【技术实现步骤摘要】
本专利技术涉及神经网络与无线通信领域，具体涉及一种射频指纹识别模型的构建方法、识别方法、系统及设备。
技术介绍
1、随着人工智能与机器学习技术的迅猛发展，物联网(internet of things,iot)的应用逐渐普及，iot安全涉及在该环境下采取的策略和程序，旨在保护设备、网络和数据免受未授权的访问、使用、披露、破坏或篡改。其中，设备的安全接入和认证是信息安全的关键环节，是信息保护的第一道防线。然而，如何准确识别大量相同型号的终端设备依然面临重大挑战。
2、相关技术中，因传统的设备身份认证方法的局限性、多设备干扰和低成本设备的安全性问题，使得射频指纹识别(radio frequency fingerprint identification,rffi)成为一种迫切需要的技术。而当前基于物理信号的rffi的研究主要分为两大流派：传统的基于特征工程的方法和基于深度学习的方法。其中：传统的基于特征工程的方法在面对复杂的无线环境时，常常难以满足高精度、高实时性的需求。随着人工智能技术的进步，基于深度学习的模型能够自动提取信号特征，改善信号分类和识别的准确性，正逐渐成为研究的热点。然而，相同型号设备的特征间差异非常小，难以提取出有足够区分度的有效特征，导致识别难度增大、准确率降低。此外，许多以往的研究将rffi视为一种单任务的端到端的分类任务，这种方法在训练过程无法精确捕捉信号间的微小差异，也无法对射频指纹进行更深入的分析。
技术实现思路
1、为了解决现有技术的问题，本专利技
2、本专利技术的目的是采用下述技术方案实现的：
3、一方面，本专利技术提供一种射频指纹识别模型的构建方法，所述方法包括：
4、对射频信号集中的射频信号进行预处理，得到样本频谱图集；其中，所述射频信号集包括：多组型号相同的样本设备中的每一样本设备发出的一路射频信号；
5、对所述样本频谱图集中的样本频谱图进行特征提取和特征混洗，得到特征向量集；
6、对所述特征向量集中的特征向量进行批规范化处理，得到第一特征表示集；
7、对所述第一特征表示集中的第一特征表示进行线性变换和类别映射，得到所述第二特征表示集；其中，所述第二特征表示集中每一第二特征表示对应一个预测标签；
8、基于所述第一特征表示集和所述第二特征表示集，采用结合度量学习和表征学习的多任务学习的方式，进行训练，得到射频指纹识别模型。
9、可选的，所述对射频信号集中的射频信号进行预处理，得到样本频谱图集，包括：
10、将接收到的所述射频信号集中的射频信号进行预处理，得到标准化信号集；
11、利用短时傅里叶变换，对所述标准化信号集中的标准化信号进行时频分析，得到二维信道独立的所述样本频谱图集。
12、可选的，所述对所述样本频谱图集中的样本频谱图进行特征提取和特征混洗，得到特征向量集，包括：
13、采用删除全连接层的n层残差卷积神经网络中的特征提取层，对所述样本频谱图集中的样本频谱图进行特征提取，得到初始特征集；其中，n为大于1的整数；
14、利用混洗策略，对所述初始特征集中的初始特征进行特征混洗，得到混洗特征集；
15、采用所述n层残差卷积神经网络的平均池化层，对所述混洗特征集中的混洗特征进行平均池化，得到所述特征向量集。
16、可选的，所述初始特征集中每一初始特征为多维度特征，所述利用混洗策略，对所述初始特征集中的初始特征进行特征混洗，得到混洗特征集，包括：
17、确定依次组成所述初始特征集中每一初始特征的首位特征值、多个中间特征值及多个待移动特征值；
18、对所述多个中间特征值和所述多个待移动特征值分别进行移动，确定按照所述首位特征值、所述多个待移动特征值及所述多个中间特征值对应的顺序构成的所述每一初始特征的混洗特征，得到所述混洗特征集。
19、可选的，所述基于所述第一特征表示集和所述第二特征表示集，采用结合度量学习和表征学习的多任务学习的方式，进行训练，得到射频指纹识别模型，包括：
20、分别获取用于表征所述度量学习的第一损失函数和用于表征所述表征学习且携带有标签平滑的第二损失函数；
21、采用所述第一损失函数，确定所述第一特征表示集中的多个第一特征表示之间相似度对应的所述第一损失；
22、采用所述第二损失函数，确定所述第二特征表示集中第二特征表示对应的预测标签，与所述第二特征表示对应的样本标签之间的余弦相似度对应的所述第二损失；
23、采用所述第一损失和所述第二损失进行训练，得到所述射频指纹识别模型。
24、对应的，本专利技术还提供一种射频指纹识别模型的构建系统，所述系统包括：
25、预处理模块，用于对射频信号集中的射频信号进行预处理，得到样本频谱图集；其中，所述射频信号集包括：多组型号相同的样本设备中的每一样本设备发出的一路射频信号；
26、特征提取模块，用于对所述样本频谱图集中的样本频谱图进行特征提取和特征混洗，得到特征向量集；
27、嵌入头模块，用于对所述特征向量集中的特征向量进行批规范化处理，得到第一特征表示集；
28、分类头模块，用于对所述第一特征表示集中的第一特征表示进行线性变换和类别映射，得到所述第二特征表示集；其中，所述第二特征表示集中每一第二特征表示对应一个预测标签；
29、多任务学习模块，用于基于所述第一特征表示集和所述第二特征表示集，采用结合度量学习和表征学习的多任务学习的方式，进行训练，得到射频指纹识别模型。
30、可选的，所述预处理模块，包括：
31、预处理单元，用于将接收到的所述射频信号集进行预处理，得到标准化信号集；
32、时频分析单元，用于利用短时傅里叶变换，对所述标准化信号集中的标准化信号进行时频分析，得到二维信道独立的所述样本频谱图集。
33、可选的，所述特征提取模块，包括：
34、删除全连接层的n层残差卷积神经网络中的特征提取层，用于对所述样本频谱图集中的样本频谱图进行特征提取，得到初始特征集；其中，n为大于1的整数；
35、混洗单元，用于利用混洗策略，对所述初始特征集中的初始特征进行特征混洗，得到混洗特征集；
36、所述n层残差卷积神经网络的平均池化层，用于对所述混洗特征集中的混洗特征进行平均池化，得到所述特征向量集。
37、可选的，所述初始特征集中每一初始特征为多维度特征，所述混洗单元，还用于确定依次组成所述初始特征集中每一初始特征的首位特征值、多个中间特征值及多个待移动特征值；对所述多个中间特征值和所述多个待移动特征值分别进行移动，确定按照所述首位特征值、所述多个待移动特征值及所述多个中间特征值对应的顺序构成的所本文档来自技高网...
【技术保护点】
1.一种射频指纹识别模型的构建方法，其特征在于，所述方法包括：
2.根据权利要求1所述的方法，其特征在于，所述对射频信号集中的射频信号进行预处理，得到样本频谱图集，包括：
3.根据权利要求1或2所述的方法，其特征在于，所述对所述样本频谱图集中的样本频谱图进行特征提取和特征混洗，得到特征向量集，包括：
4.根据权利要求3所述的方法，其特征在于，所述初始特征集中每一初始特征为多维度特征，所述利用混洗策略，对所述初始特征集中的初始特征进行特征混洗，得到混洗特征集，包括：
5.根据权利要求1所述的方法，其特征在于，所述基于所述第一特征表示集和所述第二特征表示集，采用结合度量学习和表征学习的多任务学习的方式，进行训练，得到射频指纹识别模型，包括：
6.一种射频指纹识别模型的构建系统，其特征在于，所述系统包括：
7.根据权利要求6所述的系统，其特征在于，所述预处理模块，包括：
8.根据权利要求6或7所述的系统，其特征在于，所述特征提取模块，包括：
9.根据权利要求8所述的系统，所述初始特征集中每一
10.根据权利要求6所述的系统，其特征在于，所述多任务学习模块，包括：
11.一种射频信号的识别方法，其特征在于，所述方法包括：
12.一种射频信号的识别系统，其特征在于，所述系统包括：
13.一种电子设备，其特征在于，包括：至少一个处理器和存储器；所述存储器和处理器通过总线相连；
14.一种可读存储介质，其特征在于，其上存有执行程序，所述执行程序被执行时，实现如权利要求1至5中任一项所述的射频指纹识别模型的构建方法，或，如权利要求11中所述的射频信号的识别方法。
...【技术特征摘要】
1.一种射频指纹识别模型的构建方法，其特征在于，所述方法包括：
2.根据权利要求1所述的方法，其特征在于，所述对射频信号集中的射频信号进行预处理，得到样本频谱图集，包括：
3.根据权利要求1或2所述的方法，其特征在于，所述对所述样本频谱图集中的样本频谱图进行特征提取和特征混洗，得到特征向量集，包括：
4.根据权利要求3所述的方法，其特征在于，所述初始特征集中每一初始特征为多维度特征，所述利用混洗策略，对所述初始特征集中的初始特征进行特征混洗，得到混洗特征集，包括：
5.根据权利要求1所述的方法，其特征在于，所述基于所述第一特征表示集和所述第二特征表示集，采用结合度量学习和表征学习的多任务学习的方式，进行训练，得到射频指纹识别模型，包括：
6.一种射频指纹识别模型的构建系统，其特征在于，所述系统包括：
【专利技术属性】
技术研发人员：胡靖淇，张涛，谭冲，吕卓，李暖暖，
申请(专利权)人：中国电力科学研究院有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。