CN113609982A - 一种基于智能载波同步的高区分度射频指纹学习与提取方法 - Google Patents

一种基于智能载波同步的高区分度射频指纹学习与提取方法 Download PDF

Info

Publication number
CN113609982A
CN113609982A CN202110894778.1A CN202110894778A CN113609982A CN 113609982 A CN113609982 A CN 113609982A CN 202110894778 A CN202110894778 A CN 202110894778A CN 113609982 A CN113609982 A CN 113609982A
Authority
CN
China
Prior art keywords
radio frequency
signal
parameterized
carrier
learnable parameter
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
CN202110894778.1A
Other languages
English (en)
Other versions
CN113609982B (zh
Inventor
许威
谢仁杰
胡爱群
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.)
Southeast University
Original Assignee
Southeast 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 Southeast University filed Critical Southeast University
Priority to CN202110894778.1A priority Critical patent/CN113609982B/zh
Publication of CN113609982A publication Critical patent/CN113609982A/zh
Application granted granted Critical
Publication of CN113609982B publication Critical patent/CN113609982B/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
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/12—Classification; Matching
    • 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
    • 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
    • G06K—GRAPHICAL DATA READING; PRESENTATION OF DATA; RECORD CARRIERS; HANDLING RECORD CARRIERS
    • G06K7/00—Methods or arrangements for sensing record carriers, e.g. for reading patterns
    • G06K7/10—Methods or arrangements for sensing record carriers, e.g. for reading patterns by electromagnetic radiation, e.g. optical sensing; by corpuscular radiation
    • G06K7/10009—Methods or arrangements for sensing record carriers, e.g. for reading patterns by electromagnetic radiation, e.g. optical sensing; by corpuscular radiation sensing by radiation using wavelengths larger than 0.1 mm, e.g. radio-waves or microwaves
    • G06K7/10297—Methods or arrangements for sensing record carriers, e.g. for reading patterns by electromagnetic radiation, e.g. optical sensing; by corpuscular radiation sensing by radiation using wavelengths larger than 0.1 mm, e.g. radio-waves or microwaves arrangements for handling protocols designed for non-contact record carriers such as RFIDs NFCs, e.g. ISO/IEC 14443 and 18092

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Toxicology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Computer Security & Cryptography (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Electromagnetism (AREA)
  • General Health & Medical Sciences (AREA)
  • Signal Processing (AREA)
  • Synchronisation In Digital Transmission Systems (AREA)

Abstract

本发明公开了一种基于智能载波同步的高区分度射频指纹学习与提取方法，包括：接收机过采样接收有线或无线信号，通过下变频得到全部基带信号；进行信号的智能同步，即利用带可学习参数的映射对基带信号进行载波频偏和相偏估计，去除估计所得频偏和相偏，得到智能同步后的信号；对智能同步后得到的信号进行射频指纹提取；利用辅助分类器，所有可学习参数模块通过极大似然估计进行学习。通过对经典载波同步引入智能参数化学习，使得本发明提出的射频指纹提取模型可以极大保留输入信号关于设备身份相关信息，所提取的射频指纹具有极高的区分度并对未见过设备依然具有极强的泛化能力。

Description

一种基于智能载波同步的高区分度射频指纹学习与提取方法
技术领域
本发明涉及射频指纹提取领域，特别是涉及一种基于智能载波同步的高区分度射频指纹学习与提取方法。
背景技术
射频指纹(RFF)源于发射机电路硬件设计的差异和生产工艺容差，即使同一生产批次的器件参数都有着细微差别。
设备的射频指纹都具有唯一性且难以被克隆，因为可以被用于有线或无线设备的身份识别与认证。然而，由于现有的射频指纹可区分度较低，现有公开的基于机器学习的射频指纹技术往往将射频指纹识别当作闭集识别问题，即被识别样本必须出现在在已知训练集中，并通过一个训练好的分类器才可以实现对设备的高精度识别。
现有的射频指纹可区分度较低，其主要原因在于传统信号处理技术依赖于模型设计和手工特征，而基于模型和手工特征的方法在处理基带信号时不可避免地会造成设备相关信息的丢失，但理论上这些特征应该被用作射频指纹的一部分。同时，设备相关信息的丢失还会进一步导致后续分类模型对弱特征的依赖和过拟合导致其无法对未见过设备依然具有识别能力。另一方面，当射频指纹的可区分度较低时，其可识别容纳的设备数量及其有限，无法满足日益增长的无线设备识别验证的应用需求。
因此，如何最大化地保留设备强相关信息，使得射频指纹提取模型在未见过设备依然可以保证其指纹的高可区分性时迫切需要且可行的。
发明内容
有鉴于此，本发明的目的在于提供一种基于智能载波同步的高区分度射频指纹学习与提取方法，用以实现在射频指纹中极大化保留接收信号中的设备相关信息，同时对见过和没见过设备依然具有极高的可区分性。本发明通过对传统载波同步的智能化，利用极大似然估计对可学习参数进行估计，使得模型可以极大程度地保留其输入的设备相关信息，并通过特征归一化保证其优化目标与距离空间性质相匹配，使得优化所得到的高区分度射频指纹可以仅通过距离比对实现设备识别和验证。
为了实现上述目的，本发明采用如下技术方案：
一种基于智能载波同步的高区分度射频指纹学习与提取方法，包括如下步骤：
步骤S1、采集基带信号，并对基带信号进行能量归一化处理；
步骤S2、利用参数化载波频偏估计器对所述基带信号进行载波频偏估计，再利用估计所得的频偏对所述基带信号进行补偿，得到频偏修正后信号；利用参数化载波相偏估计器对所述频偏修正后信号进行载波相偏估计，再用估计所得相偏对所述频偏修正后信号进行补偿得到智能载波同步后的信号；
步骤S3、将所述智能载波同步后的信号输入至参数化射频指纹提取器中，获得射频指纹向量；其中，
所述参数化载波频偏估计器包括第一可学习参数，所述参数化载波相偏估计器包括第二可学习参数，所述参数化射频指纹提取器包括第三可学习参数，所述第一可学习参数、第二可学习参数以及第三可学习参数是通过大似然估计求得。
进一步的，所述步骤S1具体包括：
接收机以采样率fs接收射频信号r(t)，得到离散信号r(n)，采样点个数为M，通过下变频得到全部基带信号xr(n),并将xr(n)的能量归一化至1。
进一步的，所述步骤S2具体包括：
步骤S201、将经过了能量归一化处理后的基带信号xr(n)输入至所述参数化载波频偏估计器f(·；θω)中，估计所述基带信号xr(n)的频偏ω，表达式为
ω＝f(xr(n)；θω) (1)
公式(1)中，θω表示为第一可学习参数；
步骤S202、利用步骤S201中估计得到的频偏ω，对所述基带信号xr(n)进行频偏补偿，得到频偏修正后信号xω(n)，表达式为：
xω(n)＝xr(n)e-j2πωn (2)
公式(2)中，j为虚数单位，即j2＝-1，n为离散时间点；
步骤S203、将步骤S202得到的频偏修正后信号xω(n)输入至所述参数化载波相偏估计器f(·；θφ)中，估计所述频偏修正后信号xω(n)的相偏φ，表达式为：
φ＝f(xω(n)；θφ) (3)
公式(1)中，θφ表示为第二可学习参数；
步骤S204、利用步骤S203中估计得到的相偏φ，对所述频偏修正后信号xω(n)进行相偏补偿，得到所述智能载波同步后的信号xω,φ(n)，表达式为：
xω,φ(n)＝xω(n)ej2πφ (4)
公式(4)中，j为虚数单位，即j2＝-1，n为离散时间点。
进一步的，所述步骤S3具体包括：
将所述智能载波同步后的信号xω,φ(n)输入至参数化射频指纹提取器f(·；θRFF)提取xω,φ(n)中的射频指纹向量z，表达式为：
z＝f(xω,φ(n)；θRFF) (5)
公式(5)中，θRFF表示为第三可学习参数。
进一步的，所述第一可学习参数、第二可学习参数以及第三可学习参数具体通过如下方式求得：
步骤S401、构建完整的射频指纹提取器F(·；θω,θφ,θRFF)，其中，θω表示为第一可学习参数，θφ表示为第二可学习参数，θRFF表示为第三可学习参数；
步骤S402、将第i个基带信号xr,i(n)输入至所述完整的射频指纹提取器F(·；θω,θφ,θRFF)中进行射频指纹提取，表达式为：
zi＝F(xr,i(n)；θω,θφ,θRFF) (6)
公式(6)中，zi表示为从第i个样本中提取到的射频指纹向量；
步骤S403、构建辅助线性分类器
Figure BDA0003197441980000031
其中，K为训练集中的总设备数,wj为第j个设备对应的权值向量；
步骤S404、构建第i个样本的似然函数，表达式为：
Figure BDA0003197441980000032
公式(7)中，归一化权值w′k＝wk/||wk||和归一化射频指纹z′i＝α*zi/||zi||,α>0为超参数，yi∈{1,2,...,K}为第i个样本的设备标签；
步骤S405、利用包括N个基带信号和设备身份样本对的训练集
Figure BDA0003197441980000033
以及步骤S404中构建的似然函数，构建对数极大似然估计的优化目标LMKE，表达式为：
Figure BDA0003197441980000034
步骤S406、对公式9进行求解，获得所述第一可学习参数θω，所述第二可学习参数θφ和所述第三可学习参数θRFF，可通过求解：
Figure BDA0003197441980000035
其中
Figure BDA0003197441980000036
分别为第一、第二、第三可学习参数和辅助线性分类器的最优解。
进一步的，在所述步骤S406中，通过采用随机梯度下降法，带动量梯度下降法，拉格朗日乘数法或者牛顿法对公式9进行求解。
进一步的，设定距离阈值T，当两个的射频指纹余弦距离小于等于T，则认为这两个射频指纹来源于同一台设备；当两个的射频指纹余弦距离大于T，则认为这两个射频指纹来源于两台不同设备，其中，所述距离阈值T是通过训练集统计得到最小等错误率的距离阈值。
进一步的，所述参数化载波频偏估计器、所述参数化载波相偏估计器和所述参数化射频指纹提取器为含有可学参数的映射函数。
进一步的，所述参数化载波频偏估计器、所述参数化载波相偏估计器和所述参数化射频指纹提取器为神经网络、卷积神经网络或者带参数统计的分布模型。
本发明的有益效果是：
1、本发明提出的智能载波同步可以实现对射频信号中的设备相关信息极大化地保留，极大提高了射频指纹的泛化能力。
2、本发明提出辅助分类器构造参数优化目标，使得优化分类性能等价与直接优化射频指纹的类内类间距离，从而使得射频指纹具有高可区分的特点。
3、本发明提出的射频指纹提取方法所得到的射频指纹仅通过余弦距离比对即可实现大规模设备识别，不仅可以对见过设备进行识别和验证，还能对未见过设备有较好的泛化能力。
附图说明
图1为本发明的智能载波同步射频指纹提取的流程图；
图2为本发明的射频指纹提取器的模型参数估计流程图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术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，都属于本发明保护的范围。
实施例1
参见图1和图2，本实施例提出一种基于智能载波同步的高区分度射频指纹学习与提取方法，具体如图1所示，包括以下步骤：
步骤1、接收机以采样率fs接收射频信号r(t)，得到离散信号r(n)，采样点个数为M，通过下变频得到全部基带信号xr(n),并将xr(n)的能量归一化至1。
具体的说，本实施例中，选用了10Msps采样率，分别对2MHz符号速率的QPSK前导信号进行采集和下变频，得到对应的基带信号xr(n)。因此，接收端对这两个信号分别进行了5倍过采样，采用的信号段共包含1280个采样点。
步骤2、智能载波同步，具体包括：
步骤2.1、给定基带信号xr(n)，利用参数化载波频偏估计函数器f(·；θω)估计基带信号的频偏ω:
ω＝f(xr(n)；θω)，
其中θω为可学习参数；并利用估计得到的频偏ω，对基带信号xr(n)进行频偏补偿：
xω(n)＝xr(n)e-j2πωn，
得到修正频偏ω后的信号xω(n)；
步骤2.2、给定xω(n)，利用参数化相偏估计函数器f(·；θφ)估计基带信号的频偏φ:
φ＝f(xω(n)；θφ),
其中θφ为可学习参数；并利用估计得到的频偏φ，对基带信号进行相偏补偿：
xω,φ(n)＝xω(n)ej2πφ,
得到修正频偏ω和相偏φ后的信号xω,φ(n).
具体的说，本实施例中，选用的f(·；θφ)和f(·；θω)可以为神经网络、卷积神经网络或者带参数统计分布等模型，更具体的说，在本实施例中，选用的f(·；θφ)和f(·；θω)均为定制的信号卷积神经网络，其包括：
a)信号转图像层，将1280个采样点按照每16个采样点进行截断，重排列为行80列16的信号图像，并将每个采样点的实部、虚部分别作为图像的两个通道；
b)6层卷积神经网络，对应每层的(卷积核个数/卷积核大小/卷积间隔/图像边缘增广)分别为：第一层(4/3x3/1/1)，第二层(8/3x3/1/1)，第三层(16/3x3/2/1)，第四层(32/3x3/1/1)，第五层(64/3x3/2/1)，第六层(128/3x3/2/1)；
c)全连接层作为输出层，输出维度为1。
步骤3、给定同步后的信号xω,φ(n)，用带可学习参数θRFF的射频指纹提取器f(·；θRFF)提取cω,φ(n)中的射频指纹向量z：
z＝f(xω，φ(n)；θRFF)，
具体的说，本实施例中，选用的f(xω，φ(n)；θRFF)为神经网络、卷积神经网络或者带参数统计分布模型，更具体的说，在本实施例中，选用的f(xω,φ(n)；θRFF)为定制的信号卷积神经网络，其包括：
a)信号转图像层，将1280个采样点按照每16个采样点进行截断，重排列为行80列16的信号图像，并将每个采样点的实部、虚部分别作为图像的两个通道；
b)6层卷积神经网络，对应每层的(卷积核个数/卷积核大小/卷积间隔/图像边缘增广)分别为：第一层(8/3x3/1/1)，第二层(16/3x3/1/1)，第三层(32/3x3/2/1)，第四层(64/3x3/1/1)，第五层(128/3x3/2/1)，第六层(246/3x3/2/1)；
c)全连接层作为输出层，输出维度为512。
步骤4、将步骤2至步骤3的过程看成一完整的射频指纹提取器F(·；θω,θφ,θRFF)，给定第i个基带信号和设备身份样本对(xr,i(n)，yi),则第i个样本的射频指纹提取过程可以视为：
zi＝F(xr，i(n)；θω，θφ,θRFF),
给定射辅助线性分类器
Figure BDA0003197441980000061
和，其中K为训练集中的总设备数,wj为第j个设备对应的权值向量,yi∈{1,2,...，K}为第i个样本的设备标签。构造第i个样本的似然函数为p(yi|zi):
Figure BDA0003197441980000062
其中归一化权值w′k＝wk/||wk||和归一化射频指纹z′i＝α*zi/||zi||，α>0为超参数控制归一化射频指纹的模长。
具体的说，本实施例中，超参数α设置为10。
步骤5、如图2所示，给定完整的射频指纹提取器F(·；θω，θφ,θRFF)，其中，θω，θφ，θRFF分别为参数化载波频偏估计器f(·；θω)、参数化载波相偏估计器f(·；θφ)和射频指纹提取器f(·；θRFF)的可学习参数；给定包含N个基带信号和设备身份样本对的训练集
Figure BDA0003197441980000063
和似然函数p(yi|zi)，得到对数极大似然估计的优化目标LMlE：
Figure BDA0003197441980000064
则θω，θφ,θRFF可通过：
Figure BDA0003197441980000065
进行求解，所得到的
Figure BDA0003197441980000066
即为最终的射频指纹提取器，该指纹提取器为基于智能载波同步的高区分度射频指纹提取器。
具体的说，本实施例中，可以采用梯度下降，随机梯度下降，带动量梯度下降法，拉格朗日乘数法或者牛顿法求解上式，更具体的说，在本实施例中，求解上式采用自适应随机梯度下降Adam作为优化器，学习率为1e-4，参数β1＝0.9,β2＝0.99。
具体的说，本实施例中，通过训练集统计得到最小等错误率的距离阈值T，射频指纹识别和验证通过比较余弦距离来实现：设定距离阈值T，当两个的射频指纹余弦距离小于等于T，则认为这两个射频指纹来源于同一台设备；当两个的射频指纹余弦距离大于T，则认为这两个射频指纹来源于两台不同设备。综上所述，本发明提供的一种基于智能载波同步的高区分度射频指纹学习与提取方法，能够实现在射频指纹中极大化保留接收信号中的设备相关信息，同时对见过和没见过设备依然具有极高的可区分性。本发明通过对传统载波同步的智能化，利用极大似然估计对可学习参数进行估计，使得模型可以极大程度地保留其输入的设备相关信息，并通过特征归一化保证其优化目标与距离空间性质相匹配，使得优化所得到的高区分度射频指纹可以仅通过距离比对实现设备识别和验证。
本发明未详述之处，均为本领域技术人员的公知技术。
以上详细描述了本发明的较佳具体实施例。应当理解，本领域的普通技术人员无需创造性劳动就可以根据本发明的构思作出诸多修改和变化。因此，凡本技术领域中技术人员依本发明的构思在现有技术的基础上通过逻辑分析、推理或者有限的实验可以得到的技术方案，皆应在由权利要求书所确定的保护范围内。

Claims (9)

1.一种基于智能载波同步的高区分度射频指纹学习与提取方法，其特征在于，包括如下步骤：
步骤S1、采集基带信号，并对基带信号进行能量归一化处理；
步骤S2、利用参数化载波频偏估计器对所述基带信号进行载波频偏估计，再利用估计所得的频偏对所述基带信号进行补偿，得到频偏修正后信号；利用参数化载波相偏估计器对所述频偏修正后信号进行载波相偏估计，再用估计所得相偏对所述频偏修正后信号进行补偿得到智能载波同步后的信号；
步骤S3、将所述智能载波同步后的信号输入至参数化射频指纹提取器中，获得射频指纹向量；其中，
所述参数化载波频偏估计器包括第一可学习参数，所述参数化载波相偏估计器包括第二可学习参数，所述参数化射频指纹提取器包括第三可学习参数，所述第一可学习参数、第二可学习参数以及第三可学习参数是通过大似然估计求得。
2.根据权利要求1所述的一种基于智能载波同步的高区分度射频指纹学习与提取方法，其特征在于，所述步骤S1具体包括：
接收机以采样率fs接收射频信号r(t)，得到离散信号r(n)，采样点个数为M，通过下变频得到全部基带信号xr(n)，并将xr(n)的能量归一化至1。
3.根据权利要求2所述的一种基于智能载波同步的高区分度射频指纹学习与提取方法，其特征在于，所述步骤S2具体包括：
步骤S201、将经过了能量归一化处理后的基带信号xr(n)输入至所述参数化载波频偏估计器f(·；θω)中，估计所述基带信号xr(n)的频偏ω，表达式为
ω＝f(xr(n)；θω) (1)
公式(1)中，θω表示为第一可学习参数；
步骤S202、利用步骤S201中估计得到的频偏ω，对所述基带信号xr(n)进行频偏补偿，得到频偏修正后信号xω(n)，表达式为：
xω(n)＝xr(n)e-j2πωn (2)
公式(2)中，j为虚数单位，即j2＝-1，n为离散时间点；
步骤S203、将步骤S202得到的频偏修正后信号xω(n)输入至所述参数化载波相偏估计器f(·；θφ)中，估计所述频偏修正后信号xω(n)的相偏φ，表达式为：
φ＝f(xω(n)；θφ) (3)
公式(1)中，θφ表示为第二可学习参数；
步骤S204、利用步骤S203中估计得到的相偏φ，对所述频偏修正后信号xω(n)进行相偏补偿，得到所述智能载波同步后的信号xω，φ(n)，表达式为：
xω，φ(n)＝xω(n)ej2πφ (4)
公式(4)中，j为虚数单位，即j2＝-1，n为离散时间点。
4.根据权利要求3所述的一种基于智能载波同步的高区分度射频指纹学习与提取方法，其特征在于，所述步骤S3具体包括：
将所述智能载波同步后的信号xω，φ(n)输入至参数化射频指纹提取器f(·；θRFF)提取xω，φ(n)中的射频指纹向量z，表达式为：
z＝f(xω，φ(n)；θRFF) (5)
公式(5)中，θRFF表示为第三可学习参数。
5.根据权利要求4所述的一种基于智能载波同步的高区分度射频指纹学习与提取方法，其特征在于，所述第一可学习参数、第二可学习参数以及第三可学习参数具体通过如下方式求得：
步骤S401、构建完整的射频指纹提取器F(·；θω，θφ，θRFF)，其中，θω表示为第一可学习参数，θφ表示为第二可学习参数，θRFF表示为第三可学习参数；
步骤S402、将第i个基带信号xr，i(n)输入至所述完整的射频指纹提取器F(·；θω，θφ，θRFF)中进行射频指纹提取，表达式为：
zi＝F(xr，i(n)；θω，θφ，θRFF) (6)
公式(6)中，zi表示为从第i个样本中提取到的射频指纹向量；
步骤S403、构建辅助线性分类器
Figure FDA0003197441970000021
其中，K为训练集中的总设备数，wj为第j个设备对应的权值向量；
步骤S404、构建第i个样本的似然函数，表达式为：
Figure FDA0003197441970000022
公式(7)中，归一化权值w′k＝wk/||wk||和归一化射频指纹z′i＝α*zi/||zi||，α＞0为超参数，yi∈{1，2，...，K}为第i个样本的设备标签；
步骤S405、利用包括N个基带信号和设备身份样本对的训练集
Figure FDA0003197441970000023
以及步骤S404中构建的似然函数，构建对数极大似然估计的优化目标LMLE，表达式为：
Figure FDA0003197441970000031
步骤S406、对公式9进行求解，获得所述第一可学习参数θω，所述第二可学习参数θφ和所述第三可学习参数θRFF，可通过求解：
Figure FDA0003197441970000032
其中
Figure FDA0003197441970000033
W*分别为第一、第二、第三可学习参数和辅助线性分类器的最优解。
6.根据权利要求5所述的一种基于智能载波同步的高区分度射频指纹学习与提取方法，其特征在于，在所述步骤S406中，通过采用随机梯度下降法，带动量梯度下降法，拉格朗日乘数法或者牛顿法对公式9进行求解。
7.根据权利要求1-6中任一所述的一种基于智能载波同步的高区分度射频指纹学习与提取方法，其特征在于，设定距离阈值T，当两个的射频指纹余弦距离小于等于T，则认为这两个射频指纹来源于同一台设备；当两个的射频指纹余弦距离大于T，则认为这两个射频指纹来源于两台不同设备，其中，所述距离阈值T是通过训练集统计得到最小等错误率的距离阈值。
8.根据权利要求1-6中任一所述的一种基于智能载波同步的高区分度射频指纹学习与提取方法，其特征在于，所述参数化载波频偏估计器、所述参数化载波相偏估计器和所述参数化射频指纹提取器为含有可学参数的映射函数。
9.根据权利要求1-6中任一所述的一种基于智能载波同步的高区分度射频指纹学习与提取方法，其特征在于，所述参数化载波频偏估计器、所述参数化载波相偏估计器和所述参数化射频指纹提取器为神经网络、卷积神经网络或者带参数统计的分布模型。
CN202110894778.1A 2021-08-05 2021-08-05 一种基于智能载波同步的高区分度射频指纹学习与提取方法 Active CN113609982B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110894778.1A CN113609982B (zh) 2021-08-05 2021-08-05 一种基于智能载波同步的高区分度射频指纹学习与提取方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110894778.1A CN113609982B (zh) 2021-08-05 2021-08-05 一种基于智能载波同步的高区分度射频指纹学习与提取方法

Publications (2)

Publication Number Publication Date
CN113609982A true CN113609982A (zh) 2021-11-05
CN113609982B CN113609982B (zh) 2024-03-19

Family

ID=78306979

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110894778.1A Active CN113609982B (zh) 2021-08-05 2021-08-05 一种基于智能载波同步的高区分度射频指纹学习与提取方法

Country Status (1)

Country Link
CN (1) CN113609982B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115396264A (zh) * 2022-08-22 2022-11-25 网络通信与安全紫金山实验室 射频指纹提取方法、装置和计算机设备
WO2023155457A1 (zh) * 2022-02-18 2023-08-24 网络通信与安全紫金山实验室 一种信号处理方法、装置、电子设备及存储介质

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109274624A (zh) * 2018-11-07 2019-01-25 中国电子科技集团公司第三十六研究所 一种基于卷积神经网络的载波频偏估计方法
CN110346763A (zh) * 2019-07-17 2019-10-18 东南大学 一种用于雷达lfm信号的抗噪声射频指纹识别方法
CN111628950A (zh) * 2020-06-03 2020-09-04 国网江苏省电力有限公司无锡供电分公司 基于差分星座轨迹图的oqpsk信号盲频偏估计方法
CN111866876A (zh) * 2020-06-02 2020-10-30 东南大学 一种基于频偏预处理的无线设备识别方法、装置及存储介质

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109274624A (zh) * 2018-11-07 2019-01-25 中国电子科技集团公司第三十六研究所 一种基于卷积神经网络的载波频偏估计方法
CN110346763A (zh) * 2019-07-17 2019-10-18 东南大学 一种用于雷达lfm信号的抗噪声射频指纹识别方法
CN111866876A (zh) * 2020-06-02 2020-10-30 东南大学 一种基于频偏预处理的无线设备识别方法、装置及存储介质
CN111628950A (zh) * 2020-06-03 2020-09-04 国网江苏省电力有限公司无锡供电分公司 基于差分星座轨迹图的oqpsk信号盲频偏估计方法

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2023155457A1 (zh) * 2022-02-18 2023-08-24 网络通信与安全紫金山实验室 一种信号处理方法、装置、电子设备及存储介质
CN115396264A (zh) * 2022-08-22 2022-11-25 网络通信与安全紫金山实验室 射频指纹提取方法、装置和计算机设备
CN115396264B (zh) * 2022-08-22 2024-02-09 网络通信与安全紫金山实验室 射频指纹提取方法、装置和计算机设备

Also Published As

Publication number Publication date
CN113609982B (zh) 2024-03-19

Similar Documents

Publication Publication Date Title
CN107770263B (zh) 一种基于边缘计算的物联网终端安全接入方法及系统
CN110197127B (zh) 基于深度学习的无线信号检测与电磁干扰分类系统及方法
CN108718288B (zh) 基于卷积神经网络的数字信号调制模式识别方法
CN113609982A (zh) 一种基于智能载波同步的高区分度射频指纹学习与提取方法
CN108960138A (zh) 一种基于卷积神经网络的设备认证特征识别方法
CN109120563B (zh) 一种基于神经网络集成的调制识别方法
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
CN107392123B (zh) 一种基于相参积累消噪的射频指纹特征提取和识别方法
CN112613443A (zh) 一种基于深度学习的鲁棒性通信辐射源智能识别方法
Xu et al. A transformer based approach for open set specific emitter identification
CN111027614B (zh) 一种噪声增强射频指纹识别方法及装置
CN109472216B (zh) 基于信号非高斯特性的辐射源特征提取和个体识别方法
CN114218984B (zh) 一种基于样本多视图学习的射频指纹识别方法
CN113343868A (zh) 一种辐射源个体识别方法及装置、终端、存储介质
CN113869156A (zh) 一种射频指纹识别方法
CN109598216B (zh) 一种基于卷积的射频指纹特征提取方法
CN116776227A (zh) 基于特征融合的卫星身份识别方法和装置
CN115809426A (zh) 一种辐射源个体识别方法及系统
CN115996148A (zh) 一种面向mimo ofdm通信的电力物联网物理层设备认证方法
CN116132991A (zh) Rke系统的射频指纹认证方法、装置及存储介质
CN104507106A (zh) 8psk信号和pi/4-dqpsk信号的识别方法
CN109587136B (zh) 一种基于双极大值的射频指纹特征提取和识别方法
Yang et al. Conventional Neural Network‐Based Radio Frequency Fingerprint Identification Using Raw I/Q Data
CN113905383A (zh) 一种基于射频指纹的iff信号识别方法、装置及介质
Jajoo et al. Implementation of modulation classifier over software defined radio

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