CN116776227A - 基于特征融合的卫星身份识别方法和装置 - Google Patents
基于特征融合的卫星身份识别方法和装置 Download PDFInfo
- Publication number
- CN116776227A CN116776227A CN202310977450.5A CN202310977450A CN116776227A CN 116776227 A CN116776227 A CN 116776227A CN 202310977450 A CN202310977450 A CN 202310977450A CN 116776227 A CN116776227 A CN 116776227A
- Authority
- CN
- China
- Prior art keywords
- satellite
- module
- training
- model
- identification
- 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 50
- 230000004927 fusion Effects 0.000 title claims abstract description 26
- 238000012549 training Methods 0.000 claims description 50
- 238000012360 testing method Methods 0.000 claims description 29
- 238000013527 convolutional neural network Methods 0.000 claims description 21
- 238000012795 verification Methods 0.000 claims description 20
- 239000011159 matrix material Substances 0.000 claims description 17
- 238000007781 pre-processing Methods 0.000 claims description 17
- 230000006870 function Effects 0.000 claims description 12
- 238000012545 processing Methods 0.000 claims description 11
- 238000000605 extraction Methods 0.000 claims description 9
- 238000005070 sampling Methods 0.000 claims description 9
- 230000004913 activation Effects 0.000 claims description 8
- 238000010606 normalization Methods 0.000 claims description 8
- 238000001514 detection method Methods 0.000 claims description 7
- 238000002372 labelling Methods 0.000 claims description 7
- 238000004364 calculation method Methods 0.000 claims description 6
- 238000010276 construction Methods 0.000 claims description 3
- 238000013135 deep learning Methods 0.000 abstract description 11
- 238000004891 communication Methods 0.000 abstract description 9
- 238000010586 diagram Methods 0.000 description 13
- 238000004590 computer program Methods 0.000 description 5
- 239000000284 extract Substances 0.000 description 5
- 230000008569 process Effects 0.000 description 5
- 238000012986 modification Methods 0.000 description 4
- 230000004048 modification Effects 0.000 description 4
- 230000009471 action Effects 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 2
- 229910052799 carbon Inorganic materials 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000007613 environmental effect Effects 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 230000004075 alteration Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000007499 fusion processing Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000012821 model calculation Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 230000001902 propagating effect Effects 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
Classifications
-
- 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
- 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
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/253—Fusion techniques of extracted features
-
- 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
- G06N3/044—Recurrent networks, e.g. Hopfield networks
- G06N3/0442—Recurrent networks, e.g. Hopfield networks characterised by memory or gating, e.g. long short-term memory [LSTM] or gated recurrent units [GRU]
-
- 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
- G06N3/0464—Convolutional networks [CNN, ConvNet]
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computational Linguistics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Evolutionary Biology (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Radio Relay Systems (AREA)
Abstract
本发明提供了一种基于特征融合的卫星身份识别方法和装置,涉及通信领域,包括接收待识别设备的IQ基带信号,对IQ基带信号进行预处理,得到稳定信号段,基于卷积神经网络并行GRU网络构建卫星身份识别模型,利用所述卷积神经网络并行GRU网络对所述稳定信号段进行特征提取,得到IQ特征和时序特征,将IQ特征、时序特征与IQ基带信号结合,发送至后续卷积层后,由一层全连接层进行分类,得到识别结果,根据识别结果,利用合法卫星射频指纹库进行对比,确认待识别设备是否合法。在保证足够识别准确率的同时兼顾使用较小的参数量,并具备一定的鲁棒性,提升了深度学习在射频指纹识别方法上的实际应用性能,提高了卫星通信系统的安全性。
Description
技术领域
本发明涉及通信领域,特别涉及一种基于特征融合的卫星身份识别方法和装置。
背景技术
一般的卫星安全机制是基于密码认证的方法,而人工智能和计算机的发展使密码破译难度越来越小,卫星的下行通信链路易被截获,地面用户存在着被欺骗的安全风险。电子元器件在生产过程中的容差会导致不同的无线通信设备发生的信号具有细微的差别,即使是同一厂家同一型号的无线通信设备也会因为容差效应存在一定程度的差异。射频指纹技术通过分析无线通信设备的信号特征,提取设备的射频指纹来进行设备识别,从而提高无线网络的安全性。目前传统的射频指纹识别方法需要人工选择特征,再设计分类器,需要一定的专家领域知识,智能化程度较低。深度学习的方法将提取射频指纹特征和分类识别结合到一起,无需人工选择特征,实现端到端的身份识别。其中用于分类识别的射频指纹特征和网络结构设计是应用深度学习方法的核心。
现有技术中,传统的射频指纹识别方法受信道环境的影响较大,在实际应用场景中需要专门针对特定的环境条件人工选择特征、设计分类器,在环境变化时效果较差;随着大数据和深度学习的发展,基于深度学习的射频指纹识别方法在方法通用性上和识别准确率上都已超过传统基于人工特征的方法。目前已有研究提出星座图与深度学习结合的射频指纹识别方法、变换域特征与深度学习结合的射频指纹识别方法,但这些方法存在神经网络参数众多和计算量大的问题,限制着其应用。目前也有相关研究网络结构的优化,使其在满足一定识别准确率的同时减小网络参数量,但在实验中用到的识别个体数量较少,且没有考虑复杂的信道环境。
发明内容
为了解决上述问题,本发明实施例提供一种基于特征融合的卫星身份识别方法及装置,针对乡村碳排放影响因素进行研究,建立乡村碳排放模型,并进行模拟分析。
第一方面,本发明实施例包括一种基于特征融合的卫星身份识别方法,包括S1、接收待识别设备的IQ基带信号,对所述IQ基带信号进行预处理,得到稳定信号段;S2、基于卷积神经网络并行GRU网络构建卫星身份识别模型,利用所述卷积神经网络并行GRU网络对所述稳定信号段进行特征提取,得到IQ特征和时序特征;S3、将所述IQ特征、所述时序特征与所述IQ基带信号结合,发送至后续卷积层后,由一层全连接层进行分类,得到识别结果;S4、根据所述识别结果,利用合法卫星射频指纹库进行对比,确认所述待识别设备是否合法。
可选的,所述S1包括:S11、接收所述待识别设备的所述IQ基带信号,通过能量检测法提取所述IQ基带信号的稳态段;S12、对所述稳态段进行归一化处理;S13、以M个采样点为间隔,对归一化后的所述稳态段进行截取,得到截取后的一维数据段,其中,M为正整数;S14、将所述截取后的一维数据段合并成二维数据,发送至所述卷积神经网络和所述GRU网络。
可选的,所述卷积神经网络并行GRU网络结构包括多个卷积层和多个GRU层,所述多个卷积层包括IQ卷积层和所述后续卷积层,所述IQ卷积层用于为IQ方向上的卷积核提取IQ特征,所述GRU层用于提取时序特征。
可选的,所述GRU层结构包括更新门zt和重置门rt,所述更新门用于通过对当前输入和上一时刻的输出进行加权,决定保留多少信息,表达式为:
;
所述重置门用于决定遗忘多少过去的信息,表达式为:
;
过去的信息通过重置门进行存储,并结合当前时刻的输入信息决定当前的记忆内容,计算公式为:
;
当前时刻的最终输出为:
;
其中,wz、wr、w分别为相应的权重矩阵,xt是当前时间步的输入,ht-1为上一个时间步隐藏状态的输出,表示Sigmoid激活函数,tanh为tanh激活函数,ht为隐藏层状态的输出,/>为当前记忆内容。
可选的,本发明实施方式提供的基于特征融合的卫星身份识别方法,所述S1前包括:S00、收集合法卫星IQ二维矩阵,构建所述卫星识别模型;S01、将所述合法卫星IQ二维矩阵打上标签,划分为训练集、验证集和测试集;S02、利用所述训练集、所述验证集和所述测试集对所述卫星身份识别模型进行训练。
可选的,本发明实施方式提供的基于特征融合的卫星身份识别方法,所述S02包括:S021、利用所述训练集对所述卫星身份识别模型进行训练;S022、选取在所述验证集中获得识别率最高的样本参数作为识别模型的参数,得到测试样本;S023、将所述测试集中的样本输入识别模型中获得模型准确率;S024、判断模型是否达到预设识别准确率,如果未达到所述预设识别准确率则继续训练。
第二方面,本发明实施例还包括一种基于特征融合的卫星身份识别装置,包括预处理模块,接收待识别设备的IQ基带信号,对所述IQ基带信号进行预处理,得到稳定信号段;特征提取模块,基于卫星身份识别模型中的卷积神经网络并行GRU网络对所述稳定信号段进行特征提取,得到IQ特征和时序特征;分类识别模块,将所述IQ特征、所述时序特征与所述IQ基带信号结合,发送至后续卷积层后,由一层全连接层进行分类,得到识别结果;判断模块,根据所述识别结果,利用合法卫星射频指纹库进行对比,确认所述待识别设备是否合法。
可选的,所述预处理模块包括:稳态段提取模块,接收所述待识别设备的所述IQ基带信号,通过能量检测法提取所述IQ基带信号的稳态段;归一化模块,对所述稳态段进行归一化处理;数据截取模块,以M个采样点为间隔,对归一化后的所述稳态段进行截取,得到截取后的一维数据段,其中,M为正整数;数据合并模块,将所述截取后的一维数据段合并成二维数据,发送至所述卷积神经网络和所述GRU网络。
可选的,还包括:构建模块,收集合法卫星IQ二维矩阵,构建所述卫星识别模型;标签模块,将所述合法卫星IQ二维矩阵打上标签,划分为训练集、验证集和测试集;训练模块,利用所述训练集、所述验证集和所述测试集对所述卫星身份识别模型进行训练。
可选的,所述训练模块包括:训练子模块,利用所述训练集对所述卫星身份识别模型进行训练;测试子模块,选取在所述验证集中获得识别率最高的样本参数作为识别模型的参数,得到测试样本;识别子模块,将所述测试集中的样本输入识别模型中获得模型准确率;判断子模块,判断模型是否达到预设识别准确率,如果未达到所述预设识别准确率则继续训练。
本发明实施例包括以下优点:
本发明接收待识别设备的IQ基带信号,对所述IQ基带信号进行预处理,得到稳定信号段,基于卫星身份识别模型中的卷积神经网络并行GRU网络对所述稳定信号段进行特征提取,得到IQ特征和时序特征;将所述IQ特征、所述时序特征与所述IQ基带信号结合,发送至后续卷积层后,由一层全连接层进行分类,得到识别结果;根据所述识别结果,利用合法卫星射频指纹库进行对比,确认所述待识别设备是否合法。在保证足够识别准确率的同时兼顾使用较小的参数量,并具备一定的鲁棒性,提升了深度学习在射频指纹识别方法上的实际应用性能,提高了卫星通信系统的安全性。
附图说明
为了更清楚地说明本申请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申请的一些实施例,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的附图。
图1是本发明实施例提供的一种基于特征融合的卫星身份识别方法流程图一;
图2是图1提供的S1的流程图;
图3是本发明实施例提供的一种基于特征融合的卫星身份识别方法流程图二;
图4是图3提供的S02的流程图;
图5是本发明实施例提供的一种基于特征融合的卫星身份识别装置结构示意图;
图6是图5提供的预处理模块201的结构示意图;
图7是图5提供的训练模块2002的结构示意图;
图8是样本划分示意图;
图9是信号切片示意图;
图10是IQ卷积层结构示意图;
图11是GRU卷积结构示意图;
图12是卷积层结构示意图;
图13是特征融合示意图。
上述说明仅是本发明技术方案的概述,为了能够更清楚了解本发明的技术手段,而可依照说明书的内容予以实施,并且为了让本发明的上述和其它目的、特征和优点能够更明显易懂,以下特举本发明的具体实施方式。
具体实施方式
下面将参照附图更详细地描述本发明的示例性实施例。虽然附图中显示了本发明的示例性实施例,然而应当理解,可以以各种形式实现本发明而不应被这里阐述的实施例所限制。相反,提供这些实施例是为了能够更透彻地理解本发明,并且能够将本发明的范围完整的传达给本领域的技术人员。
下面结合附图,通过具体的实施例及其应用场景对本申请实施例提供的基于特征融合的卫星身份识别方法及装置进行详细地说明。
下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本申请保护的范围。
本发明的实施例一涉及一种基于特征融合的卫星身份识别方法,其流程如图1和图3所示,包括接收待识别设备的IQ基带信号,对所述IQ基带信号进行预处理,得到稳定信号段,基于卫星身份识别模型中的卷积神经网络并行GRU网络对所述稳定信号段进行特征提取,得到IQ特征和时序特征;将所述IQ特征、所述时序特征与所述IQ基带信号结合,发送至后续卷积层后,由一层全连接层进行分类,得到识别结果;根据所述识别结果,利用合法卫星射频指纹库进行对比,确认所述待识别设备是否合法。在保证足够识别准确率的同时兼顾使用较小的参数量,并具备一定的鲁棒性,提升了深度学习在射频指纹识别方法上的实际应用性能,提高了卫星通信系统的安全性。
S00、收集合法卫星IQ二维矩阵,构建所述卫星识别模型。
模型训练阶段则将提前收集到的合法卫星IQ二维矩阵打上标签作为一个样本,如图8所示。
S01、将所述合法卫星IQ二维矩阵打上标签,划分为训练集、验证集和测试集。
将样本按照7:1:2的比例分为训练集、验证集、测试集。
S02、利用所述训练集、所述验证集和所述测试集对所述卫星身份识别模型进行训练。
如图4所示,利用处理好的训练集数据对网络结构进行监督训练,每训练一轮进行一次验证,选取在验证样本中获得识别率最高的参数作为识别模型的参数,将测试样本输入识别模型中获得模型准确率,判断模型是否达到预期的识别准确率,如未达到则继续训练。
S021、利用所述训练集对所述卫星身份识别模型进行训练。
训练即使用获取的样本数据输入模型中进行计算,根据计算结果和真实数据的对比,一步步进行矫正使得模型计算更加准确。
S022、选取在所述验证集中获得识别率最高的样本参数作为识别模型的参数,得到测试样本。
S023、将所述测试集中的样本输入识别模型中获得模型准确率。
在大量样本输入模型后,根据结果与实际数据的比较可以获得数据准确度,以此来反应模型的准确率。
S024、判断模型是否达到预设识别准确率,如果未达到所述预设识别准确率则继续训练。
S1、接收待识别设备的IQ基带信号,对所述IQ基带信号进行预处理,得到稳定信号段。
如图2所示,接收机接收信号获得I、Q两路基带信号,并通过预处理,去除无效的信号,提取稳定信号段。
S11、接收所述待识别设备的所述IQ基带信号,通过能量检测法提取所述IQ基带信号的稳态段;
数字接收机通过下变频获得IQ两路基带信号,并通过能量检测法提取信号的稳态段。
S12、对所述稳态段进行归一化处理;
对两路基带信号进行归一化处理。
S13、以M个采样点为间隔,对归一化后的所述稳态段进行截取,得到截取后的一维数据段,其中,M为正整数;
再对IQ两路数据每隔M采样点进行截取,其中,M为正整数。
S14、将所述截取后的一维数据段合并成二维数据,发送至所述卷积神经网络和所述GRU网络。
最后把截取的两路一维数据合并成二维矩阵,送入网络进行识别。
需要说明的是,特征融合过程如图13所示,IQ卷积输出中,(1,M)×N表示为卷积核大小为(1,M),卷积通道数量为N;原始IQ中(2,M)×1表示为卷积核大小为(2,M),卷积通道数量为1;GRU输出中,(1,M)×1表示为卷积核大小为(1,M),卷积通道数量为1。
S2、基于卫星身份识别模型中的卷积神经网络并行GRU网络对所述稳定信号段进行特征提取,得到IQ特征和时序特征;
利用卷积神经网络的强大的特征提取能力,提取信号的IQ相关特征,GRU网络适合处理时序数据,利用GRU网络对信号时序特征进行学习。
进一步的,IQ信号本身也可作为特征进行分类识别。
S3、将所述IQ特征、所述时序特征与所述IQ基带信号结合,发送至后续卷积层后,由一层全连接层进行分类,得到识别结果。
如图9所示,网络结构总体为多个卷积层和多个GRU层,多个卷积层包括一个IQ卷积层和一个卷积层,IQ卷积层首先为IQ方向上的卷积核提取IQ相关特征,GRU层提取时序特征,而后将两者提取的特征与原始IQ信号结合到一起,将合并后的特征送入后续的卷积层,最后一层卷积层为时间序列方向上的二维卷积,最后送入一层全连接层进行分类。
需要说明的是,IQ卷积层结构如图10所示,其中N代表卷积通道数量,同时GRU的隐藏层单元也设为N,M为信号采样点,(2,1)×N表示为卷积核大小为(2,1),卷积通道数量为N,其他同理,BN层为批标准化,ReLU为激活函数。
进一步的,卷积层结构如图12所示,其中N代表卷积通道数量,同时GRU的隐藏层单元也设为N,M为信号采样点,(4,1)×N+2表示为卷积核大小为(4,1),卷积通道数量为N+2,(1,3)×N+2表示为卷积核大小为(1,3),卷积通道数量为N+2,其他同理,BN层为批标准化,ReLU为激活函数。
进一步的,GRU层结构如图11所示,主要由更新门zt和重置门rt组成,其中,xt是当前时间步的输入,ht-1为上一个时间步隐藏状态的输出,表示Sigmoid激活函数,tanh为tanh激活函数,‘1-’表示该链路向前传播的数据为1-zt,ht为隐藏层状态的输出,/>为当前记忆内容,×代表矩阵的数乘,+表示矩阵的和,箭头所指即为数据流动的方向。
更新门是通过对当前输入和上一时刻的输出进行加权,决定保留多少信息,数据处理过程为:
;
重置门则是要决定遗忘多少过去的信息,表达式为:
;
过去的信息会通过重置门进行存储,并结合当前时刻的输入信息决定当前的记忆内容,计算公式为:
;
当前时刻的最终输出为:
;
其中,wz、wr、w分别为相应的权重矩阵。
S4、根据所述识别结果,利用合法卫星射频指纹库进行对比,确认所述待识别设备是否合法。
保存最优的网络模型,对接收到的信号进行识别,并与合法射频指纹库对比做出判决,判断是否为合法设备。
本发明接收待识别设备的IQ基带信号,对所述IQ基带信号进行预处理,得到稳定信号段,基于卫星身份识别模型中的卷积神经网络并行GRU网络对所述稳定信号段进行特征提取,得到IQ特征和时序特征;将所述IQ特征、所述时序特征与所述IQ基带信号结合,发送至后续卷积层后,由一层全连接层进行分类,得到识别结果;根据所述识别结果,利用合法卫星射频指纹库进行对比,确认所述待识别设备是否合法。结合深度学习的射频指纹识别技术实现了对卫星下行信号的身份识别,由于利用的信号物理层特征具由不可伪造的特点,解决了传统的密码认证被破译、身份被假冒的安全问题,在设计网络结构时,在保证足够识别准确率的同时兼顾使用较小的参数量,并具备一定的鲁棒性,提升了深度学习在射频指纹识别方法上的实际应用性能,提高了卫星通信系统的安全性。
本发明的实施例二涉及一种基于特征融合的卫星身份识别装置200,如图5所示,包括:
构建模块2000,收集合法卫星IQ二维矩阵,构建所述卫星识别模型;
标签模块2001,将所述合法卫星IQ二维矩阵打上标签,划分为训练集、验证集和测试集;
训练模块2002,利用所述训练集、所述验证集和所述测试集对所述卫星身份识别模型进行训练。
预处理模块201,接收待识别设备的IQ基带信号,对所述IQ基带信号进行预处理,得到稳定信号段;
特征提取模块202,基于卫星身份识别模型中的卷积神经网络并行GRU网络对所述稳定信号段进行特征提取,得到IQ特征和时序特征;
分类识别模块203,将所述IQ特征、所述时序特征与所述IQ基带信号结合,发送至后续卷积层后,由一层全连接层进行分类,得到识别结果;
判断模块204,根据所述识别结果,利用合法卫星射频指纹库进行对比,确认所述待识别设备是否合法。
进一步的,如图6所示,所述预处理模块201包括:
稳态段提取模块2011,接收所述待识别设备的所述IQ基带信号,通过能量检测法提取所述IQ基带信号的稳态段;
归一化模块2012,对所述稳态段进行归一化处理;
数据截取模块2013,以M个采样点为间隔,对归一化后的所述稳态段进行截取,得到截取后的一维数据段,其中,M为正整数;
数据合并模块2014,将所述截取后的一维数据段合并成二维数据,发送至所述卷积神经网络和所述GRU网络。
进一步的,如图7所示,所述训练模块2002还包括:
训练子模块20021,利用所述训练集对所述卫星身份识别模型进行训练;
测试子模块20022,选取在所述验证集中获得识别率最高的样本参数作为识别模型的参数,得到测试样本;
识别子模块20023,将所述测试集中的样本输入识别模型中获得模型准确率;
判断子模块20024,判断模型是否达到预设识别准确率,如果未达到所述预设识别准确率则继续训练。
本发明接收待识别设备的IQ基带信号,对所述IQ基带信号进行预处理,得到稳定信号段,基于卫星身份识别模型中的卷积神经网络并行GRU网络对所述稳定信号段进行特征提取,得到IQ特征和时序特征;将所述IQ特征、所述时序特征与所述IQ基带信号结合,发送至后续卷积层后,由一层全连接层进行分类,得到识别结果;根据所述识别结果,利用合法卫星射频指纹库进行对比,确认所述待识别设备是否合法。结合深度学习的射频指纹识别技术实现了对卫星下行信号的身份识别,由于利用的信号物理层特征具由不可伪造的特点,解决了传统的密码认证被破译、身份被假冒的安全问题,在设计网络结构时,在保证足够识别准确率的同时兼顾使用较小的参数量,并具备一定的鲁棒性,提升了深度学习在射频指纹识别方法上的实际应用性能,提高了卫星通信系统的安全性。
以上对本申请所提供的技术方案进行了详细介绍,本文中应用了具体个例对本申请的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本申请,本说明书内容不应理解为对本申请的限制。同时,对于本领域的一般技术人员,依据本申请,在具体实施方式及应用范围上均会有不同形式的改变之处,这里无需也无法对所有的实施方式予以穷举,而由此所引伸出的显而易见的变化或变动仍处于本申请的保护范围之中。
本说明书中的各个实施例均采用递进的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间相同相似的部分互相参见即可。本发明实施例是参照根据本发明实施例的方法、终端设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理终端设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理终端设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理终端设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。这些计算机程序指令也可装载到计算机或其他可编程数据处理终端设备上,使得在计算机或其他可编程终端设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程终端设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。尽管已描述了本发明实施例的优选实施例,但本领域内的技术人员一旦得知了基本创造性概念,则可对这些实施例做出另外的变更和修改。所以,所附权利要求意欲解释为包括优选实施例以及落入本发明实施例范围的所有变更和修改。最后,还需要说明的是,在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者终端设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者终端设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者终端设备中还存在另外的相同要素。
以上对本发明所提供的方法和装置行了详细介绍,本文中应用了具体个例对本发明的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本发明的方法及其核心思想;同时,对于本领域的一般技术人员,依据本发明的思想,在具体实施方式及应用范围上均会有改变之处,综上所述,本说明书内容不应理解为对本发明的限制。
Claims (10)
1.一种基于特征融合的卫星身份识别方法,其特征在于,包括:
S1、接收待识别设备的IQ基带信号,对所述IQ基带信号进行预处理,得到稳定信号段;
S2、基于卷积神经网络并行GRU网络构建卫星身份识别模型,利用所述卷积神经网络并行GRU网络对所述稳定信号段进行特征提取,得到IQ特征和时序特征;
S3、将所述IQ特征、所述时序特征与所述IQ基带信号结合,发送至后续卷积层后,由一层全连接层进行分类,得到识别结果;
S4、根据所述识别结果,利用合法卫星射频指纹库进行对比,确认所述待识别设备是否合法。
2.根据权利要求1所述的基于特征融合的卫星身份识别方法,其特征在于,所述S1包括:
S11、接收所述待识别设备的所述IQ基带信号,通过能量检测法提取所述IQ基带信号的稳态段;
S12、对所述稳态段进行归一化处理;
S13、以M个采样点为间隔,对归一化后的所述稳态段进行截取,得到截取后的一维数据段,其中,M为正整数;
S14、将所述截取后的一维数据段合并成二维数据,发送至所述卷积神经网络和所述GRU网络。
3.根据权利要求1所述的基于特征融合的卫星身份识别方法,其特征在于,所述卷积神经网络并行GRU网络结构包括多个卷积层和多个GRU层,所述多个卷积层包括IQ卷积层和所述后续卷积层,所述IQ卷积层用于为IQ方向上的卷积核提取IQ特征,所述GRU层用于提取时序特征。
4.根据权利要求3所述的基于特征融合的卫星身份识别方法,其特征在于,所述GRU层结构包括更新门zt和重置门rt,
所述更新门用于通过对当前输入和上一时刻的输出进行加权,决定保留多少信息,表达式为:
;
所述重置门用于决定遗忘多少过去的信息,表达式为:
;
过去的信息通过重置门进行存储,并结合当前时刻的输入信息决定当前的记忆内容,计算公式为:
;
当前时刻的最终输出为:
;
其中,wz、wr、w分别为相应的权重矩阵,xt是当前时间步的输入,ht-1为上一个时间步隐藏状态的输出,表示Sigmoid激活函数,tanh为tanh激活函数,ht为隐藏层状态的输出,/>为当前记忆内容。
5.根据权利要求1所述的基于特征融合的卫星身份识别方法,其特征在于,所述S1前还包括:
S00、收集合法卫星IQ二维矩阵,构建所述卫星识别模型;
S01、将所述合法卫星IQ二维矩阵打上标签,划分为训练集、验证集和测试集;
S02、利用所述训练集、所述验证集和所述测试集对所述卫星身份识别模型进行训练。
6.根据权利要求5所述的基于特征融合的卫星身份识别方法,其特征在于,所述S02包括:
S021、利用所述训练集对所述卫星身份识别模型进行训练;
S022、选取在所述验证集中获得识别率最高的样本参数作为识别模型的参数,得到测试样本;
S023、将所述测试集中的样本输入识别模型中获得模型准确率;
S024、判断模型是否达到预设识别准确率,如果未达到所述预设识别准确率则继续训练。
7.一种基于特征融合的卫星身份识别装置,其特征在于,包括:
预处理模块,接收待识别设备的IQ基带信号,对所述IQ基带信号进行预处理,得到稳定信号段;
特征提取模块,基于卫星身份识别模型中的卷积神经网络并行GRU网络对所述稳定信号段进行特征提取,得到IQ特征和时序特征;
分类识别模块,将所述IQ特征、所述时序特征与所述IQ基带信号结合,发送至后续卷积层后,由一层全连接层进行分类,得到识别结果;
判断模块,根据所述识别结果,利用合法卫星射频指纹库进行对比,确认所述待识别设备是否合法。
8.根据权利要求7所述的基于特征融合的卫星身份识别装置,其特征在于,所述预处理模块包括:
稳态段提取模块,接收所述待识别设备的所述IQ基带信号,通过能量检测法提取所述IQ基带信号的稳态段;
归一化模块,对所述稳态段进行归一化处理;
数据截取模块,以M个采样点为间隔,对归一化后的所述稳态段进行截取,得到截取后的一维数据段,其中,M为正整数;
数据合并模块,将所述截取后的一维数据段合并成二维数据,发送至所述卷积神经网络和所述GRU网络。
9.根据权利要求7所述的基于特征融合的卫星身份识别装置,其特征在于,还包括:
构建模块,收集合法卫星IQ二维矩阵,构建所述卫星识别模型;
标签模块,将所述合法卫星IQ二维矩阵打上标签,划分为训练集、验证集和测试集;
训练模块,利用所述训练集、所述验证集和所述测试集对所述卫星身份识别模型进行训练。
10.根据权利要求7所述的基于特征融合的卫星身份识别装置,其特征在于,所述训练模块包括:
训练子模块,利用所述训练集对所述卫星身份识别模型进行训练;
测试子模块,选取在所述验证集中获得识别率最高的样本参数作为识别模型的参数,得到测试样本;
识别子模块,将所述测试集中的样本输入识别模型中获得模型准确率;
判断子模块,判断模型是否达到预设识别准确率,如果未达到所述预设识别准确率则继续训练。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310977450.5A CN116776227A (zh) | 2023-08-04 | 2023-08-04 | 基于特征融合的卫星身份识别方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310977450.5A CN116776227A (zh) | 2023-08-04 | 2023-08-04 | 基于特征融合的卫星身份识别方法和装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116776227A true CN116776227A (zh) | 2023-09-19 |
Family
ID=88013583
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310977450.5A Pending CN116776227A (zh) | 2023-08-04 | 2023-08-04 | 基于特征融合的卫星身份识别方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116776227A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117713912A (zh) * | 2024-02-05 | 2024-03-15 | 成都大公博创信息技术有限公司 | 一种基于CVCNN-BiGRU的星链终端信号识别方法和装置 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7945271B1 (en) * | 2007-07-19 | 2011-05-17 | Sprint Communications Company L.P. | Location inference using radio frequency fingerprinting |
CN112867010A (zh) * | 2021-01-14 | 2021-05-28 | 中国科学院国家空间科学中心 | 基于卷积神经网络的射频指纹嵌入式实时识别方法及系统 |
CN115065973A (zh) * | 2022-04-11 | 2022-09-16 | 中国人民解放军战略支援部队航天工程大学 | 一种基于卷积神经网络的卫星测控地面站身份识别方法 |
CN115294615A (zh) * | 2022-08-24 | 2022-11-04 | 南京理工大学 | 一种基于机器学习的射频指纹识别方法 |
-
2023
- 2023-08-04 CN CN202310977450.5A patent/CN116776227A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7945271B1 (en) * | 2007-07-19 | 2011-05-17 | Sprint Communications Company L.P. | Location inference using radio frequency fingerprinting |
CN112867010A (zh) * | 2021-01-14 | 2021-05-28 | 中国科学院国家空间科学中心 | 基于卷积神经网络的射频指纹嵌入式实时识别方法及系统 |
CN115065973A (zh) * | 2022-04-11 | 2022-09-16 | 中国人民解放军战略支援部队航天工程大学 | 一种基于卷积神经网络的卫星测控地面站身份识别方法 |
CN115294615A (zh) * | 2022-08-24 | 2022-11-04 | 南京理工大学 | 一种基于机器学习的射频指纹识别方法 |
Non-Patent Citations (2)
Title |
---|
XIAOGANG TANG等: "Radio Frequency Fingerprint-Based Satellite TT&C Ground Station Identification Method", 《JOURNAL OF BEIJING INSTITUTE OF TECHNOLOGY》, vol. 32, no. 1, pages 1 - 11 * |
周斌;邵震洪;邹菊红;: "卫星通信抗干扰系统中的射频指纹特征识别技术", 电子信息对抗技术, no. 02 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117713912A (zh) * | 2024-02-05 | 2024-03-15 | 成都大公博创信息技术有限公司 | 一种基于CVCNN-BiGRU的星链终端信号识别方法和装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108388927B (zh) | 基于深度卷积孪生网络的小样本极化sar地物分类方法 | |
Marinelli et al. | A novel change detection method for multitemporal hyperspectral images based on binary hyperspectral change vectors | |
CN111444952B (zh) | 样本识别模型的生成方法、装置、计算机设备和存储介质 | |
CN109614989B (zh) | 快速模型的训练方法、装置、计算机设备及存储介质 | |
CN110598530A (zh) | 一种基于acgan的小样本无线电信号增强识别方法 | |
CN116776227A (zh) | 基于特征融合的卫星身份识别方法和装置 | |
CN111881707A (zh) | 图像翻拍检测方法、身份验证方法、模型训练方法及装置 | |
CN110363098B (zh) | 一种暴力行为预警方法、装置、可读存储介质及终端设备 | |
CN111177469A (zh) | 人脸检索方法及人脸检索装置 | |
CN115294615A (zh) | 一种基于机器学习的射频指纹识别方法 | |
CN116992299B (zh) | 区块链交易异常检测模型的训练方法、检测方法及装置 | |
CN114529765A (zh) | 一种数据处理方法、设备以及计算机可读存储介质 | |
CN116109898A (zh) | 基于双向对抗训练与关系度量约束的广义零样本学习方法 | |
CN113762326A (zh) | 一种数据识别方法、装置、设备及可读存储介质 | |
CN115114958A (zh) | 一种基于监督对比学习的电磁信号开集识别方法 | |
CN114943253A (zh) | 一种基于元学习模型的射频指纹小样本识别方法 | |
CN117475236B (zh) | 用于矿产资源勘探的数据处理系统及其方法 | |
CN115393698A (zh) | 一种基于改进dpn网络的数字图像篡改检测方法 | |
CN117131436A (zh) | 面向开放环境的辐射源个体识别方法 | |
CN115809426A (zh) | 一种辐射源个体识别方法及系统 | |
CN111490945A (zh) | 一种基于深度学习方法和dfi的vpn隧道流量识别方法 | |
CN112566117B (zh) | 基于度量学习的车辆节点身份识别方法及装置 | |
Feng et al. | FCGCN: Feature Correlation Graph Convolution Network for Few-Shot Individual Identification | |
Gu et al. | Radio frequency fingerprinting driven drone identification based on complex-valued CNN | |
CN111860331A (zh) | 无人机在安防未知域的人脸识别系统 |
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 |