CN112507855A - 一种基于瞬时包络等势星球图的通信辐射源个体识别方法 - Google Patents
一种基于瞬时包络等势星球图的通信辐射源个体识别方法 Download PDFInfo
- Publication number
- CN112507855A CN112507855A CN202011407444.9A CN202011407444A CN112507855A CN 112507855 A CN112507855 A CN 112507855A CN 202011407444 A CN202011407444 A CN 202011407444A CN 112507855 A CN112507855 A CN 112507855A
- Authority
- CN
- China
- Prior art keywords
- radio frequency
- radiation source
- communication radiation
- instantaneous envelope
- equipotential
- 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.)
- Pending
Links
- 238000004891 communication Methods 0.000 title claims abstract description 73
- 230000005855 radiation Effects 0.000 title claims abstract description 70
- 238000000034 method Methods 0.000 title claims abstract description 33
- 238000010586 diagram Methods 0.000 title claims description 41
- 239000012634 fragment Substances 0.000 claims abstract description 20
- 238000004040 coloring Methods 0.000 claims abstract description 5
- 238000007794 visualization technique Methods 0.000 claims abstract description 4
- 238000013527 convolutional neural network Methods 0.000 claims description 35
- 238000012549 training Methods 0.000 claims description 11
- 230000001052 transient effect Effects 0.000 claims description 11
- 238000012795 verification Methods 0.000 claims description 9
- 238000004364 calculation method Methods 0.000 claims description 6
- 230000008859 change Effects 0.000 claims description 3
- 238000006243 chemical reaction Methods 0.000 claims description 3
- 238000010276 construction Methods 0.000 claims description 3
- 230000009466 transformation Effects 0.000 claims description 3
- 238000005516 engineering process Methods 0.000 abstract description 5
- 238000000605 extraction Methods 0.000 abstract description 5
- 230000007246 mechanism Effects 0.000 description 5
- 238000012545 processing Methods 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 1
- 210000004556 brain Anatomy 0.000 description 1
- 238000010367 cloning Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013095 identification testing Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W12/00—Security arrangements; Authentication; Protecting privacy or anonymity
- H04W12/60—Context-dependent security
- H04W12/69—Identity-dependent
- H04W12/79—Radio fingerprint
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T11/00—2D [Two Dimensional] image generation
- G06T11/20—Drawing from basic elements, e.g. lines or circles
- G06T11/206—Drawing of charts or graphs
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T11/00—2D [Two Dimensional] image generation
- G06T11/40—Filling a planar surface by adding surface attributes, e.g. colour or texture
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/12—Classification; Matching
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Health & Medical Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Software Systems (AREA)
- Computing Systems (AREA)
- General Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computational Linguistics (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Molecular Biology (AREA)
- Mathematical Physics (AREA)
- Computer Security & Cryptography (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Signal Processing (AREA)
- Computer Networks & Wireless Communication (AREA)
- Multimedia (AREA)
- Databases & Information Systems (AREA)
- Medical Informatics (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Monitoring And Testing Of Transmission In General (AREA)
- Mobile Radio Communication Systems (AREA)
Abstract
本发明提供了一种基于瞬时包络等势星球图的通信辐射源个体识别方法,首先选择待识别通信辐射源个体,并采集其射频信号片段,对采集的通信辐射源个体的射频信号片段进行瞬时包络提取,并通过星座图二维可视化方法将瞬时包络表示为星座图,通过对星座图进行着色处理获取彩色的瞬时包络等势星球图,将所述瞬时包络等势星球图作为发射机的射频指纹,并构建分类器,将发射机的射频指纹输入分类器中进行识别。本发明提供的基于瞬时包络等势星球图的通信辐射源个体识别方法能够很好的提高射频指纹技术对通信辐射源个体的识别准确率,即使是对像同厂家同型号同批次这样相似程度很高的通信辐射源个体进行识别,也能达到很高的识别准确率。
Description
技术领域
本发明涉及通信辐射源个体识别技术领域,尤其是指一种基于瞬时包络等势星球图的通信辐射源个体识别方法。
背景技术
信息安全是构建可靠、稳健的物联网的关键,随着无线通信网络带来的信息安全问题不断涌现,如何准确地识别和认证物联对象,阻止用户身份假冒和设备克隆等问题的发生,是首要解决的信息安全问题。传统的认证机制是在应用层实现的,但这种在应用层进行认证的机制存在着协议安全漏洞和密钥泄露等风险。传统的认证机制虽然在一定程度上可以保障信息安全,但是并不适用于处理大规模网络及其所带来的海量数据,难以满足物联网的信息安全需求。因此,研究一种低错误率、高效率、低成本的通信辐射源个体识别方法,是确保物联网稳健运行的关键。物理层认证是保障无线通信安全的核心技术之一,如果应用物理层认证于信息安全问题的解决中,相较于应用层的认证技术,有着认证速度快,复杂度低,兼容性好,不需要考虑各种协议执行的优点,而射频指纹识别是基于设备物理层硬件的非密码认证方法,无需消耗额外的计算资源,也无需嵌入额外的硬件,是构建低成本、更简洁、更安全的识别认证***的非常有潜力的技术。
然而提取具有独特原生属性的射频指纹仍然是一件极具挑战性的任务,提取的射频指纹仍然受大量因素的制约,在射频指纹产生机理、特征提取和特征选择方面还有大量问题有待研究。
发明内容
本发明的目的是克服现有技术中的缺点,提供一种基于瞬时包络等势星球图的通信辐射源个体识别方法。
本发明的目的是通过下述技术方案予以实现:
一种基于瞬时包络等势星球图的通信辐射源个体识别方法,包括以下步骤:
步骤一:选择待识别通信辐射源个体,通过接收机采集通信辐射源个体的射频信号片段;
步骤二:对接收机采集到的通信辐射源个体的射频信号片段进行瞬时包络片段提取,并将提取到的瞬时包络片段对分为两段,再通过星座图二维可视化方法将对分的两端瞬时包络片段表示为星座图;
步骤三:计算星座图上的点密度,并根据星座图的点密度对星座图进行着色,获取彩色的每一段射频信号片段瞬时包络等势星球图,将所述瞬时包络等势星球图作为发射机的射频指纹;
步骤四:构建分类器,并将步骤三中得到的发射机的射频指纹输入分类器,完成通信辐射源个体的识别。
截取无线设备开启或关闭的瞬间所发送的一段瞬态信号,对截取的瞬态信号进行射频指纹的提取,瞬态信号不包含任何数据信息,只体现发射机的硬件特征,具有独立性,对于一些相似性极高的通信辐射源个体来说,瞬态信号所包含的信息可以更好的提供通信辐射源个体的识别分类。将提取到的瞬态信号的瞬时包络表示为星座图,并将星座图进行着色处理。通过分类器对通信辐射源个体进行分类,从星座图图像来看,区别较为明显,分类准确率高,尤其对于相似的如同厂家同型号同批次的通信辐射源个体的分类识别,准确率得到明显提高。
进一步的,步骤一中接收机采集的通信辐射源个体的射频信号为瞬态信号。
每个设备都会有不同的射频指纹也就是每个设备间硬件的差异,这种硬件上的差异会反映在通信信号中,通过分析接收到的射频信号就能提取出该特征,而瞬态信号片段指的是接收到的发射机功率从零到达额定功率时发送的信号段,这段信号不包括任何的数据信息,只与设备的硬件特性相关,对于具有很高相似性的通信辐射源个体,这种硬件特性的区别可以很好的区分出不同的发射机。
进一步的,步骤二中所述瞬时包络片段通过希尔伯特变换法进行提取。
进一步的,所述希尔伯特变换法提取瞬时包络片段包括以下步骤:
1.1获取射频信号片段,将所述射频信号片段视为求取瞬时包络所需实信号;
1.2对射频信号片段进行希尔伯特变换,具体计算公式如下:
1.3以射频信号片段为实部,以希尔伯特变换后的射频信号片段为虚部,构建解析信号并将射频信号片段代入解析信号取绝对值,解析信号取绝对值后得到的信号数据即为包络信号,具体计算公式如下:
其中:为希尔伯特变换后的射频信号片段,A(t)为射频信号片段幅值分量,cos(ω0t+θ(t))为射频信号片段相位分量,sin(ω0t+θ(t))为射频信号片段原信号希尔伯特变化后信号相位分量,为经欧拉公式转换后得到的复载波信号,A(t)ejθ(t)为复包络。
进一步的,步骤三中通过滑动矩形窗函数对星座图进行着色。
着色后的星座图在识别分类时更加直观明显。
进一步的,步骤四中所述分类器为深度卷积神经网络分类器。
深度卷积神经网络能够直接与图像像素进行卷积,从图像像素中提取图像特征,这种处理方式比一般特征提取方式更为接近人类大脑视觉***的处理方式,而且分类准确率高。
进一步的,所述深度卷积神经网络分类器的构建包括以下步骤:
1.1采集若干个待识别通信辐射源个体的射频信号,根据采集到的射频信号获取相应的瞬时包络等势星球图;
1.2根据获取的射频信号瞬时包络等势星球图建立用于训练深度卷积神经网络的数据集;
1.3构建深度卷积神经网络模型,并通过数据集对所述深度卷积神经网络进行训练,训练完成的深度卷积神经网络模型即为深度卷积神经网络分类器。
所述深度卷积神经网络分类器训练完成后,还需执行分类器验证子步骤:从训练深度卷积神经网络分类器的通信辐射源个体中选取若干个通信辐射源个体,重新采集选取的通信源个体的射频信号,将根据选取的射频信号获取星球图验证图片,输入至训练完成的深度卷积神经网络分类器内,验证所述深度卷积神经网络分类器的分类准确度。
根据待识别的通信辐射源个体构建分类器,可以更好的针对不同的场景进行分类器的构建,所运用的场景也更加广泛。
本发明的有益效果是:
通过提取通信辐射源个体的瞬态信号来进行分类识别,通信辐射源个体的瞬态信号中包含了设备的硬件信息,即使是相似的通信辐射源个体的硬件信息也是不同的,由于这种硬件区别,从通信辐射源个体截取获得的瞬态信息所构成的瞬时包络等势星球图特征具有显著的差异,若通过深度卷积神经网络构建的分类器对其进行识别分类,识别准确率可以达到100%,通信辐射源个体的识别率得到了大大的提升。尤其对于一些相似的通信辐射源个体,如同厂家同型号同批次的通信辐射源个体,通过将瞬时包络等势星球图作为设备的射频指纹进行识别分类,也能达到很高的识别准确率,大大提高了射频指纹技术对通信辐射源个体的识别准确率。
附图说明
图1是本发明的一种流程示意图;
图2是本发明实施例的5个对讲机的瞬时包络等势星球图。
具体实施方式
下面结合附图和实施例对本发明进一步描述。
实施例:
如图1所示,一种基于瞬时包络等势星球图的通信辐射源个体识别方法,包括以下步骤:
步骤一:选择待识别通信辐射源个体,通过接收机采集通信辐射源个体的射频信号片段;
步骤二:对接收机采集到的通信辐射源个体的射频信号片段进行瞬时包络片段提取,并将提取到的瞬时包络片段对分为两段,再通过星座图二维可视化方法将对分的两端瞬时包络片段表示为星座图;
步骤三:计算星座图上的点密度,并根据星座图的点密度对星座图进行着色,获取彩色的每一段射频信号片段瞬时包络等势星球图,将所述等势星球图作为发射机的射频指纹;
步骤四:构建分类器,并将步骤三中得到的发射机的射频指纹输入分类器,完成通信辐射源个体的识别。
步骤一中接收机采集的通信辐射源个体的射频信号为瞬态信号。
步骤二中所述瞬时包络片段通过希尔伯特变换法进行提取。
所述希尔伯特变换法提取瞬时包络片段包括以下步骤:
1.1获取射频信号片段,将所述射频信号片段视为求取瞬时包络所需实信号;
1.2对射频信号片段进行希尔伯特变换,具体计算公式如下:
1.3以射频信号片段为实部,以希尔伯特变换后的射频信号片段为虚部,构建解析信号并将射频信号片段代入解析信号取绝对值,j解析信号取绝对值后得到的信号数据即为包络信号,具体计算公式如下:
其中:为希尔伯特变换后的射频信号片段,A(t)为射频信号片段幅值分量,cos(ω0t+θ(t))为射频信号片段相位分量,sin(ω0t+θ(t))为射频信号片段原信号希尔伯特变化后信号相位分量,为经欧拉公式转换后得到的复载波信号,A(t)ejθ(t)为复包络。
步骤三中通过滑动矩形窗函数对星座图进行着色。
步骤四中所述分类器为深度卷积神经网络分类器。
所述深度卷积神经网络分类器的构建包括以下步骤:
1.1采集若干个待识别通信辐射源个体的射频信号,根据采集到的射频信号获取相应的瞬时包络等势星球图;
1.2根据获取的射频信号瞬时包络等势星球图建立用于训练深度卷积神经网络的数据集;
1.3构建深度卷积神经网络模型,并通过数据集对所述深度卷积神经网络进行训练,训练完成的深度卷积神经网络模型即为深度卷积神经网络分类器。
所述深度卷积神经网络分类器训练完成后,还需执行分类器验证子步骤:从训练深度卷积神经网络分类器的通信辐射源个体中选取若干个通信辐射源个体,重新采集选取的通信源个体的射频信号,将根据选取的射频信号获取星球图验证图片,输入至训练完成的深度卷积神经网络分类器内,验证所述深度卷积神经网络分类器的分类准确度。
通过对同厂家同型号同批次的10个对讲机进行识别来验证所述基于瞬时包络等势星球图的通信辐射源个体识别方法的有效性和可靠性,过程如下:
选择10个同厂家同型号同批次对讲机作为待识别的通信辐射源个体,在实验室LOS通过示波器采集通信辐射源个体的射频信号片段,每个对讲机采了50组数据,采样频率40MHz,每组数据采集159901个点。获取示波器采集到的数据的瞬时包络等势星球图,并将所述瞬时包络等势星球图作为对讲机的射频指纹,如图2所示,获得的5个对讲机的瞬时包络等势星球图特征具有显著的差距。
随机选择500个样本中的200个样本,用于构建分类器,剩余的300个样本用于识别测试,其中对于每个对讲机,训练样本为20个,测试样本为30个,将300个样本输入分类器中完成通信辐射源个体的识别,最终得到的10个对讲机的平均识别准确率能达到100%,论证了上述方法的有效性和可靠性。
以上所述的实施例只是本发明的一种较佳的方案,并非对本发明作任何形式上的限制,在不超出权利要求所记载的技术方案的前提下还有其它的变体及改型。
Claims (8)
1.一种基于瞬时包络等势星球图的通信辐射源个体识别方法,其特征在于,包括以下步骤:
步骤一:选择待识别通信辐射源个体,通过接收机采集通信辐射源个体的射频信号片段;
步骤二:对接收机采集到的通信辐射源个体的射频信号片段进行瞬时包络片段提取,并将提取到的瞬时包络片段对分为两段,再通过星座图二维可视化方法将对分的两端瞬时包络片段表示为星座图;
步骤三:计算星座图上的点密度,并根据星座图的点密度对星座图进行着色,获取彩色的每一段射频信号片段瞬时包络等势星球图,将所述瞬时包络等势星球图作为发射机的射频指纹;
步骤四:构建分类器,并将步骤三中得到的发射机的射频指纹输入分类器,完成通信辐射源个体的识别。
2.根据权利要求1所述的一种基于瞬时包络等势星球图的通信辐射源个体识别方法,其特征在于,步骤一中接收机采集的通信辐射源个体的射频信号为瞬态信号。
3.根据权利要求1所述的一种基于瞬时包络等势星球图的通信辐射源个体识别方法,其特征在于,步骤二中所述瞬时包络片段通过希尔伯特变换法进行提取。
4.根据权利要求3所述的一种基于瞬时包络等势星球图的通信辐射源个体识别方法,其特征在于,所述希尔伯特变换法提取瞬时包络片段包括以下步骤:
1.1获取射频信号片段,将所述射频信号片段视为求取瞬时包络所需实信号;
1.2对射频信号片段进行希尔伯特变换,具体计算公式如下:
1.3以射频信号片段为实部,以希尔伯特变换后的射频信号片段为虚部,构建解析信号并将射频信号片段代入解析信号取绝对值,j解析信号取绝对值后得到的信号数据即为包络信号,具体计算公式如下:
5.根据权利要求1所述的一种基于瞬时包络等势星球图的通信辐射源个体识别方法,其特征在于,步骤三中通过滑动矩形窗函数对星座图进行着色。
6.根据权利要求1所述的一种基于瞬时包络等势星球图的通信辐射源个体识别方法,其特征在于,步骤四中所述分类器为深度卷积神经网络分类器。
7.根据权利要求5所述的一种基于瞬时包络等势星球图的通信辐射源个体识别方法,其特征在于,所述深度卷积神经网络分类器的构建包括以下步骤:
2.1采集若干个待识别通信辐射源个体的射频信号,根据采集到的射频信号获取相应的瞬时包络等势星球图;
2.2根据获取的射频信号瞬时包络等势星球图建立用于训练深度卷积神经网络的数据集;
2.3构建深度卷积神经网络模型,并通过数据集对所述深度卷积神经网络进行训练,训练完成的深度卷积神经网络模型即为深度卷积神经网络分类器。
8.根据权利要求6所述的一种基于瞬时包络等势星球图的通信辐射源个体识别方法,其特征在于,所述深度卷积神经网络分类器训练完成后,还需执行分类器验证子步骤:从训练深度卷积神经网络分类器的通信辐射源个体中选取若干个通信辐射源个体,重新采集选取的通信源个体的射频信号,将根据选取的射频信号获取星球图验证图片,输入至训练完成的深度卷积神经网络分类器内,验证所述深度卷积神经网络分类器的分类准确度。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011407444.9A CN112507855A (zh) | 2020-12-04 | 2020-12-04 | 一种基于瞬时包络等势星球图的通信辐射源个体识别方法 |
US17/377,361 US11297508B1 (en) | 2020-12-04 | 2021-07-15 | Specific communication emitter identification method based on an instantaneous envelope equipotential constellation trace figure |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011407444.9A CN112507855A (zh) | 2020-12-04 | 2020-12-04 | 一种基于瞬时包络等势星球图的通信辐射源个体识别方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112507855A true CN112507855A (zh) | 2021-03-16 |
Family
ID=74970170
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011407444.9A Pending CN112507855A (zh) | 2020-12-04 | 2020-12-04 | 一种基于瞬时包络等势星球图的通信辐射源个体识别方法 |
Country Status (2)
Country | Link |
---|---|
US (1) | US11297508B1 (zh) |
CN (1) | CN112507855A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113095186A (zh) * | 2021-04-01 | 2021-07-09 | 上海电力大学 | 一种基于功率谱密度的通信辐射源个体识别方法 |
CN113435246A (zh) * | 2021-05-18 | 2021-09-24 | 西安电子科技大学 | 一种辐射源个体智能识别方法、***及终端 |
CN113905383A (zh) * | 2021-08-26 | 2022-01-07 | 湖南艾科诺维科技有限公司 | 一种基于射频指纹的iff信号识别方法、装置及介质 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103220055A (zh) * | 2013-05-10 | 2013-07-24 | 厦门大学 | 无线发射机信号的多重分形梯度特征指纹识别方法 |
CN107238817A (zh) * | 2017-07-04 | 2017-10-10 | 中国人民解放军海军航空工程学院 | 一种参数自适应设置及自动调整的雷达辐射源信号分选方法 |
CN107979842A (zh) * | 2017-11-28 | 2018-05-01 | 电子科技大学 | 一种基于双谱特征和深度学习的手机个体识别方法 |
CN108537100A (zh) * | 2017-11-17 | 2018-09-14 | 吉林大学 | 一种基于pca和lda分析的心电信号身份识别方法及*** |
CN109684995A (zh) * | 2018-12-22 | 2019-04-26 | 中国人民解放军战略支援部队信息工程大学 | 基于深度残差网络的特定辐射源识别方法及装置 |
CN110197209A (zh) * | 2019-05-15 | 2019-09-03 | 电子科技大学 | 一种基于多特征融合的辐射源识别方法 |
CN110691050A (zh) * | 2019-09-10 | 2020-01-14 | 中国人民解放军战略支援部队信息工程大学 | 基于c-e特征的辐射源指纹提取方法、装置及个体识别*** |
CN110798227A (zh) * | 2019-09-19 | 2020-02-14 | 平安科技(深圳)有限公司 | 模型预测优化方法、装置、设备及可读存储介质 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8249028B2 (en) * | 2005-07-22 | 2012-08-21 | Sri International | Method and apparatus for identifying wireless transmitters |
US9232565B2 (en) * | 2013-08-14 | 2016-01-05 | Analog Devices, Inc. | Multi-carrier base station receiver |
US11032022B1 (en) * | 2017-10-11 | 2021-06-08 | Genghiscomm Holdings, LLC | Detection, analysis, and countermeasures for automated and remote-controlled devices |
-
2020
- 2020-12-04 CN CN202011407444.9A patent/CN112507855A/zh active Pending
-
2021
- 2021-07-15 US US17/377,361 patent/US11297508B1/en active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103220055A (zh) * | 2013-05-10 | 2013-07-24 | 厦门大学 | 无线发射机信号的多重分形梯度特征指纹识别方法 |
CN107238817A (zh) * | 2017-07-04 | 2017-10-10 | 中国人民解放军海军航空工程学院 | 一种参数自适应设置及自动调整的雷达辐射源信号分选方法 |
CN108537100A (zh) * | 2017-11-17 | 2018-09-14 | 吉林大学 | 一种基于pca和lda分析的心电信号身份识别方法及*** |
CN107979842A (zh) * | 2017-11-28 | 2018-05-01 | 电子科技大学 | 一种基于双谱特征和深度学习的手机个体识别方法 |
CN109684995A (zh) * | 2018-12-22 | 2019-04-26 | 中国人民解放军战略支援部队信息工程大学 | 基于深度残差网络的特定辐射源识别方法及装置 |
CN110197209A (zh) * | 2019-05-15 | 2019-09-03 | 电子科技大学 | 一种基于多特征融合的辐射源识别方法 |
CN110691050A (zh) * | 2019-09-10 | 2020-01-14 | 中国人民解放军战略支援部队信息工程大学 | 基于c-e特征的辐射源指纹提取方法、装置及个体识别*** |
CN110798227A (zh) * | 2019-09-19 | 2020-02-14 | 平安科技(深圳)有限公司 | 模型预测优化方法、装置、设备及可读存储介质 |
Non-Patent Citations (3)
Title |
---|
JIE CHANG 等: ""Wireless Physical-Layer Identification Assisted 5G Network Security"", 《IEEE CONFERENCE COMPUTER COMMUNICATIONS WORKSHOPS》 * |
黄昏中的黎明: ""希尔伯特变换求包络原理"", 《HTTPS://BLOG.CSDN.NET/ANDDISKING/ARTICLE/DETAILS/102224111》 * |
齐建文 等: "《通信辐射源信号细微特征分析与处理》", 国防工业出版社 * |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113095186A (zh) * | 2021-04-01 | 2021-07-09 | 上海电力大学 | 一种基于功率谱密度的通信辐射源个体识别方法 |
CN113435246A (zh) * | 2021-05-18 | 2021-09-24 | 西安电子科技大学 | 一种辐射源个体智能识别方法、***及终端 |
CN113435246B (zh) * | 2021-05-18 | 2024-04-05 | 西安电子科技大学 | 一种辐射源个体智能识别方法、***及终端 |
CN113905383A (zh) * | 2021-08-26 | 2022-01-07 | 湖南艾科诺维科技有限公司 | 一种基于射频指纹的iff信号识别方法、装置及介质 |
CN113905383B (zh) * | 2021-08-26 | 2024-02-06 | 湖南艾科诺维科技有限公司 | 一种基于射频指纹的iff信号识别方法、装置及介质 |
Also Published As
Publication number | Publication date |
---|---|
US11297508B1 (en) | 2022-04-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112507855A (zh) | 一种基于瞬时包络等势星球图的通信辐射源个体识别方法 | |
CN112312457B (zh) | 一种基于复数深度残差网络的通信辐射源个体识别方法 | |
CN108764077B (zh) | 一种基于卷积神经网络的数字信号调制分类方法 | |
CN112398553A (zh) | 一种基于差分等势星球图的通信辐射源个体识别方法 | |
CN107979842B (zh) | 一种基于双谱特征和深度学习的手机个体识别方法 | |
CN111163460B (zh) | 基于多重间隔差分星座轨迹图的射频指纹提取方法 | |
CN110868409A (zh) | 一种基于tcp/ip协议栈指纹的操作***被动识别方法及*** | |
CN112398552A (zh) | 基于差分复数深度神经网络的通信辐射源个体识别方法 | |
Yang et al. | Deep learning based RFF recognition with differential constellation trace figure towards closed and open set | |
Ying et al. | Differential complex-valued convolutional neural network-based individual recognition of communication radiation sources | |
Zeng et al. | Multi-channel attentive feature fusion for radio frequency fingerprinting | |
Zhang et al. | Adaptive RF fingerprints fusion via dual attention convolutions | |
Uppal et al. | High-performance deep learning classification for radio signals | |
CN112911597B (zh) | 基于射频信号精细画像的物联网物理层多级特征提取方法 | |
CN112633121A (zh) | 基于希尔伯特变换与多重分形维数特征的辐射源识别方法 | |
CN115809426A (zh) | 一种辐射源个体识别方法及*** | |
Li et al. | Mobile Device Identification Based on Two-dimensional Representation of RF Fingerprint with Deep Learning | |
CN113065385A (zh) | 一种基于轴向积分双谱的通信辐射源个体识别方法 | |
Feng et al. | An accurate modulation recognition method of QPSK signal | |
Huang et al. | Radio frequency fingerprint identification method based on ensemble learning | |
CN112311480B (zh) | 一种通信辐射源个体识别方法 | |
CN112733613A (zh) | 基于希尔伯特变换与赫尔德系数特征的辐射源识别方法 | |
Huang et al. | Radio frequency fingerprint extraction and authentication towards open set in noisy channels | |
CN114595711B (zh) | 一种基于方向敏感特性的射频标签认证方法 | |
Wu et al. | Clipc: Contrastive learning-based radar signal intra-pulse clustering |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20210316 |