CN117081806A - 一种基于特征提取的信道认证方法 - Google Patents
一种基于特征提取的信道认证方法 Download PDFInfo
- Publication number
- CN117081806A CN117081806A CN202311048765.8A CN202311048765A CN117081806A CN 117081806 A CN117081806 A CN 117081806A CN 202311048765 A CN202311048765 A CN 202311048765A CN 117081806 A CN117081806 A CN 117081806A
- Authority
- CN
- China
- Prior art keywords
- fdfe
- mobilevit
- channel
- network
- training
- 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.)
- Granted
Links
- 238000000605 extraction Methods 0.000 title claims abstract description 30
- 238000000034 method Methods 0.000 title claims abstract description 28
- 238000012549 training Methods 0.000 claims abstract description 37
- 238000012360 testing method Methods 0.000 claims abstract description 25
- 239000000284 extract Substances 0.000 claims abstract description 10
- 239000011159 matrix material Substances 0.000 claims description 16
- 230000008569 process Effects 0.000 claims description 12
- 238000012545 processing Methods 0.000 claims description 9
- 238000010606 normalization Methods 0.000 claims description 4
- 230000009466 transformation Effects 0.000 claims description 4
- 238000011176 pooling Methods 0.000 claims description 3
- 230000001131 transforming effect Effects 0.000 claims description 2
- 238000005070 sampling Methods 0.000 claims 2
- 238000000926 separation method Methods 0.000 claims 1
- 238000010586 diagram Methods 0.000 description 8
- 238000013135 deep learning Methods 0.000 description 4
- 230000004927 fusion Effects 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 238000006243 chemical reaction Methods 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 230000000737 periodic effect Effects 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- NAWXUBYGYWOOIX-SFHVURJKSA-N (2s)-2-[[4-[2-(2,4-diaminoquinazolin-6-yl)ethyl]benzoyl]amino]-4-methylidenepentanedioic acid Chemical compound C1=CC2=NC(N)=NC(N)=C2C=C1CCC1=CC=C(C(=O)N[C@@H](CC(=C)C(O)=O)C(O)=O)C=C1 NAWXUBYGYWOOIX-SFHVURJKSA-N 0.000 description 1
- 238000000137 annealing Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 230000009467 reduction Effects 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
-
- 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
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L63/00—Network architectures or network communication protocols for network security
- H04L63/08—Network architectures or network communication protocols for network security for authentication of entities
-
- 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)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Molecular Biology (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computer Hardware Design (AREA)
- Computer Security & Cryptography (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特征提取的信道认证方法,包括以下步骤:S1.利用接收机收集已知合法终端与非法终端的信道数据,将收集到的数据上传至云服务器;S2.云服务器将信道数据转换为信道图像,构建样本集并划分为训练集和测试集;S3.云服务器构建FDFE‑MobileViT网络,并对FDFE‑MobileViT网络进行训练,得到最优的FDFE‑MobileViT网络;S4.云服务器将训练得到的最优FDFD‑MobileViT网络发送给接收机,接收机利用具有最优FDFD‑MobileViT网络对后续接收到的信号进行在线认证,对认证失败的数据进行丢弃。本发明在提取特征的同时,还能获取语义信息,并大大了提高认证精度。
Description
技术领域
本发明涉及信道认证,特别是涉及一种基于特征提取的信道认证方法。
背景技术
信道认证技术是利用发送机与接收机之间信道的空时唯一性来进行安全认证。与基于密码学的认证方案相比,基于信道状态信息的信道认证方案消耗的资源更少,认证效率更高。非深度学习无线物理层认证方法已经被广泛应用,但是在安全性、灵活性和可扩展性方面存在较大的不足之处,例如密钥管理困难、易受攻击和限制了网络的规模等问题。相比之下,深度学习物理层认证可以自动学习通信信道中的特征,从而提高了认证的准确性和鲁棒性,深度学习物理层认证可以检测到常规的攻击方式,并且可以在识别中具有一定的容忍度,在一定程度上提高了认证的安全性,深度学习物理层认证可以在不需要预先配置密钥或者算法的情况下进行认证,因此可以在大规模网络部署中使用。但是信道噪声对于认证有着很大影响,在认证的准确性上还存在着一些不足。
发明内容
本发明的目的在于克服现有技术的不足,提供一种基于特征提取的信道认证方法,在提取特征的同时,还能获取语义信息,并大大了提高认证精度。
本发明的目的是通过以下技术方案来实现的:一种基于特征提取的信道认证方法,其特征在于:包括以下步骤:
S1.利用接收机收集已知合法终端与非法终端的信道数据,将收集到的数据上传至云服务器;
S2.云服务器将信道数据转换为信道图像,构建样本集并划分为训练集和测试集;
S3.云服务器构建FDFE-MobileViT网络,并对FDFE-MobileViT网络进行训练,得到最优的FDFE-MobileViT网络;
S4.云服务器将训练得到的最优FDFD-MobileViT网络发送给接收机,接收机利用具有最优FDFD-MobileViT网络对后续接收到的信号进行在线认证,对认证失败的数据进行丢弃。
本发明的有益效果是:本发明首先将信道矩阵转换为图像,减少了噪声对于认证的影响,降低了计算难度;本发明将信道矩阵的实部和虚部分别作为图像的不同通道,解决了卷积神经网络无法有效处理复数的问题;本发明将信道图像利用卷积与Transformer结合,不仅能够提取特征,还能获取语义信息,大大提高认证精度。综上,本发明使用FDFE特征提取模块来改进MobileViT模型,有效地提高了信道认证的精度。
附图说明
图1为本发明的方法流程图;
图2为经过操作后的信道图像示意图;
图3为卷积后不同通道对应的特征图和不同通道对应的波形示意图;
图4为FDFE特征提取模块的结构示意图;
图5为FDFE-MobileViT的模型结构示意图;
图6为FDFE-MobileViT混淆矩阵示意图。
具体实施方式
下面结合附图进一步详细描述本发明的技术方案,但本发明的保护范围不局限于以下所述。
如图1所示,一种基于特征提取的信道认证方法,包括以下步骤:
S1.利用接收机收集已知合法终端与非法终端的信道数据,将收集到的数据上传至云服务器;
在本申请的实施例中,设接收机接收到合法与非法信道数据分别有3000帧,并分别上传至云服务器。
所述步骤S1包括以下子步骤:
S101.合法终端向接收机发送N帧导频序列,接收机在接收到合法终端发送的信息后,提取出N个信道矩阵,形成合法数据集其中/>表示从合法终端发送的第j帧导频序列中提取的信道矩阵,j=1,2,…,N;
S102.非法终端向接收机发送N帧导频序列,接收机在接收到非法终端发送的信息后,提取出N个信道矩阵,形成非法数据集其中/>表示从非法终端发送的第j帧导频序列中提取的信道矩阵,j=1,2,…,N;
S103.接收机将合法数据集与非法数据集上传到云端服务器。
S2.云服务器将信道数据转换为信道图像,构建样本集并划分为训练集和测试集;
所述步骤S2中,假设云服务器所接收到的数据大小为32×16,云服务器会将数据转换为图像,以便FDFE-MobileViT进行特征处理。
S201.云服务器将数据进行实部虚部分离,以便于将信道数据转换为图像。将实部取绝对值乘255作为图像的红色通道,虚部做相同的操作作为绿色通道,蓝色通道全部置为零,将三个通道合并获得信道图像。
S202.云服务器对初始图像进行预处理:首先将初始图像进行裁剪,得到多张裁剪图像(可以相同尺寸也可以不同尺寸),然后对每一张裁剪图像进行处理:
将裁剪图像缩放到设定的尺寸,然后以设定的概率对缩放后的裁剪图像进行随机水平旋转,再对水平旋转后的图像进行归一化处理;
S203.对于每一张归一化处理得到的图像,若该图像是根据合法数据集中的信道矩阵获得,为其添加标记“1”,若该图像是根据非法数据集中的信道矩阵获得,为其添加标记“0”,将图像作为样本,将标记作为样本标签,加入样本集中;
S204.对于合法数据集与非法数据集中的每一个信道矩阵,重复执行步骤S201~S203,得到完整的样本集;
S205.将样本集划分为训练集和测试集。
S3.云服务器构建FDFE-MobileViT网络,并对FDFE-MobileViT网络进行训练,得到最优的FDFE-MobileViT网络;
所述步骤S3中,FDFE-MobilViT结构为;
FDFE-MobileViT结构综合运用了多种特征提取方法,包括卷积、倒残差、Transformer等,能够全面地对输入数据进行建模和特征提取。
FDFE特征提取模块利用傅里叶变换和加窗操作,将时域的离散信号转换到频域中,提取频域特性,并减少噪声的干扰。
DSC卷积能够以更低的参数数量和运算成本提取特征,提高模型的效率和计算速度。
FDFE-MobileViT结构灵活可配置,可以根据实际需求在不同层级插入FDFE特征提取模块,从而提高模型的性能和适应性。
FEFE-MobileViT包括卷积层、MV2层、MobileViT块层、FDFE特征提取层、输出层。卷积层主要对图像进行下采样和通道的改变,全局池化线性层主要是作为输出层,MV2源于MobileNetV2中的倒残差层,MobileViT块首先将特征图通过一层卷积层进行通道调整,紧接着对特征图进行展开、Transformer、还原操作对特征图进行全局建模,紧接着特征图再次经过一个卷积层将通道调整为原始大小并于原始输入特征进行拼接,紧接着经过一次卷积操作进行特征融合得到最终的输出。
MV2主要由三个部分组成,与ResNet不同的是,MV2先升高维度后降低维度,它被称为倒残差结构。MV2首先利用大小为1×1的卷积进行升维操作,紧接着使用大小为3×3卷积进行特征提取,在用大小为1×1的卷积进行降维。
MobileViT块旨在使用更少的参数对进入其中的张量进行局部与全局的建模。MobileViT块由局部表示块、全局表示块、融合块三个部分组成。
进入MoblieViT block的张量会首先通过局部表示块的处理,对于给定的张量 局部表示块首先使用一个n×n的标准卷积对X进行局部空间信息的编码,紧接着使用一个1×1的卷积通过学习输入通道的线性组合将局部信息投射到更高的维度从而得到/>紧接着局部表示块将XL传递给全局表示块,在这一步,XL首先被展开成N个不重叠的块得到/>
这里的P=wh。对于集合P中的每一个元素全局表示块都会应用tranformers对元素之间的关系进行编码得到/>还原操作将XG还原成H×W×d的形式送给融合块。融合块与局部表示块类似,融合块将利用1×1的卷积将高维特征映射到低维得到XD,然后再利用n×n的标准卷积层融合XD与X得到输出。
常见的通信系统所发送的信号都可以被当作是一个非周期信号,非周期信号在随时间的变化过程中不会随时间的变化出现重复的模式。当使用傅里叶变换后,非周期信号就会变成无线周期的正余弦函数的叠加,进而表示时域中的离散的信号。经过傅里叶变换后时域中难以分析的特征就能在频域中清晰的展示。
S301.FDFE首先使用了二维离散傅里叶变换将时域的离散信号转换到频域中,以便能够提取到频域特性。对于给定的张量所述张量为特征图,H、W分别为特征图的高度和宽度,C表示特征图的通道数,XT会经过FFT模块,此时FFT模块将XT变换到频域中得到XF,变换过程由公式(1)给出:
此处的i表示虚数单位F表示频域采样点的下标,范围从0到M-1;m表示时域采样点的下标,范围从0到M-1。
通常情况下,经过图像傅里叶变换后所产生的虚部将会被忽略,但对于非周期信号而言,信号在初始状态自然包含实部与虚部,因此信号的虚部是携带信息的。在数据预处理过程中,将实部与虚部分别作为不同的通道生成图片,因此在FDFE特征提取模块中并不舍弃虚部,并将虚部与实部共同视为频域特征进行处理。
为了消除噪声的干扰,让频域的数据更加的纯净,方便后续提取频域特征,在这里FDFE使用了加窗操作。信号加窗就是将原始信号与窗函数进行相乘,降低信号在频域上的泄漏。滤波器也可以实现类似的操作,但滤波器是通过去除或改变一定频率范围内的信号以实现信号处理或改变信号特征,而在信号加窗过程中,信号本身没有被过滤,仅是被调节了振幅,在某些特定的情况下信号加窗可以被视作滤波的一种特殊形式,在此处FDFE选择了使用加窗操作,对XF的加窗操作可由公式(2)-(3)给出:
其中Wn为Bartlett窗的集合,分别是XF、Xw的第n个元素,Xw是XF经过加窗操作后得到的结果。
经过频域转换和加窗操作后,信道图像的频域特征更加的明显,图2展示了经过操作后的信道图像。图2中(a)-(c)为合法通道经过频域转换和加窗的结果(d)-(f)非法通道经过频域转换和加窗的结果。
图2(c)与2(f)分别展示了合法信道与非法信道在经过加窗后所生成的特征图,相较于未经加窗的2(b)与2(e)而言,2(c)与2(f)将灰度值得差距进一步拉大,使不同的信息更加明显,中间与边缘部分的灰度值更小,不同的灰度值能够体现不同信道的特征。
经过加窗后的图像频域特征虽然更加的明显,但目前的特征并不能被模型很好的利用,DSC卷积用深度卷积和逐点卷积两个部分提取特征,相比于常规的卷积操作,DSC卷积的参数数量和运算成本更低。通过DSC卷积对XF提取特征的过程由公式(4)-(5)给出:
其中Kc表示对于输出通道数为c的张量使用一个大小为kw×kh的卷积核,表示输入XF中第c个通道的数据。Pc是一个大小为1×1的卷积核,用于对每个输出通道进行线性组合操作。
图3中的3(a)-3(i)展示了第一个特征提取模块DSC卷积得到的特征图,每一张图对应一个通道,3(m)展示了每个特征图所对应得波形。可以看到3(e)与3(j)所对应的波形有较高得幅度反映在特征图上就是灰度值更大,而3(d)、3(f)、3(k)所对应得波形幅度低,反映在特征图上灰度值较低。
最后将得到的特征图进行平均池化,具体步骤由公式(6)给出:
YA即为FDFE模块的输出结果。
在FDFE-MobileViT中,FDFE特征提取模块被放置在第二层与第四层之间、第三层与第五层之间,具体结构如图4所示。
S302.云服务器将各个模块进行拼接得到FDFE-MobileViT。如图5所示为FDFE-MobileViT结构图。
S303.云服务器对FDFE-MobileViT进行训练:
A1、首先设置训练轮数Tmax和FDFE-MobileViT网络的准确率阈值;
A2、在每一轮训练过程中,利用训练集对FDFE-MobileViT网络进行训练:
训练过程中,将训练集中的样本作为输入,将对应的样本标签作为期望输出,对FDFE-MobileViT网络进行训练;当所有样本训练完成后,本轮训练结束;
然后利用测试集中对训练得到的FDFE-MobileViT网络进行测试,并根据测试结果计算测试的准确率;
测试过程中,将测试集中的样本依次输入训练得到的FDFE-MobileViT中,由FDFE-MobileViT输出测试结果,然后将每一个样本的测试结果与该样本的标签进行比较,若测试结果与标签一致,则证明测试准确;统计测试准确的样本数占测试集中总样本数的比例,即得到了测试的准确率;
A3、判断是否满足:测试的准确率大于设定的准确率阈值,或者当前已经达到最大的训练轮数;
若是,则将训练得到的FDFE-MobileViT网络作为最优FDFE-MobileViT网络;
否则,返回步骤A2,进行下一轮训练。
在本申请的实施例中,FDFE-MobileViT网络采用的优化器是具有默认参数的SGD优化器训练了200个epoch,批大小为64,初始学习率为0.001并使用余弦退火方法调整学习率,计算过程由公式(10)给出:
其中,lr表示当前的学习率,lrf表示学习率的最终衰减率,lri表示初始学习率,Tcur表示当前的训练轮次,Tmax表示总的训练轮数,由此学习率会根据训练轮次变化,从而达到比较好的训练效果。
S4.云服务器将训练得到的最优FDFD-MobileViT网络发送给接收机,接收机利用具有最优FDFD-MobileViT网络对后续接收到的信号进行在线认证,对认证失败的数据进行丢弃。
实际测试过程中,接收机首先根据接收到的信号中提取信道矩阵,然后按照步骤S201~S202获取归一化后的图像,将任一张归一化后的图像输入最优FDFD-MobileViT网络,由最优FDFD-MobileViT网络进行在线认证,若最优FDFD-MobileViT网络输出“1”则认证成功,若最优FDFD-MobileViT网络输出“0”则认证失败,对认证失败的数据进行丢弃。
在本实施例中,数据使用了室内室外静态和动态情况,认证情况见混淆矩阵如图6所示,其中iqs与oqs分别表示室内、室外静态情况,fiqs与foqs表示非法,ims与oms表示分别室内室外动态情况,fims与foms表示非法。
在信道认证过程中,多数算法都基于阈值确定数据的合法性,因此阈值的选择就会影响认证的精度,在运动场景中,阈值的影响尤为突出。本发明提出了基于MobileViT的信道认证方案,结合FDFE特征提取模块提取频域特征供网络使用。综上,本发明可以有效地提高信道认证的准确率。
上述说明示出并描述了本发明的一个优选实施例,但如前所述,应当理解本发明并非局限于本文所披露的形式,不应看作是对其他实施例的排除,而可用于各种其他组合、修改和环境,并能够在本文所述发明构想范围内,通过上述教导或相关领域的技术或知识进行改动。而本领域人员所进行的改动和变化不脱离本发明的精神和范围,则都应在本发明所附权利要求的保护范围内。
Claims (4)
1.一种基于特征提取的信道认证方法,其特征在于:包括以下步骤:
S1.利用接收机收集已知合法终端与非法终端的信道数据,将收集到的数据上传至云服务器;
S2.云服务器将信道数据转换为信道图像,构建样本集并划分为训练集和测试集;
S3.云服务器构建FDFE-MobileViT网络,并对FDFE-MobileViT网络进行训练,得到最优的FDFE-MobileViT网络;
S4.云服务器将训练得到的最优FDFD-MobileViT网络发送给接收机,接收机利用具有最优FDFD-MobileViT网络对后续接收到的信号进行在线认证,对认证失败的数据进行丢弃。
2.根据权利要求1所述的一种基于特征提取的信道认证方法,其特征在于:所述步骤S1中包括:
S101.合法终端向接收机发送N帧导频序列,接收机在接收到合法终端发送的信息后,提取出N个信道矩阵,形成合法数据集其中/>表示从合法终端发送的第j帧导频序列中提取的信道矩阵,j=1,2,…,N;
S102.非法终端向接收机发送N帧导频序列,接收机在接收到非法终端发送的信息后,提取出N个信道矩阵,形成非法数据集其中/>表示从非法终端发送的第j帧导频序列中提取的信道矩阵,j=1,2,…,N;
S103.接收机将合法数据集与非法数据集上传到云端服务器。
3.根据权利要求1所述的一种基于特征提取的信道认证方法,其特征在于:所述步骤S2包括:
S201.对于合法数据集与非法数据集中的任意一个信道矩阵,云服务器首先将信道矩阵中的数据进行实部虚部分离,将实部取绝对值乘255作为图像的红色通道,虚部做相同的操作作为绿色通道,蓝色通道全部置为零,将三个通道合并获得初始图像;
S202.云服务器对初始图像进行预处理:首先将初始图像进行裁剪,得到多张裁剪图像,然后对每一张裁剪图像进行处理:
将裁剪图像缩放到设定的尺寸,然后以设定的概率对缩放后的裁剪图像进行随机水平旋转,再对水平旋转后的图像进行归一化处理;
S203.对于每一张归一化处理得到的图像,若该图像是根据合法数据集中的信道矩阵获得,为其添加标记“1”,若该图像是根据非法数据集中的信道矩阵获得,为其添加标记“0”,将图像作为样本,将标记作为样本标签,加入样本集中;
S204.对于合法数据集与非法数据集中的每一个信道矩阵,重复执行步骤S201~S203,得到完整的样本集;
S205.将样本集划分为训练集和测试集。
4.根据权利要求1所述的一种基于特征提取的信道认证方法,其特征在于:所述步骤S3包括:
S301.云服务器构建特征提取模块FDFE:
特征提取模块FDFE使用二维离散傅里叶变换将时域的离散信号转换到频域中,以便能够提取到频域特性:
对于给定的张量所述张量为特征图,H、W分别为特征图的高度和宽度,C表示特征图的通道数,XT会经过FFT模块,此时FFT模块将XT变换到频域中得到XF,变换过程由公式(1)给出:
其中,i表示虚数单位F表示频域采样点的下标,范围从0到M-1;m表示时域采样点的下标,范围从0到M-1;
对XF的加窗操作:
其中Wn为Bartlett窗的集合,分别是XF、Xw的第n个元素,Xw是XF经过加窗操作后得到的结果;
通过DSC卷积对XF提取特征:
其中Kc表示对于输出通道数为c的张量使用一个大小为kw×kh的卷积核,表示输入XF中第c个通道的数据;Pc是一个大小为1×1的卷积核,用于对每个输出通道进行线性组合操作,得到YF;
最后将得到的特征图进行平均池化:
YA即为FDFE模块的输出结果;
S302.云服务器基于特征提取模块FDFE,构建FDFE-MobileViT网络:
所述FDFE-MobileViT网络包括两个卷积层、五个MV2单元、两个FDFE特征提取层和输出层;
其中,第一个卷积层的输入端用于输入待处理图像,第一个卷积层的输出端依次通过五个串联的MV2单元和第二个卷积层连接到输出层,由输出层对外输出处理后的信号;第一个FDFE特征提取层的输入端与第二个MV2单元的输出端连接,第一个FDFE特征提取层的输出端分别与第二个FDFE特征提取层的输入端和第四个MV2单元的输入端连接,第二个FDFE特征提取层的输出端与第五个MV2单元的输入端连接;
第一个MV2单元包含一个MV2层,第二个MV2单元包含两个串联的MV2层,第三个MV2单元~第五个MV2单元均为MV2层和MoblieViT block的串联结构;
S303.云服务器对FDFE-MobileViT进行训练:
A1、首先设置训练轮数Tmax和FDFE-MobileViT网络的准确率阈值;
A2、在每一轮训练过程中,利用训练集中对FDFE-MobileViT网络进行训练,然后利用测试集对训练得到的FDFE-MobileViT网络进行测试,并根据测试结果计算测试的准确率;
A3、判断是否满足:测试的准确率大于设定的准确率阈值,或者当前已经达到最大的训练轮数;
若是,则将训练得到的FDFE-MobileViT网络作为最优FDFE-MobileViT网络;
否则,返回步骤A2,进行下一轮训练。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311048765.8A CN117081806B (zh) | 2023-08-18 | 2023-08-18 | 一种基于特征提取的信道认证方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311048765.8A CN117081806B (zh) | 2023-08-18 | 2023-08-18 | 一种基于特征提取的信道认证方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117081806A true CN117081806A (zh) | 2023-11-17 |
CN117081806B CN117081806B (zh) | 2024-03-19 |
Family
ID=88707507
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311048765.8A Active CN117081806B (zh) | 2023-08-18 | 2023-08-18 | 一种基于特征提取的信道认证方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117081806B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117640254A (zh) * | 2024-01-25 | 2024-03-01 | 浙江大学 | 一种工控网络入侵检测方法及装置 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108924836A (zh) * | 2018-07-04 | 2018-11-30 | 南方电网科学研究院有限责任公司 | 一种基于深度神经网络的边缘侧物理层信道认证方法 |
CN111541632A (zh) * | 2020-04-20 | 2020-08-14 | 四川农业大学 | 一种基于主成分分析和残差网络的物理层认证方法 |
WO2022126377A1 (zh) * | 2020-12-15 | 2022-06-23 | 中国科学院深圳先进技术研究院 | 检测车道线的方法、装置、终端设备及可读存储介质 |
CN115052288A (zh) * | 2022-05-19 | 2022-09-13 | 南京邮电大学 | 一种基于深度学习的多用户物理层认证方法 |
CN115965864A (zh) * | 2022-12-16 | 2023-04-14 | 厦门大学 | 一种用于农作物病害识别的轻量级注意力机制网络 |
-
2023
- 2023-08-18 CN CN202311048765.8A patent/CN117081806B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108924836A (zh) * | 2018-07-04 | 2018-11-30 | 南方电网科学研究院有限责任公司 | 一种基于深度神经网络的边缘侧物理层信道认证方法 |
CN111541632A (zh) * | 2020-04-20 | 2020-08-14 | 四川农业大学 | 一种基于主成分分析和残差网络的物理层认证方法 |
WO2022126377A1 (zh) * | 2020-12-15 | 2022-06-23 | 中国科学院深圳先进技术研究院 | 检测车道线的方法、装置、终端设备及可读存储介质 |
CN115052288A (zh) * | 2022-05-19 | 2022-09-13 | 南京邮电大学 | 一种基于深度学习的多用户物理层认证方法 |
CN115965864A (zh) * | 2022-12-16 | 2023-04-14 | 厦门大学 | 一种用于农作物病害识别的轻量级注意力机制网络 |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117640254A (zh) * | 2024-01-25 | 2024-03-01 | 浙江大学 | 一种工控网络入侵检测方法及装置 |
Also Published As
Publication number | Publication date |
---|---|
CN117081806B (zh) | 2024-03-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111582320B (zh) | 一种基于半监督学习的动态个体识别方法 | |
CN108519812B (zh) | 一种基于卷积神经网络的三维微多普勒手势识别方法 | |
CN109685716B (zh) | 一种基于高斯编码反馈的生成对抗网络的图像超分辨率重建方法 | |
CN117081806B (zh) | 一种基于特征提取的信道认证方法 | |
CN110738605A (zh) | 基于迁移学习的图像去噪方法、系统、设备及介质 | |
CN113014524B (zh) | 一种基于深度学习的数字信号调制识别方法 | |
CN113538457B (zh) | 利用多频动态空洞卷积的视频语义分割方法 | |
CN112419258B (zh) | 基于时频分割及卷积神经网络的鲁棒环境声音识别方法 | |
CN114896887B (zh) | 一种基于深度学习的用频设备射频指纹识别方法 | |
CN112084895B (zh) | 一种基于深度学习的行人重识别方法 | |
CN111310719B (zh) | 一种未知辐射源个体识别及检测的方法 | |
CN114218984A (zh) | 一种基于样本多视图学习的射频指纹识别方法 | |
CN116226721A (zh) | 基于双谱特征对比学习的无监督通信辐射源个体识别方法 | |
CN111815526A (zh) | 基于图像滤波和cnn的有雨图像雨条纹去除方法及系统 | |
CN113076925B (zh) | 基于cnn和elm的m-qam信号调制模式识别方法 | |
Li et al. | Automatic modulation recognition based on a new deep K-SVD denoising algorithm | |
CN116738251A (zh) | 一种基于生成对抗网络的射频指纹识别训练数据生成方法 | |
CN114584441A (zh) | 一种基于深度学习的数字信号调制识别方法 | |
Braun et al. | A MACH filter-based reconstruction-free target detector and tracker for compressive sensing cameras | |
CN113052080A (zh) | 一种基于无监督生成对抗网络的非法无人机检测方法 | |
CN117351520B (zh) | 基于生成网络的前背景图像混合生成方法及系统 | |
Li et al. | Swin Transformer-based Time-Frequency Image Classification of Frequency Hopping Modulated Signals | |
Awad et al. | Efficient storage and classification of color patterns based on integrating interpolation with ANN/SVM | |
CN114926734B (zh) | 基于特征聚合和注意融合的固体废弃物检测装置及方法 | |
CN116311480B (zh) | 一种基于多通道双流注意力的伪造人脸检测方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |