(19)中华人民共和国国家知识产权局
(12)发明专利申请
(10)申请公布号 (43)申请公布日 (21)申请号 202011134197.X
(22)申请日 2020.10.21
(71)申请人 安徽农业大学
地址 230000 安徽省合肥市蜀山区长江西
路130号
(72)发明人 方梦卿 张友华 彭征承 朱俊霖
许雨璐 夏猛 李科
(74)专利代理机构 北京中誉威圣知识产权代理
有限公司 11279
代理人 张静轩
(51)Int.Cl.
G06K 9/00(2006.01)
G06K 9/46(2006.01)
G06K 9/62(2006.01)
G06N 3/04(2006.01)
G06N 3/08(2006.01)H04B 17/00(2015.01)
(54)发明名称一种基于深度学习的通信辐射源射频指纹识别方法(57)摘要一种基于深度学习的通信辐射源射频指纹识别方法，其特征在于：包括以下步骤：使用通信信号接收装置，接收通信辐射源信号，并对信号进行处理，获得I/Q两路数字零中频信号；同时提取I/Q两路数字零中频信号的三种指纹信息，分别为：矩形积分双谱特征、分形盒维数特征、小波特征；将三种指纹信息数据集划分为训练集和测试集；构建多通道深度学习模型，并利用训练集和测试集训练模型直至模型精度达到98％；本发明在现有的通信辐射源射频指纹识别的传统方法上进行创新，利用信号多特征融合的方法，采用多通道深度卷积神经网络模型，进行二次特征提取，提高通信辐射源射频指纹的识别精度，从而更好地达到实际环境对通信辐射源射频指纹 的识别要求。权利要求书2页 说明书5页 附图2页CN 112464713 A 2021.03.09
C N 112464713
A
1.一种基于深度学习的通信辐射源射频指纹识别方法，其特征在于：包括以下步骤：
A、使用通信信号接收装置，接收通信辐射源信号，并进行预选放大、混频、中频滤波、A/ D转换、数字正交解调，获得I/Q两路数字零中频信号；
B、针对每种信号，提取其三种指纹信息，分别为：提取I/Q两路数字零中频信号的矩形积分双谱特征、提取I/Q两路数字零中频信号的分形盒维数特征、提取I/Q两路数字零中频信号的小波特征；
C、将提取到的所有通信辐射源信号的矩形积分双谱特征、分形盒维数特征和小波特征，划分为训练样本集和测试样本集；
D、构建多通道深度学习模型，即多通道深度卷积神经网络模型；
E、利用已组建的训练样本集和测试样本集，训练多通道深度学习模型，确定模型参数；
F、将几类待识别的通信辐射源信号的特征数据集，输入至训练完毕的深度学习模型中，深度学习模型输出识别分类结果。
2.如权利要求1所述的一种基于深度学习的通信辐射源射频指纹识别方法，其特征在于：所述步骤B中提取I/Q两路数字零中频信号的矩形积分双谱特征的方法为：对I/Q两路数字零中频信号进行矩形积分双谱变换，获得M类待识别辐射源且每类辐射源具有s个样本信号，每个样本信号具有D维矩形积分双谱特征，构成D*s维的矩形积分双谱特征矩阵；
则有：X＝[x1,x2,…,x i,…,x s]∈R D×s
其中，i＝1，2，……，s，D是每个样本信号的矩形积分双谱特征的维数，x i∈[x i,1, x i,2,…,x i,j,…,x i,D]×R D，X i是该类辐射源的第i个样本信号；
所述步骤B中提取I/Q两路数字零中频信号的分形盒维数特征的方法为：
对I/Q两路数字零中频信号进行局域均值分解，分解所得每个PF(分形维数特征)分量在波形特征上具有自相似性，因此同一个PF分量中包含了具有相似时间尺度特征的频率成分，依据分形维数的说明，可利用盒维数进行特征提取如下：
其中，d是分形维数特征(维数)，c是盒子尺寸大小，N是盒子数量，由于d是N c、1/c所对应直线的斜率，因此，多次c改变值，获得多个样本点，最后利用直线拟合得到d值，所述步骤B中提取I/Q两路数字零中频信号的小波特征的方法为：
对信号运用小波基函数进行分解，得到n个分解树，利用α(n,k,j)＝W T f计算分解树每层节点对应的小波系数，其中，α表示变换得到的小波系数，W是正交矩阵，f是输入信号。再次
对每个分层进行分析，利用及各节点能量归一化处理得到各节
点能量百分比。
其中E(k，j)表示第k层第j个节点的能量值，α(n，k，j)表示对应节点的小波系数。
3.如权利要求1所述的一种基于深度学习的通信辐射源射频指纹识别方法，其特征在于：所述步骤D中构建多通道深度学习模型，即多通道卷积神经网络模型的方法如下：D1：构建具备3个输入通道的卷积神经网络模型，提取所得3种信号特征，每种特征分别
通过对应的一个通道输入，该特征输入后经过2个卷积层模块、2个池化层模块处理，处理顺序为：卷积、池化、卷积、池化；
每种信号特征经过输入通道、2个卷积层模块和2个池化层模块，得到处理结果，3种信号特征的处理结果融合输入至一个全局平均池化层模块进行处理，处理完毕后再通过Softmax函数层输出识别分类的结果；
D2：D1步骤中所述第一个卷积层模块中设置卷积层数为4-5层，每层卷积层均采用Same Padding法，激活函数均采用非线性Relu函数，D1步骤中所述第一个卷积层模块中设置池化滑动窗口尺寸为：2*2，设置滑动步长为：2，采用最大池化法提取特征并降维，D1步骤中所述第二个卷积层模块，设置卷积层数为4-5层，采用Same Padding法和Relu激活函数，D1步骤中设置池化滑动窗口尺寸为：2*2，
设置滑动步长为：2，采用最大池化法提取特征并降维，D1步骤中所述每种信号特征经通道输入得到卷积层模块和池化层模块的处理，将3个通道经卷积、池化所得处理结果融合至全局平均池化层，将所得结果输入Softmax层进行识别分类，输出结果。
D3：D2步骤中两个所述卷积层模块均设置卷积层数为4-5层，且两个卷积层模块均设置"Batch Normalization"层，每层卷积计算后所得数据输入BN层，BN层对数据进行批量标准化处理后，输入Relu激活函数层处理，所得结果输入至下一层卷积，再次进行卷积计算、BN层和Relu激活函数层处理，直至该卷积层模块处理完毕。
D4：D2步骤中两个所述卷积层模块中均设置"skip connection"，构建残差模块。
4.如权利要求1所述的一种基于深度学习的通信辐射源射频指纹识别方法，其特征在于：所述步骤E中利用训练集训练多通道深度学习模型，将训练集数据输入模型中，采用反向传播算法训练模型，多次训练，直至模型准确率达到98％以上，且损失值降低至0.01以下。
5.如权利要求1所述的一种基于深度学习的通信辐射源射频指纹识别方法，其特征在于：所述步骤E中利用测试集训练深度学习模型，将测试集数据输入深度学习模型中，得到测试集的准确率和损失值，若测试集的准确率和训练集的准确率之差≥20％或测试集的损失值和训练集的损失值之差≥0.1，则该多通道深度学习模型存在过拟合问题，重复D1～D4步骤，直至测试集的准确率和训练集的准确率之差＜
20％且测试集的损失值和训练集的损失值之差＜0.1，此时，该多通道深度学习模型训练完毕。
6.如权利要求1所述的一种基于深度学习的通信辐射源射频指纹识别方法，其特征在于：所述步骤F中利用训练完毕的多通道深度学习模型识别分类几类待识别的通信辐射源信号的方法为：将所得待识别通信辐射源信号的几种特征输入至训练完毕的多通道深度学习模型中，得到模型识别分类结果。
一种基于深度学习的通信辐射源射频指纹识别方法
技术领域
[0001]本发明属于通信技术领域，具体是一种基于深度学习的通信辐射源射频指纹识别方法。
背景技术
[0002]通信辐射源射频指纹识别，是指针对不同通信辐射设备所发出射频信号中存在的独一无二的细微特征，采用信号处理和模式识别方法，对这些信号中的细微特征进行提取识别的过程。
[0003]业内利用深度学习模型进行通信辐射源射频指纹识别的方法，大多采用的是单通道深度学习模型，在此识别过程中，由于单通道深度学习模型的局限性，该方法往往未能保证所提取信号的多个特征的独立性，从而导致通信辐射源射频指纹识别精度的下降。因此，实际应用中此类模型难以取得理想的效果。
发明内容
[0004]本发明的目的在于克服现有技术的缺陷，提供一种基于深度学习的通信辐射源射频指纹识别方法。
[0005]为实现上述目的，本发明采用了如下技术方案：
[0006]一种基于深度学习的通信辐射源射频指纹识别方法，其特征在于：包括以下步骤：[0007]A、使用通信信号接收装置，接收通信辐射源信号，并进行预选放大、混频、中频滤波、A/D转换、数字正交解调，获得I/Q两路数字零中频信号；
[0008]B、针对每种信号，提取其三种指纹信息，分别为：提取I/Q两路数字零中频信号的矩形积分双谱特征、提取I/Q两路数字零中频信号的分形盒维数特征、提取I/Q两路数字零中频信号的小波特征；
[0009]C、将提取到的所有通信辐射源信号的矩形积分双谱特征、分形盒维数特征和小波特征，划分为训练样本集和测试样本集；
[0010]D、构建多通道深度学习模型，即多通道深度卷积神经网络模型；
[0011]E、利用已组建的训练样本集和测试样本集，训练多通道深度学习模型，确定模型参数；
[0012]F、将几类待识别的通信辐射源信号的特征数据集，输入至训练完毕的深度学习模型中，深度学习模型输出识别分类结果。
[0013]优选的，所述步骤B中提取I/Q两路数字零中频信号的矩形积分双谱特征的方法为：
[0014]对I/Q两路数字零中频信号进行矩形积分双谱变换，获得M类待识别辐射源且每类辐射源具有s个样本信号，每个样本信号具有D维矩形积分双谱特征，构成D*s维的矩形积分双谱特征矩阵；
[0015]则有：X＝[x1,x2,…,x i,…,x s]∈R D×s
[0016]其中，i＝1，2，……，s，D是每个样本信号的矩形积分双谱特征的维数，x i∈[x i,1, x i,2,…,x i,j,…,x i,D]×R D，X i是该类辐射源的第i个样本信号；
[0017]所述步骤B中提取I/Q两路数字零中频信号的分形盒维数特征的方法为：[0018]对I/Q两路数字零中频信号进行局域均值分解，分解所得每个PF(分形维数特征)分量在波形特征上具有自相似性，因此同一个PF分量中包含了具有相似时间尺度特征的频率成分，依据分形维数的说明，可利用盒维数进行特征提取如下：
[0019]
[0020]其中，d是分形维数特征(维数)，c是盒子尺寸大小，N是盒子数量，由于d是N c、1/c 所对应直线的斜率，因此，多次c改变值，获得多个样本点，最后利用直线拟合得到d值，[0021]所述步骤B中提取I/Q两路数字零中频信号的小波特征的方法为：
[0022]对信号运用小波基函数进行分解，得到n个分解树，利用α(n,k,j)＝W T f计算分解树每层节点对应的小波系数，其中，α表示变换得到的小波系数，W是正交矩阵，f是输入信
号。再次对每个分层进行分析，利用及各节点能量归一化处理
得到各节点能量百分比。
[0023]其中E(k，j)表示第k层第j个节点的能量值，α(n，k，j)表示对应节点的小波系数。[0024]优选的，所述步骤D中构建多通道深度学习模型，即多通道卷积神经网络模型的方法如下：
[0025]D1：构建具备3个输入通道的卷积神经网络模型，提取所得3种信号特征，每种特征分别通过对应的一个通道输入，该特征输入后经过2个卷积层模块、2个池化层模块处理，处理顺序为：卷积、池化、卷积、池化；
[0026]每种信号特征经过输入通道、2个卷积层模块和2个池化层模块，得到处理结果，3种信号特征的处理结果融合输入至一个全局平均池化层模块进行处理，处理完毕后再通过Softmax函数层输出识别分类的结果；
[0027]D2：D1步骤中所述第一个卷积层模块中设置卷积层数为4-5层，每层卷积层均采用Same Padding法，激活函数均采用非线性Relu函数，D1步骤中所述第一个卷积层模块中设置池化滑动窗口尺寸为：2*2，设置滑动步长为：2，采用最大池化法提取特征并降维，D1步骤中所述第二个卷积层模块，设置卷积层数为4-5层，采用Same Padding法和Relu激活函数，D1步骤中设置池化滑动窗口尺寸为：2*2，设置滑动步长为：2，采用最大池化法提取特征并降维，D1步骤中所述每种信号特征经通道输入得到卷积层模块和池化层模块的处理，将3个通道经卷积、池化所得处理结果融合至全局平均池化层，将所得结果输入Softmax层进行识别分类，输出结果。
[0028]D3：D2步骤中两个所述卷积层模块均设置卷积层数为4-5层，且两个卷积层模块均设置"Batch Normalization"层，每层卷积计算后所得数据输入BN层，BN层对数据进行批量标准化处理后，输入Relu激活函数层处理，所得结果输入至下一层卷积，再次进行卷积计算、BN层和Relu激活函数层处理，直至该卷积层模块处理完毕。
[0029]优选的，所述步骤E中利用训练集训练多通道深度学习模型，将训练集数据输入模型中，采用反向传播算法训练模型，多次训练，直至模型准确率达到98％以上，且损失值降
豫公网安备41160202000603
站长QQ:729038198
关于我们
投诉建议