CN116383719A - 一种用于lfm雷达的mgf射频指纹识别方法 - Google Patents

一种用于lfm雷达的mgf射频指纹识别方法 Download PDF

Info

Publication number
CN116383719A
CN116383719A CN202310352546.2A CN202310352546A CN116383719A CN 116383719 A CN116383719 A CN 116383719A CN 202310352546 A CN202310352546 A CN 202310352546A CN 116383719 A CN116383719 A CN 116383719A
Authority
CN
China
Prior art keywords
radio frequency
feature
lfm
signal
characteristic
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
CN202310352546.2A
Other languages
English (en)
Inventor
张宇
米思娅
周正宵
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 CN202310352546.2A priority Critical patent/CN116383719A/zh
Publication of CN116383719A publication Critical patent/CN116383719A/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
    • 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
    • G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/08—Feature extraction
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Data Mining & Analysis (AREA)
  • Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Computer Security & Cryptography (AREA)
  • Signal Processing (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Medical Informatics (AREA)
  • Software Systems (AREA)
  • Computer Hardware Design (AREA)
  • Geometry (AREA)
  • Collating Specific Patterns (AREA)

Abstract

本发明公开了一种用于LFM雷达的MGF射频指纹识别方法，使用语音特征提取方法MFCC对每一个LFM脉冲的数据生成Mel特征，对不同长度的特征矩阵统一长度以保证维度一致，统一长度后的特征矩阵即为信号指纹特征，再使用单个GRU Cell对信号指纹特征进行建模，通过全连接层对建模后的特征进行识别分类，实现射频指纹的识别，提升了对于难以分类的样本的识别精度。本发明在低信噪比和多信号多工作模式下可以有效提取LFM脉冲信号的物理指纹特征，有效解决了实际应用环境下LFM信号识别不佳的问题。

Description

一种用于LFM雷达的MGF射频指纹识别方法
技术领域
本发明属于信息安全技术领域，具体涉及一种用于LFM雷达的MGF射频指纹识别方法。
背景技术
随着无线通信技术的不断发展，物联网设备与无线通信设备的数量逐年增加，但开放的无线网络通信环境容易受到各种恶意攻击，严重阻碍了无线网络通信技术的发展与应用，保证无线网络安全的任务愈发重要，对线性调频(LFM)信号进行分类识别等基于物理层的安全防护机制在无线通信技术中得到了广泛应用。
经典的信号识别方法根据脉冲描述符字(PDW)对信号进行分类，包括每个脉冲的到达角(DOA)、到达时间(TOA)等特征。在无线通信系统中，复杂的信号波形使得在相同的配置下不同信号会表现出相似的电磁特性，从而导致信号的分类难度加大，仅仅使用PDW不能有效对信号进行分类。设备的射频指纹作为设备本身的硬件特性，就如同设备的指纹一般，具有唯一性和难克隆的特性，物理指纹特征被普遍认为是无线设备唯一的特征，通过这些特性作为设备的指纹可以相对准确地识别不同设备，提升无线网络安全性。
然而，现有公开的基于射频指纹特征的雷达识别方法主要工作在高信噪比的情况下，在实际通信应用中，信号信噪比往往较低，射频指纹识别方法识别效果不佳；且相同发射机的不同工作模式间差别较小，难以识别分类。因此，探究LFM雷达在低信噪比与多工作模式下的射频指纹识别方法是迫切需求的。
发明内容
本发明正是针对现有技术中对低信噪比多工作模式情况下的LFM雷达信号识别效率不高的问题，提供一种用于LFM雷达的MGF射频指纹识别方法，使用语音特征提取方法MFCC对每一个LFM脉冲的数据生成Mel特征，对不同长度的特征矩阵统一长度以保证维度一致，统一长度后的特征矩阵即为信号指纹特征，再使用单个GRU Cell对信号指纹特征进行建模，通过全连接层对建模后的特征进行识别分类，实现射频指纹的识别，提升了对于难以分类的样本的识别精度。本发明在低信噪比和多信号多工作模式下可以有效提取LFM脉冲信号的物理指纹特征，有效解决了实际应用环境下LFM信号识别不佳的问题。
为了实现上述目的，本发明采取的技术方案是：一种用于LFM雷达的MGF射频指纹识别方法，使用语音特征提取方法MFCC对每一个LFM脉冲的数据生成Mel特征，对不同长度的特征矩阵统一长度以保证维度一致，统一长度后的特征矩阵即为信号指纹特征，使用单个GRU Cell对信号指纹特征进行建模，通过全连接层对建模后的特征进行识别分类，实现射频指纹的识别。
作为本发明的一种改进，一种用于LFM雷达的MGF射频指纹识别方法，包括如下步骤：
S1,提取脉冲：在接收到LFM雷达信号后，使用短时平均能量和短时平均过零率确定其脉冲区间；
Ev(i)＝sum(Sm(:,i).2)
Zv(i)＝sum(Sm(1:end-1).*Sm(2:end-1))
EZV(i)＝Ev(i)*Zv(i)
式中，Sm为接收到的雷达信号，Ev表示信号的短时能量，Zv表示信号的短时归零率，EZV则表示两者的乘积，sum表示求和操作，i为当前脉冲的时刻；
S2，特征提取：使用MFCC特征提取方法提取出每一个脉冲的Mel特征；
F＝MFCC(Sm)；
S3，统一特征长度：经过步骤S2得到每个脉冲的Mel特征矩阵后，使用Resize操作统一特征矩阵长度，即为脉冲的硬件射频指纹；
X＝Resize(F)；
S4，GRU模型建模：使用单个GRU Cell对经过步骤S3得到的射频指纹进行建模，使用全连接层识别分类；
S5，识别：将与步骤S1同批次同型号下的不同信噪比的LFM信号输入步骤S4的模型中，完成信号的识别分类过程。
作为本发明的一种改进，所述步骤3进一步包括：中提取硬件射频指纹特征的方法包括：
S31，对步骤S2得到的Mel特征矩阵转置：
M＝[Fn×d]T
式中，F为得到的Mel特征矩阵，M为转置后的矩阵，原特征矩阵维度为n×d，n为特征序列长度，d为RFF特征维度；
S32，对经过步骤S31转置后的特征矩阵，计算其最长的序列长度与需要复制和截取的序列长度：
Figure BDA0004162113120000031
c＝l-t×n
式中，l设定为最长的序列长度，t表示需要完整的特征矩阵数目，c表示需要截取的特征序列长度；
S33，对特征矩阵进行统一维度操作：
Xd×l＝M×t+M[0:c]
式中，X表示最终的硬件射频指纹特征，M为转置后的矩阵，t表示需要完整的特征矩阵数目，c表示需要截取的特征序列长度。
作为本发明的另一种改进，所述步骤S4进一步包括：
S41，对得到的硬件射频指纹进行拆分，将指纹在特征维度d上进行拆分：
X＝X1+X2+...+Xd
式中，X1表示特征第一维特征矩阵，X2表示特征第二维特征矩阵，直至d维；
S42，36个矩阵分别作为GRU Cell的输入，依次输入至单个GRU Cell中，重复该过程直至所有特征送入模型中，得到最终特征hd：
h1＝grucell(X1,h0)
h2＝grucell(X2,h1)
……
hd＝grucell(Xd,hd-1)
式中，h1表示得到的第一个隐藏层特征，X1表示特征第一维特征矩阵，h0为初始化的隐藏层特征，h0为全0矩阵，以此类推；
S43，将最终隐藏层特征hd送入全连接层中进行分类：
output＝Linear(hd,num_classes)
式中，output即输出的最终预测结果，Linear表示全连接层，hd为最终隐层特征，num_classes表示信号数目。
作为本发明的另一种改进，所述步骤S4模型训练时使用的损失函数为FocalLoss：
Figure BDA0004162113120000041
FL(pt)＝-αt(1-pt)γlog(pt)
式中，pt表示分类的难易程度，p为模型输出的概率值，当模型预测正确即y＝1时pt＝p，模型预测错误时pt＝1-p，α表示类别之间的权重，γ表示难以分类的样本在损失函数中的权重，t为具体类别。
作为本发明的又一种改进，所述步骤S1中，设定的短时能量和短时过零率的阈值为5.4e+5。
作为本发明的更进一步改进，所属步骤S2 MFCC特征提取过程中，MFCC维度为12，脉冲特征包含MFCC特征和能量、一阶差分和能量、二阶差分和能量共36维，即特征维度为36。
与现有技术相比：本发明提出了一种用于LFM雷达的MGF射频指纹识别方法，(1)使用语音特征提取方法MFCC对每一个脉冲的数据生成Mel特征，在保留原始脉冲的时序信息的同时降低了计算量，加快了计算速度；(2)仅使用单个GRU Cell对特征进行建模，减小了模型大小，使用全连接层对建模后的特征进行识别分类，在损失函数上使用Focal Loss对模型进行训练，提升了对于难以分类的样本的识别精度。
本发明对于低信噪比条件下的LFM信号，本发明可以有效获取到其硬件射频指纹特征，识别效果受信噪比影响较小，保证了模型的鲁棒性，并不会因信噪比降低而降低过多的识别精度；对于多工作模式的信号，其他方法易混淆为同一类，本发明方法能够有效分辨其不同，达到更好的识别效果。本发明方法有效解决了实际应用环境下LFM信号识别不佳的问题。
附图说明
图1为本发明方法的步骤流程图；
图2为本发明使用的损失函数Focal Loss较于传统交叉熵在0dB信噪比下的识别结果混淆矩阵对比图；
图3为本发明使用的损失函数Focal Loss较于传统交叉熵在不同信噪比下的识别率对比折线图；
图4为本发明在不同单一工作模式下的识别准确率示意图。
具体实施方式
下面结合附图和具体实施方式，进一步阐明本发明，应理解下述具体实施方式仅用于说明本发明而不用于限制本发明的范围。
实施例1
一种用于低信噪比和多工作模式下的射频指纹识别方法，该方法的流程如图1所示，包括如下步骤
步骤S1：接收机射频信号，记所述射频信号为S，使用短时平均能量和短时平均过零率确定其脉冲区间；
Ev(i)＝sum(Sm(:,i).2)
Zv(i)＝sum(Sm(1:end-1).*Sm(2:end-1))
EZV(i)＝Ev(i)*Zv(i)
式中，Sm为接收到的雷达信号，Ev表示信号的短时能量，Zv表示信号的短时归零率，EZV则表示两者的乘积，sum表示求和操作，i为当前脉冲的时刻。设定的短时能量和短时过零率的阈值为5.4e+5。
步骤S2，使用MFCC特征提取方法提取出每一个脉冲的Mel特征；
F＝MFCC(S)
其中，MFCC特征提取方法包含预加重、分帧、加窗的预处理操作，在预处理结束后通过FFT、Mel滤波器、对数运算、DCT与动态特征提取得到共36维的MFCC特征矩阵。MFCC特征提取算法中，MFCC维度为12，脉冲特征包含MFCC特征和能量、一阶差分和能量、二阶差分和能量共36维，即d＝36。
接收机在接收到LFM脉冲信号后使用语音特征提取方法MFCC对每一个脉冲的数据生成Mel特征，在保留原始脉冲的时序信息的同时降低了计算量，加快了计算速度。
步骤S3，在得到每个脉冲的Mel特征矩阵后，使用Resize操作统一特征矩阵长度，以保证输入的特征维度一致，即为脉冲的硬件射频指纹；
X＝Resize(F)
本步骤S3中统一特征矩阵长度的操作具体包括：
步骤S31，对于得到的Mel特征矩阵，我们先将其转置以保证模型输入的时序性：
M＝[Fn×d]T
式中，F为得到的Mel特征矩阵，M为转置后的矩阵，原特征矩阵维度为n×d，n为特征序列长度，d为RFF特征维度；
步骤S32，对转置后的特征矩阵，计算其最长的序列长度与需要复制和截取的序列长度：
Figure BDA0004162113120000061
c＝l-t×n
式中，l设定为最长的序列长度，t表示需要完整的特征矩阵数目，c表示需要截取的特征序列长度；
步骤S33，在得到复制数目以及截取长度后，我们对特征矩阵进行统一维度操作：
Xd×l＝M×t+M[0:c]
式中，X表示最终的硬件射频指纹特征，M为转置后的矩阵，t表示需要完整的特征矩阵数目，c表示需要截取的特征序列长度。
步骤S4，在模型阶段，使用单个GRU Cell对得到的射频指纹进行建模，并使用全连接层识别分类。
本步骤S4中使用深度学习模型对LFM信号进行建模识别分类的操作具体包括：
步骤S41，对得到的硬件射频指纹进行拆分，将指纹在特征维度d上进行拆分：
X＝X1+X2+...+Xd
式中，X1表示特征第一维特征矩阵，X2表示特征第二维特征矩阵，直至d维。
步骤S42，36个矩阵分别作为GRU Cell的输入，依次输入至单个GRU Cell中，重复该过程直至所有特征送入模型中，得到最终特征hd：
h1＝grucell(X1,h0)
h2＝grucell(X2,h1)
……
hd＝grucell(Xd,hd-1)
式中，h1表示得到的第一个隐藏层特征，X1表示特征第一维特征矩阵，h0为初始化的隐藏层特征，h0为全0矩阵。
步骤S43，得到最终隐藏层特征hd后，我们将其送入全连接层中进行分类：
output＝Linear(hd,num_classes)
式中，output即输出的最终预测结果，Linear表示全连接层，hd为最终隐层特征，num_classes表示信号数目。
在训练过程中，使用的损失函数为Focal Loss：
Figure BDA0004162113120000081
FL(pt)＝-αt(1-pt)γlog(pt)
式中，pt表示分类的难易程度，p为模型输出的概率值，当模型预测正确即y＝1时pt＝p，模型预测错误时pt＝1-p，α表示类别之间的权重，γ表示难以分类的样本在损失函数中的权重，t为具体类别。
仅使用单个GRU Cell对特征进行建模，减小了模型大小，使用全连接层对建模后的特征进行识别分类，在损失函数上使用Focal Loss对模型进行训练，提升了对于难以分类的样本的识别精度。
步骤S5，将与步骤S1中为同一批次同一型号下的不同信噪比下多工作模式的LFM信号输入步骤S4的模型，完成信号的识别分类过程。本发明在低信噪比和多信号多工作模式下可以有效提取LFM脉冲信号的物理指纹特征，有效解决了实际应用环境下LFM信号识别不佳的问题。
测试例
本测试例采用的硬件配置为：
图形处理器(GPU)：NVIDIA GeForce RTX 3090,显存为24GB；
软件开发环境：Ubuntu20.04、python3.7、pytorch1.7、cuda11.3。
本测试例选取了LFM信号数据集，其中包括三个同型号同批次的线性调频信号，每个脉冲信号有着五种不同的工作模式，单个脉冲信号的每一种工作模式收集了2000个数据，共十五个信号30000个数据作为实验数据集。在数据集的划分上，我们从每个信号的每种脉冲中选取70％作为训练集，剩余30％作为测试集。
由于特征矩阵与图片的相似性，模型使用SGD梯度优化算法，训练阶段初始学习率为0.1，设置训练epochs为100次，在epoch达到10，20，50次时将学习率分别降低至当前学习率的0.1，batchsize设为128，对比结果如下表所示。
表1测试结果表
Figure BDA0004162113120000091
上表中的对比例1为在损失函数中选择传统交叉熵，其他参数与测试例相同。
对比例2运用的为LAFS方法(参考：Yang Y,Hu A,Xing Y,Yu J,Zhang Z.A data-independent radio frequency fingerprint extraction scheme.IEEE WirelCommunLett 2021.https://doi.org/10.1109/LWC.2021.3106396.1–1.)
对比例3运用的为IMF-DNA方法(参考：Shen,G.,Zhang,J.,Marshall,A.,Peng,L.and Wang,X.,2021,May.Radio frequency fingerprint identification for LoRausing spectrogram and CNN.In IEEE INFOCOM 2021-IEEE Conference on ComputerCommunications(pp.1-10).IEEE)
图2为本发明方法使用的损失函数Focal Loss较于传统交叉熵在0dB信噪比下的识别结果混淆矩阵对比图；从图2中的混淆矩阵中能发现，本发明能够在总体上提升射频指纹识别系统对于那些难以分类脉冲信号的识别分类结果，大幅提升了识别结果。
图3为本发明使用的损失函数Focal Loss较于传统交叉熵在不同信噪比下的识别率对比折线图，图4为本发明在不同单一工作模式下的识别准确率，其中Focal Loss的参数为α＝0.5，γ＝1。从图3中也可以看出，相较于对比例1，实施例在不同信噪比条件下均优于对比例1；相比于对比例2，在数据集更大、信噪比相同的条件下，实施例能够有效对于低信噪比数据进行识别分类，识别结果远高于对比例2；相比于对比例3，单工作模式下仅能达到85.3％的识别准确度，实施例在难度更大的多工作模式识别上能达到91.26％的识别精度，且实施例在单工作模式1，3，5下均能达到100％的识别准确度。
综上所述，本发明提供了一种用于低信噪比和多工作模式下的射频指纹识别方法，相比于现有技术可以有效获取到其硬件射频指纹特征，并不会因信噪比降低而降低过多的识别精度；对于多工作模式的信号，相比于其他方法易混淆为同一类的结果，能够有效分辨其不同。较于现有方法，解决了低信噪比与多工作模式下射频指纹系统识别不佳的情况，有效提升了LFM雷达信号的识别效果。
需要说明的是，以上内容仅仅说明了本发明的技术思想，不能以此限定本发明的保护范围，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的前提下，还可以做出若干改进和润饰，这些改进和润饰均落入本发明权利要求书的保护范围之内。

Claims (7)

1.一种用于LFM雷达的MGF射频指纹识别方法，其特征在于：使用语音特征提取方法MFCC对每一个LFM脉冲的数据生成Mel特征，对不同长度的特征矩阵统一长度以保证维度一致，统一长度后的特征矩阵即为信号指纹特征，使用单个GRU Cell对信号指纹特征进行建模，通过全连接层对建模后的特征进行识别分类，实现射频指纹的识别。
2.如权利要求1所述的一种用于LFM雷达的MGF射频指纹识别方法，其特征在于，包括如下步骤：
S1,提取脉冲：在接收到LFM雷达信号后，使用短时平均能量和短时平均过零率确定其脉冲区间；
Ev(i)＝sum(Sm(:,i).2)
Zv(i)＝sum(Sm(1:end-1).*Sm(2:end-1))
EZV(i)＝Ev(i)*Zv(i)
式中，Sm为接收到的雷达信号，Ev表示信号的短时能量，Zv表示信号的短时归零率，EZV则表示两者的乘积，sum表示求和操作，i为当前脉冲的时刻；
S2，特征提取：使用MFCC特征提取方法提取出每一个脉冲的Mel特征；
F＝MFCC(Sm)；
S3，统一特征长度：经过步骤S2得到每个脉冲的Mel特征矩阵后，使用Resize操作统一特征矩阵长度，即为脉冲的硬件射频指纹；
X＝Resize(F)；
S4，GRU模型建模：使用单个GRU Cell对经过步骤S3得到的射频指纹进行建模，使用全连接层识别分类；
S5，识别：将与步骤S1同批次同型号下的不同信噪比的LFM信号输入步骤S4的模型中，完成信号的识别分类过程。
3.如权利要求2所述的一种用于LFM雷达的MGF射频指纹识别方法，其特征在于：所述步骤3进一步包括：中提取硬件射频指纹特征的方法包括：
S31，对步骤S2得到的Mel特征矩阵转置：
M＝[Fn×d]T
式中，F为得到的Mel特征矩阵，M为转置后的矩阵，原特征矩阵维度为n×d，n为特征序列长度，d为RFF特征维度；
S32，对经过步骤S31转置后的特征矩阵，计算其最长的序列长度与需要复制和截取的序列长度：
Figure FDA0004162113110000021
c＝l-t×n
式中，l设定为最长的序列长度，t表示需要完整的特征矩阵数目，c表示需要截取的特征序列长度；
S33，对特征矩阵进行统一维度操作：
Xd×l＝M×t+M[0:c]
式中，X表示最终的硬件射频指纹特征，M为转置后的矩阵，t表示需要完整的特征矩阵数目，c表示需要截取的特征序列长度。
4.如权利要求2或3所述的一种用于LFM雷达的MGF射频指纹识别方法，其特征在于：所述步骤S4进一步包括：
S41，对得到的硬件射频指纹进行拆分，将指纹在特征维度d上进行拆分：
X＝X1+X2+...+Xd
式中，X1表示特征第一维特征矩阵，X2表示特征第二维特征矩阵，直至d维；
S42，36个矩阵分别作为GRU Cell的输入，依次输入至单个GRU Cell中，重复该过程直至所有特征送入模型中，得到最终特征hd：
h1＝grucell(X1,h0)
h2＝grucell(X2,h1)
……
hd＝grucell(Xd,hd-1)
式中，h1表示得到的第一个隐藏层特征，X1表示特征第一维特征矩阵，h0为初始化的隐藏层特征，h0为全0矩阵，以此类推；
S43，将最终隐藏层特征hd送入全连接层中进行分类：
output＝Linear(hd,num_classes)
式中，output即输出的最终预测结果，Linear表示全连接层，hd为最终隐层特征，num_classes表示信号数目。
5.如权利要求4所述的一种用于LFM雷达的MGF射频指纹识别方法，其特征在于：所述步骤S4模型训练时使用的损失函数为Focal Loss：
Figure FDA0004162113110000031
FL(pt)＝-αt(1-pt)γlog(pt)
式中，pt表示分类的难易程度，p为模型输出的概率值，当模型预测正确即y＝1时pt＝p，模型预测错误时pt＝1-p，α表示类别之间的权重，γ表示难以分类的样本在损失函数中的权重，t为具体类别。
6.如权利要求5所述的一种用于LFM雷达的MGF射频指纹识别方法，其特征在于：所述步骤S1中，设定的短时能量和短时过零率的阈值为5.4e+5。
7.如权利要求5所述的一种用于LFM雷达的MGF射频指纹识别方法，其特征在于：所属步骤S2 MFCC特征提取过程中，MFCC维度为12，脉冲特征包含MFCC特征和能量、一阶差分和能量、二阶差分和能量共36维，即特征维度为36。
CN202310352546.2A 2023-04-04 2023-04-04 一种用于lfm雷达的mgf射频指纹识别方法 Pending CN116383719A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310352546.2A CN116383719A (zh) 2023-04-04 2023-04-04 一种用于lfm雷达的mgf射频指纹识别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310352546.2A CN116383719A (zh) 2023-04-04 2023-04-04 一种用于lfm雷达的mgf射频指纹识别方法

Publications (1)

Publication Number Publication Date
CN116383719A true CN116383719A (zh) 2023-07-04

Family

ID=86980200

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310352546.2A Pending CN116383719A (zh) 2023-04-04 2023-04-04 一种用于lfm雷达的mgf射频指纹识别方法

Country Status (1)

Country Link
CN (1) CN116383719A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116910583A (zh) * 2023-07-17 2023-10-20 中国船舶集团有限公司第七二三研究所 一种面向人在回路的个体特征分析方法

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116910583A (zh) * 2023-07-17 2023-10-20 中国船舶集团有限公司第七二三研究所 一种面向人在回路的个体特征分析方法
CN116910583B (zh) * 2023-07-17 2024-02-13 中国船舶集团有限公司第七二三研究所 一种面向人在回路的个体特征分析方法

Similar Documents

Publication Publication Date Title
CN107220606B (zh) 基于一维卷积神经网络的雷达辐射源信号的识别方法
EP2507790B1 (en) Method and system for robust audio hashing.
CN109890043B (zh) 一种基于生成式对抗网络的无线信号降噪方法
CN109360572B (zh) 通话分离方法、装置、计算机设备及存储介质
CN105096955B (zh) 一种基于模型生长聚类的说话人快速识别方法及系统
CN107993663A (zh) 一种基于Android的声纹识别方法
CN110176250B (zh) 一种基于局部学习的鲁棒声学场景识别方法
CN110968845B (zh) 基于卷积神经网络生成的针对lsb隐写的检测方法
CN110929842B (zh) 非合作无线电信号突发时间区域精确智能检测方法
CN108090462B (zh) 一种基于盒维数的辐射源指纹特征提取方法
CN109378014A (zh) 一种基于卷积神经网络的移动设备源识别方法及系统
CN116383719A (zh) 一种用于lfm雷达的mgf射频指纹识别方法
CN114726692B (zh) 一种基于SEResNet-LSTM的辐射源调制方式识别方法
CN112749633B (zh) 分离与重构的个体辐射源识别方法
CN114897023A (zh) 一种基于水声目标敏感差异特征提取的水声目标辨识方法
CN108627241A (zh) 一种基于高斯混合模型的宽吻海豚click信号检测方法
CN115563468A (zh) 一种基于深度学习网络融合的自动调制分类方法
Juan-ping et al. Automatic modulation recognition of digital communication signals
WO2021088176A1 (zh) 基于二值多频带能量分布的低信噪比声音事件检测方法
CN111310719A (zh) 一种未知辐射源个体识别及检测的方法
CN113591733B (zh) 基于集成神经网络模型的水声通信调制模式分类识别方法
CN110444225B (zh) 基于特征融合网络的声源目标识别方法
Wu et al. High-confidence sample augmentation based on label-guided denoising diffusion probabilistic model for active deception jamming recognition
Zhu et al. DPTCN-ATPP: Multi-scale end-to-end modeling for single-channel speech separation
CN114333840A (zh) 语音鉴别方法及相关装置、电子设备和存储介质

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