CN116545575A - 一种基于射频指纹识别的智能干扰方法及系统 - Google Patents
一种基于射频指纹识别的智能干扰方法及系统 Download PDFInfo
- Publication number
- CN116545575A CN116545575A CN202310802041.1A CN202310802041A CN116545575A CN 116545575 A CN116545575 A CN 116545575A CN 202310802041 A CN202310802041 A CN 202310802041A CN 116545575 A CN116545575 A CN 116545575A
- Authority
- CN
- China
- Prior art keywords
- signal
- radio frequency
- interference
- wireless
- identified
- 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 40
- 238000004891 communication Methods 0.000 claims abstract description 50
- 238000001228 spectrum Methods 0.000 claims abstract description 22
- 238000012549 training Methods 0.000 claims description 37
- 238000004422 calculation algorithm Methods 0.000 claims description 11
- 238000004590 computer program Methods 0.000 claims description 10
- 238000012545 processing Methods 0.000 claims description 9
- 239000004973 liquid crystal related substance Substances 0.000 claims description 8
- 238000001514 detection method Methods 0.000 claims description 7
- 238000004364 calculation method Methods 0.000 claims description 6
- 238000011176 pooling Methods 0.000 claims description 4
- 238000013527 convolutional neural network Methods 0.000 claims description 3
- 238000012544 monitoring process Methods 0.000 claims description 3
- 238000010606 normalization Methods 0.000 claims description 3
- 238000001914 filtration Methods 0.000 claims description 2
- 238000005516 engineering process Methods 0.000 abstract description 3
- 230000002452 interceptive effect Effects 0.000 description 11
- 238000010586 diagram Methods 0.000 description 5
- 230000009286 beneficial effect Effects 0.000 description 3
- 238000006243 chemical reaction Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 238000003491 array Methods 0.000 description 1
- 238000005311 autocorrelation function Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04K—SECRET COMMUNICATION; JAMMING OF COMMUNICATION
- H04K3/00—Jamming of communication; Counter-measures
- H04K3/40—Jamming having variable characteristics
- H04K3/42—Jamming having variable characteristics characterized by the control of the jamming frequency or wavelength
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04K—SECRET COMMUNICATION; JAMMING OF COMMUNICATION
- H04K3/00—Jamming of communication; Counter-measures
- H04K3/40—Jamming having variable characteristics
- H04K3/44—Jamming having variable characteristics characterized by the control of the jamming waveform or modulation type
-
- 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 Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Mobile Radio Communication Systems (AREA)
Abstract
本发明公开了一种基于射频指纹识别的智能干扰方法及系统,属于无线通信技术领域。所述方法首先对无线信道进行频谱感知,获取设定频段内的活跃通信频点集,并对每个活跃通信频点采集无线信号的射频指纹;其次利用射频指纹识别,依次对采集的活跃无线信号的射频指纹进行识别,从而得到指定设备发射的无线信号;最后通过信号特征感知得到指定设备的信号特征,生成并发射与指定设备信号具有相同特征参数的干扰信号,从而有效干扰指定设备。本发明将射频指纹识别技术和信号特征感知技术相结合,能够有效地干扰信号特征时变的指定设备,提高了无线干扰系统的有效性和可靠性。
Description
技术领域
本发明属于无线通信技术领域,尤其涉及一种基于射频指纹识别的智能干扰方法及系统。
背景技术
通信干扰方法主要应用于通信对抗环境中,通过发射特定的电磁干扰信号来干扰目标通信系统。常见的干扰类型有单音干扰、多音干扰、扫频干扰、噪声调频干扰、窄带噪声干扰和跟踪干扰等。这些干扰方式是对一定频段范围内的所有设备的通信信号进行无差别干扰,这会导致同样在这一频段通信的非目标设备也受到干扰。此外,当通信系统被异源干扰信号干扰时,接收机的信噪比会明显低于正常接收信号,可根据此规律判断系统是否被干扰,从而执行一系列抗干扰措施。而当通信系统被同源干扰信号干扰时,接收机的信噪比并不会出现明显恶化,接收机可能将其误判为合法信号,并解调出部分干扰信息。因此,通过对一定频段范围内的所有活跃无线信号进行识别得到指定设备发射信号,并发射和目标信号具有相同特征参数的干扰信号,可显著提高无线干扰系统的有效性和可靠性。
发明内容
本发明所要解决的技术问题是:提出一种基于射频指纹识别的智能干扰方法及系统,在多通信设备场景下,识别出指定设备发射的无线信号,通过信号特征感知技术对指定设备发射信号进行信号特征感知,获取其特征参数,发射和目标信号具有相同特征参数的同源干扰信号,对指定设备进行持续的针对性干扰,提高了无线干扰系统的有效性和可靠性。
本发明为解决上述技术问题采用以下技术方案:
一种基于射频指纹识别的智能干扰方法,包括以下步骤:
S1、利用频谱感知算法对设定频段进行感知,获取活跃通信频点集,并在每个活跃通信频点采集无线信号的射频指纹。
S2、依次对采集的活跃无线信号的射频指纹进行识别,获取指定设备发射的无线信号。
S3、对指定设备信号进行特征感知,生成并发射与其具有相同特征参数的干扰信号,对指定设备信号进行针对性地有效干扰。
进一步的,所述的指定设备可设置为射频指纹库内的训练设备或者射频指纹库外的未知设备。当指定设备设置为未知设备时,则设定频段内所有未知设备发射信号均被视为要干扰的目标信号。
进一步的,步骤S1中,所述的频谱感知算法包括但不限于能量检测法、循环平稳特征检测法、匹配滤波检测法;采集无线信号射频指纹的具体内容为:在活跃通信频点接收待识别的无线信号,获取其功率谱并进行归一化处理,归一化后的功率谱图像即为该活跃无线信号的射频指纹。
进一步的,步骤S2中,对采集的活跃无线信号的射频指纹进行识别具体步骤为:
S201、将待识别信号的M个射频指纹样本图像输入到预先训练完成的识别模型,获得相应的分类结果,即M×N的判决概率表,其中N表示训练设备的类别数目。
S202、根据分类结果计算待识别信号的平均判决概率和熵值,具体公式为:
平均判决概率的计算公式为:
;
其中,p j 表示待识别信号为第j类训练设备发射信号的平均判决概率,p ij 表示待识别信号的第i个样本图像判定为第j类训练设备发射信号的概率,j=1,2,...,N。
熵值的计算公式为:
;
其中,H表示熵值。
S203、根据平均判决概率和熵值判断待识别信号是否为指定设备发射的无线信号,具体内容为:
(1)在指定设备设置为射频指纹库内的训练设备k情况下,其中k=1,2,...,N,当待识别信号的熵值H小于设定的熵值阈值,且待识别信号判断为设备k发射信号的平均概率是所有平均判决概率中的最大值时,此时的待识别信号即为指定设备发射的无线信号,反之则不是;
(2)在指定设备设置为射频指纹库外的未知设备情况下,当待识别信号的熵值H不小于设定的熵值阈值时,此时的待识别信号即为指定设备发射的无线信号,反之则不是。
进一步的,步骤S201中,识别模型的训练包括:将多台信息已知的无线射频设备作为训练设备,采集每台训练设备以不同信号特征发射的射频信号,对采集的射频信号进行处理,得到归一化功率谱图像,并进行分类标签,每台训练设备对应一个标签;将处理后所有的样本图像数据传输到卷积神经网络,经过多层卷积池化并进行训练,得到训练完成的识别模型。
进一步的,步骤S3中,对指定设备信号进行特征感知过程包括:在指定设备发射信号所在频点接收波形数据,采用调制方式识别算法、信号带宽估计算法对接收的目标信号进行处理,从而获得目标信号的特征参数集,所述特征参数包括但不限于目标信号的频点、带宽、调制方式和调制阶数。
进一步的,本发明还提出了一种基于射频指纹识别的智能干扰系统,包括:
频谱感知模块,用于获取设定频段中的活跃通信频点集并实时监测活跃通信频点集的变化。
射频指纹识别模块,用于在活跃通信频点接收待识别的无线信号,并判断待识别信号是否为指定设备发射的无线信号。
信号特征感知模块,用于获取指定设备发射的无线信号的特征参数。
干扰信号发射模块,用于生成并发射和指定设备发射的无线信号具有相同信号特征的干扰信号。
进一步的,本发明还提出了一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现前文所述的基于射频指纹识别的智能干扰方法的步骤。
进一步的,本发明还提出了一种计算机可读的存储介质,所述计算机可读的存储介质存储有计算机程序,所述计算机程序被处理器运行时执行前文所述的基于射频指纹识别的智能干扰方法。
本发明采用以上技术方案,与现有技术相比,其显著技术效果如下:
本发明提出的基于射频指纹识别的智能干扰方法,可保证干扰节点在多通信系统场景下,利用射频指纹识别得到指定设备发射信号,利用信号特征感知得到目标信号所采用的特征参数集,并通过发射与目标信号具有相同特征参数的干扰信号,从而有效干扰指定设备且不会影响其他非指定设备的通信。在发射干扰信号的同时,保持对设定频段的实时监测,当检测到指定设备发射信号的特征参数改变后,系统可实时更新干扰信号的特征参数以实现持续有效的干扰,显著提高了无线干扰系统的有效性和可靠性。
附图说明
图1为本发明的整体实施流程图。
图2为本发明的智能干扰系统的结构模型示意图。
图3本发明实施例中干扰成功率结果图。
具体实施方式
下面结合附图对本发明做进一步描述。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。
本发明提供了一种基于射频指纹识别的智能干扰方法,如图1所示,包括以下步骤:
S1、在本实施例中,以射频指纹库外的未知设备作为要干扰的指定设备,利用频谱感知算法对设定频段进行感知,获取活跃通信频点集,并在每个活跃通信频点采集无线信号的射频指纹。
在本实施例中,干扰方采用能量检测算法对设定的[800MHz,818MHz]频段的频谱进行扫描,与设定的功率门限值-75db相比较,得到一组信号功率大于-75db的活跃通信频点数组:[800.6MHz, 804.8MHz , 810.2MHz ,812MHz]。之后在每个活跃通信频点进行下面步骤的操作,以活跃通信频点810.2MHz为例,具体内容为:在810.2MHz接收待识别信号,获取其对应的功率谱并进行归一化处理,归一化后的功率谱图像即为该活跃无线信号的射频指纹样本图像,每隔10毫秒采集一张样本图像,共采集200张。将这200张样本图像作为通信频点在800.6MHz的待识别信号的射频指纹样本图像集RF800.6MHz。
经过上述过程得到了与活跃通信频点集对应的射频指纹样本图像集合{RF800.6MHz,RF804.8MHz,RF810.2MHz,RF812MHz}。
将多台信息已知的无线射频设备作为训练设备,采集每台训练设备以不同信号特征发射的射频信号,对采集的射频信号进行处理,得到归一化功率谱图像,并进行分类标签,每台训练设备对应一个标签;将处理后所有的样本图像数据传输到卷积神经网络,经过多层卷积池化并进行训练,得到训练完成的识别模型。
S2、依次对采集的活跃无线信号的射频指纹进行识别,获取指定设备发射的无线信号。对步骤S1获得的射频指纹样本图像集合{RF800.6MHz,RF804.8MHz,RF810.2MHz,RF812MHz}中的射频指纹样本图像集依次进行识别,以RF810.2MHz为例,具体内容为:
S201、将采集的RF810.2MHz样本图像集输入到先前训练好的识别模型,计算输出一个200×2的判决概率表,其中部分数据如表1所示:
表1 判决概率表
;
该待识别信号判决为第j类(j=1, 2)训练设备发射信号的平均判决概率p j ,可由如下公式得到:
;
计算得到,p 1=0.332,p 2=0.668。得到此待识别信号的平均判决概率后,其熵值H可由如下公式得到:
;
计算得到,H=0.9183。通过上述过程,计算得到待识别信号判定为各种训练设备发射信号对应的平均判决概率p j 和熵值H。
S202、根据p j 和H判断待识别信号是否为指定设备发射的无线信号。判断条件包括:
(1)在指定设备设置为射频指纹库内的训练设备k情况下,其中k=1,2,...,N,当待识别信号的熵值H小于0.5,且待识别信号判断为设备k发射信号的平均概率是所有平均判决概率中的最大值时,此时的待识别信号即为指定设备发射的无线信号,反之则不是。
(2)在指定设备设置为射频指纹库外的未知设备情况下,当待识别信号的熵值H不小于0.5时,此时的待识别信号即为指定设备发射的无线信号,反之则不是。
S203、根据判断条件可得在810.2MHz接收的待识别信号是否为指定设备发射的信号。若该待识别信号为指定设备发射信号,则记录要干扰的目标信号所在频点810.2MHz;反之,则返回步骤S201进行下一个样本图像集的识别。
S3、对指定设备信号进行特征感知,生成并发射与其具有相同特征参数的干扰信号,对指定设备信号进行针对性地有效干扰。
S301、干扰方在指定设备信号所在的发射频点810.2MHz接收目标信号,使用减法聚类算法对目标信号的星座图进行聚类,通过聚类得到的星座图点数为4,从而识别目标信号的调制方式为QPSK(Quadrature Phase ShiftKeying, 正交相移键控)。
S302、干扰方使用自相关法进行信号带宽估计,在810.2MHz接收目标信号,并对目标信号的自相关函数作傅里叶变换得到功率谱,划定一条高度为信号功率谱峰值一半的门限,该门限所对应的信号宽度作为估计的信号带宽,获取目标信号的信号带宽为412K。
S303、干扰方将{频点810.2MHz,调制方式QPSK,信号带宽412K }作为干扰信号的特征参数集,在频点810.2MHz发射调制方式为QPSK,信号带宽为412K的干扰信号,对指定设备进行针对性干扰。在发射干扰信号的同时,保持对设定频段[800MHz,818MHz]的监测,当该频段内的活跃通信频点集发生改变时,返回步骤S1。
参阅图2,在本发明实例中,采用五台型号为2920 的软件无线电设备USRP 和五台安装有LabVIEW软件的PC计算机搭建出由发射节点、接收节点和干扰节点组成的无线通信系统。图中的系统构成为:一个已知通信发射节USRP-A,一个已知通信接收节点USRP-B,一个未知通信发射节点USRP-C,一个未知通信接收节点USRP-D,一个干扰节点USRP-E。其中USRP-A的设备信息已存放在射频指纹库,USRP-C的设备信息不存在射频指纹库中。
为了显示图2所示的干扰节点USRP-E对指定的通信系统的干扰效果,按照如下步骤对指定设备发射的无线信号进行针对性干扰测试:在智能干扰系统启动前,先对本系统的参数设置和预先的准备工作进行说明:
发射节点USRP-A和接收节点USRP-B组成已知变频通信演示系统S1,发射节点USRP-C和接收节点USRP-D组成未知的变频通信演示系统S2。S1和S2两个系统通信频段范围设定在800MHz到818MHz,频点间隔为0.6MHz,可用频点数为31个;通信信号带宽设置为400kHz,信号波形采用根升余弦脉冲波形;使用 PSK 调制方式,包括BPSK、QPSK两种不同调制阶数的PSK数字调制信号;变频序列采用5阶的PN序列,初始状态种子序列为11100,共生成155bits的二进制序列,按序从左至右将每5位二进制数转为一个十进制数,可产生一个长度为31的数组,将此数组值对自定义的频点和调制方式数组进行索引映射。两个通信系统按照一定的时隙改变发射的无线信号的发射频点和调制方式。
干扰节点USRP-E使用射频指纹识别前需提前训练得到识别模型。将USRP-A和USRP-B 作为训练设备,USRP-E采集到2台训练设备发射的不同调制方式的射频信号,对采集的射频信号进行处理,得到归一化功率谱图像,并进行分类标签,其中每台训练设备对应一个标签。采集的归一化功率谱图像每张大小为720*240像素。每台训练设备采集2000张。在读取图像数据训练之前,将图像数据按照4:1进行下采样以减小训练的计算量,下采样后的图像大小为180*60像素。将这些处理过的图像作为训练集,经过两层卷积池化并进行训练得到识别模型。至此,就得到了射频指纹识别所需要的识别模型。
干扰节点USRP-E的干扰频段设定在800MHz 到 818MHz,与变频演示系统使用通信频段保持一致。干扰节点USRP-E具体按照上述基于射频指纹识别的智能干扰方法的步骤对指定设备进行针对性智能干扰。
从实施干扰后的结果看,干扰节点USRP-E可随指定设备改变信号特征而发出针对性干扰信号,从而导致指定设备对应的接收节点接收信号的星座图变得杂乱无章,解析出的数据包出现乱码,与此同时,其他非指定设备之间的通信链路不会受到影响。本方法实现了对指定通信系统的针对性干扰,符合实际通信对抗场景下,多系统同时通信的实际情况,证实干扰节点USRP-E对信号特征时变的通信系统干扰的有效性。
为证实本方法有效性,本实施例以干扰节点采用上述干扰方法对按 5 阶PN序列生成的特征参数进行变频的指定设备进行干扰测试,指定设备按一定时隙变化信号特征200次为一组,共进行5组实验,测试后对指定设备的干扰成功率如图3所示,当指定设备为射频指纹库内的某一训练设备时,平均干扰成功率为97.6%;当指定设备为射频指纹库外的未知设备时,平均干扰成功率为94.2%。由图3可知,无论指定设备是射频指纹库内的训练设备还是射频指纹库外的未知设备,本发明都可以保持较高的干扰成功率。
需要说明的是,上述系统中的各个模块对应本发明实施例所提供的方法的具体步骤,具备执行方法相应的功能模块和有益效果。未在本实施例中详尽描述的技术细节,可参见本发明实施例所提供的方法。
本发明实施例还提出一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序。需要说明的是,上述系统中的各个模块对应本发明实施例所提供的方法的具体步骤,具备执行方法相应的功能模块和有益效果。未在本实施例中详尽描述的技术细节,可参见本发明实施例所提供的方法。
本发明实施例还提出一种计算机可读的存储介质,所述计算机可读的存储介质存储有计算机程序。需要说明的是,上述系统中的各个模块对应本发明实施例所提供的方法的具体步骤,具备执行方法相应的功能模块和有益效果。未在本实施例中详尽描述的技术细节,可参见本发明实施例所提供的方法。
尽管上面示出和描述了本发明的实施例,可以理解的是,上述实施例是示例性的,不能理解为对本发明的限制,本领域的普通技术人员在本发明的范围内可以对上述实施例进行变化、修改、替换和变型。任何根据本发明的技术构思所做出的各种其他相应的改变和变型,均应包含在本发明权利要求的保护范围内。
Claims (9)
1.一种基于射频指纹识别的智能干扰方法,其特征在于,包括以下步骤:
S1、利用频谱感知算法对设定频段进行感知,获取活跃通信频点集,并在每个活跃通信频点采集无线信号的射频指纹;
S2、依次对采集的无线信号的射频指纹进行识别,获取指定设备发射的无线信号;
S3、对指定设备信号进行特征感知,生成并发射与其具有相同特征参数的干扰信号,对指定设备信号进行针对性地有效干扰。
2.根据权利要求1所述的基于射频指纹识别的智能干扰方法,其特征在于,所述的指定设备为射频指纹库内的训练设备或者射频指纹库外的未知设备;当指定设备设置为未知设备时,则设定频段内所有未知设备发射的信号为需要干扰的目标信号。
3.根据权利要求1所述的基于射频指纹识别的智能干扰方法,其特征在于,步骤S1中,所述的频谱感知算法包括但不限于能量检测法、循环平稳特征检测法、匹配滤波检测法;采集无线信号射频指纹的具体内容为:在活跃通信频点接收待识别的无线信号,获取其功率谱并进行归一化处理,归一化后的功率谱图像即为该活跃无线信号的射频指纹。
4.根据权利要求1所述的基于射频指纹识别的智能干扰方法,其特征在于,步骤S2中,对无线信号的射频指纹进行识别的具体步骤为:
S201、将待识别信号的M个射频指纹样本图像输入到预先训练完成的识别模型,获得相应的分类结果,即M×N的判决概率表,其中N表示训练设备的类别数目;
S202、根据分类结果计算待识别信号的平均判决概率和熵值,具体公式为:
平均判决概率的计算公式为:
;
其中,p j 表示待识别信号为第j类训练设备发射信号的平均判决概率,p ij 表示待识别信号的第i个样本图像判定为第j类训练设备发射信号的概率,j=1,2,...,N;
熵值的计算公式为:
;
其中,H表示熵值;
S203、根据平均判决概率和熵值判断待识别信号是否为指定设备发射的无线信号,具体内容为:
(1)在指定设备设置为射频指纹库内的训练设备k情况下,其中k=1,2,...,N,当待识别信号的熵值H小于设定的熵值阈值,且待识别信号判断为设备k发射信号的平均概率是所有平均判决概率中的最大值时,此时的待识别信号即为指定设备发射的无线信号,反之则不是;
(2)在指定设备设置为射频指纹库外的未知设备情况下,当待识别信号的熵值H不小于设定的熵值阈值时,此时的待识别信号即为指定设备发射的无线信号,反之则不是。
5.根据权利要求4所述的基于射频指纹识别的智能干扰方法,其特征在于,步骤S201中,识别模型的训练包括:将多台信息已知的无线射频设备作为训练设备,采集每台训练设备以不同信号特征发射的射频信号,对采集的射频信号进行处理,得到归一化功率谱图像,并进行分类标签,每台训练设备对应一个标签;将处理后所有的样本图像数据传输到卷积神经网络,经过多层卷积池化并进行训练,得到训练完成的识别模型。
6.根据权利要求1所述的基于射频指纹识别的智能干扰方法,其特征在于,步骤S3中,对指定设备信号进行特征感知过程包括:在指定设备发射信号所在频点接收波形数据,采用调制方式识别算法、信号带宽估计算法对接收的目标信号进行处理,获得目标信号的特征参数集,所述特征参数包括但不限于目标信号的频点、带宽、调制方式和调制阶数。
7.一种基于射频指纹识别的智能干扰系统,其特征在于,包括:
频谱感知模块,用于获取设定频段中的活跃通信频点集并实时监测活跃通信频点集的变化;
射频指纹识别模块,用于在活跃通信频点接收待识别的无线信号,并判断待识别信号是否为指定设备发射的无线信号;
信号特征感知模块,用于获取指定设备发射的无线信号的特征参数;
干扰信号发射模块,用于生成并发射和指定设备发射的无线信号具有相同信号特征的干扰信号。
8.一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现权利要求1至6中任一项所述方法的步骤。
9.一种计算机可读的存储介质,所述计算机可读的存储介质存储有计算机程序,其特征在于,所述计算机程序被处理器运行时执行所述权利要求1至6中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310802041.1A CN116545575A (zh) | 2023-07-03 | 2023-07-03 | 一种基于射频指纹识别的智能干扰方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310802041.1A CN116545575A (zh) | 2023-07-03 | 2023-07-03 | 一种基于射频指纹识别的智能干扰方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116545575A true CN116545575A (zh) | 2023-08-04 |
Family
ID=87450964
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310802041.1A Pending CN116545575A (zh) | 2023-07-03 | 2023-07-03 | 一种基于射频指纹识别的智能干扰方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116545575A (zh) |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20200092016A1 (en) * | 2017-05-23 | 2020-03-19 | Guangdong Oppo Mobile Telecommunications Corp., Ltd. | Method for processing radio frequency interference, and electronic device |
CN114374975A (zh) * | 2022-03-22 | 2022-04-19 | 南京邮电大学 | 一种可抗多径衰落的射频指纹识别方法及系统 |
CN114513278A (zh) * | 2022-04-18 | 2022-05-17 | 南京邮电大学 | 基于电磁频谱特征认知的智能干扰方法、装置及系统 |
CN114531196A (zh) * | 2022-03-04 | 2022-05-24 | 大连理工大学 | 一种无人机中继辅助下的长距离隐蔽通信方法 |
CN114760627A (zh) * | 2022-03-09 | 2022-07-15 | 江苏电力信息技术有限公司 | 一种基于射频指纹与深度学习的无线设备识别方法 |
CN114896887A (zh) * | 2022-05-20 | 2022-08-12 | 电子科技大学 | 一种基于深度学习的用频设备射频指纹识别方法 |
US20220357459A1 (en) * | 2019-07-01 | 2022-11-10 | Fnv Ip B.V. | A device, a system, a method and computer program product for identifying interfering devices in position measurements |
CN115866615A (zh) * | 2023-02-24 | 2023-03-28 | 南京邮电大学 | 一种基于电磁频谱特征的无线网络通联关系发现方法 |
-
2023
- 2023-07-03 CN CN202310802041.1A patent/CN116545575A/zh active Pending
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20200092016A1 (en) * | 2017-05-23 | 2020-03-19 | Guangdong Oppo Mobile Telecommunications Corp., Ltd. | Method for processing radio frequency interference, and electronic device |
US20220357459A1 (en) * | 2019-07-01 | 2022-11-10 | Fnv Ip B.V. | A device, a system, a method and computer program product for identifying interfering devices in position measurements |
CN114531196A (zh) * | 2022-03-04 | 2022-05-24 | 大连理工大学 | 一种无人机中继辅助下的长距离隐蔽通信方法 |
CN114760627A (zh) * | 2022-03-09 | 2022-07-15 | 江苏电力信息技术有限公司 | 一种基于射频指纹与深度学习的无线设备识别方法 |
CN114374975A (zh) * | 2022-03-22 | 2022-04-19 | 南京邮电大学 | 一种可抗多径衰落的射频指纹识别方法及系统 |
CN114513278A (zh) * | 2022-04-18 | 2022-05-17 | 南京邮电大学 | 基于电磁频谱特征认知的智能干扰方法、装置及系统 |
CN114896887A (zh) * | 2022-05-20 | 2022-08-12 | 电子科技大学 | 一种基于深度学习的用频设备射频指纹识别方法 |
CN115866615A (zh) * | 2023-02-24 | 2023-03-28 | 南京邮电大学 | 一种基于电磁频谱特征的无线网络通联关系发现方法 |
Non-Patent Citations (1)
Title |
---|
焦叙明;杜启振;赵强;: "基于最大相关熵准则的压缩感知地震道重建方法", 中国石油大学学报(自然科学版), no. 03 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Ureten et al. | Wireless security through RF fingerprinting | |
WO2018204917A1 (en) | Spectral sensing and allocation using deep machine learning | |
CN110996343B (zh) | 基于深度卷积神经网络的干扰识别模型的智能识别系统及识别方法 | |
CN108718288B (zh) | 基于卷积神经网络的数字信号调制模式识别方法 | |
US20150180689A1 (en) | Cognitive radio spectrum sensing with improved edge detection of frequency bands | |
CN114513278B (zh) | 基于电磁频谱特征认知的智能干扰方法、装置及系统 | |
CN111444805B (zh) | 一种基于改进的多尺度小波熵数字信号调制识别方法 | |
CN112347871A (zh) | 一种用于通信载波监视系统的干扰信号调制识别方法 | |
Li et al. | Blind detection of underwater acoustic communication signals based on deep learning | |
CN114881093B (zh) | 一种信号分类识别方法 | |
CN101588191B (zh) | 无线电信号认知方法及设备 | |
CN111474955A (zh) | 无人机图传信号制式的识别方法、装置、设备及存储介质 | |
CN106656372B (zh) | 一种跳频系统的频带干扰检测方法 | |
Ali et al. | Modulation format identification using supervised learning and high-dimensional features | |
CN114114194A (zh) | 一种相控阵雷达主瓣干扰识别方法 | |
Wang et al. | Residual learning based RF signal denoising | |
CN116545575A (zh) | 一种基于射频指纹识别的智能干扰方法及系统 | |
CN115866615B (zh) | 一种基于电磁频谱特征的无线网络通联关系发现方法 | |
Hazza et al. | Robustness of digitally modulated signal features against variation in HF noise model | |
CN113242201B (zh) | 基于生成分类网络的无线信号增强解调方法及系统 | |
CN112702132B (zh) | 一种基于卷积神经网络分类器的宽带频谱感知方法 | |
CN101807961B (zh) | 基于双谱对角切片实现频谱感知的方法 | |
CN111783804B (zh) | 异常话单确定方法、装置、设备及存储介质 | |
Wong | On the use of convolutional neural networks for specific emitter identification | |
CN113271273A (zh) | 基于维纳滤波预处理的调制识别方法 |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20230804 |