CN114387627A - 基于深度度量学习的小样本无线设备射频指纹识别方法及装置 - Google Patents
基于深度度量学习的小样本无线设备射频指纹识别方法及装置 Download PDFInfo
- Publication number
- CN114387627A CN114387627A CN202210026844.8A CN202210026844A CN114387627A CN 114387627 A CN114387627 A CN 114387627A CN 202210026844 A CN202210026844 A CN 202210026844A CN 114387627 A CN114387627 A CN 114387627A
- Authority
- CN
- China
- Prior art keywords
- data set
- radio frequency
- fingerprint identification
- frequency fingerprint
- sample
- 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
- 238000000034 method Methods 0.000 title claims abstract description 52
- 238000005259 measurement Methods 0.000 title claims abstract description 33
- 238000012549 training Methods 0.000 claims abstract description 86
- 230000008569 process Effects 0.000 claims abstract description 17
- 230000006870 function Effects 0.000 claims abstract description 15
- 238000007781 pre-processing Methods 0.000 claims abstract description 5
- 238000012795 verification Methods 0.000 claims description 78
- 238000000605 extraction Methods 0.000 claims description 61
- 238000011176 pooling Methods 0.000 claims description 12
- 238000004590 computer program Methods 0.000 claims description 11
- 238000003860 storage Methods 0.000 claims description 11
- 230000006835 compression Effects 0.000 claims description 10
- 238000007906 compression Methods 0.000 claims description 10
- 238000004458 analytical method Methods 0.000 claims description 9
- 238000012545 processing Methods 0.000 claims description 9
- 239000000284 extract Substances 0.000 claims description 5
- 230000009466 transformation Effects 0.000 claims 1
- 238000012360 testing method Methods 0.000 abstract description 6
- 238000010586 diagram Methods 0.000 description 13
- 238000012986 modification Methods 0.000 description 6
- 230000004048 modification Effects 0.000 description 6
- 230000004075 alteration Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 238000012800 visualization Methods 0.000 description 2
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000010355 oscillation Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
Classifications
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Mobile Radio Communication Systems (AREA)
Abstract
本发明公开了一种基于深度度量学习的小样本无线设备射频指纹识别方法及装置,其方法包括:获取多个无线设备对应的射频信号,并进行预处理,以生成训练集;建立基于深度度量学习的小样本无线信号分类识别网络模型,以进行特征提取与特征比较;采用元学习的训练方式自适应学习特征距离,通过N‑way K‑shot的方式输入训练数据,在训练过程中同步进行测试过程,通过将完整的数据集划分为多个小型分类任务的数据集不断适应未知的任务;采用交叉熵损失函数对网络模型进行最终优化。由此,提高了小样本场景下无线信号射频指纹识别的识别率。
Description
技术领域
本发明涉及无线通信技术领域,特别涉及一种基于深度度量学习的小样本无线设备射频指纹识别方法、一种计算机可读存储介质、一种计算机设备以及一种基于深度度量学习的小样本无线设备射频指纹识别装置。
背景技术
相关技术中,基于物理层指纹的认证方案在无线设备识别领域里具有广阔的应用前景;目前基于物理层射频指纹的无线设备识别常常面临获得大量的信号较为困难的问题,为此,研究小样本情形下的无线设备个体识别问题意义重大;目前主要针对图像处理领域解决小样本问题,采用的方法主要分为基于数据增强、基于算法以及基于模型三种;通过数据扩充的方法很难枚举出信号在不同时间点上的变化可能性;基于算法的小样本学习策略往往复杂度较高且对提供先验知识的数据类型要求较高;而基于模型的ResNet-18、基于数据的生成对抗网络模型射频GAN、应用在语音领域的识别算法DeepSpeaker等多种算法的识别率较低。
发明内容
本发明旨在至少在一定程度上解决上述技术中的技术问题之一。为此,本发明的一个目的在于提出一种基于深度度量学习的小样本无线设备射频指纹识别方法,通过FSig-Net模型及N-way、K-shot的训练方式,提高了小样本场景下无线信号射频指纹识别的识别率。
本发明的第二个目的在于提出一种计算机可读存储介质。
本发明的第三个目的在于提出一种计算机设备。
本发明的第四个目的在于提出一种基于深度度量学习的小样本无线设备射频指纹识别装置。
为达到上述目的,本发明第一方面实施例提出了一种基于深度度量学习的小样本无线设备射频指纹识别方法,所述方法包括以下步骤:获取多个无线设备对应的射频信号,并对所述多个无线设备对应的射频信号进行预处理,以生成训练数据集;建立基于深度度量学习的射频指纹识别模型,其中,所述射频指纹识别模型包括特征提取网络和特征比较网络;从所述训练数据集中随机抽取多个不同类别对应的多个训练数据以构成支持数据集样本,从所述抽取后剩下的训练数据集中继续随机抽取多个训练数据以构成验证数据集样本;将所述支持数据集样本和所述验证数据集样本输入到所述射频指纹识别模型中的特征提取网络进行特征提取,以得到每个支持数据集样本对应的支持数据集特征和每个验证数据集样本对应的验证数据集特征;将所述每个支持数据集样本对应的支持数据集特征按类别进行维数压缩后分别和所述每个验证数据集样本对应的验证数据集特征中的某个验证数据集特征进行拼接后,输入到所述射频指纹识别模型中的特征比较网络进行分析比较,以便比较特征相似度确定所述某个验证数据集样本的所属类别。
根据本发明实施例的基于深度度量学习的小样本无线设备射频指纹识别方法,首先,获取多个无线设备对应的射频信号,并对多个无线设备对应的射频信号进行预处理,以生成训练数据集;接着,建立基于深度度量学习的射频指纹识别模型,其中,射频指纹识别模型包括特征提取网络和特征比较网络;然后,从训练数据集中随机抽取多个不同类别对应的多个训练数据以构成支持数据集样本,从抽取后剩下的训练数据集中继续随机抽取多个训练数据以构成验证数据集样本;将支持数据集样本和验证数据集样本输入到射频指纹识别模型中的特征提取网络进行特征提取,以得到每个支持数据集样本对应的支持数据集特征和每个验证数据集样本对应的验证数据集特征;最后,将每个支持数据集样本对应的支持数据集特征按类别进行维数压缩后分别和每个验证数据集样本对应的验证数据集特征中的某个验证数据集特征进行拼接后,输入到射频指纹识别模型中的特征比较网络进行分析比较,以便比较特征相似度确定某个验证数据集样本的所属类别;由此,通过FSig-Net模型及N-way、K-shot的训练方式,提高了小样本场景下无线信号射频指纹识别的识别率。
另外,根据本发明上述实施例提出的基于深度度量学习的小样本无线设备射频指纹识别方法还可以具有如下附加的技术特征:
可选地,所述特征提取网络包括一个卷积层、一个最大池化层和四个残差网络;其中,第一残差网络和第三残差网络中包含的卷积操作参数相同,第二残差网络和第四残差网络中包含的卷积操作和池化操作的参数相同;所述特征提取网络通过非线性子空间学习嵌入特征的相似性,以便对同类别特征进行聚集。
可选地,所述特征比较网络包括两个卷积层,一个维数变换和一个全连接层;所述特征比较网络通过对所述特征提取网络处理后的不同类别样本的高层语义进行分析比较,以得到最终的识别。
可选地,在训练过程中还通过交叉熵损失函数计算识别的误差,并经过多次迭代以对所述射频指纹识别模型进行优化。
为达到上述目的,本发明第二方面实施例提出了一种计算机可读存储介质,其上存储有基于深度度量学习的小样本无线设备射频指纹识别程序,该基于深度度量学习的小样本无线设备射频指纹识别程序被处理器执行时实现如上述的基于深度度量学习的小样本无线设备射频指纹识别方法。
根据本发明实施例的计算机可读存储介质,通过存储基于深度度量学习的小样本无线设备射频指纹识别程序,以使得处理器在执行该基于深度度量学习的小样本无线设备射频指纹识别程序时,实现如上述的基于深度度量学习的小样本无线设备射频指纹识别方法,由此,通过FSig-Net模型及N-way、K-shot的训练方式,提高了小样本场景下无线信号射频指纹识别的识别率。
为达到上述目的,本发明第三方面实施例提出了一种计算机设备,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,所述处理器执行所述程序时,实现如上述的基于深度度量学习的小样本无线设备射频指纹识别方法。
根据本发明实施例的计算机设备,通过存储器对基于深度度量学习的小样本无线设备射频指纹识别程序进行存储,以使得处理器在执行该基于深度度量学习的小样本无线设备射频指纹识别程序时,实现如上述的基于深度度量学习的小样本无线设备射频指纹识别方法,由此,通过FSig-Net模型及N-way、K-shot的训练方式,提高了小样本场景下无线信号射频指纹识别的识别率。
为达到上述目的,本发明第四方面实施例提出了一种基于嵌入式的无线设备射频指纹识别装置,包括采集模块、模型建立模块和训练识别模块,所述采集模块用于获取多个无线设备对应的射频信号,并对所述多个无线设备对应的射频信号进行预处理,以生成训练数据集;模型建立模块,所述模型建立模块用于建立基于深度度量学习的射频指纹识别模型,其中,所述射频指纹识别模型包括特征提取网络和特征比较网络;训练识别模块,所述训练识别模块用于从所述训练数据集中随机抽取多个不同类别对应的多个训练数据以构成支持数据集样本,从所述抽取后剩下的训练数据集中继续随机抽取多个训练数据以构成验证数据集样本;将所述支持数据集样本和所述验证数据集样本输入到所述射频指纹识别模型中的特征提取网络进行特征提取,以得到每个支持数据集样本对应的支持数据集特征和每个验证数据集样本对应的验证数据集特征;将所述每个支持数据集样本对应的支持数据集特征按类别进行维数压缩后分别和所述每个验证数据集样本对应的验证数据集特征中的某个验证数据集特征进行拼接后,输入到所述射频指纹识别模型中的特征比较网络进行分析比较,以便比较特征相似度确定所述某个验证数据集样本的所属类别。
根据本发明实施例的基于深度度量学习的小样本无线设备射频指纹识别装置,通过采集模块获取多个无线设备对应的射频信号,并对多个无线设备对应的射频信号进行预处理,以生成训练数据集;以及通过模型建立模块建立基于深度度量学习的射频指纹识别模型,其中,射频指纹识别模型包括特征提取网络和特征比较网络;最后通过训练识别模块用于从训练数据集中随机抽取多个不同类别对应的多个训练数据以构成支持数据集样本,从抽取后剩下的训练数据集中继续随机抽取多个训练数据以构成验证数据集样本;将支持数据集样本和验证数据集样本输入到射频指纹识别模型中的特征提取网络进行特征提取,以得到每个支持数据集样本对应的支持数据集特征和每个验证数据集样本对应的验证数据集特征;将每个支持数据集样本对应的支持数据集特征按类别进行维数压缩后分别和每个验证数据集样本对应的验证数据集特征中的某个验证数据集特征进行拼接后,输入到射频指纹识别模型中的特征比较网络进行分析比较,以便比较特征相似度确定某个验证数据集样本的所属类别;由此,通过FSig-Net模型及N-way、K-shot的训练方式,提高了小样本场景下无线信号射频指纹识别的识别率。
另外,根据本发明上述实施例提出的基于深度度量学习的小样本无线设备射频指纹识别装置还可以具有如下附加的技术特征:
可选地,所述特征提取网络包括一个卷积层、一个最大池化层和四个残差网络;其中,第一残差网络和第三残差网络中包含的卷积操作参数相同,第二残差网络和第四残差网络中包含的卷积操作和池化操作的参数相同;所述特征提取网络通过非线性子空间学习嵌入特征的相似性,以便对同类别特征进行聚集。
可选地,所述特征比较网络包括两个卷积层,一个维数变换和一个全连接层;所述特征比较网络通过对所述特征提取网络处理后的不同类别样本的高层语义进行分析比较,以得到最终的识别。
可选地,所述训练识别模块还用于在训练过程中通过交叉熵损失函数计算识别的误差,并经过多次迭代以对所述射频指纹识别模型进行优化。
附图说明
图1为根据本发明实施例的基于深度度量学习的小样本无线设备射频指纹识别方法的流程示意图;
图2为根据本发明实施例的基于深度度量学习的小样本无线设备射频指纹识别方法的射频指纹识别模型的流程结构示意图;
图3为根据本发明实施例的射频指纹识别模型FSig-Net提取特征与原信号特征对比示意图,其中,(a)为原信号可视化,(b)为FSig-Net提取特征可视化;
图4为根据本发明实施例的特征提取网络的结构示意图;
图5为根据本发明实施例的特征比较网络的结构示意图;
图6为根据本发明实施例的N-way、K-shot训练及测试流程示意图;
图7为根据本发明实施例的不同支持数据集样本K值对射频指纹识别模型FSig-Net性能的影响,其中,(a)为不同K值损失函数值震荡情况,(b)为不同K值模型平均识别率;
图8为根据本发明实施例的不同训练样本平均识别准确率;
图9为根据本发明实施例的不同算法识别性能对比;
图10为根据本发明实施例的基于深度度量学习的小样本无线设备射频指纹识别装置的方框示意图。
具体实施方式
下面详细描述本发明的实施例,所述实施例的示例在附图中示出,其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的,旨在用于解释本发明,而不能理解为对本发明的限制。
为了更好的理解上述技术方案,下面将参照附图更详细地描述本发明的示例性实施例。虽然附图中显示了本发明的示例性实施例,然而应当理解,可以以各种形式实现本发明而不应被这里阐述的实施例所限制。相反,提供这些实施例是为了能够更透彻地理解本发明,并且能够将本发明的范围完整的传达给本领域的技术人员。
为了更好的理解上述技术方案,下面将结合说明书附图以及具体的实施方式对上述技术方案进行详细的说明。
图1为根据本发明实施例的基于深度度量学习的小样本无线设备射频指纹识别方法的流程示意图,如图1所示,该基于深度度量学习的小样本无线设备射频指纹识别方法包括以下步骤:
S101,获取多个无线设备对应的射频信号,并对多个无线设备对应的射频信号进行预处理,以生成训练数据集。
作为一个实施例,假设多个无线设备包括8台手机和17台型号相同的物联网模块的信号,经过起点检测后,每个信号保留的采样长度为14400;每个类别的测试样本数量为320,25个类别共8000个测试样本。
S102,建立基于深度度量学习的射频指纹识别模型,其中,射频指纹识别模型包括特征提取网络和特征比较网络。
也就是说,射频指纹识别模型为基于深度度量学习的小样本无线信号分类识别网络(Few-shot Wireless Signal Classification Network based on Deep MetricLearning,FSig-Net),该网络模型一共分为两个部分,包括特征提取网络和特征比较网络。
S103,从训练数据集中随机抽取多个不同类别对应的多个训练数据以构成支持数据集样本,从抽取后剩下的训练数据集中继续随机抽取多个训练数据以构成验证数据集样本;将支持数据集样本和验证数据集样本输入到射频指纹识别模型中的特征提取网络进行特征提取,以得到每个支持数据集样本对应的支持数据集特征和每个验证数据集样本对应的验证数据集特征。
也就是说,将支持数据集样本和验证数据集样本输入至特征提取网络,自适应地获取特征之间的相似度。
作为一个实施例,图4所示,特征提取网络包括一个卷积层、一个最大池化层和四个残差网络;其中,第一残差网络Res1和第三残差网络Res3中包含的卷积操作参数相同,第二残差网络Res2和第四残差网络Res4中包含的卷积操作和池化操作的参数相同;特征提取网络通过非线性子空间学习嵌入特征的相似性,以便对同类别特征进行聚集。
需要说明的是,如图3所示,FSig-Net提取特征与原信号特征对比图,FSig-Net通过提升数据集中不同手机个体信号的区分度,使得同类别特征聚集,而不同的类别特征可以更容易区分,更有利于后续的特征比较网络进行识别,实现小样本学习的目的。
S104,将每个支持数据集样本对应的支持数据集特征按类别进行维数压缩后分别和每个验证数据集样本对应的验证数据集特征中的某个验证数据集特征进行拼接后,输入到射频指纹识别模型中的特征比较网络进行分析比较,以便比较特征相似度确定某个验证数据集样本的所属类别。
也就是说,如图2所示,在训练过程中,将输入的m个支持数据集样本经过特征提取网络得到m个特征图后,按照类别对m个特征图的维数进行压缩后,再分别与同样经过特征提取网络和压缩处理的单个验证集样本对应的特征图拼接在一起后输入到特征比较网络,从而通过特征比较网络比较单个验证集样本对应的特征图与m个特征图中哪个的相似度最高,最终判别出单个验证集样本的类别为m个特征图中相似度最高的类别。
作为一个实施例,如图5所示,特征比较网络包括两个卷积层,一个维数变换和一个全连接层;特征比较网络通过对特征提取网络处理后的不同类别样本的高层语义进行分析比较,以得到最终的识别。
需要说明的是,如图2所示,将多个支持数据集样本和单个验证数据集样本输入到射频指纹识别模型中以得到单个验证数据集样本的所属类别,从而完成训练过程。
作为一个实施例,在训练过程中还通过交叉熵损失函数计算识别的误差,并经过多次迭代完成学习过程,以便对射频指纹识别模型进行优化。
也就是说,通过设定的交叉熵损失函数(Cross entropy loss function)计算识别的误差,经过多次迭代,完成学习过程,实现网络模型优化。
需要说明的是,FSig-Net射频指纹识别模型基于Pytorch框架工作,优化算法采用Adam,学习率设置为0.0005,在训练过程中,迭代次数设置为5000;从总信号样本库中不与测试数据重叠地为每台无线设备随机抽样了10个信号作为训练数据,训练方式以8way5shot为例。
作为一个实施例,特征提取网络和特征比较网络使用的结构均为卷积神经网络,为了防止数据发生偏移,加快网络的收敛速度,每次经过卷积操作后,都会对输出进行归一化操作。
另外,作为一个实施例,如图6所示,在训练好模型之后,只需要将待识别的无线设备对应的射频信号采用同样的处理方式处理完之后输入到训练好的模型内即可得到识别结果。
作为一个实施例,图7为不同K值(每个任务中支持集数据样本的数量)对射频指纹识别模型性能的影响,随着K值的增加,FSig-Net的整体识别效果都有小幅度的提升;图8为不同训练样本平均识别准确率,随着总训练样本数量的增加,平均识别准确率逐渐上升,当单个类别训练样本数为10时,平均识别率不再有明显的上升趋势,说明FSig-Net在小样本情况下具有良好的识别性能;图9为不同算法识别性能对比,射频指纹识别模型FSig-Net的识别率最高,在单台设备的训练样本为10的情况下,FSig-Net的平均识别准确率仍能达到98.28%,可以有效地实现小样本射频指纹识别。
综上所述,通过FSig-Net的特征提取网络获取的先验知识可以约束假设空间的复杂性,通过非线性子空间学习到嵌入特征的相似性,使得同类别特征聚集,而不同的类别特征可以更容易区分;与传统基于模型的ResNet-18、基于数据的生成对抗网络模型射频GAN、应用在语音领域的识别算法DeepSpeaker等多种算法相比,本文提出的射频指纹识别模型FSig-Net在小样本的情况下识别率更高,能有效地实现小样本射频指纹识别;将元学习的训练方式引入到模型训练中,通过多个N-way、K-shot的学习任务让模型学会学习,在训练过程中同步进行测试过程,通过将完整的数据集划分为多个小型分类任务的数据集不断适应未知的任务,提升模型的学习能力,提高最终的分类精度。
为了实现上述实施例,本发明实施例还提出了一种计算机可读存储介质,
其上存储有基于深度度量学习的小样本无线设备射频指纹识别程序,该基于深度度量学习的小样本无线设备射频指纹识别程序被处理器执行时实现如上述的基于深度度量学习的小样本无线设备射频指纹识别方法。
根据本发明实施例的计算机可读存储介质,通过存储基于深度度量学习的小样本无线设备射频指纹识别程序,以使得处理器在执行该基于深度度量学习的小样本无线设备射频指纹识别程序时,实现如上述的基于深度度量学习的小样本无线设备射频指纹识别方法,由此,通过FSig-Net模型及N-way、K-shot的训练方式,提高了小样本场景下无线信号射频指纹识别的识别率。
为了实现上述实施例,本发明实施例提出了一种计算机设备,
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,所述处理器执行所述程序时,实现如上述的基于深度度量学习的小样本无线设备射频指纹识别方法。
根据本发明实施例的计算机设备,通过存储器对基于深度度量学习的小样本无线设备射频指纹识别程序进行存储,以使得处理器在执行该基于深度度量学习的小样本无线设备射频指纹识别程序时,实现如上述的基于深度度量学习的小样本无线设备射频指纹识别方法,由此,通过FSig-Net模型及N-way、K-shot的训练方式,提高了小样本场景下无线信号射频指纹识别的识别率。
为了实现上述实施例,本发明实施例提出了一种基于嵌入式的无线设备射频指纹识别装置,如图10所示,该基于嵌入式的无线设备射频指纹识别装置包括:采集模块10、模型建立模块20和训练识别模块30。
其中,通过采集模块10获取多个无线设备对应的射频信号,并对多个无线设备对应的射频信号进行预处理,以生成训练数据集;以及通过模型建立模块20建立基于深度度量学习的射频指纹识别模型,其中,射频指纹识别模型包括特征提取网络和特征比较网络;最后通过训练识别模块30用于从训练数据集中随机抽取多个不同类别对应的多个训练数据以构成支持数据集样本,从抽取后剩下的训练数据集中继续随机抽取多个训练数据以构成验证数据集样本;将支持数据集样本和验证数据集样本输入到射频指纹识别模型中的特征提取网络进行特征提取,以得到每个支持数据集样本对应的支持数据集特征和每个验证数据集样本对应的验证数据集特征;将每个支持数据集样本对应的支持数据集特征按类别进行维数压缩后分别和每个验证数据集样本对应的验证数据集特征中的某个验证数据集特征进行拼接后,输入到射频指纹识别模型中的特征比较网络进行分析比较,以便比较特征相似度确定某个验证数据集样本的所属类别。
作为一个示例,特征提取网络包括一个卷积层、一个最大池化层和四个残差网络;其中,第一残差网络和第三残差网络中包含的卷积操作参数相同,第二残差网络和第四残差网络中包含的卷积操作和池化操作的参数相同;特征提取网络通过非线性子空间学习嵌入特征的相似性,以便对同类别特征进行聚集。
作为一个示例,特征比较网络包括两个卷积层,一个维数变换和一个全连接层;特征比较网络通过对特征提取网络处理后的不同类别样本的高层语义进行分析比较,以得到最终的识别。
作为一个示例,训练识别模块30还用于在训练过程中通过交叉熵损失函数计算识别的误差,并经过多次迭代以对射频指纹识别模型进行优化。
需要说明的是,上述关于图1中基于深度度量学习的小样本无线设备射频指纹识别方法的描述同样适用于该基于深度度量学习的小样本无线设备射频指纹识别装置,在此不做赘述。
综上所述,根据本发明实施例的基于深度度量学习的小样本无线设备射频指纹识别装置,通过采集模块获取多个无线设备对应的射频信号,并对多个无线设备对应的射频信号进行预处理,以生成训练数据集;以及通过模型建立模块建立基于深度度量学习的射频指纹识别模型,其中,射频指纹识别模型包括特征提取网络和特征比较网络;最后通过训练识别模块用于从训练数据集中随机抽取多个不同类别对应的多个训练数据以构成支持数据集样本,从抽取后剩下的训练数据集中继续随机抽取多个训练数据以构成验证数据集样本;将支持数据集样本和验证数据集样本输入到射频指纹识别模型中的特征提取网络进行特征提取,以得到每个支持数据集样本对应的支持数据集特征和每个验证数据集样本对应的验证数据集特征;将每个支持数据集样本对应的支持数据集特征按类别进行维数压缩后分别和每个验证数据集样本对应的验证数据集特征中的某个验证数据集特征进行拼接后,输入到射频指纹识别模型中的特征比较网络进行分析比较,以便比较特征相似度确定某个验证数据集样本的所属类别;由此,通过FSig-Net模型及N-way、K-shot的训练方式,提高了小样本场景下无线信号射频指纹识别的识别率。
本领域内的技术人员应明白,本发明的实施例可提供为方法、***、或计算机程序产品。因此,本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备(***)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
应当注意的是,在权利要求中,不应将位于括号之间的任何参考符号构造成对权利要求的限制。单词“包含”不排除存在未列在权利要求中的部件或步骤。位于部件之前的单词“一”或“一个”不排除存在多个这样的部件。本发明可以借助于包括有若干不同部件的硬件以及借助于适当编程的计算机来实现。在列举了若干装置的单元权利要求中,这些装置中的若干个可以是通过同一个硬件项来具体体现。单词第一、第二、以及第三等的使用不表示任何顺序。可将这些单词解释为名称。
尽管已描述了本发明的优选实施例,但本领域内的技术人员一旦得知了基本创造性概念,则可对这些实施例作出另外的变更和修改。所以,所附权利要求意欲解释为包括优选实施例以及落入本发明范围的所有变更和修改。
显然,本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样,倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内,则本发明也意图包含这些改动和变型在内。
在本发明的描述中,需要理解的是,术语“第一”、“第二”仅用于描述目的,而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此,限定有“第一”、“第二”的特征可以明示或者隐含地包括一个或者更多个该特征。在本发明的描述中,“多个”的含义是两个或两个以上,除非另有明确具体的限定。
在本发明中,除非另有明确的规定和限定,术语“安装”、“相连”、“连接”、“固定”等术语应做广义理解,例如,可以是固定连接,也可以是可拆卸连接,或成一体;可以是机械连接,也可以是电连接;可以是直接相连,也可以通过中间媒介间接相连,可以是两个元件内部的连通或两个元件的相互作用关系。对于本领域的普通技术人员而言,可以根据具体情况理解上述术语在本发明中的具体含义。
在本发明中,除非另有明确的规定和限定,第一特征在第二特征“上”或“下”可以是第一和第二特征直接接触,或第一和第二特征通过中间媒介间接接触。而且,第一特征在第二特征“之上”、“上方”和“上面”可是第一特征在第二特征正上方或斜上方,或仅仅表示第一特征水平高度高于第二特征。第一特征在第二特征“之下”、“下方”和“下面”可以是第一特征在第二特征正下方或斜下方,或仅仅表示第一特征水平高度小于第二特征。
在本说明书的描述中,参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中,对上述术语的示意性表述不应理解为必须针对的是相同的实施例或示例。而且,描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外,在不相互矛盾的情况下,本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
尽管上面已经示出和描述了本发明的实施例,可以理解的是,上述实施例是示例性的,不能理解为对本发明的限制,本领域的普通技术人员在本发明的范围内可以对上述实施例进行变化、修改、替换和变型。
Claims (10)
1.一种基于深度度量学习的小样本无线设备射频指纹识别方法,其特征在于,包括以下步骤:
获取多个无线设备对应的射频信号,并对所述多个无线设备对应的射频信号进行预处理,以生成训练数据集;
建立基于深度度量学习的射频指纹识别模型,其中,所述射频指纹识别模型包括特征提取网络和特征比较网络;
从所述训练数据集中随机抽取多个不同类别对应的多个训练数据以构成支持数据集样本,从所述抽取后剩下的训练数据集中继续随机抽取多个训练数据以构成验证数据集样本;将所述支持数据集样本和所述验证数据集样本输入到所述射频指纹识别模型中的特征提取网络进行特征提取,以得到每个支持数据集样本对应的支持数据集特征和每个验证数据集样本对应的验证数据集特征;
将所述每个支持数据集样本对应的支持数据集特征按类别进行维数压缩后分别和所述每个验证数据集样本对应的验证数据集特征中的某个验证数据集特征进行拼接后,输入到所述射频指纹识别模型中的特征比较网络进行分析比较,以便比较特征相似度确定所述某个验证数据集样本的所属类别。
2.如权利要求1所述的基于深度度量学习的小样本无线设备射频指纹识别方法,其特征在于,所述特征提取网络包括一个卷积层、一个最大池化层和四个残差网络;其中,第一残差网络和第三残差网络中包含的卷积操作参数相同,第二残差网络和第四残差网络中包含的卷积操作和池化操作的参数相同;所述特征提取网络通过非线性子空间学习嵌入特征的相似性,以便对同类别特征进行聚集。
3.如权利要求2所述的基于深度度量学习的小样本无线设备射频指纹识别方法,其特征在于,所述特征比较网络包括两个卷积层,一个维数变换和一个全连接层;所述特征比较网络通过对所述特征提取网络处理后的不同类别样本的高层语义进行分析比较,以得到最终的识别。
4.如权利要求1-3中任一项所述的基于深度度量学习的小样本无线设备射频指纹识别方法,其特征在于,在训练过程中还通过交叉熵损失函数计算识别的误差,并经过多次迭代以对所述射频指纹识别模型进行优化。
5.一种计算机可读存储介质,其特征在于,其上存储有基于度量学习的小样本无线设备的射频指纹识别程序,该基于度量学习的小样本无线设备的射频指纹识别程序被处理器执行时实现如权利要求1-4中任一项所述的基于度量学习的小样本无线设备的射频指纹识别方法。
6.一种计算机设备,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,其特征在于,所述处理器执行所述程序时,实现如权利要求1-4中任一项所述的基于度量学习的小样本无线设备的射频指纹识别方法。
7.一种基于度量学习的小样本无线设备射频指纹识别装置,其特征在于,包括:
采集模块,所述采集模块用于获取多个无线设备对应的射频信号,并对所述多个无线设备对应的射频信号进行预处理,以生成训练数据集;
模型建立模块,所述模型建立模块用于建立基于深度度量学习的射频指纹识别模型,其中,所述射频指纹识别模型包括特征提取网络和特征比较网络;
训练识别模块,所述训练识别模块用于从所述训练数据集中随机抽取多个不同类别对应的多个训练数据以构成支持数据集样本,从所述抽取后剩下的训练数据集中继续随机抽取多个训练数据以构成验证数据集样本;将所述支持数据集样本和所述验证数据集样本输入到所述射频指纹识别模型中的特征提取网络进行特征提取,以得到每个支持数据集样本对应的支持数据集特征和每个验证数据集样本对应的验证数据集特征;将所述每个支持数据集样本对应的支持数据集特征按类别进行维数压缩后分别和所述每个验证数据集样本对应的验证数据集特征中的某个验证数据集特征进行拼接后,输入到所述射频指纹识别模型中的特征比较网络进行分析比较,以便比较特征相似度确定所述某个验证数据集样本的所属类别。
8.如权利要求7所述的基于深度度量学习的小样本无线设备射频指纹识别装置,其特征在于,所述特征提取网络包括一个卷积层、一个最大池化层和四个残差网络;其中,第一残差网络和第三残差网络中包含的卷积操作参数相同,第二残差网络和第四残差网络中包含的卷积操作和池化操作的参数相同;所述特征提取网络通过非线性子空间学习嵌入特征的相似性,以便对同类别特征进行聚集。
9.如权利要求8所述的基于深度度量学习的小样本无线设备射频指纹识别装置,其特征在于,所述特征比较网络包括两个卷积层,一个维数变换和一个全连接层;所述特征比较网络通过对所述特征提取网络处理后的不同类别样本的高层语义进行分析比较,以得到最终的识别。
10.如权利要求7-9中任一项所述的基于深度度量学习的小样本无线设备射频指纹识别装置,其特征在于,所述训练识别模块还用于在训练过程中通过交叉熵损失函数计算识别的误差,并经过多次迭代以对所述射频指纹识别模型进行优化。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210026844.8A CN114387627A (zh) | 2022-01-11 | 2022-01-11 | 基于深度度量学习的小样本无线设备射频指纹识别方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210026844.8A CN114387627A (zh) | 2022-01-11 | 2022-01-11 | 基于深度度量学习的小样本无线设备射频指纹识别方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114387627A true CN114387627A (zh) | 2022-04-22 |
Family
ID=81200909
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210026844.8A Pending CN114387627A (zh) | 2022-01-11 | 2022-01-11 | 基于深度度量学习的小样本无线设备射频指纹识别方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114387627A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114943253A (zh) * | 2022-05-20 | 2022-08-26 | 电子科技大学 | 一种基于元学习模型的射频指纹小样本识别方法 |
CN116112932A (zh) * | 2023-02-20 | 2023-05-12 | 南京航空航天大学 | 一种数据知识双驱动的射频指纹识别方法与*** |
CN116127298A (zh) * | 2023-02-22 | 2023-05-16 | 北京邮电大学 | 基于三元组损失的小样本射频指纹识别方法 |
CN117062192A (zh) * | 2023-10-11 | 2023-11-14 | 深圳市微琪思网络有限公司 | 一种基于人工智能算法的电熨斗建立无线连接方法及*** |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111027487A (zh) * | 2019-12-11 | 2020-04-17 | 山东大学 | 基于多卷积核残差网络的行为识别***、方法、介质及设备 |
AU2020103613A4 (en) * | 2020-11-23 | 2021-02-04 | Agricultural Information and Rural Economic Research Institute of Sichuan Academy of Agricultural Sciences | Cnn and transfer learning based disease intelligent identification method and system |
CN112329579A (zh) * | 2020-10-28 | 2021-02-05 | 厦门大学 | 基于acgan-gp的小样本无线设备rf指纹识别方法及装置 |
CN112464713A (zh) * | 2020-10-21 | 2021-03-09 | 安徽农业大学 | 一种基于深度学习的通信辐射源射频指纹识别方法 |
CN112491677A (zh) * | 2020-11-06 | 2021-03-12 | 厦门大学 | 基于物理层特征指纹的can总线识别方法及装置 |
CN112867010A (zh) * | 2021-01-14 | 2021-05-28 | 中国科学院国家空间科学中心 | 基于卷积神经网络的射频指纹嵌入式实时识别方法及*** |
CN113347637A (zh) * | 2021-04-19 | 2021-09-03 | 厦门大学 | 基于嵌入式的无线设备rf指纹识别方法及装置 |
-
2022
- 2022-01-11 CN CN202210026844.8A patent/CN114387627A/zh active Pending
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111027487A (zh) * | 2019-12-11 | 2020-04-17 | 山东大学 | 基于多卷积核残差网络的行为识别***、方法、介质及设备 |
CN112464713A (zh) * | 2020-10-21 | 2021-03-09 | 安徽农业大学 | 一种基于深度学习的通信辐射源射频指纹识别方法 |
CN112329579A (zh) * | 2020-10-28 | 2021-02-05 | 厦门大学 | 基于acgan-gp的小样本无线设备rf指纹识别方法及装置 |
CN112491677A (zh) * | 2020-11-06 | 2021-03-12 | 厦门大学 | 基于物理层特征指纹的can总线识别方法及装置 |
AU2020103613A4 (en) * | 2020-11-23 | 2021-02-04 | Agricultural Information and Rural Economic Research Institute of Sichuan Academy of Agricultural Sciences | Cnn and transfer learning based disease intelligent identification method and system |
CN112867010A (zh) * | 2021-01-14 | 2021-05-28 | 中国科学院国家空间科学中心 | 基于卷积神经网络的射频指纹嵌入式实时识别方法及*** |
CN113347637A (zh) * | 2021-04-19 | 2021-09-03 | 厦门大学 | 基于嵌入式的无线设备rf指纹识别方法及装置 |
Non-Patent Citations (1)
Title |
---|
蒋留兵;周小龙;姜风伟;车俐;: "基于改进匹配网络的单样本学习", ***工程与电子技术, no. 06, 22 March 2019 (2019-03-22), pages 43 - 50 * |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114943253A (zh) * | 2022-05-20 | 2022-08-26 | 电子科技大学 | 一种基于元学习模型的射频指纹小样本识别方法 |
CN116112932A (zh) * | 2023-02-20 | 2023-05-12 | 南京航空航天大学 | 一种数据知识双驱动的射频指纹识别方法与*** |
CN116112932B (zh) * | 2023-02-20 | 2023-11-10 | 南京航空航天大学 | 一种数据知识双驱动的射频指纹识别方法与*** |
CN116127298A (zh) * | 2023-02-22 | 2023-05-16 | 北京邮电大学 | 基于三元组损失的小样本射频指纹识别方法 |
CN116127298B (zh) * | 2023-02-22 | 2024-03-19 | 北京邮电大学 | 基于三元组损失的小样本射频指纹识别方法 |
CN117062192A (zh) * | 2023-10-11 | 2023-11-14 | 深圳市微琪思网络有限公司 | 一种基于人工智能算法的电熨斗建立无线连接方法及*** |
CN117062192B (zh) * | 2023-10-11 | 2023-12-12 | 深圳市微琪思网络有限公司 | 一种基于人工智能算法的电熨斗建立无线连接方法及*** |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114387627A (zh) | 基于深度度量学习的小样本无线设备射频指纹识别方法及装置 | |
CN111444952B (zh) | 样本识别模型的生成方法、装置、计算机设备和存储介质 | |
CN110926782B (zh) | 断路器故障类型判断方法、装置、电子设备及存储介质 | |
CN111695620B (zh) | 一种电力***时间序列异常数据检测与修正方法及*** | |
CN111650453A (zh) | 基于加窗特征希尔伯特图像化的电力设备诊断方法及*** | |
CN113488060B (zh) | 一种基于变分信息瓶颈的声纹识别方法及*** | |
CN112347910B (zh) | 一种基于多模态深度学习的信号指纹识别方法 | |
CN110797031A (zh) | 语音变音检测方法、***、移动终端及存储介质 | |
CN112418175A (zh) | 基于域迁移的滚动轴承故障诊断方法、***及存储介质 | |
CN111860834B (zh) | 一种神经网络调优方法、***、终端以及存储介质 | |
CN111368648B (zh) | 雷达辐射源个体识别方法、装置、电子设备及其存储介质 | |
US20220165091A1 (en) | Face search method and apparatus | |
CN114980122A (zh) | 一种小样本射频指纹智能识别***与方法 | |
CN117849193A (zh) | 钕铁硼烧结的裂纹损伤在线监测方法 | |
JP2022003451A (ja) | 最適解獲得プログラム、最適解獲得方法および情報処理装置 | |
CN114997248B (zh) | 一种基于原型学习的开放集干扰识别模型和方法 | |
CN108630226A (zh) | 无人停车库运维安全的人工智能检测方法及装置 | |
CN112738724B (zh) | 一种区域目标人群的精准识别方法、装置、设备和介质 | |
CN114997299B (zh) | 一种资源受限环境下的射频指纹识别方法 | |
CN118194955B (zh) | 一种基于残差能量度量的卷积神经网络通道剪枝方法 | |
CN116738191B (zh) | 时序数据的增强处理方法、装置和计算机设备 | |
CN112529035A (zh) | 识别不同电台个体种类的智能识别方法 | |
CN113610064B (zh) | 笔迹识别方法和装置 | |
Xu et al. | Individual recognition of communication emitter based on deep learning | |
CN116386092A (zh) | 一种LoRa非平稳射频指纹特征提取方法及相关装置 |
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 |