一种基于深度学习多评估体系的射频指纹开集识别方法

本发明属于通信，具体涉及一种基于深度学习多评估体系的射频指纹开集识别方法。

背景技术：

1、射频指纹识别技术，在民用领域展现出了广泛的应用潜力和巨大的价值。该技术显著加强了智能手机及智能设备的安全防护，提升了用户身份验证的严密性。特别是在物联网领域，射频指纹技术为每一台设备赋予独特的身份标签，有效确保了设备间的互联安全，增强了整体系统的可信度。此外，该技术还在通信频谱管理中扮演了重要角色，显著提升了频谱资源的利用率。

2、近年来，射频指纹识别技术在无线通信设备领域取得了突破性的进展。通过先进的信号处理和特征提取算法，能够更加准确地分析射频信号，使得设备的射频指纹更加精确和可靠。同时，深度学习技术的引入，进一步提升了识别系统的性能，使得识别结果更加精准。而实时性能的提升和硬件加速技术的应用，更是使得射频指纹识别系统在实际应用中更具优势，展现了其巨大的实用价值。

3、然而，很多射频指纹识别应用在非合作场景，在射频目标未知、射频数量未知的情况下目前的射频指纹技术并不能满足实用场景。结合深度学习等先进技术对射频特征指纹进行开集识别已成为各国科研人员的重要研究方向。

技术实现思路

1、为解决上述技术问题，本发明提供了一种基于深度学习多评估体系的射频指纹开集识别方法，在射频目标没有标签且数量未知的情况下，通过深度学习模型训练完成射频指纹空间聚类，并利用多评估体系，从而达到射频指纹识别高识别准确率的目的。

2、本发明采用的技术方案为：一种基于深度学习多评估体系的射频指纹开集识别方法，具体步骤如下：

3、s1、构建深度学习多评估体系网络模型；

4、设定网络的输入为射频信号的iq数据，数据的输入尺寸为1*l，网络使用卷积、标准化和池化作为特征处理模块，模块首先对输入的特征矩阵使用卷积核进行特征提取，提取结果和输入数据进行矩阵叠加并使用标准化处理，最后进行池化处理。

5、网络对iq数据依次使用nc个卷积核模块进行特征处理，即通过nc次卷积操作进行高阶语义特征提取，然后，通过一个深度学习基准评估网络分支与两个深度学习参考评估网络分支对高阶语义特征进行特征聚类评估，最终输出为三组r维的特征向量。

6、s2、射频目标数据进行分析，获取射频训练参数与数据

7、根据不同时段出现的不同射频目标个数ni确定特征收敛空间维度为m，即同时修改步骤s1构建的的深度学习多评估体系网络最后收敛参数维度为m，所有射频目标参与训练，每个目标提供t个训练样本，得到射频训练数据。

8、其中，p表示不同时段的个数。

9、s3、对步骤s2得到的射频训练数据进行数据预处理，得到射频训练样本数据；

10、对射频训练数据使用最大最小值方法进行归一化处理，表达式如下：

11、

12、其中，xnormalized表示归一化后的数据、x表示原始数据，min(x)表示数据集的最小值，max(x)表示数据集的最大值；

13、对归一化后的射频训练数据进行固定尺度xlength分割得到射频训练样本，每个样本的长度为xlength。

14、s4、基于步骤s3，构造专用数据集得到训练用的数据集，即训练集；

15、同一个信号产生的样本为同一个目标，结合射频业务场景，则同时段出现的信号为不同目标。对射频训练样本数据进行空间收敛中心标签设计，单维收敛范围为0到1，并对射频训练样本进行标签生成，样本标签分为基准评估网络标签与参考评估网络标签。

16、其中，参考评估网络标签为one-hot类型，每个时段出现的不同目标具有相应的标签，标签维度为m；选择所有时段中出现目标个数最多的时段作为参考时段，基准评估网络标签的参考时段目标标签与参考评估网络标签相同，剩余时段参考标签为全置为1的m维标签。

17、对已经生成过标签的数据进行自定义数据集构建，得到专用数据集用于训练所述多评估体系网络，即训练集，一个批次分为p个部分，每个射频目标个数随机抽取t个射频训练样本，样本不打乱处理，一个批次数据样本个数为

18、s5、输入步骤s3构建的数据集通过深度学习多评估体系网络进行模型训练，得到模型权重文件；

19、使用训练集数据训练深度学习多评估体系网络，损失函数收敛后得到深度学习模型权重文件，停止训练，得到训练好的深度学习模型。

20、所述多评估体系网络的损失函数版包括：基准评估损失、第一参考评估损失与第二参考评估损失。

21、其中，基准评估损失包括：随机引导距离损失、参考位置弱引导距离损失、类内距离损失和类间距离损失；第一参考评估损失包括：自适应引导回归距离损失、类内距离损失和类间距离损失；第一参考评估损失包括：强引导回归距离损失、类内距离损失和类间距离损失。

22、s6、基于步骤s5，将步骤s3得到的射频训练样本数据输入训练好的深度学习模型，进行空间位置评估，得到评估结果；

23、将步骤s3得到的射频训练样本数据输入步骤s5训练好的深度学习模型，加载训练好的权重文件对射频训练样本数据进行空间特征向量预测，即通过训练好的深度学习模型对参与训练的不同时段出现的不同射频目标进行预测，得到三个评估分支网络结果，其中一组为基准评估结果，两组为参考评估结果。

24、s7、基于步骤s6，通过基准评估结果与参考评估结果进行对比分析，得到射频目标识别结果。

25、本发明的有益效果：本发明的方法首先构建构建深度学习多评估体系网络模型，输入射频目标数据进行分析，获取射频训练参数与数据，然后对得到的射频训练数据进行数据预处理，得到射频训练样本数据，再构造训练集通过深度学习多评估体系网络进行模型训练，得到模型权重文件，将射频训练样本数据输入训练好的深度学习模型，进行空间位置评估，得到评估结果，最后通过基准评估结果与参考评估结果进行对比分析，得到射频目标识别结果。本发明的方法使用深度学习半监督的方式对信号特征进行空间聚类，并利用多评估体系，不但能够在射频目标没有标签且数量未知的情况下进行识别，同时在射频指纹识别上具有较高的准确率，其评估结果具有较强的业务实用性。

技术特征：

1.一种基于深度学习多评估体系的射频指纹开集识别方法，具体步骤如下：

技术总结本发明公开了一种基于深度学习多评估体系的射频指纹开集识别方法，首先构建深度学习多评估体系网络模型，输入射频目标数据进行分析，获取射频训练参数与数据，然后对得到的射频训练数据进行数据预处理，得到射频训练样本数据，再构造训练集通过深度学习多评估体系网络进行模型训练，得到模型权重文件，将射频训练样本数据输入训练好的深度学习模型，进行空间位置评估，得到评估结果，最后通过基准评估结果与参考评估结果进行对比分析，得到射频目标识别结果。本发明的方法不但能够在射频目标没有标签且数量未知的情况下进行识别，同时在射频指纹识别上具有较高的准确率，其评估结果具有较强的业务实用性。技术研发人员：李建清,王珂,戴文骏,黄浩,王姣,刘佳旭受保护的技术使用者：电子科技大学技术研发日：技术公布日：2024/9/2