具体实施方式

本发明专利提出并实现了一种基于信号IQ二维特征的神经网络，大幅降低了参数量与运算量，并将其轻量化，移植到了嵌入式设备中，降低了整个系统的成本，加强了识别系统的移动性。同时完成了对通信信号的无人实时监控功能，并可以进行实时的射频指纹识别。

下面结合附图和实施例对本发明的技术方案进行详细的说明。

实施例1

如图1所示，这是整个射频指纹嵌入式实时识别系统的流程图。首先该系统的硬件平台为arm架构的嵌入式开发板，本系统已在英伟达的Jetson Nano与树莓派4B上成功实验验证，信号采集端为软件定义无线电(Software Defined Radio，SDR)设备。将自主设计的并已经训练好的卷积神经网络——CNN-IQ网络与实时监测功能模块植入开发板内。

当无线信号发送并被该系统接收时，实时监测模块检测到信号，调用数据读取与预处理模块对信号进行预处理，并将处理好的数据传入CNN-IQ网络，最终由网络输出射频指纹识别结果。

具体处理步骤为：

采集天线接收的无线信号并存储；

当发现有新的无线信号，按照预设的采集点数和时间长度从存储中依次读取信号数据；

对读取的信号数据进行预处理；

将预处理后的信号数据输入预先建立好的射频指纹识别模型，输出该信号数据对应的射频设备标号，得到射频指纹识别结果。

射频指纹识别模型：

本发明根据同相正交信号(英文缩写为IQ，In-phase Quadrature)特点，提出了一种高效的卷积神经网络结构，并命名为CNN-IQ。图2是以原始IQ采样数据为输入，基于CNN-IQ的端到端的射频指纹识别处理流程。该网络的输入为同相正交信号，输出为射频指纹识别结果。

针对当前卷积网络的处理时序IQ信号时，存在特征利用率不高和计算量大的问题，本文提出了CNN-IQ卷积网络结构。如图3所示，数据输入为时间长度为N的IQ信号，CNN-IQ首先将输入数据扩展为C个通道(卷积核)，然后在每个通道内进行IQ相关特征与时域特征的提取，保证每一层学到丰富的特征；特征提取除了提取每一层特征之外，还通过H个卷积层来提取高层次、抽象的特征。最后仅采用1个全连接层进行分类。在特征提取层，每个通道内部，第1个卷积层采用(1,2)的滤波器提取IQ相关特征，数据维度由N×2变为了N×1，将后续处理的计算量降低了一半；然后再采用多层小滤波器提取时域特征；同时，为降低数据长度以达到减少计算量的目的，每2个时域滤波器后采用最大池化进行时域方向数据降维；接着采用自适应平均池化，将各通道的特征均值作为最终特征值进行分类；在最后的分类判别阶段，仅采用1个全连接层，以减少网络参数与计算量。

除此之外，在卷积层的输出与激活函数之间，添加批归一化(BN，BatchNormalization)操作，以增加模型的鲁邦性和训练速度，并代替dropout防止过拟合；网络中采用ReLU作为激活函数，在分类层采用Sigmoid作为分类函数。

CNN-IQ网络结构参数是可灵活配置的。如图3所示，CNN-IQ网络由H个卷积层与1个全连接层构成，其中每个卷积层包含C个特征提取通道。为表示不同结构参数的CNN-IQ网络，本文用CNN-IQ(H,C,S)表示具体结构参数，其中H表示卷积层的层数，C表示每层卷积层的卷积核数量(通道数)，S表示时域卷积核大小。如CNN-IQ(4,32,3)表示具有4个卷积层,且每层包含32个大小为(3,1)时域卷积核的CNN-IQ网络，其中时域卷积核的大小为(3,1)。表1是CNN-IQ(4,32,3)的网络结构，其中数据输入格式为600×2。

表1 CNN-IQ(4,32,3)网络结构

准备阶段：

1.网络训练

对需要进行射频指纹识别的信号建立数据集，本发明以113个Lora(Long RangeRadio的英文缩写，远距离无线电)无线发射模块的通信信号进行信号采集，并对每个相应的发射模块标记序号0-112。为了增加网络的识别精准度，需要尽可能在不同环境下采集多组数据。本发明验证数据集在室内1m与10m，室外10m和60m分别采集14组信号数据，单次信号接收时间为15s，总数据集大小共计约430G。

神经网络的单次训练、验证与测试过程如图4所示，首先采用无放回随机采样的方式，将数据集按7:1:2的比例生成训练样本、验证样本与测试样本，然后对训练样本进行训练，每训练2轮次(epoch)进行1次验证，选取在验证样本中获得最高识别准确率的参数作为最终模型参数，然后对测试样本进行测试，获得模型识别准确率。除特殊说明外，本发明的训练轮次为30次。

2.神经网络及实时模块移植，硬件配置

将训练好的神经网络参数与实时模块移植到ARM开发板内。针对不同的接收SDR设备与要识别的无线信号的工作频段，对GNURadio进行配置。并启动实时监测功能。

工作阶段：

当无线信号发送并被SDR设备接收时，GNURadio在将信号数据实时写入系统，此时实时监测模块检测到信号数据，将信号数据的文件路径输出给数据读取与预处理模块，后者开始读取正在写入的数据，读满预设的数据量之后对信号进行预处理，并将处理好的数据传入训练好的CNN-IQ网络，最终由网络输出射频指纹识别结果。

实施例2

本申请的实施例2提出了一种基于卷积神经网络的射频指纹嵌入式实时识别系统，该系统包括：训练好的射频指纹识别模型、信号接收采集模块、实时监测模块、预处理模块和射频指纹识别模块；其中，

所述信号接收采集模块，用于采集天线接收的无线信号并进行文件存储；

所述实时监测模块，用于当通过文件的变化发现有新的无线信号到达，按照预设的采集点数和时间长度从文件中依次读取信号数据；

所述预处理模块，用于对读取的信号数据进行预处理；

所述射频指纹识别模块，用于将预处理后的信号数据输入预先建立好的射频指纹识别模型，输出该信号数据对应的射频设备标号，得到射频指纹识别结果。

信号接收采集模块：

信号接收端通过3dB增益天线和LimeSDR-mini/RTL-SDR软件定义无线电共同实现，其射频接收原理如图5所示，其数字接收机框架如图6所示。LimeSDR-mini使用LMS7002M作为射频信号的收发芯片，LMS7002M是一款高度可编程的全集成、多频段、多标准RF收发器，根据图6的芯片内部接收机框图接收信号通过收发器信号处理器后直接进入数字I/Q接口，输出得到I/Q的信号采样数据。

利用GNU Radio(开源的软件无线电开发平台)开源平台和低成本的软件定义无线电设备(LimeSDR-mini/RTL-SDR)搭建信号采集系统，对无线信号进行采集。采集系统的结构如图7所示，其架构灵活、体积小巧并且易于重配置、重探测，能满足对无线通信信号的射频指纹提取需求。GNU Radio软件的GRC流程图如图8所示(以LimeSDR-mini为例)。

实时监测模块：

射频指纹实时识别系统的目的是对接收到的信号进行实时的处理并进行推理预测。为了达到这一目的，首先需要识别系统能够知道信号是何时到达的，然后开始读取采集的信号并进行预处理，最终将数据送入神经网络进行推理预测。

如图9所示，信号的达到时间是通过监测信号数据的存储文件创建时间得到的，因为GNU Radio在采集新的信号数据时会新建文件进行存储。监测存储文件的创建除了能够让系统知道信号是何时到达的之外，也会让系统知道数据存储的文件路径，然后系统开始到指定文件读取数据，并对数据进行预处理，主要包括数据格式的转换、数据切分、有效信号判断。神经网络模型加载训练好的参数，对输入数据进行推理预测来识别特定的发射机。

需要说明的是，本系统不限于应用在在嵌入式开发板，也可在PC主板上。

本发明整体系统是为了各移动设备(大型：卫星，飞机，船舶等；小型：手机，无人机，机器人等。)信号高敏感的特点所设计，通过降低系统的功耗与成本，满足移动设备的无线通信身份验证。

最后所应说明的是，以上实施例仅用以说明本发明的技术方案而非限制。尽管参照实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，对本发明的技术方案进行修改或者等同替换，都不脱离本发明技术方案的精神和范围，其均应涵盖在本发明的权利要求范围当中。