[發明專利]一種基于深度學習的通信輻射源射頻指紋識別方法

有效

• 申請號: 202011134197.X
• 申請日: 2020-10-21
• 公開（公告）號: CN112464713B
• 公開（公告）日: 2022-11-08
• 發明（設計）人: 方夢卿;張友華;彭征承;朱俊霖;許雨璐;夏猛;李科
• 申請（專利權）人: 安徽農業大學
• 主分類號: G06K9/00
• 分類號: G06K9/00;G06K9/62;G06N3/04;G06N3/08;H04B17/00
• 代理公司: 北京興智翔達知識產權代理有限公司 11768
• 代理人: 郭衛芹

1.一種基于深度學習的通信輻射源射頻指紋識別方法，其特征在于：包括以下步驟：

A、使用通信信號接收裝置，接收通信輻射源信號，并進行預選放大、混頻、中頻濾波、A/D轉換、數字正交解調，獲得I/Q兩路數字零中頻信號；

B、針對每種信號，提取其三種指紋信息，分別為：提取I/Q兩路數字零中頻信號的矩形積分雙譜特征、提取I/Q兩路數字零中頻信號的分形盒維數特征、提取I/Q兩路數字零中頻信號的小波特征；

C、將提取到的所有通信輻射源信號的矩形積分雙譜特征、分形盒維數特征和小波特征，劃分為訓練樣本集和測試樣本集；

D、構建多通道深度學習模型，即多通道深度卷積神經網絡模型；

所述步驟D中構建多通道深度學習模型，即多通道卷積神經網絡模型的方法如下：

D1：構建具備3個輸入通道的卷積神經網絡模型，提取所得3種信號特征，每種特征分別通過對應的一個通道輸入，該特征輸入后經過2個卷積層模塊、2個池化層模塊處理，處理順序為：卷積、池化、卷積、池化；

每種信號特征經過輸入通道、2個卷積層模塊和2個池化層模塊，得到處理結果，3種信號特征的處理結果融合輸入至一個全局平均池化層模塊進行處理，處理完畢后再通過Softmax函數層輸出識別分類的結果；

D2：D1步驟中第一個卷積層模塊中設置卷積層數為4-5層，每層卷積層均采用SamePadding法，激活函數均采用非線性Relu函數，D1步驟中所述第一個卷積層模塊后設置池化滑動窗口尺寸為：2*2，設置滑動步長為：2，采用最大池化法提取特征并降維，D1步驟中第二個卷積層模塊，設置卷積層數為4-5層，采用Same Padding法和Relu激活函數，D1步驟中設置池化滑動窗口尺寸為：2*2，設置滑動步長為：2，采用最大池化法提取特征并降維，D1步驟中所述每種信號特征經通道輸入得到卷積層模塊和池化層模塊的處理，將3個通道經卷積、池化所得處理結果融合至全局平均池化層，將所得結果輸入Softmax層進行識別分類，輸出結果；

D3：D2步驟中兩個所述卷積層模塊均設置卷積層數為4-5層，且兩個卷積層模塊均設置Batch Normalization層，每層卷積計算后所得數據輸入BN層，BN層對數據進行批量標準化處理后，輸入Relu激活函數層處理，所得結果輸入至下一層卷積，再次進行卷積計算、BN層和Relu激活函數層處理，直至該卷積層模塊處理完畢；

D4：D2步驟中兩個所述卷積層模塊中均設置skip connection,構建殘差模塊；

E、利用已組建的訓練樣本集和測試樣本集，訓練多通道深度學習模型，確定模型參數；

F、將幾類待識別的通信輻射源信號的特征數據集，輸入至訓練完畢的深度學習模型中，深度學習模型輸出識別分類結果。