[发明专利]一种用于电台调制信号的射频指纹识别方法

说明书

本发明公开了一种用于电台调制信号的射频指纹识别方法。该方法包括构建第一层PD‑RNN网络，为CPFSK通信信号的细微频率特征的提取提供了便利，同时还保留了可以将通信信号的原始细微特征交由下一层网络继续进行提取；构建第二层LSTM网络，该网络可以用于处理时间序列中间隔较长的事件，同时还保留了处理时间序列间隔较短的事件的能力。实验结果表明，本发明用于电台调制信号的射频指纹识别方法，具有较强的泛化能力，在较低信噪比下具有近90％的识别准确率，在较高信噪比识别准确率接近100％。

技术领域

本发明涉及通信技术领域，尤其涉及一种用于电台调制信号的射频指纹识别方法。

背景技术

随着无线通信技术的迅猛发展，不断增长的无线应用需求和稀缺的频谱资源之间的矛盾日益突出，作为应对该问题的一种有效途径，认知无线电网络(Cognitive RadioNetworks,CRN)近年来受到广泛关注。在CRN中，安全认证问题长久以来都是其研究的一个关键问题，传统采用密钥分发的机制中，攻击者一旦获得密钥，很容易干扰网络内设备的正常通信。鉴于此，现有技术中提出利用射频指纹识别技术识别非法设备的思路，其基本思想是：受制造工艺的限制，不同无线设备的物理特性存在或多或少的差异，这些特性差异在其发射的通信信号中有所体现，通过分析不同无线设备的射频信号可以识别非法设备，即利用辐射源射频特征的唯一性对不同设备身份进行识别，以提升网络安全性。

目前，现有技术中利用深度学习技术进行设备指纹识别的方法，将信号样本作为神经网络输入，通过端到端的学习完成设备指纹识别。这些方法在低成本和消费级通信设备进行了验证，将发射机信号直接或简单处理后送入神经网络进行训练，不依赖人工提取特征，较大降低了研发过程中的时间成本。低成本和消费级设备的时钟偏差、时钟稳定度和射频放大器非线性等指标要求较低，细微特征提取较为容易。这类方法的不足在于过于依赖经典神经网络进行细微特征提取，而此类网络并非设计用于通信信号的特征提取，此类网络在采用高制造标准的通信电台信号的细微特征提取上失效。

发明内容

本发明主要解决的技术问题是提供一种用于电台调制信号的射频指纹识别方法，解决现有技术中对电台调制信号难以有效提取频率细微特征，以及识别效率低，不能在多种信噪比条件下提高识别精度的问题。

为解决上述技术问题，本发明采用的一个技术方案是提供一种用于电台调制信号的射频指纹识别方法，包括步骤：包括步骤：第一步，构建PD-RNN网络，所述PD-RNN网络中包括PD模块，用于进行复采样信号的相位差分的操作，在时刻n向所述PD模块输入待识别调制信号的复信号采样点s_n，同时所述PD模块也输入复采样数据向量PD模块输出的相位差分后的向量p_n与连接后，再与权值向量W相乘加上偏向量b，并经tanh激活函数后得到新的隐藏向量PD-RNN网络输出为第二步，构建LSTM网络，将PD-RNN网络的输出端接入到所述LSTM网络的输入端，在所述LSTM网络的输出层为Softmax层，用于射频指纹识别的分类输出。

优选的，在构建PD-RNN网络步骤中，满足：

其中，Q为最大相位差分间隔，PD模块提供了间隔为0～Q-1的相位差分用于计算，符号为矩阵Kronecker乘，1^1×Q表示维度为1×Q的全1行向量，符号(·)表示矩阵点乘，为复采样数据向量，中存储了Q个n时刻之前的复信号采样点，为复数p_n取出的实部和虚部后组成的向量，也为复数向量。

优选的，所述PD-RNN网络按照下式对和进行更新：

上式中符号表示取向量的前Q-1个元素，不含第Q-1个元素。