[发明专利]一种基于双谱特征表示的半监督博弈模型分类方法和装置

说明书

本发明公开了一种基于双谱特征表示的半监督博弈模型分类方法和装置，其中，该方法包括：获取发射级的原始接收信号和原始接收信号样本；将原始接收信号输入训练好的半监督博弈模型进行数据信号处理；其中，训练好的半监督模型是基于高阶谱特征表示为原始接收信号样本的频率阶训练得到；基于数据信号处理，利用分类器分类原始接收信号得到分类结果。本发明将高阶谱特征作为信号的频率阶表示，从而实现端到端的半监督分类，在真实数据集和仿真数据集上均表现出较高的评估分数和分类精度。

技术领域

本发明涉及无线通信技术领域，尤其涉及一种基于双谱特征表示的半监督博弈模型分类方法和装置。

背景技术

射频指纹识别radio frequency fingerprint identification(RFFI)通过测量接收的电磁信号特征区分发射极来源，并与相关平台相关联，在物联网设备认证当中应用广泛。基于特征提取的RFFI方案要求选取的RFF具有稳定性和可靠性，因此基于稳态信号的RFFI方法具有更实际的意义，主要有高阶谱，Hilbert谱，功率谱密度，多维近似熵，小波包等。近年来，深度卷积神经网络(CNN)的发展使得RFFI领域发展迅速。但CNN的本质是监督学习，其识别精度取决于从大量标记样本中学习特征分布。然而在实际的RFFI应用中，来自物联网设备的数据的存在标签规模和样本数量的巨大不对称性，对于数据的完全标注似乎过于苛刻，这限制了模型性能的提高。因此半监督学习可以被嵌入到RFFI框架当中，优化深度学习系统的训练过程。GAN是一类由生成器和判别器构成的博弈模型，在数据增强方面取得较好效果。判别器负责对生成器的输出和真实样本进行二分类，生成器通过反向传播的梯度信息对自身参数进行调整以蒙蔽判别器。利用ACGAN扩充数据集，并选择AlexNet作为分类器实现通信信号的调制分类。使用GAN对水声通信信号进行增强，降低了手工特征提取的计算复杂度。但上述方法只是将GAN用于数据增强，并未真正实现调制信号的端到端分类，且识别范围仅限于调制方式，对于发射极个体的识别尚未涉及。

发明内容

本发明旨在至少在一定程度上解决相关技术中的技术问题之一。

为此，本发明的目的在于提出一种基于双谱特征表示的半监督GAN框架，将双谱作为RFF嵌入到框架内，使得分类器在直接分类原始信号的同时获得更多关于发射极的特色信息。我们在网络中引入不同尺度的残差单元解决网络退化，并提取信号的多层次表示并直接完成半监督分类。数据在仿真和真实数据上进行测试，结果表明所提出的框架性能有显著提高。

本发明的另一个目的在于提出一种基于双谱特征表示的半监督博弈模型分类装置。

为达上述目的，本发明一方面提出了种基于双谱特征表示的半监督博弈模型分类方法，包括：

获取发射级的原始接收信号和原始接收信号样本；将所述原始接收信号输入训练好的半监督博弈模型进行数据信号处理；其中，所述训练好的半监督模型是基于高阶谱特征表示为所述原始接收信号样本的频率阶训练得到；基于所述数据信号处理，利用分类器分类所述原始接收信号得到分类结果。

本发明实施例的基于双谱特征表示的半监督博弈模型分类方法，将高阶谱特征作为信号的频率阶表示，从而实现端到端的半监督分类。

为达到上述目的，本发明另一方面提出了一种基于双谱特征表示的半监督博弈模型分类装置，包括：

获取模块，用于获取发射级的原始接收信号和原始接收信号样本；处理模块，用于将所述原始接收信号输入训练好的半监督博弈模型进行数据信号处理；其中，所述训练好的半监督模型是基于高阶谱特征表示为所述原始接收信号样本的频率阶训练得到；分类模块，用于基于所述数据信号处理，利用分类器分类所述原始接收信号得到分类结果。。

本发明实施例的基于双谱特征表示的半监督博弈模型分类装置，将高阶谱特征作为信号的频率阶表示，从而实现端到端的半监督分类。