CN114374975A - 一种可抗多径衰落的射频指纹识别方法及系统 - Google Patents
一种可抗多径衰落的射频指纹识别方法及系统 Download PDFInfo
- Publication number
- CN114374975A CN114374975A CN202210280037.9A CN202210280037A CN114374975A CN 114374975 A CN114374975 A CN 114374975A CN 202210280037 A CN202210280037 A CN 202210280037A CN 114374975 A CN114374975 A CN 114374975A
- Authority
- CN
- China
- Prior art keywords
- radio frequency
- equipment
- entropy
- signal
- symbol
- 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
- 238000000034 method Methods 0.000 title claims abstract description 45
- 238000005562 fading Methods 0.000 title claims abstract description 22
- 238000012545 processing Methods 0.000 claims abstract description 42
- 238000012549 training Methods 0.000 claims description 40
- 238000012360 testing method Methods 0.000 claims description 24
- 230000003044 adaptive effect Effects 0.000 claims description 9
- 238000005070 sampling Methods 0.000 claims description 9
- 238000004422 calculation algorithm Methods 0.000 claims description 8
- 238000010606 normalization Methods 0.000 claims description 6
- 238000004088 simulation Methods 0.000 claims description 5
- 238000013527 convolutional neural network Methods 0.000 claims description 4
- 238000012937 correction Methods 0.000 claims description 4
- 238000011176 pooling Methods 0.000 claims description 4
- 238000002372 labelling Methods 0.000 claims description 3
- 230000004044 response Effects 0.000 claims description 3
- 238000004891 communication Methods 0.000 abstract description 3
- 230000008569 process Effects 0.000 description 9
- 238000004364 calculation method Methods 0.000 description 7
- 230000006870 function Effects 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 239000011159 matrix material Substances 0.000 description 3
- 230000008859 change Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000002093 peripheral effect Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000001228 spectrum Methods 0.000 description 1
- 230000001052 transient effect Effects 0.000 description 1
Images
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W12/00—Security arrangements; Authentication; Protecting privacy or anonymity
- H04W12/60—Context-dependent security
- H04W12/69—Identity-dependent
- H04W12/79—Radio fingerprint
-
- 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
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Computer Security & Cryptography (AREA)
- Molecular Biology (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Mobile Radio Communication Systems (AREA)
Abstract
本发明公开了一种可抗多径衰落的射频指纹识别方法及系统,属于无线通信技术领域,包括如下步骤:采集待识别的无线射频设备发送的射频信号,对待识别的射频信号进行处理,得到待识别图像,将待识别图像输入预先训练的分类器,分类器依据分类标签得出无线射频设备的分类结果,依据分类结果计算得到对应的熵值;依据对应的熵值得到待识别无线分类设备的识别结果。本发明可补偿多径衰落对射频指纹的影响,并能在已知设备类别中识别设备的具体身份,达到无线设备安全认证的目的。
Description
技术领域
本发明涉及一种可抗多径衰落的射频指纹识别方法及系统,属于无线通信技术领域。
背景技术
大多数无线环境下的通信会受到无线信道的影响,然而传统的无线设备身份识别技术更多考虑的是噪声对识别效果的影响,并未考虑实际中无线信道复杂的多径干扰效应,不能很好地识别叠加了多径信道的射频指纹,导致射频指纹参数提取困难。因此,需要一种可抵抗多径干扰的设备身份识别方法。
此外,现有的基于射频指纹的无线设备识别,无论是利用瞬态特性还是稳态特征,都是通过提取设备特定的参数信息用于设备身份识别,没有直接利用射频信号的图像信息。
发明内容
本发明所要解决的技术问题是克服现有技术的缺陷,提供一种可抗多径衰落的射频指纹识别方法,解决现有身份识别技术中多径衰落对射频指纹识别的影响和射频指纹参数提取困难的技术问题。
为达到上述目的,第一方面,本发明提供一种可抗多径衰落的射频指纹识别方法,包括如下步骤:
采集待识别的无线射频设备发送的射频信号,对待识别的射频信号进行处理,得到待识别图像,将待识别图像输入预先训练的分类器,分类器依据分类标签得出无线射频设备的分类结果,依据分类结果计算得到对应的熵值;依据对应的熵值得到待识别无线分类设备的识别结果;
其中,所述分类器的训练包括:采集设备信息已知的无线射频设备发送的射频信号作为样本射频信号,并进行分类标签;对样本射频信号进行处理,得到样本图像,运用卷积神经网络算法读取样本图像数据,经过两层卷积池化并进行训练,得到分类器。
进一步地,所述无线射频设备发送的射频信号为不同设备在不同多径信道条件下发送的相同频点的射频信号。
进一步地,对样本射频信号进行处理和对待识别的射频信号的处理包括如下步骤:对接收到的信号进行信号捕获、下采样、能量归一化、频偏校正和信道均衡处理。
进一步地,所述信号捕获的方法包括检测能量跳变位置;
所述下采样的频率大于奈奎斯特采样频率。
进一步地,所述信道均衡处理包括如下步骤:将信号输入自适应均衡器,自适应均衡器采用均衡算法对输入信号的波形进行自适应前向反馈均衡处理。
进一步地,所述自适应均衡器包括前向反馈均衡器;
所述前向反馈均衡器的训练序列和阶数预先指定。
进一步地,所述自适应前向反馈均衡处理包括如下步骤:
其中,是第个码元的抽头系数,是第个码元输入时刻的信号,是第个码元输入时刻的信号,是当前输入的码元的序号,是经抽头系数调整过的任意
一个码元的序号,由于码元表示时间间隔相同的符号,因此上式时域表达式为:
当前信号码元加权求和结束后,求解当前码元和之前码元的误差数据,基于误差数据和当前码元调整前向反馈均衡器的抽头系数,用以减少均衡误差;
依次对后续码元进行自适应前向反馈均衡处理,直至所有的信号波形都经过校正后结束。
进一步地,所述分类器输出的分类结果数据包括待识别设备从属类别的识别结果和对应的概率;
所述分类器得出无线射频设备的分类结果,并依据分类结果计算得到对应熵值包括如下步骤:
计算此待测设备的熵值:
多次获取待测设备发送的射频信号,并分别求取熵值,依据待测设备的多个熵值求取该待测设备的熵均值;
将熵均值与预设的阈值进行比较,若熵均值小于设定的阈值,则判定待测设备为已知设备,并依据分类器给出的标签获取相应已知的设备的信息;否则,判定为未知设备。
进一步地,预设阈值确定的方法包括如下步骤:
采集多台已知设备的射频信号经处理后得到的图像进行训练,并分别对各台已知设备进行测试,分别求取其熵值;
采集与已知设备数目相同的另外多台未知设备的射频信号经处理后得到的图像进行测试,并对未知设备分别求取其熵值;
基于各已知设备和未知设备的熵值数据绘制仿真图,仿真图显示已知设备信息的设备和未知设备信息的设备熵值存在分层现象;
求解上述多台已知设备的熵均值和上述多台未知设备的熵均值,并进行对比得出未知设备的熵均值大于已知设备的熵均值,在已知设备和未知设备的熵均值之间指定一个中间值,即作为阈值。
第二方面,本发明提供了一种可抗多径衰落的射频指纹识别系统,包括存储介质及处理器;
所述存储介质用于存储指令;
所述处理器用于根据所述指令进行操作以执行第一方面中任一项所述方法的步骤。
本发明所达到的有益效果:
本发明利用自适应均衡器处理信号,可以补偿多径衰落对射频指纹的影响,并直接对射频信号的射频指纹图像训练学习,不需要频偏、相偏和调制信息等特征参数,通过训练学习得出的分类器以及熵值计算和比较可以有效地识别已知设备和未知设备,并能在已知设备类别中识别设备的具体身份,达到无线设备安全认证的目的。
附图说明
图1是本发明实施例提供的一种可抗多径衰落的射频指纹识别方法的流程图;
图2是本发明实施例提供的一种可抗多径衰落的射频指纹识别方法中前向反馈均衡器的结构图;
图3是测试数据未分组情况下的测试正确概率;
图4是将K次采集的测试数据进行分组后的测试正确概率。
具体实施方式
下面结合附图对本发明作进一步描述。以下实施例仅用于更加清楚地说明本发明的技术方案,而不能以此来限制本发明的保护范围。
实施例一:
本发明实施例一提供一种可抗多径衰落的射频指纹识别方法,应用于无线射频设备安全认证,如图1所示,包括如下步骤:
步骤一:
采集设备信息已知的无线射频设备发送的射频信号作为样本射频信号,并进行分类标签。
无线射频设备发送的射频信号为不同设备在不同多径信道条件下发送的相同频点的射频信号,例如在不同位置发送的射频信号。
步骤二:
对样本射频信号进行处理,得到样本图像,运用卷积神经网络算法读取样本图像数据,经过两层卷积池化并进行训练,得到分类器。
对样本射频信号进行处理包括如下步骤:对接收到的样本射频信号进行信号捕获、下采样、能量归一化、频偏校正和信道均衡处理。
信道均衡处理包括如下步骤:将信号输入自适应均衡器,采用均衡算法对输入波形进行自适应前向反馈均衡处理。
自适应均衡器包括前向反馈均衡器,前向反馈均衡器的训练序列和阶数预先指定。
步骤三:
采集待识别的无线射频设备发送的射频信号,对待识别的射频信号进行处理,得到待识别图像,将待识别图像输入分类器,分类器依据分类标签得出无线射频设备的分类结果,依据分类结果计算得到对应的熵值;依据对应的熵值得到待识别无线分类设备的识别结果。
对待识别的射频信号进行处理包括如下步骤:对接收到的待识别的射频信号进行信号捕获、下采样、能量归一化、频偏校正和信道均衡处理。
信道均衡处理包括如下步骤:将信号输入自适应均衡器,采用均衡算法对输入波形进行自适应前向反馈均衡处理。
自适应均衡器包括前向反馈均衡器,前向反馈均衡器的训练序列和阶数预先指定。
分类器输出的分类结果数据包括待识别设备从属类别的识别结果和对应的概率。
分类器得出无线射频设备的分类结果,并依据分类结果计算得到对应熵值包括如下步骤:
计算此测试设备的熵值:
多次获取待测设备发送的射频信号,并分别求取熵值,依据待测设备的多个熵值求取该待测设备的熵均值;
将熵均值与预设的阈值进行比较,若熵均值小于设定的阈值,则判定待测设备为已知设备,并依据分类器给出的标签获取相应已知的设备的信息;否则,判定为未知设备。
预设阈值确定的方法包括如下步骤:
本发明的实施例中为简化计算量,同时又可满足阈值确定要求,分别选用M台已知设备和M台未知设备进行阈值确定,M台已知设备的设备类型不同,M台未知设备的设备类型不同;
采集M台已知设备的射频信号经处理后得到的图像进行训练,并对此M台已知设备进行测试,分别求取这M台已知设备的熵值;
采集另外M台未知设备的射频信号经处理后得到的图像进行测试,并分别求取这M台设备的熵值;
将这2M台设备的熵值数据绘制仿真图,观察发现M台已知设备信息的设备和M台未知设备信息的设备熵值存在分层现象;
求解M台已知设备的熵均值和M台未知设备的熵均值,可知未知设备的熵均值大于已知设备的熵均值,在已知设备和未知设备的熵均值之间指定一个中间值,即为阈值。
本发明的实施例中,步骤一和步骤二用于训练,用于制作在步骤三中需要使用的用于判定未知设备所属类别与对应概率的分类器,步骤三再通过分类器判别出待测设备的所属类别和对应概率后利用熵值计算和阈值比较的方法判定待测设备的信息。
在步骤一和步骤二中,需利用设备类型已知的设备进行训练制作分类器,本发明的实施例中选用USRP设备,USRP设备为通用软件无线电外设,其英文名称为UniversalSoftware Radio Peripheral。在训练制作分类器的过程中需要用到发射端和接收端,在步骤一中发射端采用N台USRP设备发射无线射频信号,发射端设备称为训练设备,此N台训练设备已知其设备信息,设备信息包括设备类型、设备属性等,以此设备信息作为分类标签,接收端采用一台USRP设备来接受无线射频信号。
将N台训练设备各自命名为,N可为任意自然数,例如N取值3、4、5、
6、7等,各训练设备分别置于不同位置,以保证在不同多径信道条件下进行样本射频信号的
收发,N台训练设备在相同频点处分别发送相同的射频信号,接收端设备依次采集N台训
练设备的射频信号,其中训练设备和接收端设备为同一厂家生产的同一型号的设备,接
收端设备依次采集到N台训练设备的射频信号,作为样本射频信号。
在步骤二中,对每台训练设备的样本射频信号采用检测能量跳变位置的方法进行
信号捕获。设为接收信号能量,为噪声能量,为有效信号能量。如果没有接收到有
效信号,此时,当开始接收到信号时,接收能量将增加为,因此信号
的捕获位置就是接收能量值改变之处。对经过信号捕获后的信号以大于奈奎斯特采样频率
的采样频率对接收端设备的信号进行下采样,得到下采样后的信号。将下采样后的信号
进行能量归一化处理得到能量归一化后的信号。利用频偏估计方法,对能量归一化后的信
号进行载波频偏估计与补偿,得到稳定的信号;然后对信号进行自适应前向反馈均衡处理。
如图2为n抽头前向反馈均衡器,自适应前向反馈均衡处理包括如下步骤:前向反馈均衡器
的输入信号码元进入延迟单元,经延迟单元后分别与相应的R+1个抽头系数相乘,然后进入
加法器进行线性加权求和,得到当前码元的均衡结果:
其中,是第个码元的抽头系数,是第个码元输入时刻的信号,是第个码元输入时刻的信号,是当前输入的码元的序号,是经抽头系数调整过的任意
一个码元的序号,由于码元表示时间间隔相同的符号,因此上式时域表达式为:
当前信号码元加权求和结束后,求解当前码元和之前码元的误差数据,基于误差数据和当前码元调整前向反馈均衡器的抽头系数,用以减少均衡误差;
依次对后续码元进行自适应前向反馈均衡处理,直至所有的信号波形都经过校正
后结束。抽头系数的调整的过程如下:首先式表示了前文所说的加权求和过
程,为抽头系数组成的权系数矩阵,包含了R个时刻的权系数,为输入信号矩阵,包含
了R个时刻的码元信息;其次根据式得出抽头系数的值为上
一次的抽头系数加上一个与误差为自变量的函数,误差的改变决定了抽头系数的改变,是均衡器实际输出与信号的期望输出之间的差值,为时刻的码元期望值,是一个与误差和码元期望值相关的函数,是调整步长;最后根据式将系数合入权系数矩阵中,以用于下一个码元的均衡计算操作。本发明
的实施例中,步骤三中对获取的待识别的设备发送的射频信号的处理过程与步骤二中信息
已知的设备发送的射频信号的处理过程相同,同时步骤二和步骤三中射频信号处理完成后
会输出星座图,然后将星座图转换为图像并存储,本实施例中,利用已事先写入JPEG函数的
LabVIEW处理器将星座图转换为可视的图像进行存储,存储的每张图像大小为720*240像
素。
步骤二中,对转换并存储后的图像运用卷积神经网络算法读取N台训练设备转化得到的图像数据,经过两层卷积池化并进行训练,得到分类器,由于N台训练设备对应N类标签,所以分类器的输出为每张图像数据被判别为某一训练设备所对应的标签以及对应的判决概率;
由于训练所需的数据量较大,并且每张图像大小为720*240像素,在读取图像数据进行训练之前,将图像数据按照4:1进行下采样,下采样后的图像大小为180*60像素,可有效减少训练的计算量;
由于USRP设备中的振荡器频偏、相位噪声、调制器的调制误差、功放的非线性失真等因素,导致了各射频信号的频谱存在细微差异,为了充分学习不同训练设备发送的射频信号差异,需要对不同时刻、不同频段的训练设备信号进行采集、处理和训练,以得到更通用的分类器。
步骤三中,对每台待测设备的射频信号采集K次,在将射频信号转换并存储为图像
后,均输入到分类器中,通过分类器可以得到每张图像数据判定为第类训练设备
的概率,记为,通过公式,计算得到对应的熵值,因为每台测试设
备的数据采集次,相应的可得到次测试结果,进而计算得到每次测试的熵值,通过公式计算得到该待测设备的熵均值,其中表示第i次该测试设备对应的熵值。
通过将待测设备对应的熵均值与预设的阈值进行比较,当熵均值大于设定的阈值时,则此
待测设备判为未知设备;当熵均值小于设定的阈值时,则此待测设备判为已知设备,并根据
分类器给出的标签获取具体的已知设备的信息。
具体地,结合图3和图4,图中USRP1、USRP2和USRP3为已知设备,即已被训练过的设
备,获得的分类器对应USRP1、USRP2和USRP3这三类标签,USRP4为未知设备,即未被训练过
的设备,通过采集USRP1、USRP2、USRP3、USRP4这四台设备的图像数据进行测试,测试时每台
设备采集数据次,利用上述熵值计算和阈值比较来验证测试正确概率。图3是测试数据未
分组情况下的测试正确概率,图4是将次采集的测试数据进行分组后的测试正确概率,每
10个数据分为一组,在熵值计算中将每一组的10个瞬时熵值求和并取平均,再与设定的阈
值进行比较。当熵均值大于设定的阈值,将该组测试数据判为未知设备;当熵均值小于设定
的阈值,即判为已知设备,并根据分类器给出的标签获得具体已知设备,若一组数据中分类
器给出相同标签6次以上,则判定结果为该标签对应的具体已知设备。
实施例二:
基于与实施例一相同发明构思,本发明实施例二中提供了一种可抗多径衰落的射频指纹识别系统,包括存储介质及处理器;
所述存储介质用于存储指令;
所述处理器用于根据所述指令进行操作以执行根据实施例一中任一项所述方法的步骤。
以上所述仅是本发明的优选实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明技术原理的前提下,还可以做出若干改进和变形,这些改进和变形也应视为本发明的保护范围。
Claims (10)
1.一种可抗多径衰落的射频指纹识别方法,其特征在于:包括如下步骤:
采集待识别的无线射频设备发送的射频信号,对待识别的射频信号进行处理,得到待识别图像,将待识别图像输入预先训练的分类器,分类器依据分类标签得出无线射频设备的分类结果,依据分类结果计算得到对应的熵值;依据对应的熵值得到待识别无线分类设备的识别结果;
其中,所述分类器的训练包括:采集设备信息已知的无线射频设备发送的射频信号作为样本射频信号,并进行分类标签;对样本射频信号进行处理,得到样本图像,运用卷积神经网络算法读取样本图像数据,经过两层卷积池化并进行训练,得到分类器。
2.根据权利要求1所述的一种可抗多径衰落的射频指纹识别方法,其特征在于:所述无线射频设备发送的射频信号为不同设备在不同多径信道条件下发送的相同频点的射频信号。
3.根据权利要求1所述的一种可抗多径衰落的射频指纹识别方法,其特征在于:对样本射频信号进行处理和对待识别的射频信号的处理包括如下步骤:对接收到的信号进行信号捕获、下采样、能量归一化、频偏校正和信道均衡处理。
4.根据权利要求3所述的一种可抗多径衰落的射频指纹识别方法,其特征在于:所述信号捕获的方法包括检测能量跳变位置;
所述下采样的频率大于奈奎斯特采样频率。
5.根据权利要求3所述的一种可抗多径衰落的射频指纹识别方法,其特征在于:所述信道均衡处理包括如下步骤:将信号输入自适应均衡器,自适应均衡器采用均衡算法对输入信号的波形进行自适应前向反馈均衡处理。
6.根据权利要求5所述的一种可抗多径衰落的射频指纹识别方法,其特征在于:所述自适应均衡器包括前向反馈均衡器;
所述前向反馈均衡器的训练序列和阶数预先指定。
7.根据权利要求6所述的一种可抗多径衰落的射频指纹识别方法,其特征在于:所述自适应前向反馈均衡处理包括如下步骤:
其中,是第个码元的抽头系数,是第个码元输入时刻的信号,是第
个码元输入时刻的信号,是当前输入的码元的序号,是经抽头系数调整过的任意一个码
元的序号,由于码元表示时间间隔相同的符号,因此上式时域表达式为:
当前信号码元加权求和结束后,求解当前码元和之前码元的误差数据,基于误差数据和当前码元调整前向反馈均衡器的抽头系数,用以减少均衡误差;
依次对后续码元进行自适应前向反馈均衡处理,直至所有的信号波形都经过校正后结束。
9.根据权利要求8所述的一种可抗多径衰落的射频指纹识别方法,其特征在于:预设阈值确定的方法包括如下步骤:
采集多台已知设备的射频信号经处理后得到的图像进行训练,并分别对各台已知设备进行测试,分别求取其熵值;
采集与已知设备数目相同的另外多台未知设备的射频信号经处理后得到的图像进行测试,并对未知设备分别求取其熵值;
基于各已知设备和未知设备的熵值数据绘制仿真图,仿真图显示已知设备信息的设备和未知设备信息的设备熵值存在分层现象;
求解上述多台已知设备的熵均值和上述多台未知设备的熵均值,并进行对比得出未知设备的熵均值大于已知设备的熵均值,在已知设备和未知设备的熵均值之间指定一个中间值,即作为阈值。
10.一种可抗多径衰落的射频指纹识别系统,其特征在于,包括存储介质及处理器;
所述存储介质用于存储指令;
所述处理器用于根据所述指令进行操作以执行根据权利要求1~9任一项所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210280037.9A CN114374975A (zh) | 2022-03-22 | 2022-03-22 | 一种可抗多径衰落的射频指纹识别方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210280037.9A CN114374975A (zh) | 2022-03-22 | 2022-03-22 | 一种可抗多径衰落的射频指纹识别方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114374975A true CN114374975A (zh) | 2022-04-19 |
Family
ID=81145512
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210280037.9A Pending CN114374975A (zh) | 2022-03-22 | 2022-03-22 | 一种可抗多径衰落的射频指纹识别方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114374975A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114867018A (zh) * | 2022-06-06 | 2022-08-05 | 西安交通大学 | 利用载波频率偏移的设备识别认证方法、系统及存储介质 |
CN116545575A (zh) * | 2023-07-03 | 2023-08-04 | 南京邮电大学 | 一种基于射频指纹识别的智能干扰方法及系统 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20060044061A1 (en) * | 2004-08-27 | 2006-03-02 | Scintera Networks, Inc. | Analog delay chain having more uniformly distributed capacitive loads and analog delay cell for use in chain |
CN110647951A (zh) * | 2019-11-27 | 2020-01-03 | 南京邮电大学 | 基于机器学习算法的无线射频设备身份识别方法及系统 |
CN110830400A (zh) * | 2018-08-13 | 2020-02-21 | 上海澜至半导体有限公司 | 判决反馈均衡处理装置和方法 |
CN112566129A (zh) * | 2020-12-11 | 2021-03-26 | 东南大学 | 一种可抗多径干扰的射频指纹提取与识别方法 |
-
2022
- 2022-03-22 CN CN202210280037.9A patent/CN114374975A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20060044061A1 (en) * | 2004-08-27 | 2006-03-02 | Scintera Networks, Inc. | Analog delay chain having more uniformly distributed capacitive loads and analog delay cell for use in chain |
CN110830400A (zh) * | 2018-08-13 | 2020-02-21 | 上海澜至半导体有限公司 | 判决反馈均衡处理装置和方法 |
CN110647951A (zh) * | 2019-11-27 | 2020-01-03 | 南京邮电大学 | 基于机器学习算法的无线射频设备身份识别方法及系统 |
CN112566129A (zh) * | 2020-12-11 | 2021-03-26 | 东南大学 | 一种可抗多径干扰的射频指纹提取与识别方法 |
Non-Patent Citations (2)
Title |
---|
钱丽霞: "基于长线传输系统的自适应FFE-DFE均衡技术的研究", 《中国优秀博硕士学位论文全文数据库(硕士) 信息科技辑》 * |
钱丽霞等: "一种应用于RFID数据传输的自适应均衡方法", 《计算机技术与发展》 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114867018A (zh) * | 2022-06-06 | 2022-08-05 | 西安交通大学 | 利用载波频率偏移的设备识别认证方法、系统及存储介质 |
CN116545575A (zh) * | 2023-07-03 | 2023-08-04 | 南京邮电大学 | 一种基于射频指纹识别的智能干扰方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Hu et al. | Deep neural network for robust modulation classification under uncertain noise conditions | |
CN110855591B (zh) | 一种基于卷积神经网络结构的qam和psk信号类内调制分类方法 | |
CN114374975A (zh) | 一种可抗多径衰落的射频指纹识别方法及系统 | |
CN110086737B (zh) | 一种基于图神经网络的通信信号调制方式的识别方法 | |
CN108764077B (zh) | 一种基于卷积神经网络的数字信号调制分类方法 | |
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 | |
CN114896887B (zh) | 一种基于深度学习的用频设备射频指纹识别方法 | |
CN116866129A (zh) | 一种无线通信信号检测方法 | |
CN114584230B (zh) | 一种基于对抗网络与长短期记忆网络的预测信道建模方法 | |
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 | |
KR20230098253A (ko) | 다중 라디오 주파수 장애 추정 | |
CN110290466A (zh) | 楼层判别方法、装置、设备及计算机存储介质 | |
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 | |
Wong et al. | Emitter identification using CNN IQ imbalance estimators | |
Wong et al. | Estimation of transmitter I/Q imbalance using convolutional neural networks | |
CN113259289B (zh) | 基于残差神经网络的单通道混叠信号调制模式识别方法 | |
CN111260024A (zh) | 基于长短期记忆和典型相关结合的故障检测方法及系统 | |
Luo et al. | Robustness of deep modulation recognition under awgn and rician fading | |
Wu et al. | Interference detection and recognition based on signal reconstruction using recurrent neural network | |
CN115238748B (zh) | 一种基于Transformer和决策融合的调制识别方法 | |
Popoola | Automatic recognition of both inter and intra classes of digital modulated signals using artificial neural network | |
CN115588439A (zh) | 一种基于深度学习的声纹采集装置的故障检测方法及装置 | |
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 | |
CN112566129B (zh) | 一种可抗多径干扰的射频指纹提取与识别方法 | |
CN114285701B (zh) | 一种主用户发射功率识别方法、系统、设备及终端 |
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: 20220419 |
|
RJ01 | Rejection of invention patent application after publication |