CN113095186B - 一种基于功率谱密度的通信辐射源个体识别方法 - Google Patents

一种基于功率谱密度的通信辐射源个体识别方法 Download PDF

Info

Publication number
CN113095186B
CN113095186B CN202110353583.6A CN202110353583A CN113095186B CN 113095186 B CN113095186 B CN 113095186B CN 202110353583 A CN202110353583 A CN 202110353583A CN 113095186 B CN113095186 B CN 113095186B
Authority
CN
China
Prior art keywords
communication radiation
radiation source
radio frequency
spectral density
power spectral
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.)
Active
Application number
CN202110353583.6A
Other languages
English (en)
Other versions
CN113095186A (zh
Inventor
应雨龙
李靖超
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 Electric Power University
Original Assignee
Shanghai Electric Power 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 Electric Power University filed Critical Shanghai Electric Power University
Priority to CN202110353583.6A priority Critical patent/CN113095186B/zh
Publication of CN113095186A publication Critical patent/CN113095186A/zh
Application granted granted Critical
Publication of CN113095186B publication Critical patent/CN113095186B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
    • 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
    • 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)
  • Data Mining & Analysis (AREA)
  • Theoretical Computer Science (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Artificial Intelligence (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Collating Specific Patterns (AREA)
  • Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)
  • Mobile Radio Communication Systems (AREA)

Abstract

本发明公开了一种基于功率谱密度的通信辐射源个体识别方法，包括：利用接收机采集射频基带信号，采集I路信号；基于所述I路信号进行方差轨迹检测截取稳态信号片段，对所述稳态信号片段进行数据标准化处理；计算数据标准化处理后的稳态信号片段的功率谱密度得到特征向量，将所述特征向量作为发射机的射频指纹，并生成射频指纹库；利用智能分类器识别所述射频指纹库的射频指纹，输出识别结果，完成通信辐射源个体识别。本发明在保证识别计算实时性的同时，提高了识别准确率。

Description

一种基于功率谱密度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提取与识别、通信辐射源个体识别、物联网接入认证、信息安全的技术领域，尤其涉及一种基于功率谱密度的通信辐射源个体识别方法。
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。
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。
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
本部分的目的在于概述本发明的实施例的一些方面以及简要介绍一些较佳实施例。在本部分以及本申请的说明书摘要和发明名称中可能会做些简化或省略以避免使本部分、说明书摘要和发明名称的目的模糊，而这种简化或省略不能用于限制本发明的范围。
鉴于上述现有存在的问题，提出了本发明。
因此，本发明解决的技术问题是：现有射频指纹识别方法对通信辐射源个体(特别是同厂家、同型号、同批次的无线设备)识别率低。
为解决上述技术问题，本发明提供如下技术方案：利用接收机采集射频基带信号，采集I路信号；基于所述I路信号进行方差轨迹检测截取稳态信号片段，对所述稳态信号片段进行数据标准化处理；计算数据标准化处理后的稳态信号片段的功率谱密度得到特征向量，将所述特征向量作为发射机的射频指纹，并生成射频指纹库；利用智能分类器识别所述射频指纹库的射频指纹，输出识别结果，完成通信辐射源个体识别。
作为本发明所述的基于功率谱密度的通信辐射源个体识别方法的一种优选方案，其中：所述射频基带信号包括稳态信号。
作为本发明所述的基于功率谱密度的通信辐射源个体识别方法的一种优选方案，其中：所述数据标准化处理包括对所述截取的稳态信号数据或所述功率谱密度特征向量进行标准化处理，为中心化—压缩处理，其数学公式如下所示：
Figure BDA0003002844820000031
其中，
Figure BDA0003002844820000038
表示截取的稳态信号数据或功率谱密度特征向量，
Figure BDA0003002844820000033
表示标准化处理后的输出向量。
作为本发明所述的基于功率谱密度的通信辐射源个体识别方法的一种优选方案，其中：定义所述功率谱密度特征向量包括，
Figure BDA0003002844820000034
其中Bi(i＝1,2,…)表示某一待识别的通信辐射源个体特征。
作为本发明所述的基于功率谱密度的通信辐射源个体识别方法的一种优选方案，其中：定义所述射频指纹库包括，
Figure BDA0003002844820000035
其中，Cj(j＝1,2,…)表示已知合法的通信辐射源个体标签，cj(j＝1,2,…)表示某一特征参数。
作为本发明所述的基于功率谱密度的通信辐射源个体识别方法的一种优选方案，其中：所述智能分类器包括支持向量机和灰关联分类器。
作为本发明所述的基于功率谱密度的通信辐射源个体识别方法的一种优选方案，其中：基于所述灰关联分类器求取Bi与所述射频指纹库中的每一个Cj的关联度包括，定义ρ∈(0,1)：
Figure BDA0003002844820000036
Figure BDA0003002844820000037
其中，ρ表示分辨系数，通常取值为0.5，ξ(bi(k),cj(k))表示所述Bi与所述Cj之间第k个特征参数的关联系数，ξ(Bi,Cj)表示所述Bi与所述Cj之间的灰色关联度。
作为本发明所述的基于功率谱密度的通信辐射源个体识别方法的一种优选方案，其中：所述利用智能分类器识别所述射频指纹库的射频指纹，基于所述识别结果判断所述Bi所属的通信辐射源个体是否为合法接入无线通信设备，其判断准则包括，
Figure BDA0003002844820000041
若test<某一阈值，则Bi所属的通信辐射源个体为非法接入无线通信设备；否则，Bi所属的通信辐射源个体为合法接入无线通信设备。
作为本发明所述的基于功率谱密度的通信辐射源个体识别方法的一种优选方案，其中：定义所述阈值为0.0042。
本发明的有益效果：本发明保证识别计算实时性的同时，提高了识别准确率。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其它的附图。其中：
图1为本发明一个实施例提供的一种基于功率谱密度的通信辐射源个体识别方法的基本流程示意图；
图2为本发明一个实施例提供的一种基于功率谱密度的通信辐射源个体识别方法的在视距场景下基于灰关联分类器在10dB信噪比下的识别结果示意图；
图3为本发明一个实施例提供的一种基于功率谱密度的通信辐射源个体识别方法的在视距场景下基于支持向量机分类器在20dB信噪比下的识别结果示意图；
图4为本发明一个实施例提供的一种基于功率谱密度的通信辐射源个体识别方法的在视距场景+非视距场景的混合场景下的基于灰关联分类器在10dB信噪比下的识别结果示意图；
图5为本发明一个实施例提供的一种基于功率谱密度的通信辐射源个体识别方法的在视距场景+非视距场景的混合场景下的基于支持向量机分类器在10dB信噪比下的识别结果示意图；
图6为本发明一个实施例提供的一种基于功率谱密度的通信辐射源个体识别方法的在变化信噪比场景下基于灰关联分类器的识别结果示意图；
图7为本发明一个实施例提供的一种基于功率谱密度的通信辐射源个体识别方法的在变化信噪比场景下基于支持向量机分类器的识别结果示意图。
具体实施方式
为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合说明书附图对本发明的具体实施方式做详细的说明，显然所描述的实施例是本发明的一部分实施例，而不是全部实施例。基于本发明中的实施例，本领域普通人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本发明的保护的范围。
在下面的描述中阐述了很多具体细节以便于充分理解本发明，但是本发明还可以采用其他不同于在此描述的其它方式来实施，本领域技术人员可以在不违背本发明内涵的情况下做类似推广，因此本发明不受下面公开的具体实施例的限制。
其次，此处所称的“一个实施例”或“实施例”是指可包含于本发明至少一个实现方式中的特定特征、结构或特性。在本说明书中不同地方出现的“在一个实施例中”并非均指同一个实施例，也不是单独的或选择性的与其他实施例互相排斥的实施例。
本发明结合示意图进行详细描述，在详述本发明实施例时，为便于说明，表示器件结构的剖面图会不依一般比例作局部放大，而且所述示意图只是示例，其在此不应限制本发明保护的范围。此外，在实际制作中应包含长度、宽度及深度的三维空间尺寸。
同时在本发明的描述中，需要说明的是，术语中的“上、下、内和外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。此外，术语“第一、第二或第三”仅用于描述目的，而不能理解为指示或暗示相对重要性。
本发明中除非另有明确的规定和限定，术语“安装、相连、连接”应做广义理解，例如：可以是固定连接、可拆卸连接或一体式连接；同样可以是机械连接、电连接或直接连接，也可以通过中间媒介间接相连，也可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以具体情况理解上述术语在本发明中的具体含义。
实施例1
参照图1，为本发明的一个实施例，提供了一种基于功率谱密度的通信辐射源个体识别方法，包括：
S1：利用接收机采集射频基带信号，采集I路信号；需要说明的是，
接收机采集的射频基带信号为稳态信号。
S2：基于I路信号进行方差轨迹检测截取稳态信号片段，对稳态信号片段进行数据标准化处理；需要说明的是，
方差轨迹检测截取稳态信号片段的具体过程如下：
当从中检测到包含目标信号的信号段时，如何准确的从中检测目标信号的起点和终点，对后续信号指纹特征提取起着至关重要的作用。
对于输入数据序列{x(k)},k＝1,2,...,Nx可以通过计算其方差轨迹序列{VTx(i)}并设置门限来进行瞬态起点检测。输入数据的方差轨迹序列可以通过下式来进行计算：
VTx(i)＝|Wx(i)-Wx(i+1)|,i＝1,2,...,L-1
Figure BDA0003002844820000061
其中，
Figure BDA0003002844820000062
表示向下取整，Nw表示用于进行方差计算的窗长度，Ns表示每次进行计算后窗函数的位移，μw表示窗函数序列的均值。当接收机采集到瞬态信号时，Wx(i)的大小将显著增加，当完成方差轨迹计算之后，瞬态的起始点检测可以简化为变点检测问题，方差轨迹序列开始增加的变点位置即为瞬态信号的起点；当信号到达平稳位置时，即可视为瞬态信号的终点位置，此时可以进一步截取稳态信号片段。
数据标准化处理包括对截取的稳态信号数据或功率谱密度特征向量进行标准化处理，数据标准化处理包括中心化—压缩处理，其数学公式如下所示：
Figure BDA0003002844820000063
其中，
Figure BDA0003002844820000064
表示截取的稳态信号数据或功率谱密度特征向量，
Figure BDA0003002844820000065
表示标准化处理后的输出向量。
S3：计算数据标准化处理后的稳态信号片段的功率谱密度得到特征向量，将特征向量作为发射机的射频指纹，并生成射频指纹库；需要说明的是，
功率谱密度特征的原理如下：
为了追求更高的数据速率和频谱效率，通信系统普遍采用线性调制方式，如QPSK和16QAM。多载波系统中峰均比大，信号包络变化，系统应保持线性放大；非线性放大会导致带内信号失真，使得系统性能下降，导致带外互调分量，发射机载频的邻近信道产生干扰，放大器的非线性主要体现在信号的功率谱上，因此从能量域出发使用功率谱估计方法对其进行了特征的提取。
定义从待识别射频信号提取的表征通信辐射源个体特征的功率谱密度特征向量包括，
Figure BDA0003002844820000071
其中Bi(i＝1,2,…)表示某一待识别的通信辐射源个体特征。
定义已建立的通信辐射源个体特征与个体标签之间的射频指纹库包括，
Figure BDA0003002844820000072
其中，Cj(j＝1,2,…)表示已知合法的通信辐射源个体标签，cj(j＝1,2,…)表示某一特征参数。
S4：利用智能分类器识别射频指纹库的射频指纹，输出识别结果，完成通信辐射源个体识别。
智能分类器包括支持向量机和灰关联分类器。
以灰关联分类器进行分类识别为例：
定义ρ∈(0,1)：
Figure BDA0003002844820000073
Figure BDA0003002844820000074
其中，ρ表示分辨系数，通常取值为0.5，ξ(bi(k),cj(k))表示Bi与Cj之间第k个特征参数的关联系数，ξ(Bi,Cj)表示Bi与Cj之间的灰色关联度。
当求得Bi与已知射频指纹库中的每一个Cj(j＝1,2,…m)的关联度ξ(Bi,Cj)(j＝1,2,…,m)后，为了识别Bi所属的通信辐射源个体是否为合法接入无线通信设备，这里加入了如下判断准则：
Figure BDA0003002844820000081
若test<某一阈值(定义阈值为0.0042)，则Bi所属的通信辐射源个体为非法接入无线通信设备；否则，Bi所属的通信辐射源个体为合法接入无线通信设备，就可以将Bi分类至射频指纹库中最大关联度所属的通信辐射源个体标签。
通过本发明的方法，在变化低信噪比环境下，可以获取稳定的通信辐射源(发射机)射频指纹，再利用灰关联分类器或支持向量机等智能分类器进行识别，可实现对物联网非法/合法接入无线通信设备的认证识别。
实施例2
参照图2～7为本发明另一个实施例，为对本方法中采用的技术效果加以验证说明，本实施例采用传统技术方案与本发明方法进行对比测试，以科学论证的手段对比试验结果，以验证本方法所具有的真实效果。
具体的实施方案以识别同厂家同型号同批次的8个EBYTE生产的无线数传电台E90-DTU设备为例，过程如下：
基带信号采集设备：Signal Hound公司生产的SM200B实时频谱分析仪；
采集环境：视距场景(LOS)、视距场景(LOS)+非视距场景(NOS)的混合场景、变化信噪比场景。
采集8个EBYTE生产的无线数传电台E90-DTU设备，信号采集频点为433MHz，经过方差轨迹检测截取的稳态信号片段长度为15000点，通过对数据标准化处理后的稳态信号片段进行功率谱密度计算得到特征向量，再对特征向量进行标准化处理(中心化—压缩处理)后作为发射机的射频指纹，再利用灰关联分类器或者支持向量机等智能分类器进行识别。
(1)在视距场景(LOS)下：
采集8个EBYTE生产的无线数传电台E90-DTU设备，每个设备的采集200个样本(其中随机选取140个样本作为训练样本，剩余60个样本作为测试样本)，得到的识别结果如图2和图3所示，在10dB信噪比下本发明所提方法基于灰关联分类器可以得到91.46％准确识别率，在20dB信噪比下本发明所提方法基于支持向量机分类器可以得到99.79％准确识别率。
(2)在视距场景(LOS)+非视距场景(NOS)的混合场景下：
采集8个EBYTE生产的无线数传电台E90-DTU设备，每个设备在视距场景(LOS)下采集200个样本，在非视距场景(NOS)下采集50个样本，即每个设备的采集250个样本(其中随机选取200个样本作为训练样本，剩余50个样本作为测试样本)，得到的识别结果如图4和图5所示，在10dB信噪比下本发明所提方法基于灰关联分类器可以得到91.50％准确识别率，在20dB信噪比下本发明所提方法基于支持向量机分类器可以得到98.75％准确识别率。
(3)在变化信噪比场景下：
采集8个EBYTE生产的无线数传电台E90-DTU设备，每个设备在视距场景(LOS)下采集200个样本，在非视距场景(NOS)下采集50个样本，即每个设备的采集250个样本(其中随机选取200个样本作为训练样本，剩余50个样本作为测试样本)，得到在不同信噪比下的识别结果如图6和图7所示，可知在5dB信噪比下本发明所提方法基于灰关联分类器仍得到89.75％识别准确率，在5dB信噪比下本发明所提方法基于支持向量机分类器仍得到96.25％识别准确率。
在上述三个实施案例，平均每个测试样本的识别计算耗时不超过0.0348s(基于灰关联分类器)和2.0552e-04s(基于支持向量机分类器)，说明本发明所提方法在保证识别计算实时性的同时，大大提高了识别准确率(传统方法在10dB信噪比下的识别准确率均低于90％)。
应说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或者等同替换，而不脱离本发明技术方案的精神和范围，其均应涵盖在本发明的权利要求范围当中。

Claims (8)

1.一种基于功率谱密度的通信辐射源个体识别方法，其特性在于，包括：
利用接收机采集射频基带信号，采集I路信号；
基于所述I路信号进行方差轨迹检测截取稳态信号片段，对所述稳态信号片段进行数据标准化处理；
计算数据标准化处理后的稳态信号片段的功率谱密度得到特征向量，将所述特征向量作为发射机的射频指纹，并生成射频指纹库；
利用智能分类器识别所述射频指纹库的射频指纹，输出识别结果并基于所述识别结果判断某一待识别的通信辐射源个体特征Bi所属的通信辐射源个体是否为合法接入无线通信设备，其判断准则包括，
Figure FDA0004131373650000011
式中，Bi(i＝1,2,...)表示某一待识别的通信辐射源个体特征，Cj(j＝1,2,...m)表示已知合法的通信辐射源个体标签，ξ(Bi,Cj)表示所述Bi与所述Cj之间的灰色关联度；
若test<某一阈值，则Bi所属的通信辐射源个体为非法接入无线通信设备；否则，Bi所属的通信辐射源个体为合法接入无线通信设备，完成通信辐射源个体识别。
2.如权利要求1所述的基于功率谱密度的通信辐射源个体识别方法，其特征在于：所述射频基带信号包括稳态信号。
3.如权利要求1或2所述的基于功率谱密度的通信辐射源个体识别方法，其特征在于：所述数据标准化处理包括对所述截取的稳态信号数据或所述功率谱密度特征向量进行标准化处理，为中心化—压缩处理，其数学公式如下所示：
Figure FDA0004131373650000012
其中，
Figure FDA0004131373650000013
表示截取的稳态信号数据或功率谱密度特征向量，
Figure FDA0004131373650000014
表示标准化处理后的输出向量。
4.如权利要求1所述的基于功率谱密度的通信辐射源个体识别方法，其特征在于：定义所述功率谱密度特征向量包括，
Figure FDA0004131373650000021
其中Bi(i＝1,2,…)表示某一待识别的通信辐射源个体特征。
5.如权利要求1所述的基于功率谱密度的通信辐射源个体识别方法，其特征在于：定义所述射频指纹库包括，
Figure FDA0004131373650000022
其中，Cj(j＝1,2,…)表示已知合法的通信辐射源个体标签，cj(j＝1,2,…)表示某一特征参数。
6.如权利要求5所述的基于功率谱密度的通信辐射源个体识别方法，其特征在于：所述智能分类器包括支持向量机和灰关联分类器。
7.如权利要求6所述的基于功率谱密度的通信辐射源个体识别方法，其特征在于：基于所述灰关联分类器求取Bi与所述射频指纹库中的每一个Cj的关联度包括，
定义ρ∈(0,1)：
Figure FDA0004131373650000023
Figure FDA0004131373650000024
其中，ρ表示分辨系数，通常取值为0.5，ξ(bi(k),cj(k))表示所述Bi与所述Cj之间第k个特征参数的关联系数，ξ(Bi,Cj)表示所述Bi与所述Cj之间的灰色关联度。
8.如权利要求1所述的基于功率谱密度的通信辐射源个体识别方法，其特征在于：定义所述阈值为0.0042。
CN202110353583.6A 2021-04-01 2021-04-01 一种基于功率谱密度的通信辐射源个体识别方法 Active CN113095186B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110353583.6A CN113095186B (zh) 2021-04-01 2021-04-01 一种基于功率谱密度的通信辐射源个体识别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110353583.6A CN113095186B (zh) 2021-04-01 2021-04-01 一种基于功率谱密度的通信辐射源个体识别方法

Publications (2)

Publication Number Publication Date
CN113095186A CN113095186A (zh) 2021-07-09
CN113095186B true CN113095186B (zh) 2023-05-12

Family

ID=76672355

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110353583.6A Active CN113095186B (zh) 2021-04-01 2021-04-01 一种基于功率谱密度的通信辐射源个体识别方法

Country Status (1)

Country Link
CN (1) CN113095186B (zh)

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106405536A (zh) * 2016-08-30 2017-02-15 电子科技大学 一种mimo雷达多目标跟踪资源管理方法

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105678273B (zh) * 2016-01-14 2019-07-23 上海大学 射频指纹识别技术瞬态信号的起始点检测算法
CN107947830B (zh) * 2017-11-15 2019-06-04 电子科技大学 一种可抵抗多径干扰的射频指纹识别方法
CN112507855A (zh) * 2020-12-04 2021-03-16 国网浙江省电力有限公司武义县供电公司 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

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106405536A (zh) * 2016-08-30 2017-02-15 电子科技大学 一种mimo雷达多目标跟踪资源管理方法

Also Published As

Publication number Publication date
CN113095186A (zh) 2021-07-09

Similar Documents

Publication Publication Date Title
Yu et al. A robust RF fingerprinting approach using multisampling convolutional neural network
CN105678273B (zh) 射频指纹识别技术瞬态信号的起始点检测算法
CN106130942A (zh) 一种基于循环谱的无线通信信号调制识别及参数估计方法
CN111163460B (zh) 基于多重间隔差分星座轨迹图的射频指纹提取方法
Zhou et al. Design of a robust RF fingerprint generation and classification scheme for practical device identification
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
CN110166387A (zh) 一种基于卷积神经网络识别信号调制方式的方法及系统
CN109168166A (zh) 物理层认证系统的安全性检测方法
Ren et al. A practical study of channel influence on radio frequency fingerprint features
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
Shi et al. Robust RF fingerprint extraction based on cyclic shift characteristic
CN114727286B (zh) 一种无阈值多属性物理层认证方法及相关设备
CN114760627A (zh) 一种基于射频指纹与深度学习的无线设备识别方法
Li et al. Fractal dimension of dsss frame preamble: Radiometric feature for wireless device identification
CN113095186B (zh) 一种基于功率谱密度的通信辐射源个体识别方法
CN104868962A (zh) 基于压缩感知的频谱检测方法及装置
Wang et al. A radio frequency fingerprinting identification method based on energy entropy and color moments of the bispectrum
CN109587136B (zh) 一种基于双极大值的射频指纹特征提取和识别方法
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
Wang et al. Research on physical layer security of cognitive radio network based on rf-dna
Lin et al. Using SDR Platform to Extract the RF Fingerprint of the Wireless Devices for Device Identification
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
Zhang et al. Wi-Fi device identification based on multi-domain physical layer fingerprint
CN114980086A (zh) 模型训练、密钥生成方法、训练设备、通信方及系统
CN107222870B (zh) 针对时间异步且不存在频偏情况下的ofdm信号频谱感知方法

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