CN116049650A - 基于rfsfd-t网络的射频信号指纹识别方法及系统 - Google Patents
基于rfsfd-t网络的射频信号指纹识别方法及系统 Download PDFInfo
- Publication number
- CN116049650A CN116049650A CN202310041685.3A CN202310041685A CN116049650A CN 116049650 A CN116049650 A CN 116049650A CN 202310041685 A CN202310041685 A CN 202310041685A CN 116049650 A CN116049650 A CN 116049650A
- Authority
- CN
- China
- Prior art keywords
- data
- network
- radio frequency
- rfsfd
- spectrogram
- 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
Images
Classifications
-
- 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
-
- 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)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Compression, Expansion, Code Conversion, And Decoders (AREA)
Abstract
本发明属于射频信号指纹识别领域,公开了一种基于RFSFD‑T网络的射频信号指纹识别方法及系统,采集射频信号,并进行双谱分析,得到带有设备指纹特征的双谱图;用GAN网络对双谱图数据进行扩充;将双谱图数据进行切分,并展开成一维向量,再分别按横纵两个方向展开进行位置编码;通过RFSFD‑T网络的编码器模块进行特征提取;通过RFSFD‑T网络的两个解码器进行分类和定位,实现射频信号的指纹识别。本发明对双谱图样本数据进行扩充,有利于发挥改进网络在大数据量下的特征提取效果;对传统的Transformer网络进行改进和创新得到RFSFD‑T网络结构,增加了对于双谱图像的特征位置编码,保证网络在提取特征时充分利用全局注意力机制,从而提取到信号更为细致的本质特征。
Description
技术领域
本发明属于射频信号指纹识别领域,尤其涉及一种基于RFSFD-T网络的射频信号指纹识别方法及系统。
背景技术
射频指纹识别是一种基于发射机发射信号瞬态/稳态部分对发射机进行唯一识别的技术。由于工艺水平导致的硬件上存在无法消除的误差特征,射频指纹特征在不同的无线发射机中是唯一的,因此射频指纹识别技术在无线定位、无线网卡接入控制以及移动蜂窝网的移动电话识别上有着重要的作用。提取射频指纹特征是射频指纹识别的关键步骤。即使是相同的射频信号辐射设备,在发射信号时也会由于设备本身生产微小差异造成在信号的参数特征中有所体现,如何通过有效的方法对这种不易察觉的微小特征进行提取,从而实现对于射频信号指纹的识别具有非常重要的意义。当下深度学习和人工智能技术的火热发展,各个行业和领域也都开始进行智能和高效的方式转变,本发明采用RFSFD-T网络结构来进行射频信号的特征提取,利用人工智能算法来代替传统的识别方法进行指纹识别。
通过上述分析,现有技术存在的问题及缺陷为:
(1)传统的指纹识别方法不够智能和高效,难以满足高精度指纹提取的需要;
(2)指纹提取网络需要在大数据量下才能发挥更好的特征提取效果,现有方法提取效果欠佳;
(3)传统的Transformer网络进行特征提取时对细致的信号本质特征提取不够充分;
(4)传统的指纹识别方法大多采用的是人工通过对信号特征进行建模的方法进行指纹识别,或者使用传统的神经网络对信号进行分类识别,指纹识别的结果很大程度上取决于对信号特征建模的准确性和有效性,受限于传统网络的局限性。
发明内容
针对现有技术存在的问题,本发明提供了一种基于RFSFD-T网络的射频信号指纹识别方法及系统。
本发明是这样实现的,一种基于RFSFD-T网络的射频信号指纹识别方法,所述基于RFSFD-T网络的射频信号指纹识别方法包括:
步骤一,通过信号采集设备采集同型号不同设备发射出的射频信号,对采集的射频信号数据进行双谱分析得到带有设备指纹特征的双谱图;
步骤二,用GAN网络对双谱图数据进行扩充,得到扩充后的双谱图数据;
步骤三,将扩充后的双谱图数据中的每一个图像数据按横方向展开成一维的向量并进行横轴方向的位置编码;再对同一数据按纵方向展开成一维向量并进行纵轴方向的位置编码,则可得到经过两个方向上的位置编码数据;
步骤四,将位置编码后的数据送入RFSFD-T网络的三个编码器进行特征提取;
步骤五,数据经过编码器后,分别进入RFSFD-T网络的两个解码器用于定位和分类,其中,解码器1用于定位,解码器2用于分类,实现射频信号的指纹识别;解码器1用于信号定位,具体过程如下:
由于双谱图被切割成多个维度更小的矩阵数据,这就造成对信号定位有用的特征也被切割成了更小的矩阵数据,利用自注意力机制关注不同位置数据特征之间的相关程度,所以解码器1中的第一层为自注意力层,同时数据也进行多注意力机制的计算,提取每个数据特征的不同方面,有利于提高模型的表达能力和对特征的提取能力,利用残差结构进行相加,然后送入前馈网络层进行前向传递,最后数据通过归一化层和一个两输出的全连接层后得到用于定位信息的x,y;
解码器2用于射频信号指纹识别,具体过程如下:
数据经过堆叠三个编码器模块进行数据处理后,将输出送入解码器2中,解码器2和解码器1的区别在于多注意力机制关注的特征不同,解码器1中关注的是和信号定位相关的双谱图特征,而解码器2中的关注特征是信号指纹识别的特征,两个解码器模块将分别使用不同的标签数据进行训练,得到不同功能的两个解码器模块;用于信号定位使用的是带有信号位置标签的数据,而用于分类的部分使用的是带有分类标签的数据进行训练;解码器2最后通过一个分类网络输出分类结果,分类网络实际为只有一个输出的全连接层,最后得到的结果就是网络分类出信号类别Y。
进一步,所述步骤二的具体过程为:
GAN网络根据提供的双谱图数据进行对抗学习,从而生成扩充后的双谱图数据;GAN网络中包含两个最重要的模块,即生成器和判别器,生成器根据输入的数据生成假的数据,然后通过判别器判别真实数据和生成器生成的虚假数据之间的差别,当判别器判别结束后将结果反馈给生成器,生成器重新生成虚假的数据,然后判别器继续判别,通过这样的对抗学习过程,生成器生成的虚假数据会越来越接近于真实的数据信息,达到对数据进行扩充的目的;生成器从随机初始值中开始生成虚假数据,然后与送入网络的双谱图数据进行对比判别,当生成器的生成能力达到一定的阈值以后,最后得到扩充后的数据。
进一步,所述步骤三具体包括以下步骤:
(1)将射频信号转化的双谱图进行切片处理,形成N个不同的数据块;
(2)每一个数据块的维度为P×P,得到一个N×P×P的向量;
(3)分别对双谱图切片后的数据按横纵两个方向展开分别进行位置编码,将编码的向量分别添加到每一个P×P的数据块上进行拼接,每个方向上的编规则如下式所示:
上述公式中,P函数表示位置编码,pos表示数据的第几个位置,i表示第i个编码维度,编码维度是指数据总维度除以2取模,若总维度为512,则编码维度i取值为从0到255,N代表每个数据的编码总维度,例如位置编码总维度为512时,第m和第n个数据的位置编码过程如下:
横纵方向区分:将切割的数据分别按横方向进行展开,形成一维的数据进行编码,再按照列进行展开形成一维列向量进行编码,将两个方向上的位置编码结果添加到数据信息编码后面即可。
进一步,所述步骤四中RFSFD-T网络的编码器由自注意力机制和前馈网络以及残差连接和归一化层组成;
所述自注意力机制在特征提取过程中通过对其他位置的特征进行加权,然后提取射频信号的指纹特征;
所述残差连接和归一化层,用于训练收敛;
所述前馈网络,用于在经过参数学习后形成线性变换,拟合数据,同时将数据进行前向传播,在前馈网络层后同样添加了残差连接和归一化层。
进一步,所述步骤四中特征提取的具体过程为:
首先通过自注意力层对不同的数据进行权重计算,估计每一个单独的数据与其他数据之间的关系;
然后通过残差连接和归一化操作,使模型收敛;
最后再经过一个前馈网络进行传递,同样进行一次残差连接和归一化操作。
进一步,所述RFSFD-T网络的解码器包括自注意力机制和前馈网络、多注意力模块、残差连接和归一化层,所述多注意力模块在一个单独的序列数据上使用了多个自注意力机制进行叠加,用于关注其他不同的特征部分。
进一步,所述步骤五中解码器2分类的具体过程为:
数据从解码器端输出后,通过一个全连接层得到分类结果,并基于损失函数的训练提升网络的分类精度,最终实现射频信号的指纹识别。
一般网络的最后一层输出为softmax层也就是输出各种预测值的概率大小(值为0-1),对应标签除了对应的标签值为1以外,其余的都为0。再利用交叉熵损失函数就可以计算出两者间的差距大小,再利用梯度下降算法使网络训练得到最优的分类输出。
例如输出为三种类型的信号,则输出对应的预测概率值为x,y,z;设y对应的标签为真实的标签,对应值设为1,其余两种设为0。则损失大小:
loss=-(0×logx+1×logy+0×logz)
当预测的概率y越小的时候,根据对数函数性质,logy的负值越大,由于括号内的值计算出后为负值,故在括号前面加一个负号转换为正值;当预测的概率y越接近于1时,则损失loss值很小,即认为网络的分类准度达到一定的要求。
进一步,所述解码器1包括离线训练和在线定位两阶段,离线训练是通过单个射频信号辐射源发射信号,然后用采集形成的指纹数据库及对应的位置标签对网络参数进行训练优化的过程;在线定位是训练完成后的网络用于射频信号的定位的过程;
具体过程为:
编码器输出的数据进入解码器1后通过多注意力机制,并结合所述离线训练提取特征中与定位相关的信息,从而实现对射频信号的定位。
定位过程主要是利用网络强大的特征提取能力和多注意力机制能够注意到与定位相关的特征的不同方面,既使得网络能够提取出双谱图中原始射频信号不同方面的特征,同时对特征的不同方面进行加权计算,评估哪些方面的特征是与位置相关的信息,然后根据这些特征的加权结果预测出信号的位置坐标,也就是图3中所示的x,y;但是刚开始网络不能准确地判断出哪些方面特征是与位置信息有关的特征,所以需要利用带位置标签的射频信号双谱图数据进行训练,带标签数据也就是带有信号本身位置信息的双谱图数据,使用该数据进行预训练,使网络的定位准确度达到一定的要求。其中离线训练的过程指的就是对网络采用带标签数据进行训练的过程;在线定位就是网络的参数训练完成以后,拥有了一定的定位准确度以后就可以实现对信号进行定位的功能。
本发明的另一目的在于提供一种基于RFSFD-T网络的射频信号指纹识别系统,所述基于RFSFD-T网络的射频信号指纹识别系统包括:
数据采集模块:采集射频信号,并进行双谱分析,得到带有设备指纹特征的双谱图;
数据扩充模块:用GAN网络对双谱图数据进行扩充;
位置编码模块:将扩充后的双谱图数据中的每一个图像数据按横方向展开成一维的向量并进行横轴方向的位置编码;再对同一数据按纵方向展开成一维向量并进行纵轴方向的位置编码,则可得到经过两个方向上的位置编码数据;
特征提取模块:通过RFSFD-T网络的三个编码器模块进行特征提取;
分类定位模块:通过RFSFD-T网络的两个解码器进行分类和定位。
本发明的另一目的在于提供一种计算机设备,所述计算机设备包括存储器和处理器,所述存储器存储有计算机程序,所述计算机程序被所述处理器执行时,使得所述处理器执行所述基于RFSFD-T网络的射频信号指纹识别方法的步骤。
本发明的另一目的在于提供一种计算机可读存储介质,存储有计算机程序,所述计算机程序被处理器执行时,使得所述处理器执行所述基于RFSFD-T网络的射频信号指纹识别方法的步骤。
本发明的另一目的在于提供一种信息数据处理终端,所述信息数据处理终端用于实现所述基于RFSFD-T网络的射频信号指纹识别系统。
结合上述的技术方案和解决的技术问题,本发明所要保护的技术方案所具备的优点及积极效果为:
第一、针对上述现有技术存在的技术问题以及解决该问题的难度,紧密结合本发明的所要保护的技术方案以及研发过程中结果和数据等,详细、深刻地分析本发明技术方案如何解决的技术问题,解决问题之后带来的一些具备创造性的技术效果。具体描述如下:
(1)在数据端采用数据扩充方法对于选取的高阶累积量特征双谱图样本数据进行扩充,有利于发挥改进网络在大数据量下的特征提取效果。
(2)是对传统的Transformer网络进行了改进和创新得到了RFSFD-T网络结构,在Transformer的基础上增加了对于双谱图像的特征位置编码,保证了网络在提取特征的时候充分利用全局注意力机制,提取到更为细致的信号本质特征,由于Transformer网络结构在很多任务上都表现出了很强的性能优势。故同时利用Transformer网络对于特征提取的高性能特点进行特征提取,最终实现对于特征信号指纹进行识别的功能。
第二,把技术方案看作一个整体或者从产品的角度,本发明所要保护的技术方案具备的技术效果和优点,具体描述如下:
本发明通过对Transformer网络结构的创新和改进,既能利用Transformer网络在多种任务上表现出的强大性能优势对于特征提取的高性能特点进行特征提取,又通过数据扩充提高了模型的泛化性,使其能针对射频信号的特征进行有效的提取,从而实现分类和定位。
本发明是一种基于RFSFD-T网络的射频信号指纹识别方法,利用了当下流行的深度学习网络Transformer的结构优势,进行改进和创新,针对射频信号指纹识别和定位进行了网络结构的修改,有效地利用了深度学习的优势并与射频信号识别和定位的相关技术进行结合,将信号转化为带有原始特征的双谱图进行指纹识别和定位。
第三,作为本发明的创造性辅助证据,还体现在以下几个重要方面:
(1)本发明的技术方案转化后的预期效果为:
本发明属于射频信号指纹识别领域,针对无线信号辐射设备本身存在的缺陷所导致的射频信号指纹特征进行分类和定位。
(2)本发明的技术方案填补了国内外业内技术空白:
传统的Transformer网络进行特征提取时对细致的信号本质特征提取不够充分,本发明在Transformer的基础上增加了对于双谱图像的特征位置编码,保证了网络在提取特征的时候充分利用全局注意力机制,能够提取到更为细致的信号本质特征。
(3)本发明的技术方案解决了人们一直渴望解决、但始终未能获得成功的技术难题:
指纹提取网络需要在大数据量下才能发挥更好的特征提取效果,本发明采用GAN网络进行数据样本扩充得到更多的射频信号特征提取样本,有利于发挥改进网络在大数据量下的特征提取效果,解决了使用大规模网络进行特征提取时泛化能力不强的难题。
(4)本发明的技术方案克服了技术偏见:
现有的指纹识别方法往往使用传统方法,不够智能和高效,难以满足高精度指纹提取的需要,本发明使用了深度学习的方法,对Transformer网络进行了改进和创新,并达到了较好的分类和定位效果。
附图说明
图1是本发明实施例提供的基于RFSFD-T网络的射频信号指纹识别方法流程图;
图2是本发明实施例提供的双谱特征图;
图3是本发明实施例提供的RFSFD-T网络结构图;
图4是本发明实施例提供的编码器结构图;
图5是本发明实施例提供的解码器结构图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
如图1所示,本发明实施例提供的基于RFSFD-T网络的射频信号指纹识别方法包括:
S101,通过信号采集设备采集同型号不同设备发射出的射频信号,对采集的射频信号数据进行双谱分析得到带有设备指纹特征的双谱图;
S102,用GAN网络对双谱图数据进行扩充,得到更多的双谱图数据;
S103,将扩充后的双谱图数据中的每一个图像数据按横方向展开成一维的向量并进行横轴方向的位置编码;再对同一数据按纵方向展开成一维向量并进行纵轴方向的位置编码,则可得到经过两个方向上的位置编码数据;
S104,将位置编码后的数据送入RFSFD-T网络的三个编码器进行特征提取;
S105,数据经过编码器后,分别进入RFSFD-T网络的两个解码器用于定位和分类,其中,解码器1用于定位,解码器2用于得到分类结果。
数据通过三个编码器提取特征后,将编码器的输出结果分为两路,分别进入不同的解码器中最终得到不同的输出结果。解码器1用于信号定位,具体过程如下:
由于双谱图被切割成多个维度更小的矩阵数据,这就造成对信号定位有用的特征也被切割成了更小的矩阵数据,利用自注意力机制关注不同位置数据特征之间的相关程度,所以解码器1中的第一层为自注意力层,同时数据也进行多注意力机制的计算,提取每个数据特征的不同方面,有利于提高模型的表达能力和对特征的提取能力,之后这两部分利用残差结构进行相加,然后送入前馈网络层进行前向传递,最后数据经过归一化层和全连接层以后输出两个值,即用于定位的位置坐标x,y。
解码器2用于射频信号指纹识别,具体过程如下:
数据经过堆叠三个编码器模块进行数据处理后,将输出送入解码器2中,解码器2和解码器1的区别在于多注意力机制关注的特征不同,解码器1中关注的是和信号定位相关的双谱图特征,而解码器2中的关注特征是与信号指纹识别的特征,为了实现这种功能,两个解码器模块将分别使用不同的标签数据进行训练,从而得到两个解码器模块的不同功能;用于信号定位使用的是带有信号位置标签的数据,而用于分类的部分使用的是带有分类标签的数据进行训练。解码器2最后通过一个分类网络输出分类结果,分类网络实际为只有一个输出的全连接层,最后得到的结果就是网络分类出信号类别Y。
本发明实施例提供的基于RFSFD-T网络的射频信号指纹识别系统,具体包括:
数据采集模块:采集射频信号,并进行双谱分析,得到带有设备指纹特征的双谱图;
数据扩充模块:用GAN网络对双谱图数据进行扩充;
位置编码模块:将扩充后的双谱图数据中的每一个图像数据按横方向展开成一维的向量并进行横轴方向的位置编码;再对同一数据按纵方向展开成一维向量并进行纵轴方向的位置编码,则可得到经过两个方向上的位置编码数据;
特征提取模块:通过RFSFD-T网络的三个编码器模块进行特征提取;
分类定位模块:通过RFSFD-T网络的两个解码器进行分类和定位。
如图2所示,本发明实施例提供的射频信号的双谱特征具有如下特性:
(1.1)双周期性,两条频率轴上的周期都为2π;
BX(ω1,ω2)=BX(ω1+2π,ω2)=BX(ω1,ω2+2π)
(1.2)双谱值是一个复数,同时包含幅度和相位信息;
(1.3)三阶以下不包括三阶累积量的双谱值为零,即高斯随机过程的双谱值为零;
(1.4)双谱值具有很强的对称性;
本发明实施例提供的用GAN网络对双谱图数据进行扩充,GAN网络根据提供的样本进行对抗学习,从而生成更多的样本供网络提升分类效果使用,这一点在数据样本缺失和使用大规模网络进行特征提取时会起到很好的效果。
本发明实施例提供的将双谱图数据进行切分,并展开成一维向量,再分别按横纵两个方向展开进行位置编码,具体包括以下步骤:
(2.1)将射频信号转化的双谱图进行切片处理,形成N个不同的数据块;
(2.2)每一个数据块的维度为P×P,此时得到了一个N×P×P的向量;
(2.3)分别对双谱图切片后的数据按横纵两个方向展开分别进行位置编码,将编码的向量分别添加到每一个P×P的数据块上进行拼接。每个方向上的编码规则如下式所示:
P函数表示位置编码,pos表示数据的第几个位置,i表示第i个编码维度,编码维度是指数据总维度除以2取模,若总维度为512,则编码维度i取值为从0到255,N代表每个数据的编码总维度。
向量位置编码以后每一个数据块上都携带了横纵两个维度上的位置信息,这种方法使得二维的图片数据在展平成一维时不会丢失特征在原来图片中的位置相关性。
本发明实施例提供的RFSFD-T网络的结构图如图3所示,本发明实施例提供的RFSFD-T网络的编码器模块由自注意力机制和前馈网络以及残差连接和归一化层组成,如图4所示:
(3.1)自注意力机制
编码器中的自注意力机制主要是为了在特征提取过程中通过对其他位置的特征进行加权的方式来分配注意力,估计每一个单独的数据与其他数据之间的关系,这样能有效的关注与当前特征值相关的特征信息,有利于相关特征的提取,能更好地提取到射频信号的指纹特征。
(3.2)残差连接和归一化层这一层主要是为了训练收敛,在每一层后面都添加了一个残差连接和归一化层。
(3.3)前馈网络
前馈网络的作用是经过参数学习后形成合适的线性变换,可以有效地拟合数据,同时将数据进行前向传播。在这一层后面同样添加了残差连接和归一化层。
本发明实施例提供的网络的连接关系具体如下:
网络的连接关系主要分为四个部分:网络数据输入,编码器结构,解码器机构,网络的输出结果。
1.网络的输入是由信号转换成的图像数据即双谱图,得到的双谱图通过切分和位置编码等预处理操作以后形成的矩阵数据作为数据输入;
2.网络第一部分的结构为编码器模块,内部结构主要由自注意力机制和残差连接,以及前馈网络三个部分组成。
(1)自注意力机制
主要原理是利用三个可学习的参数矩阵计算出当前数据块的数据信息与其他位置上的数据信息的相关性。
具体过程如下:
首先初始化三个矩阵:T0,M0,V0其中T0代表的是查询矩阵,M0代表的是键值矩阵,V0代表的是值矩阵。将输入的数据分别与T0,M0,V0相乘,每个数据块得到对应的三个矩阵,Ai,Bi,Ci,当处理其中一个数据块Datai时,用当前数据对应的Ai与其他数据块的Bi进行矩阵计算,得出一个相关系数,对该系数进行限幅处理,即避免得出的相关系数值太大,导致梯度消失,具体做法是利用得出的系数除以一个N为每个数据块的编码维度,然后用softmax函数转换成概率,再与对应每个数据块的Ci相乘并求和则得到当前层的输出,如下式所示:
(2)解码器中的核心部分为上述介绍的自注意力机制,然后通过残差连接和归一化处理,并通过前馈网络层向前传递,前馈网络层为两个全连接层,目的是提高模型的表达能力,同时堆叠三个解码器增加网络处理复杂任务的能力并提取出数据中的高维特征。
残差连接的公式:
out(x)=x+f(x)
(3)编码器的输出主要分为两个部分,分别是用于定位的解码器1和用于射频指纹分类的解码器2;两者的区别在于解码器中的核心模块多注意力机制不同;
多注意力机制就是自注意力机制的堆叠,即对每个数据采用多个T0,M0,V0矩阵相乘得到多个Ai,Bi,Ci,按自注意力机制中的计算得出多个输出结果Z0~Zi,将这些输出拼接到一起形成数据特征输出。自注意力机制将自身的数据块当作是最值得关注的对象,而多注意力机制的好处是能关注到影响结果的除自身数据以外的不同对象,也就是能表示多个子空间。这也是关键所在,在实现定位特征提取和指纹分类特征提取时能够关注到双谱图中的不同特征方面,从而实现不同的功能。
定位模块在特征提取完成以后,最后通过一个全连接层输出两个值分别是x,y,也就是最后的坐标信息。用于分类中的最后一层分类网络是一个全连接层用于输出分类结果Y。
(4)最后输出定位的坐标信息x,y,和分类信息Y。
本发明实施例中的残差连接和归一化结构指的是附图中用符号和箭头以及下一个归一化层共同组成的结构,此部分的主要作用是使得网络中的参数在向前传递时,其参数值的大小保持在一定的范围内,而不是随着网络的传递数据越来越大,这样会导致网络训练难以收敛,所以这部分的作用是保证网络训练参数归一化,有利于训练的收敛;
如图5所示,本发明实施例提供的RFSFD-T网络的解码器模块结构多出了一个多注意力模块,这个机制的作用是使得序列数据在提取特征的时候通过这个模块可以关注到其他不同的特征部分,随着模块中头数的增加,模型的表达能力也随之增加。内部的结构原理和自注意力机制相似,在一个单独的序列数据上使用了多个自注意力机制的叠加作用。
本发明实施例提供的分类输出是指数据从解码器2端出来以后,通过一个分类网络进行分类,本质是全连接层,最后得到分类结果,通过损失函数的训练逐步提升网络的分类精度,最后实现射频信号的指纹识别。
本发明实施例提供的定位输出是指从编码器端输出以后进入解码器1端进行定位相关的特征提取,通过多注意力机制的注意能力关注特征在定位方面的相关信息,从而实现对于射频信号的定位功能。分为离线训练和在线定位两个阶段,离线训练通过单个射频信号辐射源发射信号,然后采集形成的指纹数据库及对应的位置标签,在线定位采用该标签对解码器1端的网络进行训练和参数调节,训练完成后的网络就可实现射频信号的定位功能。
应当注意,本发明的实施方式可以通过硬件、软件或者软件和硬件的结合来实现。硬件部分可以利用专用逻辑来实现;软件部分可以存储在存储器中,由适当的指令执行系统,例如微处理器或者专用设计硬件来执行。本领域的普通技术人员可以理解上述的设备和方法可以使用计算机可执行指令和/或包含在处理器控制代码中来实现,例如在诸如磁盘、CD或DVD-ROM的载体介质、诸如只读存储器(固件)的可编程的存储器或者诸如光学或电子信号载体的数据载体上提供了这样的代码。本发明的设备及其模块可以由诸如超大规模集成电路或门阵列、诸如逻辑芯片、晶体管等的半导体,或者诸如现场可编程门阵列、可编程逻辑设备等的可编程硬件设备的硬件电路实现,也可以用由各种类型的处理器执行的软件实现,也可以由上述硬件电路和软件的结合例如固件来实现。
Transformer独特的网络结构使得该机构的网络类型在处理图像和其他方向上表现出了比很多传统的网络结构更好的性能,对图像数据的识别准确率也更好,同时用于指纹识别的信号双谱图中包含能够唯一识别出信号类别的特征信息,所以本发明将这两者进行结合,形成了本文的指纹识别方法,利用RFSFD-T网络结构的强大图像分类能力,用于射频信号的指纹识别和分类;这种方法相比传统的人工对信号特征进行建模进行指纹识别的方法更好利用了深度学习的强大能力,同时也减少了人工对信号特征进行建模的复杂性和工作量,传统的基于神经网络的识别方法采用的网络结构是传统的CNN结构或者相关变体,信号的指纹识别准确率受限于网络结构的局限性。而改进的网络结构RFSFD-T是基于Transformer拥有大量的参数节点,在大量的数据量训练后表现出更优的分类性能,上限更高。
以上所述,仅为本发明的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,凡在本发明的精神和原则之内所做的任何修改、等同替换和改进等,都应涵盖在本发明的保护范围之内。
Claims (9)
1.一种基于RFSFD-T网络的射频信号指纹识别方法,其特征在于,所述基于RFSFD-T网络的射频信号指纹识别方法包括:
步骤一,通过信号采集设备采集同型号不同设备发射出的射频信号,对采集的射频信号数据进行双谱分析得到带有设备指纹特征的双谱图;
步骤二,用GAN网络对双谱图数据进行扩充,得到扩充后的双谱图数据;
步骤三,将扩充后的双谱图数据中的每一个图像数据按横方向展开成一维的向量并进行横轴方向的位置编码;再对同一数据按纵方向展开成一维向量并进行纵轴方向的位置编码,则可得到经过两个方向上的位置编码数据;
步骤四,将位置编码后的数据送入RFSFD-T网络的三个编码器进行特征提取;
步骤五,数据经过编码器后,分别进入RFSFD-T网络的两个解码器用于定位和分类;
解码器1用于信号定位,具体过程如下:
由于双谱图被切割成多个维度更小的矩阵数据,这就造成对信号定位有用的特征也被切割成了更小的矩阵数据,利用自注意力机制关注不同位置数据特征之间的相关程度,所以解码器1中的第一层为自注意力层,同时数据也进行多注意力机制的计算,提取每个数据特征的不同方面,有利于提高模型的表达能力和对特征的提取能力,利用残差结构进行相加,然后送入前馈网络层进行前向传递,最后数据通过归一化层和一个两输出的全连接层后得到用于定位信息的x,y;
解码器2用于射频信号指纹识别,具体过程如下:
数据经过堆叠三个编码器模块进行数据处理后,将输出送入解码器2中,解码器2和解码器1的区别在于多注意力机制关注的特征不同,解码器1中关注的是和信号定位相关的双谱图特征,而解码器2中的关注特征是信号指纹识别的特征,两个解码器模块将分别使用不同的标签数据进行训练;用于信号定位使用的是带有信号位置标签的数据,而用于分类的部分使用的是带有分类标签的数据进行训练;解码器2最后通过一个分类网络输出分类结果,分类网络实际为只有一个输出的全连接层,最后得到的结果就是网络分类出信号类别Y。
2.如权利要求1所述基于RFSFD-T网络的射频信号指纹识别方法,其特征在于,所述步骤二的具体过程为:
GAN网络根据提供的双谱图数据进行对抗学习,从而生成扩充后的双谱图数据;GAN网络中包含两个最重要的模块,即生成器和判别器,生成器根据输入的数据生成假的数据,然后通过判别器判别真实数据和生成器生成的虚假数据之间的差别,当判别器判别结束后将结果反馈给生成器,生成器重新生成虚假的数据,然后判别器继续判别,通过这样的对抗学习过程,生成器生成的虚假数据会越来越接近于真实的数据信息,达到对数据进行扩充的目的;生成器从随机初始值中开始生成虚假数据,然后与送入网络的双谱图数据进行对比判别,当生成器的生成能力达到一定的阈值以后,最后得到扩充后的数据。
4.如权利要求1所述基于RFSFD-T网络的射频信号指纹识别方法,其特征在于,所述步骤四中RFSFD-T网络的编码器由自注意力机制和前馈网络以及残差连接和归一化层组成;
所述自注意力机制在特征提取过程中通过对其他位置的特征进行加权,然后提取射频信号的指纹特征;
所述残差连接和归一化层,用于训练收敛;
所述前馈网络,用于在经过参数学习后形成线性变换,拟合数据,同时将数据进行前向传播,在前馈网络层后同样添加了残差连接和归一化层。
5.如权利要求1所述基于RFSFD-T网络的射频信号指纹识别方法,其特征在于,所述步骤四中特征提取的具体过程为:
首先通过自注意力层对不同的数据进行权重计算,估计每一个单独的数据与其他数据之间的关系;
然后通过残差连接和归一化操作,使模型收敛;
最后再经过一个前馈网络进行传递,同样进行一次残差连接和归一化操作。
6.如权利要求1所述基于RFSFD-T网络的射频信号指纹识别方法,其特征在于,所述步骤五中解码器2分类的具体过程为:
数据从解码器端输出后,通过一个全连接层得到分类结果,并基于损失函数的训练提升网络的分类精度,最终实现射频信号的指纹识别。
7.如权利要求1所述基于RFSFD-T网络的射频信号指纹识别方法,其特征在于,所述解码器1包括离线训练和在线定位两阶段,离线训练是通过单个射频信号辐射源发射信号,然后用采集形成的指纹数据库及对应的位置标签对网络参数进行训练优化的过程;在线定位是训练完成后的网络用于射频信号的定位的过程;
具体过程为:
编码器输出的数据进入解码器1后通过多注意力机制,并结合所述离线训练提取特征中与定位相关的信息,从而实现对射频信号的定位。
8.一种实施如权利要求1-7任意一项所述基于RFSFD-T网络的射频信号指纹识别方法的基于RFSFD-T网络的射频信号指纹识别系统,其特征在于,所述基于RFSFD-T网络的射频信号指纹识别系统包括:
数据采集模块:采集射频信号,并进行双谱分析,得到带有设备指纹特征的双谱图;
数据扩充模块:用GAN网络对双谱图数据进行扩充;
位置编码模块:将扩充后的双谱图数据中的每一个图像数据按横方向展开成一维的向量并进行横轴方向的位置编码;再对同一数据按纵方向展开成一维向量并进行纵轴方向的位置编码,则可得到经过两个方向上的位置编码数据;
特征提取模块:通过RFSFD-T网络的三个编码器模块进行特征提取;
分类定位模块:通过RFSFD-T网络的两个解码器进行分类和定位。
9.一种计算机设备,其特征在于,所述计算机设备包括存储器和处理器,所述存储器存储有计算机程序,所述计算机程序被所述处理器执行时,使得所述处理器执行如权利要求1-7任意一项所述基于RFSFD-T网络的射频信号指纹识别方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310041685.3A CN116049650A (zh) | 2023-01-28 | 2023-01-28 | 基于rfsfd-t网络的射频信号指纹识别方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310041685.3A CN116049650A (zh) | 2023-01-28 | 2023-01-28 | 基于rfsfd-t网络的射频信号指纹识别方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116049650A true CN116049650A (zh) | 2023-05-02 |
Family
ID=86132781
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310041685.3A Pending CN116049650A (zh) | 2023-01-28 | 2023-01-28 | 基于rfsfd-t网络的射频信号指纹识别方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116049650A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116761223A (zh) * | 2023-08-11 | 2023-09-15 | 深圳市掌锐电子有限公司 | 利用5g基带芯片实现4g射频通信的方法及车载射频系统 |
CN116963074A (zh) * | 2023-09-19 | 2023-10-27 | 硕橙(厦门)科技有限公司 | 基于随机栅栏的双分支增强射频信号指纹识别方法和装置 |
-
2023
- 2023-01-28 CN CN202310041685.3A patent/CN116049650A/zh active Pending
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116761223A (zh) * | 2023-08-11 | 2023-09-15 | 深圳市掌锐电子有限公司 | 利用5g基带芯片实现4g射频通信的方法及车载射频系统 |
CN116761223B (zh) * | 2023-08-11 | 2023-11-10 | 深圳市掌锐电子有限公司 | 利用5g基带芯片实现4g射频通信的方法及车载射频系统 |
CN116963074A (zh) * | 2023-09-19 | 2023-10-27 | 硕橙(厦门)科技有限公司 | 基于随机栅栏的双分支增强射频信号指纹识别方法和装置 |
CN116963074B (zh) * | 2023-09-19 | 2023-12-12 | 硕橙(厦门)科技有限公司 | 基于随机栅栏的双分支增强射频信号指纹识别方法和装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN116049650A (zh) | 基于rfsfd-t网络的射频信号指纹识别方法及系统 | |
CN112733866A (zh) | 一种提高可控图像文本描述正确性的网络构建方法 | |
CN112820301B (zh) | 一种融合分布对齐和对抗学习的无监督跨域声纹识别方法 | |
CN106599807A (zh) | 一种基于自编码的行人检索方法 | |
Chen et al. | An Improved Deep Fusion CNN for Image Recognition. | |
CN111291695B (zh) | 人员违章行为识别模型训练方法、识别方法及计算机设备 | |
CN116152611B (zh) | 一种多级多尺度点云补全方法、系统、设备及存储介质 | |
CN115690152A (zh) | 一种基于注意力机制的目标追踪方法 | |
CN102521599A (zh) | 一种基于集成学习的模式训练和识别方法 | |
Vallimeena et al. | CNN algorithms for detection of human face attributes–a survey | |
Pise et al. | Relational reasoning using neural networks: a survey | |
Khurshid et al. | A residual-dyad encoder discriminator network for remote sensing image matching | |
Das et al. | Environmental sound classification using convolution neural networks with different integrated loss functions | |
CN117634459A (zh) | 目标内容生成及模型训练方法、装置、系统、设备及介质 | |
Bacharidis et al. | Improving deep learning approaches for human activity recognition based on natural language processing of action labels | |
CN116385946A (zh) | 面向视频的目标片段定位方法、系统、存储介质及设备 | |
CN116503379A (zh) | 基于轻量化改进YOLOv5的零件识别方法 | |
CN113011597B (zh) | 一种回归任务的深度学习方法和装置 | |
Wan et al. | Dynamic gesture recognition based on three-stream coordinate attention network and knowledge distillation | |
Wang et al. | Joint visual template and natural language for robust visual tracking | |
Liang et al. | SCDFMixer: Spatial-Channel Dual-Frequency Mixer Based on Satellite Optical Sensors for Remote Sensing Multi-Object Detection | |
Li et al. | Sequence matching enhanced 3D place recognition using candidate rearrangement | |
CN117216542A (zh) | 一种模型训练方法和相关装置 | |
Zhu et al. | Real-time precision detection algorithm for jellyfish stings in neural computing, featuring adaptive deep learning enhanced by an advanced YOLOv4 framework | |
Fan et al. | GIDP: Learning a Good Initialization and Inducing Descriptor Post-enhancing for Large-scale Place Recognition |
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 |