CN115456035B - 基于对角相关局部积分双谱的射频指纹识别方法 - Google Patents
基于对角相关局部积分双谱的射频指纹识别方法 Download PDFInfo
- Publication number
- CN115456035B CN115456035B CN202211408531.5A CN202211408531A CN115456035B CN 115456035 B CN115456035 B CN 115456035B CN 202211408531 A CN202211408531 A CN 202211408531A CN 115456035 B CN115456035 B CN 115456035B
- Authority
- CN
- China
- Prior art keywords
- bispectrum
- signal
- diagonal
- integration
- estimation
- 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
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
-
- 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)
- Computer Security & Cryptography (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Noise Elimination (AREA)
Abstract
本发明涉及基于对角相关局部积分双谱的射频指纹识别方法。现有用于射频指纹识别提取的积分双谱方法,在中、低信噪比条件下存在鲁棒性较差的问题。本方法包括:接收辐射源信号,得到接收信号,获取接收信号的双谱估计;根据接收信号的双谱估计,计算信号双谱次对角线各平行线的自相关值,并沿平行于次对角线的直线做自相关积分;在自相关积分过程中,选取积分区间进行局部积分,获得对角相关局部积分双谱;将得到的对角相关局部积分双谱输入残差神经网络中进行分类识别。本方法先对平行于次对角线的各条线段做自相关运算,突出信号的细微特征;再局部积分,降低噪声对指纹特征的影响,有效提高信号在中低信噪比下的鲁棒性,提高识别效果。
Description
技术领域
本发明涉及射频指纹识别技术领域,具体涉及一种基于对角相关局部积分双谱的射频指纹识别方法。
背景技术
由于无线网络的开放性,其安全问题不容忽视。为保证网络安全,首先要保证网络设备的接入安全。目前的身份认证方法通常采用MAC/IP地址以及密钥认证方式,容易被非法用户篡改或者攻击。射频指纹是指无线设备在生产过程中存在的固有缺陷对射频信号产生的特有影响,具有唯一性、短时不变性、独立性、稳定性等特性,难以被模仿或篡改。因此,通过无线发射源的射频指纹对设备的身份进行识别,被认为是一种很有潜力的安全认证技术。
在射频指纹识别领域中,指纹提取方法主要有基于参数域信息、变换域信息和基于信号非线性特征等方法。双谱作为一种变换域信息,具有相位保持性、尺度变化性、时移不变性等特点,能够在保留原始信号的幅度、相位等信息的同时有效抑制高斯噪声,有利于对无线设备进行分类识别。但其维数较高、数据量较大,会导致算法复杂度较高。为此提出积分双谱的方法解决此问题。虽然目前的积分双谱方法在无线发射源识别领域有着良好效果,但总体来说其在中、低信噪比条件下的鲁棒性较差。当接收端信噪比较低时,其识别率急剧下降,无法满足实际应用需求。
发明内容
本发明的目的是提供一种基于对角相关局部积分双谱的射频指纹识别方法,解决现有积分双谱方法在中、低信噪比条件下鲁棒性较差的问题。
为了达到上述目的,本发明所采用的技术方案为:
基于对角相关局部积分双谱的射频指纹识别方法,所述方法包括:
接收辐射源信号,得到接收信号,获取接收信号的双谱估计;
根据接收信号的双谱估计,计算信号双谱次对角线各平行线的自相关值,并沿平行于次对角线的直线做自相关积分;
在自相关积分过程中,选取积分区间进行局部积分,获得对角相关局部积分双谱;
将得到的对角相关局部积分双谱输入残差神经网络中进行分类识别。
进一步地,接收辐射源信号,得到接收信号,获取接收信号的双谱估计,包括:
接收辐射源信号,得到接收信号,表示为:
其中:
为接收信号;
为辐射源信号;
为高斯白噪声;
为接收信号的序号;
采用双谱间接估计法对接收信号进行双谱估计计算,得到接收信号的双谱估计。
进一步地,采用双谱间接估计法对接收信号进行双谱估计计算,得到接收信号的双谱估计,包括:
设的长度为,将其分成段,每段个数据,即;
对每段数据的均值进行归零化处理,并依次求解三阶累积量的估计:
其中:
为的三阶相关函数,,,和为延迟的点数;
为的三阶累积量的估计,;
;
;
为第段辐射源信号;
为第段高斯白噪声;
将的三阶累积量的估计整理为:
由于和的均值都为0,则:
计算的双谱估计:
其中:
为的双谱;
为的双谱估计;
和为双谱二维平面的轴;
为二维窗函数;
为延迟点数和的序号,。
进一步地,根据接收信号的双谱估计,计算信号双谱次对角线各平行线的自相关值,并沿平行于次对角线的直线做自相关积分,包括:
信号双谱次对角线各平行线的自相关值为
其中:
为信号双谱次对角线各平行线的自相关值;
为旋转角度,;
选用次对角线路径对信号双谱次对角线各平行线的自相关值做积分:
其中:
为沿平行于次对角线的直线做自相关积分的公式。
进一步地,在自相关积分过程中,选取积分区间进行局部积分,获得对角相关局部积分双谱,包括:
通过设置门限选取积分区间:
其中:
为对角相关积分双谱值的选取门限;
为比例因子,;
为对角序列个数;
为第个对角序列的信号双谱次对角线各平行线的自相关值;
小于门限的信号双谱次对角线各平行线的自相关值不参与积分,大于等于门限的信号双谱次对角线各平行线的自相关值参与积分,得到对角相关局部积分双谱。
与现有技术相比,本发明的有益效果如下:
本发明提供了一种基于对角相关局部积分双谱的射频指纹识别方法,该方法在进行对角积分之前,先对平行于次对角线的各条线段做自相关运算,从而突出信号的细微特征,增大了信号与噪声之间的区别;在此基础上,又通过选取合适的积分区间,仅对对角相关信号的局部进行积分,从而进一步降低噪声对指纹特征的影响,同时也减少了对角相关积分的数据量。
本发明相对于现有积分双谱方法,可有效提高信号在中低信噪比下的鲁棒性,从而使其识别效果得到了显著提高。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术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的前提下,还可以根据这些附图获得其他实施例的附图。
图1是本发明的方法流程图。
图2是本发明所使用双谱间接估计法生成的信号和高斯白噪声的双谱图对比。图中,(a)为本发明所使用双谱间接估计法生成的信号双谱图,(b)为高斯白噪声的双谱图。
图3是本发明方法的信号与高斯白噪声的对角积分双谱图对比。图中,(a)为本发明方法的信号对角积分双谱图,(b)为高斯白噪声的对角积分双谱图。
图4是本发明方法的对角相关积分双谱图与现有的对角积分双谱图的对比。图中,(a)为本发明方法的对角相关积分双谱图,(b)为现有的对角积分双谱图。
图5是本发明方法与现有积分双谱方法在不同信噪比条件下的识别效果对比图。
图6是本发明方法在5dB信噪比下与对角积分双谱的混淆矩阵对比图。图中,(a)为本发明方法的对角相关局部积分双谱的混淆矩阵,(b)为本发明方法的对角相关积分双谱的混淆矩阵,(c)为对角积分双谱的混淆矩阵。
具体实施方式
为了便于理解本发明,下面将参照相关附图对本发明进行更全面的描述。附图中给出了本发明的较佳实施方式。但是,本发明可以以许多不同的形式来实现,并不限于本文所描述的实施方式。相反地,提供这些实施方式的目的是使对本发明的公开内容理解的更加透彻全面。
应注意到,相似的标号和字母表示类似项,因此,一旦某一项在一个实施例中被定义,则在随后的实施例中不需要对其进行进一步定义和解释。此外,术语“包括”等以及他们的任何变形,意图在于覆盖不排他的包含,例如,包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
还应注意到,虽然在方法描述中涉及了步骤顺序,但是在某些情况下,可以以不同于此处的顺序执行,不应被理解为对步骤顺序的限制。
本发明提供了一种基于对角相关局部积分双谱的射频指纹识别方法,是对射频指纹提取方法的新设计,首先对辐射源信号进行双谱变换,然后沿其次对角线计算对角相关值,接下来通过选取合适的积分区间进行积分。最后将得到的对角相关局部积分结果输入到残差网络中进行分类识别。所述方法具体包括:
S1:接收辐射源信号,得到接收信号,获取接收信号的双谱估计。
目前主要的双谱估计算法有直接法和间接法,本发明选用双谱间接估计法进行双谱计算,具体为:
S101:接收辐射源信号,得到接收信号,表示为:
其中:
为接收信号;
为辐射源信号;
为高斯白噪声;
为接收信号的序号。
S102:采用双谱间接估计法对接收信号进行双谱估计计算,得到接收信号的双谱估计,包括:
S10201:设的长度为,将其分成段,每段个数据,即;
S10202:对每段数据的均值进行归零化处理,并依次求解三阶累积量的估计:
其中:
为的三阶相关函数,,,和为延迟的点数;
为的三阶累积量的估计,;
;
;
为第段辐射源信号;
为第段高斯白噪声;
S10203:将的三阶累积量的估计整理为:
由于和的均值都为0,则:
S10204:信号双谱为其三阶累积量的二维离散傅里叶变换,计算的双谱估计:
其中:
为的双谱;
为的双谱估计;
和为双谱二维平面的轴;
为二维窗函数;
为延迟点数和的序号,。
由的计算分析可得,由于实际信号均为有限长信号,其最终得到的双谱估计中不仅包含了信号分量也包含了噪声分量,图2分别展示了高斯白噪声和有噪信号的双谱估计结果,由图2可看出,由于高阶谱对具有高斯性的信号存在盲性,所以高斯白噪声双谱的幅值较低,而信号双谱的幅值较高,两者存在显著差异。且由于信号与信号之间有较强的耦合性,使得信号双谱的能量主要集中在双频域中心附近。
与图2相对应,图3进一步给出了高斯白噪声和有噪信号的对角积分双谱。与之前的结论类似,在图3中,噪声和信号的对角积分双谱在幅值上有着显著差异,信号的对角积分双谱值要远高于噪声,且其峰值较大的点主要集中在频域中心位置附近。但与图2 相比,信号的对角积分双谱在频率中心区域和边缘区域的幅值差异的显著程度降低。因此为了突出信号特征,进一步降低噪声对积分双谱的影响,需要增加信号对角积分双谱中信号与噪声之间的差异,突出对角积分双谱的中心区域。
S2:根据接收信号的双谱估计,计算信号双谱次对角线各平行线的自相关值,并沿平行于次对角线的直线做自相关积分。
信号双谱主、次对角线各平行线的自相关值为:
其中:
为信号双谱主对角线各平行线的自相关值;
为信号双谱次对角线各平行线的自相关值;
为旋转角度,。
对角相关积分双谱是对平行于主、次对角线的路径上的每条线段做自相关积分运算,其表达式为:
其中:
为沿平行于主对角线的直线做自相关积分的公式;
为沿平行于次对角线的直线做自相关积分的公式。
本发明选用次对角线路径做积分:
图4给出了信号的对角积分双谱图和对角相关积分双谱图,通过对比可得, 对角相关积分双谱相较于对角积分双谱进一步突出了处于中心频域的信号幅度,说明通过相关运算使得对角相关积分双谱信号的中心部分和边缘部分的差异得到了显著增加,有利于提高信号的抗干扰能力。由图4还可以看出对角相关积分双谱边缘部分的幅度与噪声相仿而其中间部分的幅度明显高于边缘部分,因此为了进一步突出信号特征,去除噪声影响,降低计算复杂度,只选取信号对角相关积分双谱值不小于某阈值的区域做积分处理。
S3:在自相关积分过程中,选取积分区间进行局部积分,获得对角相关局部积分双谱,包括:
通过设置门限选取积分区间:
其中:
为对角相关积分双谱值的选取门限;
为比例因子,;
为对角序列个数;
为第个对角序列的信号双谱次对角线各平行线的自相关值。
表示对角相关积分双谱值的选取门限,小于门限的信号双谱次对角线各平行线的自相关值不参与积分,大于等于门限的信号双谱次对角线各平行线的自相关值参与积分,得到对角相关局部积分双谱。
S4:将得到的对角相关局部积分双谱输入残差神经网络中进行分类识别。由于残差神经网络能解决传统神经网络随着网络层数的增加所带来的退化问题,因此选用残差神经网路进行分类识别。
本方法在进行对角积分之前,先对平行于次对角线的各条线段做自相关运算,从而突出信号的细微特征,增大了信号与噪声之间的区别;在此基础上,又通过选取合适的积分区间,仅对对角相关信号的局部进行积分,从而进一步降低噪声对指纹特征的影响,同时也减少了对角相关积分的数据量。
实施例:
本实施例涉及了上述基于对角相关局部积分双谱的射频指纹识别方法,首先对辐射源信号进行双谱变换,然后沿其次对角线计算对角相关值,接下来通过选取合适的积分区间进行积分。最后将得到的对角相关局部积分结果输入到残差网络中进行分类识别。
通过不同信噪比条件下对实际采集到的基于802.11系列协议的8台不同WiFi发射设备信号进行分类识别。网络的训练数据集、验证数据集和测试数据集按7:2:1的比例随机划分。由于实际采集信号的信噪比不小于10dB,为验证本发明算法在低信噪比下的性能,我们对数据集进行了人工加噪处理。本发明实验部分所给信噪比均为接收信号与所添加人工噪声的功率之比,而加噪后信号的实际信噪比会小于该值。分别通过图5、图6对比验证本发明提出的方法的识别效果。
如图5所示,采用近年来广泛应用的基于对角积分双谱(图中的DIB)、基于矩形积分双谱(图中的SIB)和基于轴向积分双谱(图中的AIB)的射频指纹识别方法与本发明所提出的基于对角相关局部积分双谱(图中的DCLIB)和对角相关积分双谱(图中的DCIB)的射频指纹识别方法在不同信噪比条件下进行实验对比。由图5可得,在信噪比高于15dB情况的下五种积分双谱方法的识别准确率相近,均能达到99%以上。但随着的下降,各种算法的识别率均有所下降,但相较于其它算法,本发明识别率的下降速度相对缓慢。当时本文提出的对角相关局部积分双谱和对角相关积分双谱方法的识别率明显高于其它方法。当时DIB算法的识别率已经下降到76%左右,而本发明提出的方法仍能达到大约86%和84%的识别率,抗噪性明显优于其它三种方法。
如图6所示,给出了基于对角相关局部积分双谱、基于对角相关积分双谱和对角积分双谱三种不同算法在时的分类混淆矩阵。由图6可得, 对角积分双谱算法在识别过程中,设备1-3之间、设备5-7之间容易发生混淆,其中设备1-3之间的误识别情况相对严重。而通过本发明的对角相关积分双谱算法可以明显看出设备5-7之间的混淆情况大幅降低,设备1-3之间的误识别情况也得到改善。对角相关局部积分双谱算法相较于对角相关积分双谱算法的误识别率进一步降低,证明了本发明所提方法在识别效果上的优越性。
以上应用了具体个例对本发明进行阐述,只是用于帮助理解本发明,并不用以限制本发明。对于本发明所属技术领域的技术人员,依据本发明的思想,还可以做出若干简单推演、变形或替换。
Claims (5)
1.基于对角相关局部积分双谱的射频指纹识别方法,其特征在于:
所述方法包括:
接收辐射源信号,得到接收信号,获取接收信号的双谱估计;
根据接收信号的双谱估计,计算信号双谱次对角线各平行线的自相关值,并沿平行于次对角线的直线做自相关积分,突出处于中心频域的信号幅度;
在自相关积分过程中,选取积分区间进行局部积分,获得对角相关局部积分双谱;
将得到的对角相关局部积分双谱输入残差神经网络中进行分类识别。
2.根据权利要求1所述的方法,其特征在于:
接收辐射源信号,得到接收信号,获取接收信号的双谱估计,包括:
接收辐射源信号,得到接收信号,表示为:
其中:
为接收信号;
为辐射源信号;
为高斯白噪声;
为接收信号的序号;
采用双谱间接估计法对接收信号进行双谱估计计算,得到接收信号的双谱估计。
3.根据权利要求2所述的方法,其特征在于:
采用双谱间接估计法对接收信号进行双谱估计计算,得到接收信号的双谱估计,包括:
设的长度为,将其分成段,每段个数据,即;
对每段数据的均值进行归零化处理,并依次求解三阶累积量的估计:
其中:
为的三阶相关函数,,,和为延迟的点数;
为的三阶累积量的估计,;
;
;
为第段辐射源信号;
为第段高斯白噪声;
将的三阶累积量的估计整理为:
由于和的均值都为0,则:
计算的双谱估计:
其中:
为的双谱;
为的双谱估计;
和为双谱二维平面的轴;
为二维窗函数;
为延迟点数和的序号,。
4.根据权利要求3所述的方法,其特征在于:
根据接收信号的双谱估计,计算信号双谱次对角线各平行线的自相关值,并沿平行于次对角线的直线做自相关积分,包括:
信号双谱次对角线各平行线的自相关值为
其中:
为信号双谱次对角线各平行线的自相关值;
为旋转角度,;
选用次对角线路径对信号双谱次对角线各平行线的自相关值做积分:
其中:
为沿平行于次对角线的直线做自相关积分的公式。
5.根据权利要求4所述的方法,其特征在于:
在自相关积分过程中,选取积分区间进行局部积分,获得对角相关局部积分双谱,包括:
通过设置门限选取积分区间:
其中:
为对角相关积分双谱值的选取门限;
为比例因子,;
为对角序列个数;
为第个对角序列的信号双谱次对角线各平行线的自相关值;
小于门限的信号双谱次对角线各平行线的自相关值不参与积分,大于等于门限的信号双谱次对角线各平行线的自相关值参与积分,得到对角相关局部积分双谱。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211408531.5A CN115456035B (zh) | 2022-11-10 | 2022-11-10 | 基于对角相关局部积分双谱的射频指纹识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211408531.5A CN115456035B (zh) | 2022-11-10 | 2022-11-10 | 基于对角相关局部积分双谱的射频指纹识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115456035A CN115456035A (zh) | 2022-12-09 |
CN115456035B true CN115456035B (zh) | 2023-04-07 |
Family
ID=84295473
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211408531.5A Active CN115456035B (zh) | 2022-11-10 | 2022-11-10 | 基于对角相关局部积分双谱的射频指纹识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115456035B (zh) |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109165678A (zh) * | 2018-07-28 | 2019-01-08 | 中国人民解放军战略支援部队信息工程大学 | 基于双谱三维图像纹理特征的辐射源识别方法及装置 |
Family Cites Families (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
RU2401435C2 (ru) * | 2008-12-01 | 2010-10-10 | Министерство обороны Российской Федерации Государственное образовательное учреждение высшего профессионального образования ВОЕННАЯ АКАДЕМИЯ СВЯЗИ имени С.М. Буденного | Способ формирования признаков технического распознавания источников радиоизлучения |
CN105184264B (zh) * | 2015-09-14 | 2019-08-09 | 杭州电子科技大学 | 基于Wigner对角切片谱的射频指纹特征提取方法 |
CN107529692B (zh) * | 2017-01-24 | 2020-09-22 | 中国人民解放军电子工程学院 | 一种基于相关熵稀疏表示的通信辐射源个体识别方法 |
CN107832787B (zh) * | 2017-10-31 | 2020-09-22 | 杭州电子科技大学 | 基于双谱自编码特征的雷达辐射源识别方法 |
CN110197209B (zh) * | 2019-05-15 | 2022-07-26 | 电子科技大学 | 一种基于多特征融合的辐射源识别方法 |
CN112087774B (zh) * | 2020-09-14 | 2023-04-18 | 桂林电子科技大学 | 一种基于残差神经网络的通信辐射源个体识别方法 |
CN113065385A (zh) * | 2020-12-03 | 2021-07-02 | 国网浙江省电力有限公司武义县供电公司 | 一种基于轴向积分双谱的通信辐射源个体识别方法 |
CN112689288A (zh) * | 2020-12-18 | 2021-04-20 | 桂林电子科技大学 | 一种基于wann的射频指纹提取和识别方法 |
CN113569695B (zh) * | 2021-07-22 | 2024-04-30 | 中国人民解放军海军航空大学航空作战勤务学院 | 基于双谱三特征的海面目标检测方法及系统 |
-
2022
- 2022-11-10 CN CN202211408531.5A patent/CN115456035B/zh active Active
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109165678A (zh) * | 2018-07-28 | 2019-01-08 | 中国人民解放军战略支援部队信息工程大学 | 基于双谱三维图像纹理特征的辐射源识别方法及装置 |
Also Published As
Publication number | Publication date |
---|---|
CN115456035A (zh) | 2022-12-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107301432B (zh) | 基于时频分析的自适应辐射源调制识别方法 | |
CN105678273A (zh) | 射频指纹识别技术瞬态信号的起始点检测算法 | |
CN104618277B (zh) | 一种在窄带干扰下的短波ofdm信道估计方法 | |
CN111163460B (zh) | 基于多重间隔差分星座轨迹图的射频指纹提取方法 | |
CN108680786A (zh) | 一种脉冲信号频域自适应滤波包络提取方法 | |
CN112751629A (zh) | 基于时频图像处理的宽带特定信号检测方法 | |
CN108090462A (zh) | 一种基于盒维数的辐射源指纹特征提取方法 | |
CN114422311A (zh) | 联合深度神经网络和专家先验特征的信号调制识别方法及系统 | |
CN115456035B (zh) | 基于对角相关局部积分双谱的射频指纹识别方法 | |
CN109004996B (zh) | 基于多正弦窗功率谱峰值的信号检测方法 | |
CN112800863B (zh) | 用于通信信号调制模式识别的时频特征提取方法及系统 | |
CN115510924B (zh) | 基于改进变分模态分解的射频指纹识别方法 | |
CN110147848B (zh) | 一种基于时变滤波理论的辐射源个体特征增强方法 | |
US8374229B2 (en) | Method for the detection and generation of a useful signal and associated devices and communications system | |
CN116032709B (zh) | 无先验知识fsk信号盲解调和调制特征解析方法及装置 | |
Yu et al. | A time-frequency information based method for BSS output FH signal recognition | |
CN113365273B (zh) | 一种基于信道状态信息的包级别无线设备认证方法 | |
Wang et al. | Novel radio-frequency fingerprint recognition scheme using multiwavelets-based cyclic-spectrum graph analysis | |
Luo et al. | Adaptive detection of an unknown FH signal based on image features | |
CN114201990A (zh) | 一种基于决策树的通信干扰识别方法 | |
Meng et al. | An intelligent anti-jamming frequency hopping system | |
CN113271273A (zh) | 基于维纳滤波预处理的调制识别方法 | |
Molchanov et al. | A novel bispectrum-based frequency encoding technique developed for noisy and multipath fading radio links | |
CN113489552A (zh) | 一种基于时频谱矩阵局部方差的跳频信号检测方法 | |
Wang et al. | A novel signal detection scheme based on wavelet packet denoising and cyclic spectrum theory |
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 |