基于深度学习的标签识别、装置、电子设备及存储介质制造方法及图纸

本申请提供一种基于深度学习的标签识别方法，涉及无线设备的物理层识别技术领域，解决无法准确识别标签的真实身份的问题。该方法包括：对多个标签样本进行信号采集，获得信号样本；其中信号样本包括标签样本的信号；标签样本的信号包括标签样本的随机数RN16信号；对信号样本进行信号预处理，得到数据集；其中数据集中包括信号样本中标签样本的随机数RN16信号，且RN16信号以深度学习模型的输入向量形式保存在数据集中；利用数据集训练得到深度学习模型；其中，深度学习模型用于对标签的RN16信号进行特征学习得到标签的RN16信号的特征信息，深度学习模型用于对标签进行身份识别。深度学习模型用于对标签进行身份识别。深度学习模型用于对标签进行身份识别。

【技术实现步骤摘要】
基于深度学习的标签识别、装置、电子设备及存储介质


[0001]本专利技术属于无线设备的物理层识别
，特别涉及一种基于深度学习的标签识别方法、装置、电子设备及存储介质。

技术介绍

[0002]随着物联网的普及，无线射频识别(Radio Frequency Identification，RFID)系统成为促进各种应用自动化管理的平台，其最基本的功能是标签识别。
[0003]然而攻击者很容易假冒或者伪造一个与真实标签身份(Identification，ID)相同的标签，对于假冒或者伪造的标签，无法识别标签身份的真实性。

技术实现思路

[0004]本说明书实施例的目的是提供一种基于深度学习的标签识别方法、装置、电子设备及存储介质。以解决现有在攻击者伪造一个与真实标签的ID相同的标签而导致无法识别标签身份的真实性的问题。
[0005]为解决上述技术问题，本申请实施例通过以下方式实现的：
[0006]第一方面，本申请提供一种基于深度学习的标签识别方法，方法包括：对多个标签样本进行信号采集，获得信号样本；其中信号样本包括标签样本的信号；标签样本的信号包括标签样本的随机数RN16信号；对信号样本进行信号预处理，得到数据集；其中数据集中包括信号样本中标签样本的随机数RN16信号，且RN16信号以深度学习模型的输入向量形式保存在数据集中；利用数据集训练得到深度学习模型；其中，深度学习模型用于对标签的RN16信号进行特征学习得到标签的RN16信号的特征信息，深度学习模型用于对标签进行身份识别。
[0007]一种可能的设计中，对多个标签样本进行信号采集，获得信号样本包括：利用USRP和软件无线电SDR构建了符合Gen2协议的阅读器；利用构建的阅读器对多个标签样本进行信号采集，获得信号样本。
[0008]一种可能的设计中，阅读器与多个标签样本中不同标签样本之间的通信信道相同。
[0009]一种可能的设计中，对信号样本进行信号预处理，得到数据集包括：利用阅读器的信号的时域特性以及标签的时域特性，从信号样本中提取出信号样本中标签样本的信号；通过滑动窗口的从标签样本的信号中提取出标签样本的RN16信号；其中，滑动窗口的长度大于RN16信号的长度；将信号样本中提取出的标签样本的RN16信号转换成符合深度学习模型的输入向量形式的数据，将转换后的数据存在数据集中。
[0010]一种可能的设计中，深度学习模型为卷积神经网络CNN模型；其中，CNN模型的输入向量为四维向量形式的RN16信号，CNN模型的输出特征为RN16信号的特征信息。
[0011]一种可能的设计中，利用数据集训练得到深度学习模型包括：将数据集中的RN16信号进行向量化处理，得到样本向量；其中样本向量中的单个样本向量输入维度是I/Q信道
数
×
样本长度；利用向量化处理后的样本向量对初始化CNN模型进行训练以及反复调试得到稳定的CNN模型，将稳定的CNN模型作为最终用于对标签进行身份识别的CNN模型。
[0012]一种可能的设计中，标签的RN16信号的特征信息用于对标签进行身份识别包括：若与阅读器通信的待测标签的RN16信号的特征与经深度学习模型学习得到的该标签的RN16信号的特征不一致，则确定待测标签的身份是不合法的，反之，若符合，则确定该待测标签的身份是真实的。
[0013]第二方面，本申请提供一种基于深度学习的标签识别装置，装置包括：信号采集模块，用于对多个标签样本进行信号采集，获得信号样本；其中信号样本包括标签样本的信号；标签样本的信号包括标签样本的随机数RN16信号；信号预处理模块，用于对信号样本进行信号预处理，得到数据集；其中数据集中包括信号样本中标签样本的随机数RN16信号，且RN16信号以深度学习模型的输入向量形式保存在数据集中；信号识别模块，用于利用数据集训练得到深度学习模型；其中，深度学习模型用于对标签的RN16信号进行特征学习得到标签的RN16信号的特征信息，深度学习模型用于对标签进行身份识别。
[0014]第三方面，本申请提供一种电子设备，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，处理器执行程序时实现如第一方面的基于深度学习的标签识别方法。
[0015]第四方面，本申请提供一种可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如第一方面的基于深度学习的标签识别方法。
[0016]由以上本说明书实施例提供的技术方案可见，该方案利用大量的信号样本训练得到能够输出RN16信号的特征信息的深度学习模型，基于学习到的RN16信号的特征信息对标签进行识别，由于RN16信号的特征与标签的硬件特性有紧密关系，ID相同但硬件特性不同的标签所产生的RN16信号是不同的，是有波动的。后续如果阅读器读取的某个标签的RN16信号的特征与经深度学习模型学习得到的RN16信号的特征不符，则确定当前与阅读器通信的标签可能是被伪造的，是不真实，反之，则是真实的。此外，本专利技术所示方法兼容当前的标签工业标准，可以顺利部署到现有的设备上。此外，深度学习基于多层非线性神经网络，结合大量训练数据，自动抽取特征并逐层抽象直接从数据中获取特征，减少了为每个问题设计特征提取器的工作量，并且基于深度学习的分类方法对超高频标签的分类表现了更强的性能。
附图说明
[0017]为了更清楚地说明本说明书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说明书中记载的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
[0018]图1为本申请提供的RFID系统示意图；
[0019]图2为本申请提供的阅读器与标签之间的通信时序图；
[0020]图3为本申请提供的基于深度学习的标签识别方法的流程示意图；
[0021]图4为本申请提供的阅读器内部结构示意图；
[0022]图5
‑
图6为本申请提供的阅读器的信号的时域图和频域图的示意图；
[0023]图7
‑
图8为本申请提供的标签的信号的时域图和频域图的示意图；
[0024]图9为本申请提供的利用滑动窗口识别RN16信号的示意图；
[0025]图10为本申请提供的CNN模型示意图；
[0026]图11为本申请提供的基于深度学习的标签识别装置示意图；
[0027]图12为本申请提供的电子设备的结构示意图。
具体实施方式
[0028]为了使本
的人员更好地理解本说明书中的技术方案，下面将结合本说明书实施例中的附图，对本说明书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说明书一部分实施例，而不是全部的实施例。基于本说明书中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都应当属于本说明书保护的范围。
[002本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于深度学习的标签识别方法，其特征在于，所述方法包括：对多个标签样本进行信号采集，获得信号样本；其中所述信号样本包括标签样本的信号；所述标签样本的信号包括所述标签样本的随机数RN16信号；对所述信号样本进行信号预处理，得到数据集；其中所述数据集中包括所述信号样本中标签样本的随机数RN16信号，且所述RN16信号以深度学习模型的输入向量形式保存在所述数据集中；利用所述数据集训练得到深度学习模型；其中，所述深度学习模型用于对标签的RN16信号进行特征学习得到标签的RN16信号的特征信息，所述标签的RN16信号的特征信息用于对所述标签进行身份识别。2.根据权利要求1所述的方法，其特征在于，所述对多个标签样本进行信号采集，获得信号样本包括：利用USRP和软件无线电SDR构建了符合Gen2协议的阅读器；利用构建的所述阅读器对多个标签样本进行信号采集，获得信号样本。3.根据权利要求2所述的方法，其特征在于，所述阅读器与所述多个标签样本中不同标签样本之间的通信信道相同。4.根据权利要求1所述的方法，其特征在于，所述对所述信号样本进行信号预处理，得到数据集包括：利用阅读器的信号的时域特性以及标签的时域特性，从所述信号样本中提取出所述信号样本中标签样本的信号；通过滑动窗口的从所述标签样本的信号中提取出标签样本的RN16信号；其中，所述滑动窗口的长度大于所述RN16信号的长度；将所述信号样本中提取出的标签样本的RN16信号转换成符合所述深度学习模型的输入向量形式的数据，将转换后的数据存在所述数据集中。5.根据权利要求1所述的方法，其特征在于，所述深度学习模型为卷积神经网络CNN模型；其中，所述CNN模型的输入向量为四维向量形式的RN16信号，所述CNN模型的输出特征为所述RN16信号的特征信息。6.根据权利要求5所述的方法，其特征在于，所述利用所述数据集训练得到深度学习模型包括...

【专利技术属性】
技术研发人员：姚俊梅，余加宝，谢瑞桃，伍楷舜，
申请(专利权)人：深圳大学，
类型：发明
国别省市：