CN111541632B - 一种基于主成分分析和残差网络的物理层认证方法 - Google Patents
一种基于主成分分析和残差网络的物理层认证方法 Download PDFInfo
- Publication number
- CN111541632B CN111541632B CN202010311808.7A CN202010311808A CN111541632B CN 111541632 B CN111541632 B CN 111541632B CN 202010311808 A CN202010311808 A CN 202010311808A CN 111541632 B CN111541632 B CN 111541632B
- Authority
- CN
- China
- Prior art keywords
- dimension
- residual error
- principal component
- error network
- component analysis
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 51
- 238000000513 principal component analysis Methods 0.000 title claims abstract description 47
- 239000011159 matrix material Substances 0.000 claims abstract description 84
- 230000009467 reduction Effects 0.000 claims abstract description 60
- 238000012795 verification Methods 0.000 claims abstract description 50
- 238000012549 training Methods 0.000 claims abstract description 30
- 238000012847 principal component analysis method Methods 0.000 claims abstract description 9
- 239000013598 vector Substances 0.000 claims description 29
- 238000000354 decomposition reaction Methods 0.000 claims description 12
- 230000006870 function Effects 0.000 claims description 11
- 230000008569 process Effects 0.000 claims description 7
- 238000013507 mapping Methods 0.000 claims description 4
- 238000012545 processing Methods 0.000 claims description 3
- 238000010801 machine learning Methods 0.000 description 7
- 238000013528 artificial neural network Methods 0.000 description 6
- 238000013527 convolutional neural network Methods 0.000 description 6
- 238000004422 calculation algorithm Methods 0.000 description 5
- 239000000284 extract Substances 0.000 description 5
- 238000004891 communication Methods 0.000 description 4
- 238000002790 cross-validation Methods 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 238000012706 support-vector machine Methods 0.000 description 3
- 230000003044 adaptive effect Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000008034 disappearance Effects 0.000 description 2
- 238000004880 explosion Methods 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 238000011176 pooling Methods 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 238000012216 screening Methods 0.000 description 2
- 238000012163 sequencing technique Methods 0.000 description 2
- 238000010200 validation analysis Methods 0.000 description 2
- 235000008331 Pinus X rigitaeda Nutrition 0.000 description 1
- 235000011613 Pinus brutia Nutrition 0.000 description 1
- 241000018646 Pinus brutia Species 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000007635 classification algorithm Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000009795 derivation Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000007477 logistic regression Methods 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 238000011946 reduction process Methods 0.000 description 1
Images
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L25/00—Baseband systems
- H04L25/02—Details ; arrangements for supplying electrical power along data transmission lines
- H04L25/0202—Channel estimation
- H04L25/0224—Channel estimation using sounding signals
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L67/00—Network arrangements or protocols for supporting network services or applications
- H04L67/01—Protocols
- H04L67/10—Protocols in which an application is distributed across nodes in the network
-
- 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
- H04L63/16—Implementing security features at a particular protocol layer
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Power Engineering (AREA)
- Mobile Radio Communication Systems (AREA)
Abstract
本发明公开了一种基于主成分分析和残差网络的物理层认证方法,包括以下步骤:S1.利用接收机提取来自已知合法终端和非法终端的原始信道矩阵,上传到云端服务器;依据主成分分析方法,对每一个原始信道矩阵进行主成分分析以实现降维,得到降维信道信息集;S2.在每一个维度下,云端服务器分别将降维信道信息集离线地划分为训练集和验证集,得到各个维度对应的训练集和验证集;S3.在每一个维度下,云端服务器将该维度对应的训练集和验证集输入改进的残差网络进行离线训练和验证,得出信道认证的最优维度和改进的残差网络的最优模型,并将其发送给接收机;S4.接收机基于最优维度和改进的残差网络的最优模型,实现对未知信道信息的在线认证。本发明物理层认证方法具有准确率高,受噪声影响小的优势。
Description
技术领域
本发明涉及无线通信中的物理层信道认证方案,尤其是涉及一种基于主成分分析和残差网络的物理层认证方法。
背景技术
物理层认证是一种在无线通信***中的安全认证方案,其基本思想是利用通信双方之间的无线信道指纹,即信道的空时唯一性,来区分发射节点。相对于基于密码学的上层认证方案,基于信道指纹的物理层认证方案消耗的计算资源少,认证效率高。当前的物理层认证主要使用的方案有两大类,一类是基于阈值筛选的方案,这种方案在移动场景下的认证准确率与理想值相差较大。CN109862563A针对此类方案准确性不高的问题提出了一种改进,但本质仍然是基于阈值筛选的方法。另一类物理层认证是基于传统机器学习的方案,如CN108718292中使用的SVM(Support Vector Machine,支持向量机);CN108924836B使用的DNN(Deep Neural Networks,深度神经网络),CN108924150A中使用的BPNN(BackPropagation Neural Network,反向传播神经网络)等。另外,陈洁,陈松林,文红等提出了一种基于Adaboost的物理层信道认证模型,采用了基于自适应增强(Adaboost)的物理层认证方案。然而,以上基于传统机器学习的物理层信道认证方***率与普适性虽有所改进,但仍有不足。
当前在机器学习领域最流行的卷积神经网络(CNN,Convolutional NeuralNetwork)方法,卷积神经网络与深度神经网络(DNN)以及反向传播神经网络(BPNN)等传统机器学习算法有较大区别,因为其解决了传统的网络参数太多,很难训练的问题,另外,CNN使用了“局部感受”和“权值共享”的概念,大大减少了网络参数的数量,加快了运算效率且有效防止了过拟合。
残差网络(ResNet)由Deep Residual Learning for Image Recognition一文提出,其在卷积神经网络的基础上,加入了一个恒等映射模块,解决了过去神经网络随着网络加深出现的梯度消失和梯度***问题,从而有效地提高了准确率。但是,残差网络本身通常用来处理二维数据,用于处理一维数据是并不合适的;主成分分析(PCA,PrincipalComponent Analysis)方法通过某种线性投影,将高维的数据映射到低维的空间中,并期望在所投影的维度上数据的信息量(方差)最大,也就是从信道矩阵中有效地提取影响认证的主要元素,在降低数据维度的同时,使得“信息”损失较小。
发明内容
本发明的目的在于克服现有技术的不足,提供一种基于主成分分析和残差网络的物理层认证方法,有效地提高了物理层认证的准确率。
本发明的目的是通过以下技术方案来实现的:一种基于主成分分析和残差网络的物理层认证方法,包括以下步骤:
S1.利用接收机提取来自已知合法终端和非法终端的原始信道矩阵,并构建信道信息集上传到云端服务器;
云端服务器依据主成分分析方法,离线地对原始信道矩阵进行主成分分析以实现降维,得到降维信道信息集;在进行主成分分析降维时,基于不同的降维维度,最终得到多个不同维度的降维信道信息集;
S2.在每一个维度下,云端服务器分别将降维信道信息集离线地划分为训练集和验证集,得到各个维度对应的训练集和验证集;
S3.在每一个维度下,云端服务器离线地将该维度对应的训练集和验证集输入改进的残差网络进行离线训练和验证,得出信道认证的最优维度和改进的残差网络的最优模型,并将其发送给接收机;
S4.接收机在最优维度对未知信道信息进行在线地主成分分析以实现降维,并将降维后得到的信道矩阵输入改进的残差网络的最优模型中,实现对未知信道信息的在线认证,并输出认证结果。
其中,所述步骤S1包括以下子步骤:
S101.利用已知的合法终端向接收机发送连续N帧的导频序列,接收机对导频序列进行接收,并估计出合法终端到接收机的N个原始信道矩阵;
S102.利用已知的非法终端向接收机发送连续M帧的导频序列,接收机对导频序列进行接收,并估计出非法终端到接收机的M个原始信道矩阵;
S103.接收机将所有来自合法终端和非法终端的原始信道矩阵加入信道信息集中,在信道信息集中通过标记的方式区分原始信道矩阵来自合法终端或非法终端,然后将信道信息集上传到云端服务器;
S104.云端服务器依据主成分分析方法,离线地依据信道信息集形成主成分分析所需的新向量基,然后对信道信息集中的每一个原始信道矩阵进行主成分分析以实现降维,得到每一个原始信道矩阵对应的降维信道矩阵,各个降维信道矩阵构成降维信道信息集;
S105.选择多个不同维度的向量基,在每一个维度的向量基下重复步骤S104,得到多个不同维度的降维信道信息集。
通过主成分分析以实现降维的过程包括:
对于信道信息集中的每一个原始信号矩阵,计算其对应的协方差矩阵;然后求解各个协方差矩阵对应的特征值和特征向量;再将特征值排序,选择令特征值最大的k个特征所对应的特征向量组成的矩阵作为新的向量基;
对于信道信息集中的每一个原始信道矩阵,将其映射到新的向量基所对应的空间中以实现降维,得到每一个原始信道矩阵对应的降维信道矩阵,各个降维信道矩阵构成降维信道信息集;
其中,k即为降维信道维数。
所述不同维度的向量基,即k取不同值时得到的向量基,对应于不同的降维维度;通过设置不同的k值,就能得到不同维度的向量基,进而最终得到不同维度的降维信道信息集。
优选地,所述协方差矩阵求特征值和特征向量的主要方法包括特征值分解方法和奇异值分解方法。
所述步骤S3包括以下子步骤:
S301.对于残差网络,考虑信道矩阵的特性,对于每一层的卷积核,将第二维空间全部设置为1,另外,考虑与图像等二维数据相比,信道矩阵包含的信息量更少,减少通道数,得到改进的残差网络;
S302.在任一维度下,将该维度对应的训练集中的信道矩阵分批次输入改进的残差网络,设定分类损失函数和优化器学习率,利用优化器降低损失、优化网络参数,完成离线训练,得到训练完成的残差网络,并利用同一维度的验证集对训练完成的残差网络进行验证;
S303.在不同维度下,重复步骤S302,得到每一个维度下训练完成的残差网络和对应的验证结果;
S304.对各个维度的验证结果进行比较,选出最优的验证结果;最优验证结果对应维度即为最优维度,最优验证结构对应的训练完成的残差网络即为最优验证模型。
S305.云端服务器将得到的最优维度和最优验证模型发送给接收机。
所述步骤S4包括:
接收机基于得到的最优维度对未知信道信息进行在线地主成分分析以实现降维,并将降维后得到的信道矩阵输入改进的残差网络的最优模型进行处理,若结果为合法则通过,否则认为信息来自入侵者,并将其丢弃。
本发明的有益效果是:本发明首先将主成分分析算法用于物理层认证,替代了现有的随机抽取的降维方法,可以有效的提取信道信息,减少噪声对认证的影响,降低维度和计算复杂度;本发明首先将残差网络作为物理层认证的分类算法结构,并结合物理层认证实际情况做出具体改进,相对于基于阈值的方法以及基于传统机器学习算法,改进的残差网络可以更有效的对信道信息进行学习和分类。综上,本发明结合主成分分析算法以及改进的残差网络,有效地提高了物理层认证的准确率。
附图说明
图1为本发明的流程图;
图2为二维空间PCA降维原理图;
图3为改进的残差网络结构图。
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。
本发明着力于解决当前无线通信中物理层认证准确率不高的问题,如图1所示,一种基于主成分分析和残差网络的物理层认证方案,包括以下步骤:
S1.利用接收机提取来自已知合法终端和非法终端的原始信道矩阵,并构建信道信息集上传到云端服务器;
云端服务器依据主成分分析方法,离线地对原始信道矩阵进行主成分分析以实现降维,得到降维信道信息集;在进行主成分分析降维时,基于不同的降维维度,最终得到多个不同维度的降维信道信息集;
所述步骤S1包括以下子步骤:
同理,接收机对导频序列的每一个数据帧进行接收和原始信道矩阵提取,得到合法终端到接收机的N个原始信道矩阵其中,表示接收机接收到导频序列第i个数据帧后,提取得到的原始信道矩阵(第i个原始信道矩阵),i=1,2,...,N;
同理,接收机对导频序列的每一个数据帧进行接收和原始信道矩阵提取,得到非法终端到接收机的M个原始信道矩阵其中,表示接收机接收到导频序列第j个数据帧后,提取得到的原始信道矩阵(第j个原始信道矩阵),j=1,2,...,N;
上述信号估计方法包括但不限于LS(Least Square)信道估计方法,在具体实施例中,接收机保存有合法终端发送的N帧导频序列和非法终端发送的M帧导频序列;
S103.接收机将所有来自合法终端和非法终端的原始信道矩阵加入信道信息集中,在信道信息集中通过标记的方式区分原始信道矩阵来自合法终端或非法终端,然后将信道信息集上传到云端服务器;
标记的方式在本方案中不作限制,例如,可以将合法终端的原始信道矩阵标记为0;将非法终端的原始信道矩阵标记为1。
S104.云端服务器依据主成分分析方法,离线地依据信道信息集形成主成分分析所需的新向量基,然后对信道信息集中的每一个原始信道矩阵进行主成分分析以实现降维,得到每一个原始信道矩阵对应的降维信道矩阵,各个降维信道矩阵构成降维信道信息集;
S105.选择多个不同维度的向量基,在每一个维度的向量基下重复步骤S104,得到多个不同维度的降维信道信息集。
S2.在每一个维度下,云端服务器分别将降维信道信息集离线地划分为训练集和验证集,得到各个维度对应的训练集和验证集;
S3.在每一个维度下,云端服务器离线地将该维度对应的训练集和验证集输入改进的残差网络进行离线训练和验证,得出信道认证的最优维度和改进的残差网络的最优模型,并将其发送给接收机;
S4.接收机在最优维度对未知信道信息进行在线地主成分分析以实现降维,并将降维后得到的信道矩阵输入改进的残差网络的最优模型中,实现对未知信道信息的在线认证,并输出认证结果。
在本申请的实施例中,设上传到云端服务器的信道信息维数为8188;来自于合法终端和非法终端的信道信息矩阵比例为5:5、6:4或4:6;其中,优选比例为5:5;
所述步骤S1中,使用主成分分析对信道信息进行降维,降维后信道维数k可以为4096,1024,256,128,64等,可依据训练结果选择最优维度;
主成分分析降维过程包括,数据标准化处理,计算信道矩阵的协方差矩阵,计算协方差矩阵的特征值和特征向量,将特征值排序,选择令特征值最大(即方差最大)的k个特征所对应的特征向量组成的矩阵作为新的向量基,将原始信道矩阵映射到新的向量基所对应的空间中以达到降维目的。其中,k为降维后信道维数,例如上述步骤中的4096,1024等,其中,协方差矩阵求特征值和特征向量的主要方法有特征值分解和奇异值分解两种,考虑特征值分解矩阵必须为方阵,且特征值分解实质是奇异值分解的特例,因此,优选地,我们使用奇异值分解方法作为求解主成分分析中协方差矩阵的特征值和特征向量的方法;
图2展示了在二维情况下,利用主成分分析降低维度的原理。如图所示,横轴表示第一维信道矩阵的值,纵轴表示第二维矩阵的值,特征向量1表示不同信道信息之间方差最大的方向,特征向量2表示方差最小的方向。主成分分析算法从二维空间中找出一个向量基,依据此向量基可以将二维数据映射到一个一维坐标系中,向量基和一维坐标系是依据原始信道信息中方差最大的方向确定的,即特征向量1所表示的方向。在8188维空间中,主成分分析方法从8188维空间找出欲降维的维数个、相互正交的坐标轴。第一个新坐标轴为原始信道信息的最大方差方向,第二个新坐标轴为与第一个新坐标轴正交的平面中,使方差最大的方向,以此类推,最终选取欲降维的维数个新坐标轴,形成新的多维矩阵;
在本申请的实施例中,假设有8188×n维数据样本X={x1,x2,…,xn},其中8188为信道维数,n为数据量,x1,x2等为8188维的单个数据样本,基于奇异值分解的主成分分析方法具体推导过程如下:
3:奇异值分解方法求协方差矩阵C的特征值和特征向量:C=UΣVT;U为AAT的单位化的特征向量,Σ为AAT或ATA的特征值的平方根,除对角线外,其他元素都是0,对角线上的元素称为奇异值,VT:V的转置矩阵,V为ATA的单位化的特征向量;
4:对Σ确定的特征值进行排序,确定最大的k个特征值在矩阵中的位置,在U中找到对应位置的特征向量,将特征向量组成一组新的向量基;
在所述步骤S2中,对应降维后不同维数的信道矩阵,可以划分不同的训练集与验证集,其比例可以为7:3,8:2,6:4等,在一些实施例中,还可以通过比较不同比例的验证结果选取最优比例;
所述步骤S3包括:残差网络的改进结构以及网络的训练和验证;
S301.对于残差网络,考虑信道矩阵的特性,对于每一层的卷积核,将第二维空间全部设置为1,另外,考虑较图像等二维数据,信道矩阵包含的信息量更少,减少通道数,得到改进的残差网络;
具体改进后的实施结构如图3所示。若网络输入维度为1024,则经过一个规模为2,步长为1的最大池化层、27个卷积层、一个规模为2,步长为2的平均池化层、一个输出包含500个神经元的全连接层和一个用于二分类的逻辑回归函数后,输出最终结果合法或非法,相对于原残差网络,我们将卷积核由7×7,3×3变为7×1,3×1,并缩减了一定程度的通道数;其中,/2代表步长,64,128,256,512为通道数。
S302.在任一维度下,将该维度对应的训练集中的信道矩阵分批次输入改进的残差网络,设定分类损失函数和优化器学习率,利用优化器降低损失、优化网络参数,完成离线训练,得到训练完成的残差网络,并利用同一维度的验证集对训练完成的残差网络进行验证;
其中,网络结构采用二分类结构。输入网络的信道信息批次可以设置为16,32,64等。损失函数可以为:L1范数损失函数,LSE(Least Squared Error,最小平方误差)损失函数,CE(Cross Entropy,交叉熵)损失函数;优化器可以为SGD(Stochastic GradientDescent,随机梯度下降),AdaGrad(自适应梯度)。优化器学习率可以设置为4×10-3,3×10-3,10-4等;
输入网络的信道信息批次优选为32;
损失函数优选为LSE损失函数;
优化器优选为SGD优化器;
优化器学习率优选设置为4×10-3;
所述验证即利用训练得到的残差网络,读取验证集进行验证,计算准确率作为验证结果;
在进行上述训练和验证时,可以采用交叉验证的方法,提高训练的准确性,所述的交叉验证方法在本方案中不作具体限制,例如,可以采用K折交叉验证法(K CrossValidation,K-CV),即将信道矩阵集均分成K组,将每个子集分别做一次验证集,其余的K-1组子集数据作为训练集,这样会得到K个模型,用这K个模型最终的验证集的分类准确率的平均数作为此K-CV下残差网络的性能指标。
S303.在不同维度下,重复步骤S302,得到每一个维度下训练完成的残差网络和对应的验证结果;
S304.对各个维度的验证结果进行比较,选出最优的验证结果;最优验证结果对应维度即为最优维度,最优验证结构对应的训练完成的残差网络即为最优验证模型。
S305.云端服务器将得到的最优维度和最优验证模型发送给接收机。
对于所述步骤S4,包括利用已确定的最优维数和对应向量基,对未知信道信息进行在线地主成分分析和降维,再通过训练好的改进的残差网络进行认证。在此过程中,未知信道信息的维数必须与步骤S1中采集的信道信息的维度一致。认证模型为步骤S3中得出的最优模型;
对于所述步骤S4,若验证结果为合法,则通过;否则,视为入侵者,并将其丢弃。
在物理层认证过程中,在现有的基于阈值的认证方案中,阈值对认证的准确率影响较大。而在基于传统机器学习的认证方案中,SVM、DNN等对信道信息的识别准确率仍然有待提高,尤其在运动场景中。此外,现有方案为了提高认证速率,对信道矩阵采用了随机抽样的的降维方法,而抽样具有不确定性。因此,本发明提出了基于主成分分析和残差网络的物理层认证方案,采用主成分分析对信道信息进行降维和降噪。与基于阈值和传统机器学习的方案不同,本发明使用改进的残差网络对信道信息进行验证,在CNN减少了神经网络参数的数量,加快了运算效率,有效防止了过拟合的基础上,着重解决了随着网络加深出现的梯度消失和梯度***问题。综上,本发明可以有效地提高基于信道信息的物理层认证的准确率。
尽管本发明已经参考示例性实施方案进行了描述,但应理解本发明不限于公开的示例性实施方案。在不背离本发明的范围或精神的情况下,可对本发明说明书的示例性实施方案做多种调整或变化。权利要求的范围应基于最宽的解释以涵盖所有修改和等同结构与功能。
最后需要说明的是,以上所述是本发明的优选实施方式,应当理解本发明并非局限于本文所披露的形式,不应该看作是对其他实施例的排除,而可用于其他组合、修改和环境,并能够在本文所述构想范围内,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 (7)
1.一种基于主成分分析和残差网络的物理层认证方法,其特征在于:包括以下步骤:
S1.利用接收机提取来自已知合法终端和非法终端的原始信道矩阵,并构建信道信息集上传到云端服务器;
云端服务器依据主成分分析方法,离线地对原始信道矩阵进行主成分分析以实现降维,得到降维信道信息集;在进行主成分分析降维时,基于不同的降维维度,最终得到多个不同维度的降维信道信息集;
S2.在每一个维度下,云端服务器分别将降维信道信息集离线地划分为训练集和验证集,得到各个维度对应的训练集和验证集;
S3.在每一个维度下,云端服务器离线地将该维度对应的训练集和验证集输入改进的残差网络进行离线训练和验证,得出信道认证的最优维度和改进的残差网络的最优模型,并将其发送给接收机;
S4.接收机基于得到的最优维度对未知信道信息进行在线地主成分分析以实现降维,并将降维后得到的信道矩阵输入改进的残差网络的最优模型中,实现对未知信道信息的在线认证,并输出认证结果。
2.根据权利要求1所述的一种基于主成分分析和残差网络的物理层认证方法,其特征在于:所述步骤S1包括以下子步骤:
S101.利用已知的合法终端向接收机发送连续N帧的导频序列,接收机对导频序列进行接收,并估计出合法终端到接收机的N个原始信道矩阵;
S102.利用已知的非法终端向接收机发送连续M帧的导频序列,接收机对导频序列进行接收,并估计出非法终端到接收机的M个原始信道矩阵;
S103.接收机将所有来自合法终端和非法终端的原始信道矩阵加入信道信息集中,在信道信息集中通过标记的方式区分原始信道矩阵来自合法终端或非法终端,然后将信道信息集上传到云端服务器;
S104.云端服务器依据主成分分析方法,离线地依据信道信息集形成主成分分析所需的新向量基,然后对信道信息集中的每一个原始信道矩阵进行主成分分析以实现降维,得到每一个原始信道矩阵对应的降维信道矩阵,各个降维信道矩阵构成降维信道信息集;
S105.选择多个不同维度的向量基,在每一个维度的向量基下重复步骤S104,得到多个不同维度的降维信道信息集。
3.根据权利要求2所述的一种基于主成分分析和残差网络的物理层认证方法,其特征在于:通过主成分分析以实现降维的过程包括:
对于信道信息集中的每一个原始信号矩阵,计算其对应的协方差矩阵;然后求解各个协方差矩阵对应的特征值和特征向量;再将特征值排序,选择令特征值最大的k个特征所对应的特征向量组成的矩阵作为新的向量基;
对于信道信息集中的每一个原始信道矩阵,将其映射到新的向量基所对应的空间中以实现降维,得到每一个原始信道矩阵对应的降维信道矩阵,各个降维信道矩阵构成降维信道信息集;
其中,k即为降维信道维数。
4.根据权利要求3所述的一种基于主成分分析和残差网络的物理层认证方法,其特征在于:所述不同维度的向量基,即k取不同值时得到的向量基,对应于不同的降维维度;通过设置不同的k值,就能得到不同维度的向量基,进而最终得到不同维度的降维信道信息集。
5.根据权利要求3所述的一种基于主成分分析和残差网络的物理层认证方法,其特征在于:所述协方差矩阵求特征值和特征向量的主要方法包括特征值分解方法或奇异值分解方法。
6.根据权利要求1所述的一种基于主成分分析和残差网络的物理层认证方法,其特征在于:所述步骤S3包括以下子步骤:
S301.对于残差网络,考虑信道矩阵的特性,对于每一层的卷积核,将第二维空间全部设置为1,另外,考虑与二维数据相比,信道矩阵包含的信息量更少,故减少通道数,得到改进的残差网络;
S302.在任一维度下,将该维度对应的训练集中的信道矩阵分批次输入改进的残差网络,设定分类损失函数和优化器学习率,利用优化器降低损失、优化网络参数,完成离线训练,得到训练完成的残差网络,并利用同一维度的验证集对训练完成的残差网络进行验证;
S303.在不同维度下,重复步骤S302,得到每一个维度下训练完成的残差网络和对应的验证结果;
S304.对各个维度的验证结果进行比较,选出最优的验证结果;最优验证结果对应维度即为最优维度,最优验证结构对应的训练完成的残差网络即为最优验证模型;
S305.云端服务器将得到的最优维度和最优验证模型发送给接收机。
7.根据权利要求1所述的一种基于主成分分析和残差网络的物理层认证方法,其特征在于:所述步骤S4包括:
接收机基于得到的最优维度对未知信道信息进行在线地主成分分析以实现降维,并将降维后得到的信道矩阵输入改进的残差网络的最优模型进行处理,若结果为合法则通过,否则认为信息来自入侵者,并将其丢弃。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010311808.7A CN111541632B (zh) | 2020-04-20 | 2020-04-20 | 一种基于主成分分析和残差网络的物理层认证方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010311808.7A CN111541632B (zh) | 2020-04-20 | 2020-04-20 | 一种基于主成分分析和残差网络的物理层认证方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111541632A CN111541632A (zh) | 2020-08-14 |
CN111541632B true CN111541632B (zh) | 2020-11-03 |
Family
ID=71976810
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010311808.7A Active CN111541632B (zh) | 2020-04-20 | 2020-04-20 | 一种基于主成分分析和残差网络的物理层认证方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111541632B (zh) |
Families Citing this family (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114584430B (zh) * | 2020-11-18 | 2023-08-01 | 大唐移动通信设备有限公司 | 一种上行接收机降维优化的方法、基站及存储介质 |
CN112784499A (zh) * | 2021-03-05 | 2021-05-11 | 云南电网有限责任公司电力科学研究院 | 一种基于深度学习替代有限元分析的电抗器磁场仿真方法 |
CN113221955B (zh) * | 2021-04-15 | 2022-06-28 | 哈尔滨工程大学 | 一种针对反应堆物理分析中高维输入参数的不确定性传播方法 |
CN114501451A (zh) * | 2022-01-27 | 2022-05-13 | 成都信息工程大学 | 一种基于有限重组数据增强的物理层信道安全认证方法 |
CN116188206A (zh) * | 2022-12-06 | 2023-05-30 | 北京师范大学 | 一种基于决策树的司法案件判决结果预测方法 |
CN117081806B (zh) * | 2023-08-18 | 2024-03-19 | 四川农业大学 | 一种基于特征提取的信道认证方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107276933A (zh) * | 2017-06-14 | 2017-10-20 | 杭州电子科技大学 | 用于上行多用户mimo***中基于二阶统计量的信道估计方法 |
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 |
WO2019102005A1 (en) * | 2017-11-27 | 2019-05-31 | Technische Universiteit Eindhoven | Object recognition using a convolutional neural network trained by principal component analysis and repeated spectral clustering |
CN109862563A (zh) * | 2019-01-22 | 2019-06-07 | 杭州电子科技大学 | 一种适用于移动无线网络环境的物理层认证方法及*** |
CN110969073A (zh) * | 2019-08-23 | 2020-04-07 | 贵州大学 | 一种基于特征融合与bp神经网络的人脸表情识别方法 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP6767966B2 (ja) * | 2014-04-09 | 2020-10-14 | エントルピー インコーポレーテッドEntrupy Inc. | 微視的差異からの機械学習を使用する物体の真贋鑑定 |
CN108304877B (zh) * | 2018-02-02 | 2021-10-08 | 电子科技大学 | 一种基于机器学习的物理层信道认证方法 |
CN109447099B (zh) * | 2018-08-28 | 2022-01-07 | 西安理工大学 | 一种基于pca降维的多分类器融合方法 |
-
2020
- 2020-04-20 CN CN202010311808.7A patent/CN111541632B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107276933A (zh) * | 2017-06-14 | 2017-10-20 | 杭州电子科技大学 | 用于上行多用户mimo***中基于二阶统计量的信道估计方法 |
WO2019102005A1 (en) * | 2017-11-27 | 2019-05-31 | Technische Universiteit Eindhoven | Object recognition using a convolutional neural network trained by principal component analysis and repeated spectral clustering |
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 |
CN109862563A (zh) * | 2019-01-22 | 2019-06-07 | 杭州电子科技大学 | 一种适用于移动无线网络环境的物理层认证方法及*** |
CN110969073A (zh) * | 2019-08-23 | 2020-04-07 | 贵州大学 | 一种基于特征融合与bp神经网络的人脸表情识别方法 |
Non-Patent Citations (1)
Title |
---|
A Novel Physical Layer Authentication Method with Convolutional Neural Network;Runfa Liao;《2019 IEEE International Conference on Artificial Intelligence and Computer Applications (ICAICA)》;20191017;全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN111541632A (zh) | 2020-08-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111541632B (zh) | 一种基于主成分分析和残差网络的物理层认证方法 | |
US11887404B2 (en) | User adaptation for biometric authentication | |
Arroyo et al. | Inference for multiple heterogeneous networks with a common invariant subspace | |
CN108898180B (zh) | 一种面向单颗粒冷冻电镜图像的深度聚类方法 | |
Qiu et al. | Learning transformations for clustering and classification. | |
Ueda et al. | SMEM algorithm for mixture models | |
Zelnik-Manor et al. | Dictionary optimization for block-sparse representations | |
Torkkola | Feature extraction by non-parametric mutual information maximization | |
US20210295019A1 (en) | Face recognition method based on evolutionary convolutional neural network | |
Kang et al. | Logdet rank minimization with application to subspace clustering | |
US20040086185A1 (en) | Method and system for multiple cue integration | |
US20200320284A1 (en) | Media processing method, related apparatus, and storage medium | |
CN108564040B (zh) | 一种基于深度卷积特征的指纹活性检测方法 | |
Chen et al. | Dictionary learning from ambiguously labeled data | |
US20230229897A1 (en) | Distances between distributions for the belonging-to-the-distribution measurement of the image | |
Yang et al. | Multiview canonical correlation analysis networks for remote sensing image recognition | |
Asiedu et al. | Evaluation of the DWT‐PCA/SVD Recognition Algorithm on Reconstructed Frontal Face Images | |
CN112395901A (zh) | 一种改进型复杂环境下人脸检测定位识别方法 | |
CN108388869B (zh) | 一种基于多重流形的手写数据分类方法及*** | |
Mehraj et al. | Human recognition using ear based deep learning features | |
CN110287973B (zh) | 一种基于低秩鲁棒线性鉴别分析的图像特征提取方法 | |
CN110110673B (zh) | 一种基于双向2dpca和级联前向神经网络的人脸识别方法 | |
Wang et al. | An improved PCA face recognition algorithm based on the discrete wavelet transform and the support vector machines | |
CN109165587B (zh) | 智能图像信息抽取方法 | |
JPH1021394A (ja) | 個人照合装置 |
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 |