机的射频指纹进行识别，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。
以上所述的实施例只是本实施例的一种较佳的方案，并非对本实施例作任何形式上的限制，在不超出权利要求所记载的技术方案的前提下还有其它的变体及改型。
Claims (7)
1.一种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，其特征在于：为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，执行以下步骤，
S1，采集通信辐射源个体的射频瞬态信号片段；
S2，经过希尔伯特变换与多重分形维数特征提取后，作为发射机的射频指纹；
S3，完成发射机的射频指纹进行识别。
2.根据权利要求1所述的基于希尔伯特变换与多重分形维数特征的辐射源识别方法，其特征在于：在所述步骤S1中，在无线设备开启或关闭的瞬间，对所发送的一段瞬态或暂态信号进行采集。
3.根据权利要求1所述的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，其特征在于：在步骤S2中，首先经过希尔伯特变换提取瞬态信号片段的瞬时包络，再用多重分形维数特征对瞬时包络进行特征提取。
4.根据权利要求3所述的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，其特征在于：用多重分形维数特征对瞬时包络进行特征提取时，每个特征向量有231个特征参数组成。
5.根据权利要求4所述的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，其特征在于：在步骤S3中，提取的二维多重分形维数特征通过灰色关联分类器来识别。
6.根据权利要求5所述的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，其特征在于：在灰色关联分类器的训练过程中，选用示波器作为采集设备，在实验室LOS中，采集了若干个对讲机瞬态信号，使用示波器采集，每个对讲机采了至少50组数据，采样频率40MHz，每组数据采集159901个点，在所有的样本中随机选择一部分样本用于训练，剩余的样本用于识别测试，其中对于每个对讲机，训练样本至少有20个，测试样本至少有30个。
7.根据权利要求4所述的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，其特征在于：提取的二维多重分形维数特征通过神经网络分类；在神经网络建设中，采用以下子步骤：
子步骤一，随机选取有标签的数据样本，并用BP算法进行训练，计算各层的输出；
子步骤二，求各层的重构误差，并根据误差仅需调整权值和偏置；
子步骤三，根据性能指数评定误差是否在指定的范围内，若不是则重复子步骤一和子步骤二，直至整个网络输出符合要求；输出最后的深度自动编码器训练模型。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011503308.XA CN112633121A (zh) | 2020-12-18 | 2020-12-18 | 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 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011503308.XA CN112633121A (zh) | 2020-12-18 | 2020-12-18 | 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 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN112633121A true CN112633121A (zh) | 2021-04-09 |
Family
ID=75317315
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011503308.XA Pending CN112633121A (zh) | 2020-12-18 | 2020-12-18 | 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 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112633121A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117271969A (zh) * | 2023-09-28 | 2023-12-22 | 中国人民解放军国防科技大学 | 辐射源个体指纹特征在线学习方法、系统、设备及介质 |
Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103220055A (zh) * | 2013-05-10 | 2013-07-24 | 厦门大学 | 无线发射机信号的多重分形梯度特征指纹识别方法 |
| CN104634571A (zh) * | 2015-02-06 | 2015-05-20 | 北京航空航天大学 | 一种基于lcd-mf的滚动轴承故障诊断方法 |
| CN105426832A (zh) * | 2015-11-12 | 2016-03-23 | 上海电机学院 | 非稳定信噪比下的通信雷达辐射源识别方法 |
| CN106198016A (zh) * | 2016-06-29 | 2016-12-07 | 潍坊学院 | 一种滚动轴承的nmd、谱峭度和平滑迭代包络分析方法 |
| CN106198013A (zh) * | 2016-06-29 | 2016-12-07 | 潍坊学院 | 一种基于经验模式分解滤波的包络分析方法 |
| CN106991393A (zh) * | 2017-03-30 | 2017-07-28 | 上海电机学院 | 基于多重分形维数的辐射源指纹特征提取方法 |
| CN107608936A (zh) * | 2017-09-22 | 2018-01-19 | 桂林电子科技大学 | 一种行星齿轮箱复合故障特征提取方法 |
| CN109707615A (zh) * | 2019-02-26 | 2019-05-03 | 东北石油大学 | 基于精细多重分形的往复压缩机故障诊断方法 |
| CN110691050A (zh) * | 2019-09-10 | 2020-01-14 | 中国人民解放军战略支援部队信息工程大学 | 基于c-e特征的辐射源指纹提取方法、装置及个体识别系统 |
-
2020
- 2020-12-18 CN CN202011503308.XA patent/CN112633121A/zh active Pending
Patent Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103220055A (zh) * | 2013-05-10 | 2013-07-24 | 厦门大学 | 无线发射机信号的多重分形梯度特征指纹识别方法 |
| CN104634571A (zh) * | 2015-02-06 | 2015-05-20 | 北京航空航天大学 | 一种基于lcd-mf的滚动轴承故障诊断方法 |
| CN105426832A (zh) * | 2015-11-12 | 2016-03-23 | 上海电机学院 | 非稳定信噪比下的通信雷达辐射源识别方法 |
| CN106198016A (zh) * | 2016-06-29 | 2016-12-07 | 潍坊学院 | 一种滚动轴承的nmd、谱峭度和平滑迭代包络分析方法 |
| CN106198013A (zh) * | 2016-06-29 | 2016-12-07 | 潍坊学院 | 一种基于经验模式分解滤波的包络分析方法 |
| CN106991393A (zh) * | 2017-03-30 | 2017-07-28 | 上海电机学院 | 基于多重分形维数的辐射源指纹特征提取方法 |
| CN107608936A (zh) * | 2017-09-22 | 2018-01-19 | 桂林电子科技大学 | 一种行星齿轮箱复合故障特征提取方法 |
| CN109707615A (zh) * | 2019-02-26 | 2019-05-03 | 东北石油大学 | 基于精细多重分形的往复压缩机故障诊断方法 |
| CN110691050A (zh) * | 2019-09-10 | 2020-01-14 | 中国人民解放军战略支援部队信息工程大学 | 基于c-e特征的辐射源指纹提取方法、装置及个体识别系统 |
Non-Patent Citations (4)
| Title |
|---|
| 宋玲玲: "多重分形分析在肌电信号识别中的应用", 《微计算机信息》 * |
| 徐一平等: "基于多重分形的膝关节摆动信号特征提取与分类", 《信号处理》 * |
| 李靖超: "基于复杂度特征的通信辐射源个体识别", 《中国优秀博硕士学位论文全文数据库(博士)信息科技辑》 * |
| 李靖超等: "基于多重分形维数的改进信号特征提取算法", 《上海电机学院学报》 * |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117271969A (zh) * | 2023-09-28 | 2023-12-22 | 中国人民解放军国防科技大学 | 辐射源个体指纹特征在线学习方法、系统、设备及介质 |
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 | |
| 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 | |
| CN106446877B (zh) | 一种基于信号幅度排序的射频指纹特征提取和识别方法 | |
| CN111163460B (zh) | 基于多重间隔差分星座轨迹图的射频指纹提取方法 | |
| CN108304877A (zh) | 一种基于机器学习的物理层信道认证方法 | |
| 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 | |
| CN105678273A (zh) | 射频指纹识别技术瞬态信号的起始点检测算法 | |
| CN107517217A (zh) | 一种基于指纹识别的多因子无线密钥填充系统 | |
| CN105550569A (zh) | 基于星座轨迹图像特征的设备指纹提取及设备识别方法 | |
| 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 | |
| Chen et al. | Generative adversarial network-based rogue device identification using differential constellation trace figure | |
| Ying et al. | Differential complex-valued convolutional neural network-based individual recognition of communication radiation sources | |
| 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 | |
| Aminuddin et al. | Securing wireless communication using RF fingerprinting | |
| Zhang et al. | A real-world radio frequency signal dataset based on LTE system and variable channels | |
| CN112822689A (zh) | 一种基于载波频率偏差的射频指纹提取方法 | |
| CN112311480B (zh) | 一种通信辐射源个体识别方法 | |
| CN112733613A (zh) | 基于希尔伯特变换与赫尔德系数特征的辐射源识别方法 | |
| Li et al. | Adaptive filter-based approach for phy fingerprints extraction of fast ethernet network | |
| CN113347175B (zh) | 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 | |
| CN111371727A (zh) | 一种针对ntp协议隐蔽通信的检测方法 | |
| CN113065385A (zh) | 一种基于轴向积分双谱的通信辐射源个体识别方法 | |
| Gu et al. | Toauth: Towards automatic near field authentication for smartphones | |
| CN109587136B (zh) | 一种基于双极大值的射频指纹特征提取和识别方法 |
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 | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20210409 |
|
| RJ01 | Rejection of invention patent application after publication |