[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

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：使用通信信號接收裝置，接收通信輻射源信號，并對信號進行處理，獲得I/Q兩路數字零中頻信號；同時提取I/Q兩路數字零中頻信號的三種指紋信息，分別為：矩形積分雙譜特征、分形盒維數特征、小波特征；將三種指紋信息數據集劃分為訓練集和測試集；構建多通道深度學習模型，并利用訓練集和測試集訓練模型直至模型精度達到98％；本發明在現有的通信輻射源射頻指紋識別的傳統方法上進行創新，利用信號多特征融合的方法，采用多通道深度卷積神經網絡模型，進行二次特征提取，提高通信輻射源射頻指紋的識別精度，從而更好地達到實際環境對通信輻射源射頻指紋的識別要求。

技術領域

本發明屬于通信技術領域，具體是一種基于深度學習的通信輻射源射頻指紋識別方法。

背景技術

通信輻射源射頻指紋識別，是指針對不同通信輻射設備所發出射頻信號中存在的獨一無二的細微特征，采用信號處理和模式識別方法，對這些信號中的細微特征進行提取識別的過程。

業內利用深度學習模型進行通信輻射源射頻指紋識別的方法，大多采用的是單通道深度學習模型，在此識別過程中，由于單通道深度學習模型的局限性，該方法往往未能保證所提取信號的多個特征的獨立性，從而導致通信輻射源射頻指紋識別精度的下降，因此，實際應用中此類模型難以取得理想的效果。

發明內容

本發明的目的在于克服現有技術的缺陷，提供一種基于深度學習的通信輻射源射頻指紋識別方法。

為實現上述目的，本發明采用了如下技術方案：

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；

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；

優選的，所述步驟B中提取I/Q兩路數字零中頻信號的矩形積分雙譜特征的方法為：

對I/Q兩路數字零中頻信號進行矩形積分雙譜變換，獲得M類待識別輻射源且每類輻射源具有s個樣本信號，每個樣本信號具有D維矩形積分雙譜特征，構成D*s維的矩形積分雙譜特征矩陣；

則有：X＝[x₁,x₂,…,x_i,…,x_s]∈R^D×s

其中，i＝1，2，……，s，D是每個樣本信號的矩形積分雙譜特征的維數，x_i∈[x_i，1，x_i，2，…，x_i，p，…，x_i，D]×R^D，x_i是該類輻射源的第i個樣本信號；

所述步驟B中提取I/Q兩路數字零中頻信號的分形盒維數特征的方法為：