[發明專利]一種基于WANN的射頻指紋提取和識別方法

在審

• 申請號: 202011501531.0
• 申請日: 2020-12-18
• 公開（公告）號: CN112689288A
• 公開（公告）日: 2021-04-20
• 發明（設計）人: 謝躍雷;鄧涵方;劉信;易國順;蔣平;許強;肖瀟;蔣俊正;歐陽繕;廖桂生
• 申請（專利權）人: 桂林電子科技大學
• 主分類號: H04W12/121
• 分類號: H04W12/121;H04W12/122;G06K9/00;G06K9/52;G06K9/62;G06N3/04;G06N3/08
• 代理公司: 桂林市華杰專利商標事務所有限責任公司 45112
• 代理人: 覃永峰

1.一種基于WANN的射頻指紋提取和識別方法，其特征在于，包括如下步驟：

1)采集待識別無線電設備信號：假設采用單接收機能單獨捕獲每一個需要進行射頻指紋識別發射機的信號即不存在信號盲分離的問題，設發射機發射的信號為s(n)，則接收到的信號序列為公式(1)所示：

x(n)＝s(n)+n₀(n) (1)，

公式(1)中n₀(n)為信道中存在的加性噪聲；

2)雙譜非參數估計：采用直接估計方法，將接收到的數據進行分段計算離散傅里葉變換DFT，再估計頻域矩，依據頻域矩與高階累積量之間的換算關系求得雙譜估計，包括：

2-1)設信號x(t)的三階累積量為公式(2)所示：

c_3x(τ₁,τ₂)＝E{x(n)x(n+τ₁)x(n+τ₂)} (2)，

其中，E{·}表示對括號內求期望，τ₁,τ₂為信號的時延，雙譜表示為公式(3)所示：

其中，ω₁,ω₂為頻率分量；

2-2)假設采集到的信號序列長度為N，即{x(0),x(1),…,x(N-1)}，頻率采樣點數為N₀，采樣頻率為f_s，則頻率采樣間隔為Δ₀＝f_s/N₀，將信號序列分成K段，每段包含M個數據，即N＝KM；

2-3)對每段數據進行均值歸零化處理；

2-4)將步驟2-3)處理后的第i段數據表示為{xⁱ(0),xⁱ(1),…,xⁱ(n-1)}，對每段數據做DFT，即如公式(4)所示：

公式(4)

2-5)取M₁＝M/N₀,L₁＝(M₁-1)/2，并且L₁≥0，M為偶數，則雙譜估計表達式表示為如公式(5)所示：

2-6)求K段數據的平均，得到采集到的信號數據的雙譜估計如公式(6)所示：

其中

3)生成雙譜等高圖：采用MATLAB軟件計算并生成步驟2)得到的雙譜非參數估計的三維圖，并采用MATLAB軟件自帶的contour函數將雙譜三維圖轉化為由同值點連接形成的雙譜二維等高圖，過程為：

3-1)將接收到的信號數據導入MATLAB并計算雙譜非參數估計；

3-2)采用MATLAB軟件自帶的等高圖繪制函數“contour”將雙譜三維圖轉化為由同值點連接形成的雙譜二維等高圖，采用九個等高線層級繪制雙譜等高圖；

3-3)將步驟3-2)得到的雙譜等高圖背景設置為白色、并隱藏坐標軸網格線與坐標系；

4)生成數據集并預處理：生成數據集并預處理包括：

4-1)將MATLAB生成的雙譜等高圖按發射機個體分類保存形成數據集，并劃分為訓練集和測試集；

4-2)將數據集中的圖像進行預處理：將彩色的雙譜等高圖圖片轉化為像素值大小在0～255區間內的灰度圖、同時依據硬件性能對圖片尺寸縮減；

5)訓練WANN：訓練WANN包括：

5-1)依據需要進行射頻指紋識別的發射機個數確定網絡的輸出神經元數目，創建一個由沒有隱藏節點，只有輸入和輸出節點的不同拓撲結構的稀疏連接網絡集合；

5-2)將步驟5-1)得到的網絡集合內每個網絡分配固定的共享權值進行多次前向傳播訓練，輸出各個網絡對雙譜等高圖訓練集的分類準確率，同一個網絡每次訓練隨機分配不同的共享權值，最后求得集合內各個網絡的分類準確率均值并記錄；

5-3)依據步驟5-2)得到的分類正確率結合網絡拓撲結構的復雜度兩個指標對集合內網絡進行排序，其中網絡拓撲結構的復雜度依據網絡的隱藏節點數、網絡中節點之間的連接數的多少進行評估，復雜的網絡擁有比簡單網絡更多的隱層節點數和節點之間連接數；

5-4)提取步驟5-3)得到的最佳網絡，通過以下三種方式來修改現有的最佳網絡拓撲結構進行創建新的網絡集合：插入節點、添加連接、更改節點的激活函數，所述插入節點的做法是將一個現有的連接拆分為兩個通過這個新的隱藏節點的連接；添加連接的做法是將之前未連接的節點進行連接；更改節點的激活函數包括但不限于：線性激活函數、sigmoid激活函數、ReLU激活函數、tanh激活函數、高斯激活函數；

5-5)將步驟5-2)中所述的由步驟5-1)得到的網絡集合更換為步驟5-4)得到的新創建的網絡集合，并重復步驟5-2)-5-4)確定性能最優的神經網絡拓撲結構；

5-6)采用步驟5-5)確定好的網絡結合步驟4)中生成的數據集進行訓練并測試，微調網絡的權值進而獲得最高的識別準確率并固定神經網絡權值與拓撲結構；

6)采用訓練好的WANN識別設備：將待識別設備采用步驟1)-步驟3)生成雙譜等高圖并輸入步驟5)訓練好的WANN中進行識別。