一种完全无监督环境下的射频指纹稳定关系提取识别方法
本发明属于通信技术与物理层安全,具体涉及一种完全无监督环境下的射频指纹稳定关系提取识别方法。
背景技术:
1、特定辐射源识别技术利用发射设备硬件缺陷引入的独特射频指纹特征实现设备身份鉴别,是物理层安全的重要手段。近年来,深度学习在该领域取得显著进展,基于卷积神经网络的方法能够在全监督条件下达到极高的识别准确率。然而,实际无线环境中,获取大量高质量标注信号成本高昂,尤其在非合作信号截获场景下,目标发射器往往不存在任何标注样本,导致监督学习方法无法应用。
2、现有无监督识别方法面临三大核心挑战:第一,现有方法大多依赖预设的发射器数量作为先验知识,但在开放世界中该数量通常是未知的;第二,射频信号受信道传播和环境噪声的显著影响,同一发射器的不同传输实例在信号空间中可能呈现巨大差异,使得基于几何距离度量的传统聚类方法极不稳定;第三,现有方法在低信噪比条件下性能急剧下降,难以满足实际部署需求。
3、针对上述问题,已有研究尝试通过生成对抗网络或对比学习框架实现无监督射频指纹识别,但普遍存在聚类不稳定、对噪声敏感、需要预设发射器数量等局限性。因此,亟需一种能够在完全无监督环境下自动发现发射器数量、对噪声鲁棒、无需任何标注样本的射频指纹识别方法。
技术实现思路
1、为解决上述技术问题,本发明提供了一种完全无监督环境下的射频指纹稳定关系提取识别方法,能够在无需任何先验知识的情况下具备自主发现真实设备数量的能力,且对噪声和信道变化具有高度鲁棒性,识别性能稳定可靠。
2、本发明采用的技术方案为:一种完全无监督环境下的射频指纹稳定关系提取识别方法,具体步骤如下:
3、s1、获取射频信号iq数据,并对每个iq信号进行预处理;
4、设定每个发射器采集多个传输实例,每个传输实例作为一个独立的iq信号对象。所有iq信号构成无标注数据集,且整个训练过程中不使用任何标注样本,发射器数量未知。
5、其中,表示信号对象总数,表示第个iq信号对象。
6、然后对每个iq信号进行预处理,包括零均值归一化和分片操作;归一化公式如下:
7、;
8、其中,x表示归一化前的iq信号,μ(x)和σ(x)分别表示该信号的均值和标准差,表示归一化后的iq信号。
9、最后将归一化后的每个iq信号分割成固定长度的连续切片,切片长度为,每个iq信号对象产生个切片,每个切片表示复数基带iq样本,且同一对象的不同切片视为正样本对。
10、其中,表示复数域。
11、s2、基于步骤s1,构建稳定关系提取模块进行实例分组,生成初始高置信度分组;
12、对步骤s1预处理后的样本数据进行实例分组操作,在分组操作中首先根据实例情况进行深度学习特征提取网络构建,并生成对比学习数据集,通过深度学习聚类训练,每个对象会生成两个基于不同切片的增强视图并送入双输出深度学习特征提取网络,映射生成两组后验概率特征数据,在损失函数收敛后,对训练过程中的特征数据进行分析,通过固定长度的滑动缓冲对后验概率进行时间平均,设定统一阈值将概率数据二值化为关系矩阵,最后通过视图一致性取交集构建高置信度关联图,提取连通分量形成初始分组。
13、s3、基于步骤s2,构建基于证据的成对可分性测试模块进行分组合并,合并过度分割的分组;
14、基于步骤s2,在初始分组后继续进行分组合并,构建分类对比数据集,然后对数据进行深度学习分类对比训练,在损失函数收敛后,对训练过程中的特征数据进行分析,通过优化器对卷积神经网络中的参数进行更新,当模型参数稳定时训练即可停止,最后构建合并图。
15、其中,训练批次数据包括正样本对、负样本对、待测样本对;正负样本在经过深度学习卷积神经网络后进行分类损失计算,所有样本对都进行对比损失计算,最终损失为分类损失与对比损失之和。
16、s4、基于步骤s3,对合并图进行分析输出最终的辐射源识别结果;
17、其中,每个连通分量对应一个物理发射器,分量的数量即为发现的发射器总数,分量内的所有信号对象归属于同一辐射源。
18、进一步地,所述步骤s2具体如下:
19、首先将步骤s1预处理后的每个iq信号对象视为一个独立的代理类别,原型空间维度等于对象总数,并自动构建双输出深度学习特征提取网络;再对每个对象随机挑选两个样本生成两个增强视图,通过共享的骨干网络和softmax预测头映射为后验概率向量。
20、其中,表示实数域。
21、然后生成对比学习数据集,即将个iq信号对象中的样本分别进行打乱,构建不同训练批次数据,每个批次数据由个iq信号对象的随机两个样本组成,一个批次数据为个样本,且不同信号对象样本之间为负样本关系,相同信号对象样本之间为正样本关系。
22、将对比学习数据集送入到双输出深度学习特征提取网络中进行特征提取,然后优化对比损失函数,使同一对象的两个视图后验概率相似、不同对象的视图后验概率相异,损失函数公式如下:
23、;
24、其中,表示批次内对象数量,表示同一对象的两个视图的后验概率向量,表示余弦相似度,表示防止数值溢出的极小常数,用以表示批次内所有不同对象的视图组合。
25、训练收敛后,聚合全数据集的后验预测,构建两个全局后验矩阵,表示每个信号的特征向量组成的后验矩阵,具体表达式如下:
26、;
27、然后维护长度为的滑动缓冲区,计算时间平均后验矩阵,表达式如下:
28、;
29、其中,表示同信号的个连续后验矩阵的均值,即该信号的特征向量。
30、再通过预设阈值对时间平均后验矩阵进行二值化,若大于等于阈值则为1,否则为0,得到二值关系矩阵表达式如下:
31、;
32、其中,表示时间平均后验矩阵的第行第列的值。
33、再计算双视图一致性矩阵,其中与表示两种视图下对象与对象的关系,两个信号相同则为1,否则为0,表示hadamard积,表示逐元素相乘,表示从对象到对象存在稳定、高置信度的混淆关系。
34、其中,表示双视图一致性矩阵的第行第列的值。
35、最后将矩阵解释为对象节点与原型节点的二分图邻接矩阵,提取连通分量,每个连通分量对应的对象索引构成一个初始分组,表示当前获得的分组数量,表示第个分组。
36、进一步地,所述步骤s3具体如下:
37、基于步骤s2,当前分组集合为,遍历所有不同分组对;对每一对候选分组进行二分类训练。
38、其中,表示正样本分组,表示待预测样本分组,其余所有分组为负样本,所有数据都参与训练,构建出分组合并数据集。
39、然后对每个对象采样两个视图,通过骨干网络生成二元后验概率;再优化二元交叉熵损失和视图一致性正则化损失,得到稳定二分类模型,损失函数公式如下;
40、;
41、;
42、;
43、其中,表示分类损失,表示对比损失,表示除外的所有负样本分组,表示样本标签,表示双视图后验概率,表示防止数值溢出的极小常数,表示转置操作。
44、再通过优化器对卷积神经网络中的参数进行更新,当模型参数稳定时训练完成,维护长度为的后验缓冲区,与为时间平均双视图后验概率,则计算时间平均后验,表达式如下:
45、;
46、再定义高置信度交叉分组错误率,表达式如下:
47、;
48、其中,表示预测标签,表示置信度,表示置信度阈值。
49、若,则判定两组不可区分,触发合并操作,表示合并比例阈值。
50、最后构建合并图,顶点为分组,边表示触发合并的分组对,提取连通分量,将同一连通分量内的所有对象合并为同一辐射源。
51、本发明的有益效果:本发明的方法首先获取射频信号iq数据,并对每个iq信号进行预处理,然后对构建稳定关系提取模块进行实例分组,生成初始高置信度分组,再构建基于证据的成对可分性测试模块进行分组合并,合并过度分割的分组,最后对合并图进行分析输出最终的辐射源识别结果。本发明的方法不但在无需任何先验知识的情况下具备自主发现真实设备数量的能力,而且对噪声和信道变化具有高度鲁棒性,识别性能稳定可靠,同时实现了真正意义上的完全无监督识别,突破了标注数据依赖瓶颈,适用于在无任何标注样本、发射器数量未知的非合作场景中,自动发现并识别多个不同的特定辐射源。
版权声明:本站专利文献数据主要来源于国家知识产权局等公开渠道,由 技术新讯 进行整理汇编。页面设计及数据汇编的著作权归本站所有。全部内容仅供个人学习、科研评估与技术交流参考,严禁用于任何商业用途(包括但不限于直接生产制造、技术转让、倒卖数据等)。
免责条款:专利技术具有时效性,本站不对资料的绝对准确性、完整性和可实施性提供任何明示或暗示的担保。因参考本站内容造成的直接或间接损失,本站不承担相关法律责任。若您认为本站内容有侵权问题,请及时提供权属证明与我们联系,本站将在核实后依法处理。反馈意见:yyfuon@163.com