CN114980122A - 一种小样本射频指纹智能识别系统与方法 - Google Patents

一种小样本射频指纹智能识别系统与方法 Download PDF

Info

Publication number
CN114980122A
CN114980122A CN202210479792.XA CN202210479792A CN114980122A CN 114980122 A CN114980122 A CN 114980122A CN 202210479792 A CN202210479792 A CN 202210479792A CN 114980122 A CN114980122 A CN 114980122A
Authority
CN
China
Prior art keywords
radio frequency
data
network
training
frequency fingerprint
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
Application number
CN202210479792.XA
Other languages
English (en)
Inventor
周福辉
梁宏韬
徐铭
王锐韬
张子彤
赵越
袁璐
丁锐
吴启晖
董超
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.)
Nanjing University of Aeronautics and Astronautics
Original Assignee
Nanjing University of Aeronautics and Astronautics
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 Nanjing University of Aeronautics and Astronautics filed Critical Nanjing University of Aeronautics and Astronautics
Priority to CN202210479792.XA priority Critical patent/CN114980122A/zh
Publication of CN114980122A publication Critical patent/CN114980122A/zh
Pending legal-status Critical Current

Links

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
    • 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
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W12/00—Security arrangements; Authentication; Protecting privacy or anonymity
    • H04W12/06—Authentication
    • 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)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Security & Cryptography (AREA)
  • General Health & Medical Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Biomedical Technology (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Signal Processing (AREA)
  • Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)

Abstract

本发明公开了一种小样本射频指纹智能识别系统与方法，解决了现有射频指纹识别方法依赖大量训练样本、识别容易受到干扰且准确率低等问题。通过数据采集模块、数据预处理模块、数据划分模块、数据训练模块、小样本学习模块和数据输出模块，最终输出分类结果。本发明通过学习类间的语义关系并将其映射入语义空间，通过孪生网络极大的提升了在样本数量很少时识别的准确率，降低了识别过程中的干扰，而且在较低信噪比条件下仍然能保持较高的准确率。本发明利用迁移学习，显著降低了对训练样本量的依赖；孪生网络综合了不同层次之间的特征信息，进一步提高了识别的准确率。

Description

一种小样本射频指纹智能识别系统与方法
技术领域
本发明属于无线通信领域，具体为一种在小样本环境下射频指纹的智能识别系统与方法。
背景技术
近年来，随着5G技术的成熟，关于6G无线通信网络的研究已经兴起。智能通信技术作为6G通信网络的关键组成部分，亟需深入研究。由于无线网络的开放性，加大了各类无线设备遭受非法用户接入以及大规模恶意攻击的风险，并已经成为严重阻碍无线网络技术发展应用的因素之一。在识别射频指纹的过程中，瞬态信号存在大量的细微特征信息，非常适用于设备的身份识别，同时，稳态信号的主要内容为掺杂信道噪声的通信信息数据，这一部分的无线信号同样可以通过提取一系列设备独有的信息作为设备特征。但是，不论是对瞬态特征还是稳态特征，可以人为提取的特征往往数量有限，同时也依赖于对数据进行去噪、信号变换等处理，最后在变换域提取特征，然而这种方法很难提取到最优的特征。特征的提取是射频指纹识别的关键，其优劣直接影响到信号识别的准确率。并且这种方法一般仅针对几种有限的电磁信号和特定的环境。深度神经网络作为一种从数据中自主学习不同层次特征的方法，近年来在不同领域得到了非常广泛的应用。射频指纹智能识别技术是6G无线通信中关键技术之一。因此，开展关于射频指纹智能识别的研究至关重要。
在射频指纹智能识别技术中，人们将特征提取和分类识别两个步骤闭环处理，直接将I/Q数据输入网络，实现了更高精度的端到端个体识别。M.Ezuma,F.Erden等人在其发表的论文“Micro-UAV Detection and Classification from RF Fingerprints UsingMachine Learning Techniques”(2019IEEE Aerospace Conference,pp.1-13,2019)通过对信号的瞬态变化进行分析，可以对多种信号进行识别，但是复杂的预处理过程使其应用困难。S.Gopalakrishnan等人在其发表的论文“Robust Wireless Fingerprinting viaComplex-Valued Neural Networks”(2019IEEE Global Communications Conference(GLOBECOM),pp.1-6,2019)通过加入噪声来进行数据增强,从而提升识别准确率，但其依赖大量的训练数据。Ender Ozturk等人在其发表的论文“RF-Based Low-SNR Classificationof UAVs Using Convolutional Neural Networks”(arXiv preprint arXiv:2009.05519,2020.)提出一种面向低信噪比的无人机信号识别算法,其在-10dB信噪比下可以达到92％的识别精度。但其在样本较少情况下射频指纹识别精度的提升仍然有限。
上述方法不仅需要大量的成本来收集相关信号样本并标记数据，而且在有新的设备加入时，对于已经应用的模型需要重新采集数据并进行训练，实际应用中大量成本的消耗使得该技术仍然停留在理论层面。此外，在实际情况中，数据丰富的类别通常只占所有数据类别的小部分。大多数数据类别只有很少的数据样本，甚至一些稀有类别几乎就没有数据样本。最后，目前的射频指纹识别方法在低信噪比条件下识别准确度很低，难以在实际复杂通信网络中应用。因此，亟需研究新的射频指纹智能识别方法。
发明内容
本发明提供一种小样本射频指纹智能识别系统与方法，通过学习类间的语义关系并将其映射入语义空间，通过孪生网络极大的提升了在样本数量很少时的识别准确率，降低了识别过程中的干扰，而且在较低信噪比条件下仍然能保持较高的准确率。
为实现上述目的，本发明采用以下技术方案：
本发明提供了一种小样本射频指纹智能识别系统，包括数据采集模块、数据预处理模块、数据划分模块、数据训练模块、小样本学习模块和数据输出模块，其中：
数据采集模块，用于对射频信号进行采集；
数据预处理模块，用于对数据采集模块的信号进行噪声处理，并转换成时频图；
数据划分模块，用于对数据预处理模块输出的时频图进行类别划分；
数据训练模块，用于对已分类好的数据进行射频指纹分类网络、射频指纹特征提取网络、射频指纹特征映射网络的数据训练；
小样本学习模块，基于上述已训练好的射频指纹分类网络、射频指纹特征提取网络、射频指纹特征映射网络，构建机器学习模型分类器，进行小样本数据学习，筛选出最优分类器；
数据输出模块，用于对测试数据进行输入，并输出分类结果。
本发明还提供了上述小样本射频指纹智能识别系统实现的小样本射频指纹智能识别方法，包括以下步骤：
步骤一，在数据采集模块中对射频信号进行采集，对采集的信号以向量形式表示，I为同相分量，Q为正交分量；
步骤二，在数据预处理模块中根据采集到的射频信号，建立对应的类别标签文件，并在射频信号中加入噪声；
步骤三，对步骤一和步骤二得到的I/Q数据进行预处理，进行归一化操作后设置分割点，并将分割结果转换为时频图；
步骤四，在数据划分模块中，将步骤三得到的时频图进行类别划分，得到基本数据集和新类数据集，基本数据集和新类数据集进一步各自划分为支持集和测试集；
步骤五，在数据训练模块中，构建并预训练射频指纹分类网络，将步骤四得到的基本数据集的支持集数据输入该网络并进行训练，得到射频指纹分类预训练模型；
步骤六，重构步骤五得到的射频指纹分类预训练模型，利用步骤五中的输出参数得到射频指纹特征提取网络；
步骤七，构建孪生网络训练模型，所述的孪生网络训练模型由射频指纹特征映射网络组成，将步骤六得到的特征输入射频指纹特征映射网络进行训练，得到射频信号的语义空间信息；
步骤八，判断射频指纹特征映射网络训练是否结束，若是，则执行步骤九，若否，将训练迭代次数加一后继续训练射频指纹特征映射网络；
步骤九，在小样本学习模块中，构建机器学习模型分类器，将少量样本依次输入步骤六和步骤七后得到的结果输入机器学习模型分类器，筛选出最优分类器；
步骤十，在数据输出模块中，将步骤四中的新类数据集中的测试集依次输入步骤六、步骤七和步骤九；
步骤十一，输出分类结果。
进一步的，步骤一中射频指纹识别视为一个K类假设检验问题，假设第k种射频信号的接收信号为xk(i)＝sk(i)+ωk(i)。其中，sk(i)表示第k种射频发射信号的第i个采样点，xk(i)表示第k种射频接收信号的第i个采样点，ωk(i)表示均值为0，方差为σ2的加性高斯白噪声，接收端得到的信号表示为向量形式的I/Q信号，xk＝Ik+Qk，其中xk表示xk(i)的向量形式，Ik和Qk分别表示信号的同相和正交分量。
进一步的，步骤二中，在无干扰的数据中加入噪声，无干扰信号的功率表示为：
Figure BDA0003627296620000041
其中N表示射频接收信号采样点的个数，设所需信号的信噪比为SNR，则需要生成的噪声功率为：
Pnoise[dB]＝Psignal[dB]-SNR
最终生成的信号为
sk[i]＝xk(i)+nk[i]
其中sk[i]表示最终生成的信号，nk[i]表示以功率Pnoise[dB]生成的加性高斯白噪声；
进一步的，步骤三中，得到步骤一和步骤二处理的数据后，依据数据采样点数判断分割点，将数据分割成多个样本，计算数据的均值和方差，对数据进行归一化操作，并将单个样本转换为时频图；
进一步的，步骤四中，基本数据集和新类数据集的数据和类别互不相交，基本数据集和新类数据集进一步各自划分为支持集和测试集，支持集和测试集的数据互不相交，但具有共同的类别；
进一步的，步骤五中，构建的射频指纹分类网络是对现有残差神经网络进行改良，通过改变网络最后全连接层的输出类别数量，从而适用于当前样本空间，完整的射频指纹训练网络由四个残差单元构成，残差单元由两个核大小为3×3的卷积层构成，批量归一化层在网络的中间层对中间数据进行标准化，从而避免中间变量偏导数饱和导致的梯度消失问题，残差堆叠单元由一个1×1卷积层、批量归一化层顺序连接构建，最后，在每个批量归一化层后面接入线性修正单元作为激活函数为网络引入非线性，预训练射频指纹分类网络时，随机初始化网络的可训练参数，初始化网络训练时期数等于1，最大时期数为50，学习率为0.001，随机梯度下降优化算法作为网络训练优化器，选用交叉熵损失函数计算网络输出与类别之间的差距，提供给网络训练优化器进行优化，得到射频指纹分类预训练模型；
进一步的，步骤六中，所述的射频指纹分类预训练模型的不同层输出的特征代表了不同层面的特征信息，重新加载新的射频指纹分类预训练模型并载入步骤五得到的最优参数，设置网络的输出参数为每一个残差单元的输出结果，输出维度分别为64×56×56，128×28×28，256×14×14和512×7×7，靠前的输出层输出通道数量较少，表示样本相对综合的特征，深层网络的输出通道较多，表示射频信号不同层面的细节特征，能够清晰地将对射频信号的指纹信息映射至特征空间；
进一步的，步骤七中，射频指纹特征映射网络由训练孪生网络的方法进行训练，将射频指纹特征提取网络学习到的特征映射到高维语义空间，通过计算两个输入样本之间的欧氏距离来评估两个样本之间的相似度，射频指纹特征映射网络由六个基本的残差三角单元构成，每个三角单元分别输入两个维度不同的高层特征和低层特征，对于高层特征，由两个核大小为3×3，步长分别为2和1的卷积层进行连接，步长为2的卷积层减小了数据的尺寸，使得其与低层特征相互匹配，每个卷积层后由批量归一化层进行连接，防止数据的过拟合，最后通过激活函数使得网络具有非线性性质，残差堆叠单元由一个大小为1×1、步长为2的卷积层、批量归一化层顺序连接构建，对于低层特征，由两个核大小为3×3、步长均为1的卷积层构成，卷积层后连接批量归一化层，最后由激活函数使网络具有非线性性质，经过处理后的高层特征和低层特征求和，经基本残差单元处理后输出，此处的残差单元与步骤六中的残差单元一致，射频指纹特征映射网络最终输出的特征经过平均池化层、线性回归层之后，映射到了512维语义空间；
进一步的，步骤九中，少量样本为新类数据集中的支持集数据，根据不同的任务将少量样本输入步骤六和步骤七中得到的最优模型中，最终得到样本各个维度的语义信息，构建机器学习模型分类器，将语义信息输入分类器训练，多个回合后，筛选出最优的分类器并进行保存。
本发明有益效果在于：
1、本发明学习类间的语义关系并将其映射入语义空间，通过孪生网络极大的提升了在样本数量很少时的识别准确率，降低了识别过程中的干扰，而且在较低信噪比条件下仍然能保持较高的准确率。
2、利用特征提取网络和特征映射网络对射频信号的特征进行学习，相比于传统的深度学习框架，本发明利用两种不同网络，综合了不同的特征，解决了传统方法仅用单一网络利用单一特征进行识别导致识别性能低的问题。
3、利用孪生网络的独特优势，相比于传统的深度学习框架在新环境下需要使用大量的数据作为训练样本，本发明仅需传统方法约5％的训练样本，极大地减少了对训练样本数量的依赖。
4、本发明将类别之间的语义关系推广到语义空间，解决了传统方法在存在干扰和低信噪比下识别效果不理想的情况，使得识别精度得到明显改善。
附图说明
图1是本发明的流程图；
图2是本发明的孪生网络总体框图；
图3是本发明的射频指纹特征提取和射频指纹特征映射网络示意图；
图4是采用本发明的射频指纹特征映射网络基本单元示意图；
图5是采用本发明和现有其他技术在不同测试方法下的分类准确率对比图；
图6是采用本发明在不同有不同程度干扰下训练收敛速度对比图；
图7是采用本发明在不同信噪比下的分类准确率对比图。
具体实施方式
下面结合附图对本发明作进一步说明。
结合附图1对本发明方法的具体步骤描述如下。
步骤1，射频指纹数据采集。
射频指纹识别可以视为一个K类假设检验问题，假设第k种射频信号的接收信号为xk(i)＝sk(i)+ωk(i)。其中，sk(i)表示第k种射频发射信号的第i个采样点，xk(i)表示第k种射频接收信号的第i个采样点，ωk(i)表示均值为0，方差为σ2的加性高斯白噪声。接收端得到的信号表示为向量形式的I/Q信号，xk＝Ik+Qk，其中xk表示xk(i)的向量形式，Ik和Qk分别表示信号的同相和正交分量。
步骤2，根据采集到的射频信号，建立对应的类别标签文件，并在射频信号中加入噪声。
本发明专利中采用七种无人机射频信号进行训练和测试，无人机的状态有打开、悬停和飞行三种状态，每种状态分别有在无干扰、有无线网干扰、有蓝牙干扰、有无线网和蓝牙干扰四种情况下的信号，并在无干扰的数据中加入噪声。无干扰信号的功率表示为：
Figure BDA0003627296620000071
其中N表示射频接收信号采样点的个数，设所需信号的信噪比为SNR，则需要生成的噪声功率为：
Pnoise[dB]＝Psignal[dB]-SNR
最终生成的信号为
sk[i]＝xk(i)+nk[i]
其中sk[i]表示最终生成的信号，nk[i]表示以功率Pnoise[dB]生成的加性高斯白噪声。
步骤3，对步骤(1)和(2)得到的I/Q数据进行预处理，进行归一化操作后设置分割点，并将分割结果转换为时频图。
得到步骤(1)和步骤(2)处理的数据后，依据数据采样点数判断分割点，将数据分割成多个样本。计算数据的均值和方差，对数据进行归一化操作，并将单个样本转换为时频图，以提供给射频指纹特征提取网络和射频指纹特征映射网络进行训练。
步骤4，将步骤(3)得到的时频图进行类别划分，得到基本数据集和新类数据集。
射频指纹特征提取网络和射频指纹特征映射网络的训练在基本数据集中完成，基本数据集、和新类数据集的数据和类别都互不相交。基本数据集和新类数据集进一步各自划分为支持集和测试集，支持集和测试集的数据互不相交，但具有共同的类别。
步骤5，构建并预训练射频指纹分类网络，将步骤(4)得到的支持集数据输入该网络并进行训练，得到射频指纹分类预训练模型。
本发明构建的预训练射频指纹分类网络是对现有残差神经网络进行改良得出。通过改变残差神经网络最后全连接层的输出类别数量，从而适用于当前样本空间。完整的射频指纹训练网络由四个残差单元构成，残差单元由两个核大小为3×3的卷积层构成。批量归一化层在网络的中间层对中间数据进行标准化，从而避免中间变量偏导数饱和导致的梯度消失问题。残差堆叠单元由一个1×1卷积层、批量归一化层顺序连接构建。最后，在每个批量归一化层后面接入线性修正单元作为激活函数为网络引入非线性。
预训练射频指纹分类网络时，随机初始化网络的可训练参数，初始化网络训练时期数等于1，最大时期数为50，学习率为0.001，随机梯度下降(SGD)优化算法作为网络训练优化器。选用交叉熵损失函数计算网络输出与类别之间的差距。
步骤6，重构步骤(5)得到的射频指纹分类预训练模型，利用不同层的输出参数得到射频指纹特征提取网络。
得到的预训练模型的不同层输出的特征代表了不同层面的特征信息，通过对最优模型的重新加载，使模型输出四个不同层提取的特征信息。较高的层输出通道数量较少，其可以表示样本相对综合的特征，较低的层输出通道很多，每个通道都可以表示不同层面的细节特征。在较低的层中，更能够清晰的对射频信号的指纹信息进行映射。
步骤7，构建由射频指纹特征映射网络组成的孪生网络训练模型，将步骤(6)得到的特征输入射频指纹特征映射网络进行训练，得到射频信号的语义空间信息。
射频指纹特征映射网络由训练孪生网络的方法进行训练，将射频指纹特征提取网络学习到的特征映射到高维语义空间，最后通过计算两个输入样本之间的欧氏距离来评估两个样本之间的相似度。特征映射网络由六个基本的残差三角单元构成。如附图4所示，每个三角基本单元分别输入两个维度不同的高层特征和低层特征。
对于高层特征，由两个核大小为3×3，步长分别为2和1的卷积层进行链接，步长为2的卷积层减小了数据的尺寸，使得其与低层特征相互匹配，每个卷积层后由批归一化层进行连接，防止数据的过拟合，最后通过激活函数使得网络具有非线性性质。残差堆叠单元由一个大小为1×1、步长为2的卷积层、批量归一化层顺序连接构建。
对于低层特征，由两个核大小为3×3、步长均为1的卷积层构成，卷积层后连接批归一化层，最后由激活函数使网络具有非线性性质。
经过处理后的高层特征和低层特征求和，经基本残差单元处理后输出，此处的残差单元与步骤(6)中的残差单元一致。特征映射网络最终输出的特征经过平均池化层、线性回归层之后，映射到了512维语义空间。特征映射网络总结了全局特征信息，因此它对干扰噪声具有更强的鲁棒性。
训练特征映射网络时，所有训练样本都被分成样本对，当样本对来自同一个类别时被标记为“1”，当它们来自不同的类别时被标记为“0”，标记“1”和“0”的概率相等，将标记表示为Y。样本先经过特征提取网络得到四个层次的特征，特征经过特征映射网络映射到高纬度特征空间，训练时只对特征映射网络的参数进行更新，因为特征提取网络已经训练完毕。计算损失的方式为对比损失，表示为：
Figure BDA0003627296620000091
其中，Di(x1,x2)＝||Gi(x1)-Gi(x2)||2表示第i个样本对语义特征之间的欧氏距离，
m为设定的阈值。Gi(xi)表示时频图经过射频指纹特征提取网络和射频指纹特征映射网络后的结果，本步骤中所有的训练均在基本数据集中的训练集进行，并使用基础训练集中的测试集进行测试。
步骤8，判断网络训练是否结束，若是，则执行步骤(9)，若否，将训练迭代次数加一后继续训练射频指纹特征映射网络。
判断当前训练时期是否达到最大训练时期数，若是，则进行步骤(8)，若否，则继续进行步骤(7)中的训练射频指纹特征映射网络。最终保存的射频指纹特征映射网络为在测试基本数据集中的测试集时，损失函数值最小的模型。
步骤9，构建机器学习模型分类器，将少量样本依次输入步骤(6)和(7)后得到的结果输入模型，筛选最优分类器。
至此，三个基准网络模型已经训练完成，进入小样本学习阶段。步骤9利用新类数据集中的支持集进行训练，根据不同的任务将少量的样本输入步骤(6)和步骤(7)中得到的最优模型中，最终得到样本各个维度的语义信息。构建机器学习模型分类器，将语义信息输入分类器训练，多个回合后，筛选出最优的分类器并进行保存。在本发明中，采用支持向联机作为机器学习分类方法。
步骤10，将新类数据集中的验证集数据依次输入步骤(6)、(7)、(9)得到的网络。
步骤11，输出分类结果。
下面结合仿真实验对本发明的效果做进一步说明。
1、仿真条件与参数设置：
本发明的仿真实验是在Python3.6，Pytorch1.10.1的仿真平台上进行的。计算机CPU型号为因特尔酷睿i7，搭载型号为英伟达Geforce RTX 2060独立显卡。数据集采用公开数据集drone detect dataset:a radio frequency dataset of unmanned aerialsystem(UAS)signals for machine learning detection&classification，数据集包含无干扰、有蓝牙干扰、有WIFI干扰和同时存在WIFI和蓝牙干扰四种情况下七种无人机三种状态时的射频信号，三种状态分别为无人机开启、飞行和悬停。每个数据文件有1.2×108个样本点，采样率为60兆赫兹。本发明实际测试时，每个数据文件被分成100份，即每个样本持续时间为20毫秒。基本数据集为七种无人机中随机选择的四种无人机，新类数据集为剩下的三种无人机射频数据。
2、仿真内容：
附图5是采用本发明和现有技术在无干扰数据集下面临不同任务时的分类准确率对比图。图5中的横坐标表示不同的任务，“C分类K样本”表示分类任务的类别数为C且每个类别支持集的样本个数为K。纵坐标表示识别准确率。以圆形标示的折线表示采用本发明方法的分类准确率曲线，以正方形标示的折线表示图神经网络在不同任务下的分类准确度曲线，以三角形标示的折线表示关系网络在不同任务下的分类准确度曲线，以叉标示的折线表示元迁移学习在不同任务下的分类准确度曲线，以五角星标示的折线表示元学习在不同任务下的分类准确度曲线。总共测试了四种任务，分别为5分类1样本、3分类1样本、5分类5样本和3分类5样本。通过比较可以看出本发明的分类准确度明显高于现有的其他方法。在执行5分类1样本时，本发明的分类准确度达到了75％左右，这超过了使用关系网络的方法大约68％的精度，超过了使用元迁移学习的方法大约52％的精度；在执行3分类5样本时，本发明的分类准确度达到了93％左右，这超过了基于图神经网络的方法大约77％的精度，超过了基于元学习大约83％的精度，此时，本发明方法的分类精度逐渐达到饱和，约95％左右。
附图6是采用本发明在不同有不同程度干扰下训练收敛速度对比图。图6中横坐标表示训练时期数(次)，纵坐标表示训练准确率。以五角星标示的折线表示在无干扰情况下采用本发明方法的损失函数曲线，以叉形标示的折线表示存在WIFI信号干扰情况下采用本发明方法的损失函数，以三角形标示的折线表示存在蓝牙信号干扰情况下采用本发明方法的损失函数，以五边形标示的折线表示同时存在WIFI信号和蓝牙信号干扰情况下采用本发明方法的损失函数。通过比较存在不同程度干扰时得到的训练速度收敛曲线，可以看出本发明在训练时速度受到干扰的影响很小。当只有一种信号干扰时，与无干扰时相比，训练的时期数几乎相同，大约20个训练时期就可以完成收敛，当有两种信号干扰时，训练时期数延长至30个训练时期，总体在较短时间内即可完成训练。
附图7是采用本发明在不同信噪比下的分类准确率对比图。横坐标表示信号的信噪比，纵坐标表示分类的准确率。以五角星标示的折线表示在3分类5样本任务下采用本发明方法的准确率曲线，以叉形标示的折线表示存在3分类1样本任务下采用本发明方法的准确率曲线，以正方形标示的折线表示在5分类1样本任务下采用本发明方法的准确率曲线，以圆形标示的折线表示在5分类5样本任务下采用本发明方法的准确率曲线。可以看出，当信噪比高于15dB时，识别的准确率几乎不受影响，本发明依旧有非常优秀的识别准确率。同时，3分类1样本和5分类5样本两种方法的准确率相似，为在实际应用中提供了指导意义。
综合上述仿真结果和分析，本发明所提出的在小样本环境下射频指纹的智能识别系统与方法，能够实现比现有方法更高的分类准确度，具有较强的抗干扰的能力，且能够在低信噪比条件下依然保持较高的准确率。
以上仅是本发明的优选实施方式，本发明的保护范围并不仅局限于上述实施例，凡属于本发明思路下的技术方案均属于本发明的保护范围。应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理前提下的若干改进和润饰，应视为本发明的保护范围。

Claims (10)

1.一种小样本射频指纹智能识别系统，其特征在于，包括数据采集模块、数据预处理模块、数据划分模块、数据训练模块、小样本学习模块和数据输出模块，
所述的数据采集模块，用于对射频信号进行采集，
所述的数据预处理模块，用于对数据采集模块的信号进行噪声处理，并转换成时频图，
所述的数据划分模块，用于对数据预处理模块输出的时频图进行类别划分，
所述的数据训练模块，用于对已分类好的数据进行射频指纹分类网络、射频指纹特征提取网络、射频指纹特征映射网络的数据训练，
所述的小样本学习模块，基于上述已训练好的射频指纹分类网络、射频指纹特征提取网络、射频指纹特征映射网络，构建机器学习模型分类器，进行小样本数据学习，筛选出最优分类器，
所述的数据输出模块，用于对测试数据进行输入，并输出分类结果。
2.一种小样本射频指纹智能识别方法，其特征在于，应用权利要求1所述的小样本射频指纹智能识别系统，所述方法包括以下步骤：
步骤一，在数据采集模块中对射频信号进行采集，对采集的信号以向量形式表示，I为同相分量，Q为正交分量；
步骤二，在数据预处理模块中根据采集到的射频信号，建立对应的类别标签文件，并在射频信号中加入噪声；
步骤三，对步骤一和步骤二得到的I/Q数据进行预处理，进行归一化操作后设置分割点，并将分割结果转换为时频图；
步骤四，在数据划分模块中，将步骤三得到的时频图进行类别划分，得到基本数据集和新类数据集，基本数据集和新类数据集进一步各自划分为支持集和测试集；
步骤五，在数据训练模块中，构建并预训练射频指纹分类网络，将步骤四得到的基本数据集的支持集数据输入该网络并进行训练，得到射频指纹分类预训练模型；
步骤六，重构步骤五得到的射频指纹分类预训练模型，利用步骤五中的输出参数得到射频指纹特征提取网络；
步骤七，构建孪生网络训练模型，所述的孪生网络训练模型由射频指纹特征映射网络组成，将步骤六得到的特征输入射频指纹特征映射网络进行训练，得到射频信号的语义空间信息；
步骤八，判断射频指纹特征映射网络训练是否结束，若是，则执行步骤九，若否，将训练迭代次数加一后继续训练射频指纹特征映射网络；
步骤九，在小样本学习模块中，构建机器学习模型分类器，将少量样本依次输入步骤六和步骤七后得到的结果输入机器学习模型分类器，筛选出最优分类器；
步骤十，在数据输出模块中，将步骤四中的新类数据集中的测试集依次输入步骤六、步骤七和步骤九；
步骤十一，输出分类结果。
3.根据权利要求2所述的一种小样本射频指纹智能识别方法，其特征在于，所述的步骤一中，
射频指纹识别视为一个K类假设检验问题，假设第k种射频信号的接收信号为xk(i)＝sk(i)+ωk(i)，其中，sk(i)表示第k种射频发射信号的第i个采样点，xk(i)表示第k种射频接收信号的第i个采样点，ωk(i)表示均值为0，方差为σ2的加性高斯白噪声，接收端得到的信号表示为向量形式的I/Q信号，xk＝Ik+Qk，其中xk表示xk(i)的向量形式，Ik和Qk分别表示信号的同相和正交分量。
4.根据权利要求2所述的一种小样本射频指纹智能识别方法，其特征在于，所述的步骤二中，
在无干扰的数据中加入噪声，无干扰信号的功率表示为：
Figure FDA0003627296610000021
其中N表示射频接收信号采样点的个数，设所需信号的信噪比为SNR，则需要生成的噪声功率为：
Pnoise[dB]＝Psignal[dB]-SNR
最终生成的信号为
sk[i]＝xk(i)+nk[i].
其中sk[i]表示最终生成的信号，nk[i]表示以功率Pnoise[dB]生成的加性高斯白噪声。
5.根据权利要求2所述的一种小样本射频指纹智能识别方法，其特征在于，所述的步骤三中，
得到步骤一和步骤二处理的数据后，依据数据采样点数判断分割点，将数据分割成多个样本，计算数据的均值和方差，对数据进行归一化操作，并将单个样本转换为时频图。
6.根据权利要求2所述的一种小样本射频指纹智能识别方法，其特征在于，所述的步骤四中，
基本数据集和新类数据集的数据和类别互不相交，基本数据集和新类数据集进一步各自划分为支持集和测试集，支持集和测试集的数据互不相交，但具有共同的类别。
7.根据权利要求2所述的一种小样本射频指纹智能识别方法，其特征在于，所述的步骤五中，
构建的射频指纹分类网络是对现有残差神经网络进行改良，通过改变网络最后全连接层的输出类别数量，从而适用于当前样本空间，完整的射频指纹训练网络由四个残差单元构成，残差单元由两个核大小为3×3的卷积层构成，批量归一化层在网络的中间层对中间数据进行标准化，从而避免中间变量偏导数饱和导致的梯度消失问题，残差堆叠单元由一个1×1卷积层、批量归一化层顺序连接构建，最后，在每个批量归一化层后面接入线性修正单元作为激活函数为网络引入非线性，预训练射频指纹分类网络时，随机初始化网络的可训练参数，初始化网络训练时期数等于1，最大时期数为50，学习率为0.001，随机梯度下降优化算法作为网络训练优化器，选用交叉熵损失函数计算网络输出与类别之间的差距，提供给网络训练优化器进行优化，得到射频指纹分类预训练模型。
8.根据权利要求2所述的一种小样本射频指纹智能识别方法，其特征在于，所述的步骤六中，
所述的射频指纹分类预训练模型的不同层输出的特征代表了不同层面的特征信息，重新加载新的射频指纹分类预训练模型并载入步骤五得到的最优参数，设置网络的输出参数为每一个残差单元的输出结果，输出维度分别为64×56×56，128×28×28，256×14×14和512×7×7，靠前的输出层输出通道数量较少，表示样本相对综合的特征，深层网络的输出通道较多，表示射频信号不同层面的细节特征，能够清晰地将对射频信号的指纹信息映射至特征空间。
9.根据权利要求2所述的一种小样本射频指纹智能识别方法，其特征在于，所述的步骤七中，
射频指纹特征映射网络由训练孪生网络的方法进行训练，将射频指纹特征提取网络学习到的特征映射到高维语义空间，通过计算两个输入样本之间的欧氏距离来评估两个样本之间的相似度，射频指纹特征映射网络由六个基本的残差三角单元构成，每个三角单元分别输入两个维度不同的高层特征和低层特征，对于高层特征，由两个核大小为3×3，步长分别为2和1的卷积层进行连接，步长为2的卷积层减小了数据的尺寸，使得其与低层特征相互匹配，每个卷积层后由批量归一化层进行连接，防止数据的过拟合，最后通过激活函数使得网络具有非线性性质，残差堆叠单元由一个大小为1×1、步长为2的卷积层、批量归一化层顺序连接构建，对于低层特征，由两个核大小为3×3、步长均为1的卷积层构成，卷积层后连接批量归一化层，最后由激活函数使网络具有非线性性质，经过处理后的高层特征和低层特征求和，经基本残差单元处理后输出，此处的残差单元与步骤六中的残差单元一致，射频指纹特征映射网络最终输出的特征经过平均池化层、线性回归层之后，映射到了512维语义空间。
10.根据权利要求2所述的一种小样本射频指纹智能识别方法，其特征在于，所述的步骤九中，
所述的少量样本为新类数据集中的支持集数据，根据不同的任务将少量样本输入步骤六和步骤七中得到的最优模型中，最终得到样本各个维度的语义信息，构建机器学习模型分类器，将语义信息输入分类器训练，多个回合后，筛选出最优的分类器并进行保存。
CN202210479792.XA 2022-05-05 2022-05-05 一种小样本射频指纹智能识别系统与方法 Pending CN114980122A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210479792.XA CN114980122A (zh) 2022-05-05 2022-05-05 一种小样本射频指纹智能识别系统与方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210479792.XA CN114980122A (zh) 2022-05-05 2022-05-05 一种小样本射频指纹智能识别系统与方法

Publications (1)

Publication Number Publication Date
CN114980122A true CN114980122A (zh) 2022-08-30

Family

ID=82980271

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210479792.XA Pending CN114980122A (zh) 2022-05-05 2022-05-05 一种小样本射频指纹智能识别系统与方法

Country Status (1)

Country Link
CN (1) CN114980122A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116112932A (zh) * 2023-02-20 2023-05-12 南京航空航天大学 一种数据知识双驱动的射频指纹识别方法与系统
CN116758907A (zh) * 2023-08-17 2023-09-15 国网信息通信产业集团有限公司 一种小样本语义理解训练方法及系统

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116112932A (zh) * 2023-02-20 2023-05-12 南京航空航天大学 一种数据知识双驱动的射频指纹识别方法与系统
CN116112932B (zh) * 2023-02-20 2023-11-10 南京航空航天大学 一种数据知识双驱动的射频指纹识别方法与系统
CN116758907A (zh) * 2023-08-17 2023-09-15 国网信息通信产业集团有限公司 一种小样本语义理解训练方法及系统
CN116758907B (zh) * 2023-08-17 2024-01-02 国网信息通信产业集团有限公司 一种小样本语义理解训练方法及系统

Similar Documents

Publication Publication Date Title
CN113378632B (zh) 一种基于伪标签优化的无监督域适应行人重识别方法
CN111832417B (zh) 基于cnn-lstm模型和迁移学习的信号调制样式识别方法
CN112702294B (zh) 一种基于深度学习的多层次特征提取的调制识别方法
CN114564982B (zh) 雷达信号调制类型的自动识别方法
CN114980122A (zh) 一种小样本射频指纹智能识别系统与方法
CN111368920A (zh) 基于量子孪生神经网络的二分类方法及其人脸识别方法
US11700156B1 (en) Intelligent data and knowledge-driven method for modulation recognition
CN109344856B (zh) 一种基于多层判别式特征学习的脱机签名鉴别方法
CN110120926A (zh) 基于演化bp神经网络的通信信号调制方式识别方法
CN112749633B (zh) 分离与重构的个体辐射源识别方法
CN112232395B (zh) 一种基于联合训练生成对抗网络的半监督图像分类方法
CN110048978A (zh) 一种信号调制识别方法
CN115294615A (zh) 一种基于机器学习的射频指纹识别方法
CN114239657A (zh) 一种基于复值干涉神经网络的时序信号识别方法
CN111310820A (zh) 基于交叉验证深度cnn特征集成的地基气象云图分类方法
CN113109782A (zh) 一种直接应用于雷达辐射源幅度序列的新型分类方法
CN114997248B (zh) 一种基于原型学习的开放集干扰识别模型和方法
CN116680608A (zh) 一种基于复数图卷积神经网络的信号调制识别方法
CN115809426A (zh) 一种辐射源个体识别方法及系统
CN116150603A (zh) 一种基于多尺度特征融合的复杂调制方式识别方法
Feng et al. FCGCN: Feature Correlation Graph Convolution Network for Few-Shot Individual Identification
CN114626412A (zh) 用于无人值守传感器系统的多类别目标识别方法及系统
CN113869238A (zh) 一种认知车联网智能频谱感知方法及系统
Gu et al. Radio frequency fingerprinting driven drone identification based on complex-valued CNN
CN112529035B (zh) 识别不同电台个体种类的智能识别方法

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