一种基于wann的射频指纹提取和识别方法
阅读说明：本技术 一种基于wann的射频指纹提取和识别方法 (Radio frequency fingerprint extraction and identification method based on WANN ) 是由 谢跃雷 邓涵方 刘信 易国顺 蒋平 许强 肖潇 蒋俊正 欧阳缮 廖桂生 于 2020-12-18 设计创作，主要内容包括：本发明公开了一种基于WANN的射频指纹提取和识别方法,其特征是,包括如下步骤：1)采集待识别无线电设备信号；2)双谱非参数估计；3)使用MATLAB软件生成双谱等高图；4)生成数据集并预处理；5)训练WANN；6)采用训练好的WANN识别设备。这种方法能省去人为提取特征与设计神经网络结构的时间成本,抗噪声性能好,识别精度高。(The invention discloses a radio frequency fingerprint extraction and identification method based on WANN, which is characterized by comprising the following steps: 1) collecting a radio equipment signal to be identified; 2) estimating bipartite spectrum nonparametric parameters; 3) generating a bispectral isotachogram by using MATLAB software; 4) generating a data set and preprocessing; 5) training the WANN; 6) and adopting the trained WANN recognition device. The method can save the time cost of artificially extracting features and designing a neural network structure, and has good noise resistance and high identification precision.)
技术领域
本发明涉及无线电物理层安全领域，具体是一种基于权重不可知神经网络(Weight Agnostic Neural Networks，简称WANN)的射频指纹提取和识别方法。
背景技术
随着物联网、5G等无线通信技术的发展应用，我们周围的无线通信设备数量也呈快速增长的状态，但是这其中不仅仅有合法设备，非法的、未认证的设备也广泛存在，比如伪基站、黑广播等，这些非法设备不仅占用频谱资源干扰合法设备的使用，甚至会传播一些有害信息对国家安全和社会稳定产生影响。传统的信号识别大多数是基于信号调制方式的，对于如今频带内混杂的大量相似甚至同样调制方式的信号已很难区分，所以急需一种全新的方法来识别、管控现在庞大数量的无线通信设备。
无线电发射机生产过程中，采用的各种电子器件参数存在细微的差异，这些差异是电子器件制造中不可避免的，但细微的差异不足以对器件的功能产生影响，我们称其为“容差”。当发射机产生射频信号时，每个电子器件由于容差的存在会合起来对射频信号产生一定的影响，当然这并不会干扰设备的正常通信，发射机的功能是正常的。每个发射机其内的电子器件的容差必不相同，即使是同型号的发射机所产生的射频信号也会由于硬件的影响存在细微的差别，这种由硬件对射频信号产生影响形成的细微特征叫做“射频指纹”。射频指纹特征独一无二的属性非常适合提取出用于无线通信设备个体的识别。
双谱是一种最简单的高阶谱，能完整的包含信号中非线性、非平稳的细微特征，能以图像的方式将信号的特征表现出来，是信号处理的有力工具。
权重不可知神经网络可以自动的提取图像中肉眼难以识别的特征并将特征从高维映射到低维进行分类。相对于传统的神经网络，权重不可知神经网络不需要人为的设计以及调试网络模型，可以让计算机自动调试并生成最优的网络拓扑结构，省去了人工成本，非常方便实用。
发明内容
本发明的目的是针对无线电发射机射频指纹识别难度高、精度差的问题，而提供一种基于WANN的射频指纹提取和识别方法。这种方法能省去人为提取特征与设计神经网络结构的时间成本、抗噪声性能好，识别精度高。
实现本发明目的的技术方案是：
一种基于WANN的射频指纹提取和识别方法，与现有技术不同的是，包括如下步骤：
1)采集待识别无线电设备信号：假设采用单接收机能单独捕获每一个需要进行射频指纹识别发射机的信号即不存在信号盲分离的问题，设发射机发射的信号为s(n)，则接收到的信号序列为公式(1)所示：
x(n)＝s(n)+n0(n) (1)，
公式(1)中n0(n)为信道中存在的加性噪声；
2)双谱非参数估计：采用直接估计方法，将接收到的数据进行分段计算离散傅里叶变换(Discrete Fourier Transform，简称DFT)，再估计频域矩，依据频域矩与高阶累积量之间的换算关系求得双谱估计，包括：
2-1)设信号x(t)的三阶累积量为公式(2)所示：
c3x(τ1,τ2)＝E{x(n)x(n+τ1)x(n+τ2)} (2)，
其中，E{·}表示对括号内求期望，τ1,τ2为信号的时延，双谱表示为公式(3)所示：
其中，ω1,ω2为频率分量；
2-2)假设采集到的信号序列长度为N，即{x(0),x(1),…,x(N-1)}，频率采样点数为N0，采样频率为fs，则频率采样间隔为Δ0＝fs/N0，将信号序列分成K段，每段包含M个数据，即N＝KM；
2-3)对每段数据进行均值归零化处理；
2-4)将步骤2-3)处理后的第i段数据表示为{xi(0),xi(1),…,xi(n-1)}，对每段数据做DFT，即如公式(4)所示：
公式(4)i＝1,2,…,K；
2-5)取M1＝M/N0,L1＝(M1-1)/2，并且L1≥0，M为偶数，则双谱估计表达式表示为如公式(5)所示：
2-6)求K段数据的平均，得到采集到的信号数据的双谱估计如公式(6)所示：
其中
3)生成双谱等高图：采用MATLAB软件计算并生成步骤2)得到的双谱非参数估计的三维图，并采用MATLAB软件自带的contour函数将双谱三维图转化为由同值点连接形成的双谱二维等高图，过程为：
3-1)将接收到的信号数据导入MATLAB并计算双谱非参数估计；
3-2)采用MATLAB软件自带的等高图绘制函数“contour”将双谱三维图转化为由同值点连接形成的双谱二维等高图，采用九个等高线层级绘制双谱等高图；
3-3)将步骤3-2)得到的双谱等高图背景设置为白色、并隐藏坐标轴网格线与坐标系，这样可以不影响神经网络提取双谱等高图中包含的信号细微特征；
4)生成数据集并预处理：生成数据集并预处理包括：
4-1)将MATLAB生成的双谱等高图按发射机个体分类保存形成数据集，并划分为训练集和测试集；
4-2)将数据集中的图像进行预处理：将彩色的双谱等高图图片转化为像素值大小在0～255区间内的灰度图、同时依据硬件性能对图片尺寸缩减；
5)训练WANN：训练WANN包括：
5-1)依据需要进行射频指纹识别的发射机个数确定网络的输出神经元数目，创建一个由没有隐藏节点，只有输入和输出节点的不同拓扑结构的稀疏连接网络集合；
5-2)将步骤5-1)得到的网络集合内每个网络分配固定的共享权值进行多次前向传播训练，输出各个网络对双谱等高图训练集的分类准确率，同一个网络每次训练随机分配不同的共享权值，最后求得集合内各个网络的分类准确率均值并记录；
5-3)依据步骤5-2)得到的分类正确率结合网络拓扑结构的复杂度两个指标对集合内网络进行排序，其中网络拓扑结构的复杂度依据网络的隐藏节点数、网络中节点之间的连接数的多少进行评估，复杂的网络拥有比简单网络更多的隐层节点数和节点之间连接数；
5-4)提取步骤5-3)得到的最佳网络，通过以下三种方式来修改现有的最佳网络拓扑结构进行创建新的网络集合：插入节点、添加连接、更改节点的激活函数所述插入节点的做法是将一个现有的连接拆分为两个通过这个新的隐藏节点的连接；添加连接的做法是将之前未连接的节点进行连接；更改节点的激活函数包括但不限于：线性激活函数、sigmoid激活函数、ReLU激活函数、tanh激活函数、高斯激活函数；
5-5)将步骤5-2)中所述的由步骤5-1)得到的网络集合更换为步骤5-4)得到的新创建的网络集合，并重复步骤5-2)-5-4)确定性能最优的神经网络拓扑结构；
5-6)采用步骤5-5)确定好的网络结合步骤4)中生成的数据集进行训练并测试，微调网络的权值进而获得最高的识别准确率并固定神经网络权值与拓扑结构；
6)采用训练好的WANN识别设备：将待识别设备采用步骤1)-步骤3)生成双谱等高图并输入步骤5)训练好的WANN中进行识别。
本技术方案有如下特点：
本技术方案通过神经网络自动提取信号双谱中包含的细微的射频指纹特征，改善了人工手动特征提取存在的特征提取不充分，特征区分度不高的缺陷；神经网络的拓扑结构也是由计算机自动反复实验并优化，免去了我们手动设计调整神经网络结构的时间成本；信号双谱是三阶累积量的二维傅里叶变换，其中高斯白噪声的三阶累积量值为0，所以信号双谱理论上可以消除信号中存在的高斯白噪声干扰。
这种方法能省去人为提取特征与设计神经网络结构的时间成本、抗噪声性能好，识别精度高。
附图说明
图1为实施例的方法流程示意图；
图2为实施例中信号双谱三维图示意图；
图3为实施例中信号双谱等高图示意图；
图4为实施例中WANN训练过程示意图；
图5为实施例中训练好的WANN拓扑结构示意图。
具体实施方式
下面结合附图和实施例对本发明内容做进一步的阐述，但不是对本发明的限定。
实施例：
参照图1，一种基于WANN的射频指纹提取和识别方法，包括如下步骤：
1)采集待识别无线电设备信号：假设采用单接收机能单独捕获每一个需要进行射频指纹识别发射机的信号即不存在信号盲分离的问题，设发射机发射的信号为s(n)，则接收到的信号序列为公式(1)所示：
x(n)＝s(n)+n0(n) (1)，
公式(1)中n0(n)为信道中存在的加性噪声；
2)双谱非参数估计：采用直接估计方法，将接收到的数据进行分段计算离散傅里叶变换DFT，再估计频域矩，依据频域矩与高阶累积量之间的换算关系求得双谱估计，包括：
2-1)设信号x(t)的三阶累积量为公式(2)所示：
c3x(τ1,τ2)＝E{x(n)x(n+τ1)x(n+τ2)} (2)，
其中，E{·}表示对括号内求期望，τ1,τ2为信号的时延，双谱表示为公式(3)所示：
其中，ω1,ω2为频率分量；
2-2)假设采集到的信号序列长度为N，即{x(0),x(1),…,x(N-1)}，频率采样点数为N0，采样频率为fs，则频率采样间隔为Δ0＝fs/N0，将信号序列分成K段，每段包含M个数据，即N＝KM；
2-3)对每段数据进行均值归零化处理；
2-4)将步骤2-3)处理后的第i段数据表示为{xi(0),xi(1),…,xi(n-1)}，对每段数据做DFT，即如公式(4)所示：
公式(4)i＝1,2,…,K；
2-5)取M1＝M/N0,L1＝(M1-1)/2，并且L1≥0，M为偶数，则双谱估计表达式表示为如公式(5)所示：
2-6)求K段数据的平均，得到采集到的信号数据的双谱估计如公式(6)所示：
其中
3)生成双谱等高图：采用MATLAB软件计算并生成步骤2)得到的双谱非参数估计的三维图如图2所示，并采用MATLAB软件自带的contour函数将双谱三维图转化为由同值点连接形成的双谱二维等高图如图3所示，过程为：
3-1)将接收到的信号数据导入MATLAB并计算双谱非参数估计；
3-2)采用MATLAB软件自带的等高图绘制函数“contour”将双谱三维图转化为由同值点连接形成的双谱二维等高图，采用九个等高线层级绘制双谱等高图；
3-3)将步骤3-2)得到的双谱等高图背景设置为白色、并隐藏坐标轴网格线与坐标系，这样可以不影响神经网络提取双谱等高图中包含的信号细微特征；
4)生成数据集并预处理：生成数据集并预处理包括：
4-1)将MATLAB生成的双谱等高图按发射机个体分类保存形成数据集，并划分为训练集和测试集；
4-2)将数据集中的图像进行预处理：将彩色的双谱等高图图片转化为像素值大小在0～255区间内的灰度图、同时依据硬件性能对图片尺寸缩减；
5)训练WANN：训练WANN包括：
5-1)依据需要进行射频指纹识别的发射机个数确定网络的输出神经元数目，创建一个由没有隐藏节点，只有输入和输出节点的不同拓扑结构的稀疏连接网络集合；
5-2)将步骤5-1)得到的网络集合内每个网络分配固定的共享权值进行多次前向传播训练，输出各个网络对双谱等高图训练集的分类准确率，同一个网络每次训练随机分配不同的共享权值，最后求得集合内各个网络的分类准确率均值并记录；
5-3)依据步骤5-2)得到的分类正确率结合网络拓扑结构的复杂度两个指标对集合内网络进行排序，其中网络拓扑结构的复杂度依据网络的隐藏节点数、网络中节点之间的连接数的多少进行评估，复杂的网络拥有比简单网络更多的隐层节点数和节点之间连接数；
5-4)提取步骤5-3)得到的最佳网络，通过以下三种方式来修改现有的最佳网络拓扑结构进行创建新的网络集合：插入节点、添加连接、更改节点的激活函数所述插入节点的做法是将一个现有的连接拆分为两个通过这个新的隐藏节点的连接；添加连接的做法是将之前未连接的节点进行连接；更改节点的激活函数包括但不限于：线性激活函数、sigmoid激活函数、ReLU激活函数、tanh激活函数、高斯激活函数，如图4所示，图中节点形状的不同代表不同激活函数；
5-5)将步骤5-2)中所述的由步骤5-1)得到的网络集合更换为步骤5-4)得到的新创建的网络集合，并重复步骤5-2)-5-4)确定性能最优的神经网络拓扑结构；
5-6)采用步骤5-5)确定好的网络结合步骤4)中生成的数据集进行训练并测试，微调网络的权值进而获得最高的识别准确率并固定神经网络权值与拓扑结构；
6)采用训练好的WANN识别设备：将待识别设备采用步骤1)-步骤3)生成双谱等高图并输入步骤5)训练好的WANN中进行识别。
为了进一步验证本例方法的有效性，下面通过实测实验对本例方法做进一步说明：
实测实验条件设置为：采用六个华为WS5106型号的路由器发射802.11.a协议的WIFI信号、工作频段为5.2GHZ、信道带宽为20MHZ，六个路由器设置一样的工作参数，目的是不让其他因素影响射频指纹识别，信号接收机采用NI公司的USRP2954分别采集六个路由器的信号数据并保存，将采集到的数据进行步骤2)-步骤5)操作后，最终训练完成的WANN拓扑结构如图5所示，图5中左边为输入层，右边为输出层，本实测实验步骤4)中数据集图像尺寸为64×64，训练集一共36000张图片，对应的每个路由器6000张图片，测试集一共6000张图片，对应的每个路由器1000张图片，最后采用本例方法中步骤6)对六个路由器进行射频指纹识别，识别率为91.63％。
- 上一篇：一种医用注射器针头装配设备
- 下一篇：用于多存取点的协调的空间复用方法