基于双路射频指纹卷积神经网络与特征融合的雷达辐射源个体识别

为实现雷达辐射源个体识别不受信号参数、调制方式的影响,该文提出基于双路射频指纹卷积神经网络(Dual RFF-CNN2)和特征融合的雷达辐射源个体识别方法。首先从接收的射频信号中提取原始I/Q(Raw-I/Q)信号;其次分别对Raw-I/Q两路信号进行轴向积分双谱(AIB)和围线积分双谱(SIB)降维以构建双谱积分矩阵;最后将Raw-I/Q信号及双谱积分矩阵共同送入Dual RFF-CNN2网络并进行特征融合以实现雷达辐射源个体识别。实验结果表明,该方法具有较高的识别准确率,提取的“指纹特征”具备稳定性、鲁棒性。

基于改进卷积神经网络和射频指纹的无人机检测与识别

针对无人机(UAV)在图像识别时易受环境干扰,而传统信号识别难以准确提取特征且实时性较差的问题,提出一种基于改进卷积神经网络(CNN)和射频(RF)指纹的无人机检测识别方法。首先,使用通用软件无线电外设(USRP)捕获环境中的无线电信号,经过多分辨率分析获取偏差值,检测是否为无人机射频信号;其次,将检测到的无人机射频信号经过小波变换和主成分分析(PCA)处理,获得射频信号频谱,作为神经网络的输入;最后,构建轻量级残差神经网络(LRCNN),输入射频频谱进行网络训练,进行无人机的分类识别。实验结果表明,所提方法可以有效检测并识别无人机信号,平均识别精度可达84%;在信噪比(SNR)大于20 dB时,LRCNN的识别精度达到了88%,相较于支持向量机(SVM)、原始OracleCNN分别提高31和7个百分点,在识别精度和鲁棒性方面比这两种方法均有所提升。

基于星座图和卷积神经网络的射频指纹识别

基于无线设备物理层的射频指纹识别是保障通信安全的有效途径。传统射频特征提取方法容易受到信道的信噪比变化的干扰,难以适应动态信噪比下的通信场景。因此,本文提出了一种基于卷积神经网络的射频指纹识别方法,实现了动态信噪比下的射频指纹识别,显著改善了低信噪比下的识别准确率。本文通过搭建实验系统对4台不同功放设备进行识别,实验结果表明,在信噪比为0.5~14.5 dB范围内,该方法的综合识别率达89.4%。

基于卷积神经网络的无人机射频信号识别

针对在复杂电磁环境下无人机难以被检测的问题,提出了一种基于卷积神经网络的无人机射频信号识别方法。射频前端对目标空域内的无线电信号进行扫描,捕捉与拦截无人机自身发射的射频信号,将无人机射频信号进行预处理,送入构建的卷积神经网络进行分析与识别。实验结果表明,基于卷积神经网络的无人机射频信号识别方法在检测无人机是否存在、识别4种无人机型号、识别10种无人机运行模式上均有较好的检测效果,具有较强的鲁棒性和环境抗干扰能力。

基于B-Spline神经网络的宽带通信发射机指纹估计

提出了一种根据接收正交频分复用(orthogonal frequency division multiplexing,OFDM)信号估计发射机IQ不平衡与非线性,并以此作为发射机指纹进行通信设备身份认证的方法.首先根据共轭对称导频估计多径信道脉冲响应,接着根据信道脉冲响应估计、共轭反对称导频与非线性功放的线性近似放大倍数估计发射机的IQ不平衡参数组合,然后进行发射机非线性的B-Spline神经网络模型系数估计,最后从非线性模型系数估计中提取相似因子,与IQ不平衡参数组合估计构成发射机指纹的特征矢量后进行通信设备身份的识别或确认.理论推导与数值仿真显示,该方法可用于OFDM通信设备的物理层高强度认证与防假冒等.

SAR射频干扰区域⁃强度特征提取与联合评估网络

由于射频信号的广泛存在,合成孔径雷达(Synthetic Aperture Radar,SAR)在成像的过程中容易受到各类射频干扰(Radio Frequency Interference,RFI)的影响,这会导致获得的SAR图像质量下降,从而对后续的信息提取和目标识别等过程产生很大的影响。因此,衡量SAR图像受射频干扰的影响程度就尤为重要。然而,现有评估方法的鲁棒性通常较低,并且在评估时未考虑SAR图像受RFI影响的区域大小,因此本文提出了干扰区域⁃强度特征提取与联合评估网络。所提出的网络包含两个模块,干扰强度特征提取模块用于提取输入SAR图像中的干扰强度信息,干扰区域特征提取模块则侧重于干扰区域大小与边界信息的获取。由于SAR图像的尺寸一般比较大,因此本文在干扰强度特征提取模块中采用了多级残差和多层特征融合结构,用于加强模型的特征提取和复用能力;同时在干扰区域特征提取模块中侧重于保留最关键的区域边界特征。此外,本文还建立了SAR受RFI影响的图片数据集用于评估所提出网络的效果。对比实验的结果表明,本文所提出的网络评估结果优于其他现有方法,能够衡量SAR图像受RFI的影响程度,同时具有较高的准确性。

基于LR-ODCNN的物联网设备射频指纹信号识别方法

为了解决物联网环境下设备众多且终端资源有限带来的安全问题,提出了一种基于轻量级全维动态卷积神经网络(LR-ODCNN)的物联网设备射频指纹信号识别方法。首先,设计了LR-ODCNN模型;然后,利用光传输系统采集设备的基带信号,从基带信号中提取I、Q信号作为网络的输入;最后,LR-ODCNN模型根据多维注意力机制来适应不同设备的信号特征,并进行信号特征的提取和识别。实验结果表明,当传输距离为10 m、400 m、1.7 km和8.6 km时,LR-ODCNN模型的平均识别准确率为94.35%,比Mc AFF模型、Oracle模型分别提高了5.35%、10.13%,且具有鲁棒性强、轻量化的优点。

基于奇异谱分析和改进ResNet的射频指纹识别方法

针对当前真实场景下远距离射频指纹识别难以准确提取特征且实时性较差的问题,提出一种基于奇异谱分析重构信号和改进残差神经网络的射频指纹识别的方法。首先,将采集到的信号进行奇异谱分析,根据贡献率大小对原始信号进行重构,随后通过STFT获得时频谱图作为神经网络的输入:其次,构建轻量级残差神经网络,加快模型收敛速度;然后,在轻量级网络的下采样过程中引入混合维度注意力机制,对网络中间的特征图进行重构,强调重要特征,抑制一般特征;最后,使用激活函数Leaky ReLU替换原有的ReLU,避免在负值区域的梯度永远为0,进而导致模型训练无法反向传播。使用公开数据集POWDER-4BS-Iqsample验证实验后的结果表明,所提方法仅需要训练10个epoch识别精度就能达到87%,在保证识别精度的前提下缩减了时间损耗。与多种经典模型和算法相比,所提方法更加兼具识别精度与实时性。

基于Welch功率谱和卷积神经网络的通信辐射源个体识别

针对低信噪比条件下通信辐射源个体识别率低的问题,提出了一种基于Welch功率谱和卷积神经网络的通信辐射源个体识别方法。构建了由20个基于ZigBee协议的物联网设备组成的测试平台,将ZigBee信号前同步码部分的Welch功率谱数据作为辐射源指纹特征送入卷积神经网络进行分类。该方法在低信噪比条件下很好地保留了辐射源的指纹特征,结合卷积神经网络强大的微特征提取能力,对辐射源进行了有效分类。实验结果证明,在瑞利信道及低信噪比条件下,所提方法的识别效果明显优于其他方法。

基于改进LeNet模型的短波频段广播电台射频指纹识别研究

本文通过利用辐射源生产和装配时的硬件差异所产生的无意调制,通过基于卷积神经网络的深度学习方式实现了对短波广播电台AM信号无线发射设备的射频指纹识别,从而为设备提供了唯一的标识,使得在短波电台定位、台站识别、电台分类等工作中有了新的取证维度,提高了无线电监测的能力和效率。

面向射频指纹识别的高效IQ卷积网络结构

现有应用于射频指纹识别的卷积网络对时序同相正交(in-phase and quadrature-phase,IQ)信号的处理都是将其简单视为图像进行的,存在识别准确率低和计算量大的问题。针对以上问题,提出了一种基于IQ相关特征的卷积神经网络结构。该网络分步提取了IQ相关特征及时域特征,通过自适应平均池化获得了各通道特征均值,并用单个全连接层进行分类。实验结果表明,较传统卷积网络结构,所提网络在多种场景下的识别准确率更高,并且计算量更小。

基于Raw I/Q和深度学习的射频指纹识别方法综述

硬件差异会形成辐射源的独有指纹,并附加在无线电信号上,利用辐射源的这一独特属性可进行射频指纹识别。在非合作条件下,由于信道环境未知、信号调制方案等先验知识匮乏,基于特征工程的射频指纹识别方法面临巨大挑战,而基于深度学习的射频指纹识别方法,尤其是能够直接处理Raw I/Q的方法表现出了很大潜力,但是该方向的研究成果较为零散,妨碍了研究者对关键问题的把握。该文首先从先验知识的利用上,对基于深度学习的射频指纹识别方法进行了分类对比,将问题聚焦到基于Raw I/Q和深度学习的射频指纹识别方法。然后,该文重点对使用Raw I/Q进行射频指纹识别的深度神经网络模型进行了分类和讨论,并对射频指纹识别相关的开源数据集、数据表示方法和数据增强方法进行了整理和归纳。最后,该文讨论了基于深度学习的射频指纹识别方法所面临的难题和值得关注的研究方向,以期对射频指纹识别的研究与应用有所帮助。

一种基于射频特征的雷达干扰抑制方法

由于数字射频存储器(DRFM)的发展,针对雷达主瓣的有源干扰已成为电子战的主流。现有的干扰抑制方法较多针对单一的干扰,泛化性较弱。提出先用基于卷积神经网络(CNN)的堆栈式卷积自编码器(SCAE)提取雷达信号的射频特征,再将射频特征应用于基于深度神经网络(DNN)的堆栈式自编码器(SAE),从而实现干扰抑制。最后,通过实际采集的数据验证了所提方法的有效性,并确定了理论分析的准确性。

基于嵌入坐标注意力的DRGNN在失真信道下射频指纹识别

使用10个LoRa设备和示波器在视距(line of sight,LOS)信道、非视距(non line of sight,NLOS)信道、有扰信道下进行了数据采集并构建了数据集。为了解决当输入为一维时序数据时坐标注意力(coordinate attention,CA)只能在时域上做特征增强,提出一种DCTCA机制,将输入特征图通过离散余弦变换(discrete cosine transform,DCT)由时域转换到频域以增强在频域上的特征,将时域上的特征图与频域上的注意力图融合实现多维度的特征增强。嵌入到由残差网络(residual network,ResNet)和门控循环网络(gated recurrent unit,GRU)级联的DRGNN网络进行射频指纹特征提取并完成识别。实验结果表明,在有扰信道下网络模型识别准确率可达79.2%,明显优于CNN1D的67.7%和LSTM的45.8%.。通过对比消融实验证明了DCTCA机制的有效性。

基于深度神经网络的设备身份识别研究

随着物联网的快速发展,无线网络中连接的设备迅速增加,无线通信中的安全问题也日益显著。为了保障无线设备接入时身份认证的安全性,提出一种基于深度神经网络的设备身份识别方法。利用神经网络对接收机射频前端所获得的原始信号样本进行处理,提取无线发射机个体的信号特征实现身份识别,避免了采用信号预处理技术时造成的信息损失,能够适用不同调制类型的无线通信系统。仿真实验表明,该方法可以达到较高的设备身份识别准确率。

特征融合的射频指纹识别方法

在射频指纹(radio frequency fingerprint,RFF)识别系统中,考虑到同一发射机的鲁棒性与不同发射机之间的差异性,提出了将瞬态信号二阶谱中的功率谱密度和互功率谱密度两个特征融合作为指纹的方法,并结合径向基概率神经网络分类器来进行分类.同时,对同一型号两个系列的多种无线网卡进行了分类检测,并与不同的特征提取方法和分类器进行了比较.结果表明,与已有方法相比,此方法的分类精确度有较大的提高.

基于改进ResNet的射频指纹识别方法

在无线网络安全和可能存在的射频设备管理应用范围内,针对多个发射同种射频信号的高度相似射频设备的分类识别问题,提出了一种信号双谱与改进的残差神经网络(Residual Neural Network,ResNet)的射频指纹识别方法。首先,将采集到的不同设备的信号做双谱变换得到双谱等高图并打上设备标签,再使用搭建好的改进残差神经网络模型训练双谱等高图,通过反向传播(Back Propagation,BP)与梯度下降来更新网络权重得到最优化模型,最后使用另外一组双谱等高图验证识别性能。实验结果表明,基于信号双谱与改进的残差神经网络算法在实际电磁环境下识别率达到95.2%,是一种有效的射频指纹分类识别方法。

射频指纹识别技术在无线定位中的应用

射频指纹识别技术是一种基于网络的定位技术。信号传播时由于对地理环境的依赖性而体现出很强的站点特殊性。这样的特点被认为是对应该位置的信号指纹。利用这一点可以来确定该移动终端的位置。本文运用了神经网络模型,讨论了信号特征的选取,主要研究分析了无线定位中的射频指纹识别技术,讲述了它在无线定位中的应用过程。也讨论了其它几种现有的定位技术。

基于特征融合的跳频信号射频指纹识别技术

射频指纹识别(RFID)是一种物理层身份认证的方法,是电子对抗中一个重要且基本的研究方向,为现代战争提供情报信息等方面发挥着重要作用;为了提升在电子战复杂环境下RFID的准确率,同时解决在跳频信号片段长度有限致使稳态特征难以提取的问题,提出了一种基于信号多个维度特征融合与深度卷积网络提取特征的智能识别技术,改进了传统的星座图特征提取方法并提取了信号的双谱、星座图和希尔伯特-黄变换(HHT)时频谱进行特征融合,并设置了不同信噪比和不同输入条件下的对照实验来证明该方法的有效性和鲁棒性;相比于传统的识别方法,该方法运算量小,且提升了在各信噪比下识别准确率,在正常室外环境下对六部相移键控(PSK)类跳频电台的识别准确率达到了99.29%。

合作与欺骗信号共存下的CNN射频指纹识别方法

射频指纹是设备硬件的固有特征,与发射信号本身无关,因此常用于通信抗欺骗中。本文基于射频指纹的原理,采用神经网络对接收机所获得的原始信号样本进行处理,包括I/Q序列、幅度/相位、星座图的二值图和星座图的颜色密度图4种信号表现形式,达到抗欺骗效果。在信干噪比为-30~30 dB的情况下,信号的识别准确率最高可达99.93%。相较于现有文献,本文所提的基于深度学习的方法可适应不同信干噪比的通信场景,在欺骗信号与合法信号同时存在的复杂通信环境下实现抗欺骗。