一种基于增量学习的辐射源个体与设备型号识别方法技术

本发明专利技术公开了一种基于增量学习的辐射源个体与设备型号识别方法，包括：1）采用宽带接收机接收无线通信设备的辐射源信号：计算信号的差分星座轨迹图；3）对差分星座轨迹图进行密度处理；4）训练原多任务卷积神经网络模型；5）将训练好的卷积神经网络模型记为，作为增量学习的原模型；6）添加新类、进行增量学习训练；7）保存，作为下次通信辐射源个体识别的新模型。这种方法能加快模型收敛速度，节约训练时间和空间资源，并且增量学习训练所用的数据集能够实现数据重现，有效保留了对原样本类别的分类能力，能减少增量训练的数据量、缩短训练时间和节约空间内存。训练时间和节约空间内存。训练时间和节约空间内存。

【技术实现步骤摘要】
一种基于增量学习的辐射源个体与设备型号识别方法


[0001]本专利技术涉及无线通信物理层安全技术，具体是一种基于增量学习的辐射源个体与设备型号识别方法。

技术介绍

[0002]近年来，随着无线通信技术的发展、各种复杂通信设备的日益增多，无线通信的物理层安全问题引起了广泛的关注。
[0003]一方面，由于无线电波的开放性和无线频谱资源的有限性，使得无线网络容易受到干扰和攻击，窃听者通过非法接收设备，获取无线通信传输过程中数据信息，从而泄露用户的个人隐私；另一方面，传统的基于MAC地址和IP地址的个体识别方法容易使得设备信息被伪造，这样无法有效保障无线通信安全。此外，在实际的应用场景中，无线设备呈爆炸式增长，现有的数据库无法包含所有设备类别，还会经常出现一些新的个体。因此，研究能够识别增量新辐射源个体的技术十分必要。
[0004]辐射源设备中的组成元件在生产和装配等过程中存在一定的硬件差异，这种差异使得同厂家、同批次的个体也具有区别于其它个体的特征，而这种特征会叠加在无线信号中，产生不可控的无意调制，这种辐射源个体特征被形象的称为“射频指纹RF(Radio Frequency，简称RF)”。利用射频指纹对辐射源个体进行识别称为射频指纹识别，也称为特定辐射源识别SEI(Specific Emitter Identification，简称SEI)或辐射源个体识别。从本质上来说，每个设备的射频指纹都是独一无二的，因为射频指纹是蕴含在无线信号中与设备硬件相关的缺陷特征，和信号所用的调制方式等无关，只与个体本身有关。而信号的差分星座轨迹图中包含了发射机数模转换器量化误差、功率放大器非线性误差以及调制器调制误差等硬件缺陷信息，信号的差分星座轨迹图解决了传统信号星座图因随采样时间而导致的星座图整体旋转问题，所以差分星座轨迹图成为了通信辐射源个体识别的有效数据表征形式。
[0005]增量学习，同时也被称为持续学习或者终身学习，是指在学习的过程中能够不断地从新样本中获取到新的知识，并且还能保留之前学习过的旧知识。传统的增量学习方法通常选择将所有的新旧样本联合起来，重新训练出一个新的模型，但是这种方法需要所有的新旧样本，会使得训练数据过于庞大，并且还会耗费更多的训练时间和占用更大空间资源。

技术实现思路

[0006]本专利技术的目的是针对现有技术的不足，提供一种基于增量学习的辐射源个体与设备型号识别方法。这种方法能减少增量训练的数据量、缩短训练时间和节约空间内存。
[0007]实现本专利技术目的的技术方案是：
[0008]一种基于增量学习的辐射源个体与设备型号识别方法，与现有技术不同的是，包括如下步骤：
[0009]1)采用宽带接收机接收无线通信设备的辐射源信号；
[0010]2)计算信号的差分星座轨迹图：假设发射机的发射信号为如公式(1)所示：
[0011][0012]公式(1)中的f
c
表示发射机的载波频率，x(t)为调制后的复基带信号，假设接收机载频频率为f
r
，那么接收端经过下变频后的基带信号模型可表示为如公式(2)所示：
[0013][0014]由于发射机和接收机的载波频率存在一定的偏差，即f
c
≠f
r
，故令Δf＝f
c
‑
f
r
，φ为相位误差，基带信号模型变为如公式(3)所示：
[0015][0016]对接收信号y(t)进行差分处理，得到表达式：
[0017]d(t)＝y(t)
·
y
*
(t+τ)＝x(t)
·
x(t+τ)e
‑
j2πΔfτ
ꢀꢀꢀꢀ
(4)，
[0018]公式(4)中，d(t)为计算得到的差分结果，y
*
为y的共轭，τ为差分间隔；
[0019]3)对差分星座轨迹图进行密度处理：包括：
[0020]3‑
1)获取差分星座图上所有样本点的横纵坐标，并计算出差分星座点中纵坐标的最小值Y
min
和最大值Y
max
，横坐标的最小值X
min
和最大值X
max
；
[0021]3‑
2)根据Y
min
、Y
max
将差分星座图划分为M等份，同样再根据X
min
和X
max
将差分星座图划分为N等份；
[0022]3‑
3)然后将差分星座图分割为N
×
M个矩形，并统计出每一个矩形内的像素值大小，然后根据像素值大小进行显色处理；
[0023]3‑
4)采用Matlab软件中的scatter函数绘制出差分密度星座轨迹图；
[0024]4)训练原多任务卷积神经网络模型：包括：
[0025]4‑
1)将旧差分星座轨迹图样本记为x0，并从Matlab中生成的差分密度星座轨迹图划分为训练集和测试集进行保存，其中x0共有12000张差分密度星座轨迹图图像，10000张为训练集，2000张为测试集；
[0026]4‑
2)将训练集和测试集进行预处理：修改输入图片大小尺寸为64
×
64，并进行多标签处理，为每张图像标记有辐射源个体类别标签和辐射源型号标签；
[0027]4‑
3)搭建单输入多输出形式的多任务卷积神经网络：多任务卷积神经网络的输入层为单输入，输入大小设置为64
×
64
×
3的RGB图像，卷积层为共享部分，含2个共享卷积模块，其中，2个卷积模块共有5层卷积层，卷积核大小均设为3
×
3，每层卷积层之后使用Relu激活函数，表达式为f(x)＝max(0，x)，池化层采用最大池化模块，参数大小为2
×
2，输出层有2个分支网络，分别对应通信辐射源个体与型号识别；
[0028]4‑
4)将图像放入步骤4
‑
3)搭建的卷积神经网络进行训练，其中卷积神经网络的梯度下降优化器选择的是Adam优化器，损失函数为交叉熵损失函数Cross Entropy Loss，如公式(5)所示：
[0029][0030]在公式(5)中，k为样本个数，y
m
和分别代表网络第m个样本输出的真实值和预测值；
[0031]4‑
5)将辐射源个体类别识别分支和辐射源型号识别分支的损失函数进行加权重构，即得到多任务卷积神经网络的总损失函数如公式(6)所示：
[0032]Loss
total
＝Loss
r
+Loss
t
[0033]ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(6)，
[0034]其中，辐射源个体类别识别分支和设备型号识别分支结构参数不同，个体识别第一层全连本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于增量学习的辐射源个体与设备型号识别方法，其特征在于，包括如下步骤：1)采用宽带接收机接收无线通信设备的辐射源信号；2)计算信号的差分星座轨迹图：假设发射机的发射信号为如公式(1)所示：公式(1)中的f
c
表示发射机的载波频率，x(t)为调制后的复基带信号，假设接收机载频频率为f
r
，那么接收端经过下变频后的基带信号模型可表示为如公式(2)所示：由于发射机和接收机的载波频率存在一定的偏差，即f
c
≠f
r
，故令Δf＝f
c
‑
f
r
，φ为相位误差，基带信号模型变为如公式(3)所示：对接收信号y(t)进行差分处理，得到表达式：d(t)＝y(t)
·
y
*
(t+τ)＝x(t)
·
x(t+τ)e
‑
j2πΔfτ
ꢀꢀꢀꢀ
(4)，公式(4)中，d(t)为计算得到的差分结果，y
*
为y的共轭，τ为差分间隔；3)对差分星座轨迹图进行密度处理：包括：3
‑
1)获取差分星座图上所有样本点的横纵坐标，并计算出差分星座点中纵坐标的最小值Y
min
和最大值Y
max
，横坐标的最小值X
min
和最大值X
max
；3
‑
2)根据Y
min
、Y
max
将差分星座图划分为M等份，同样再根据X
min
和X
max
将差分星座图划分为N等份；3
‑
3)然后将差分星座图分割为N
×
M个矩形，并统计出每一个矩形内的像素值大小，然后根据像素值大小进行显色处理；3
‑
4)采用Matlab软件中的scatter函数绘制出信号的差分密度星座轨迹图；4)训练原多任务卷积神经网络模型：包括：4
‑
1)将旧差分星座轨迹图样本记为x0，并从Matlab中生成的差分密度星座轨迹图划分为训练集和测试集进行保存，其中x0共有12000张差分密度星座轨迹图图像，10000张为训练集，2000张为测试集；4
‑
2)将训练集和测试集进行预处理：修改输入图片大小尺寸为64
×
64，并进行多标签处理，为每张图像标记有辐射源个体类别标签和辐射源型号标签；4
‑
3)搭建单输入多输出形式的多任务卷积神经网络：多任务卷积神经网络的输入层为单输入，输入大小设置为64
×
64
×
3的RGB图像，卷积层为共享部分，含2个共享...

【专利技术属性】
技术研发人员：谢跃雷，谢星丽，曾浩南，梁文斌，王胜，郝婉瑞，邓景宇，李天佳，蒋俊正，欧阳缮，廖桂生，
申请(专利权)人：桂林电子科技大学，
类型：发明
国别省市：