[发明专利]基于三元组损失的小样本射频指纹识别方法

说明书

本发明提出一种基于三元组损失的小样本射频指纹识别方法，包括，通过能量检测算法检测突发信号并采集，将采集到的通信信号转换为形状统一的信号样本集；对所述信号样本集中的信号样本进行预处理；根据预处理后的信号样本集在三元组损失函数的约束下训练嵌入网络；通过训练好的嵌入网络提取信号样本的射频指纹特征，并对所述射频指纹特征使用PCA进行降维；通过预设的线性分类方法对降维后的射频指纹特征进行分类。通过本发明提出的方法，可以实现小样本场景下射频指纹识别。

技术领域

本发明属于信号处理以及人工智能领域。

背景技术

随着无线通信的飞快发展，针对无线通信的攻击不断增多，无线通信的安全问题变得日益重要。射频指纹来源于通信设备的硬件在制造过程中不可避免的差错，具有唯一性并且会通过对发射信号造成独特的损伤而嵌入到发射信号中。信号的射频指纹作为物理层面的特征很难被模仿，因此可以用于设备的认证识别过程，确保通信过程的安全。射频指纹属于信号的内生属性，同传统的密码学方法相比，具有计算负担小、能耗低等优点。

传统的射频指纹识别方法利用射频领域的专家知识，通过提取手工设计的模式特征进行分类识别。这种方法不但流程复杂，而且提取的特征无法适用于所有类型的信号，无法避免大量的试错尝试。基于深度学习的射频指纹识别方法可以自动发现通信信号中更具分辨性的射频指纹特征，实现更优越的性能并提高开发效率。但是深度学习模型需要大量的带有标签的训练样本才可以确保模型中参数的收敛。而在实际的射频指纹识别应用场景中，收集大量的信号样本并对其进行标注需要耗费较多的时间成本以及人力成本，因此往往只能得到数量受限的标记信号样本，实际的射频指纹识别场景往往属于一个小样本学习的场景。

小样本学习主要包含3种方法，分别是基于优化的方法、基于生成式模型的方法以及基于度量的方法。基于优化的方法，通过已有数据为新任务训练一个良好的初始化参数，当新任务中出现新类别时，可以利用少量的新类别样本使模型的参数快速收敛至性能优秀的解。基于生成式模型的方法，利用GAN等生成式模型学习小样本的数据分布，进行数据增强，扩充样本数量。然而GAN等模型的训练较为困难并且存在生成样本代表性问题。基于度量的方法，其基本思想在于将样本映射到一个特征空间并在其中学习一个良好的特征表示，该特征表示可以用于分类任务中，通过非参数的分类方法实现分类识别任务，避免过拟合现象。本发明提出的方法基于度量学习的思想。虽然利用孪生网络的小样本方法同样基于这一思想，但前者可以将类内相似度与类间相似度进行比较而后者不可，前者可以学习到更优越的特征表示。

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三元组损失的小样本射频指纹识别方法，用于实现小样本场景下射频指纹识别。

为达上述目的，本发明第一方面实施例提出了一种基于三元组损失的小样本射频指纹识别方法，包括：

通过能量检测算法检测突发信号并采集，将采集到的通信信号转换为形状统一的信号样本集；

对所述信号样本集中的信号样本进行预处理；

根据预处理后的信号样本集在三元组损失函数的约束下训练嵌入网络；

通过训练好的嵌入网络提取信号样本的射频指纹特征，并对所述射频指纹特征使用PCA进行降维；

通过预设的线性分类方法对降维后的射频指纹特征进行分类。

另外，根据本发明上述实施例的一种基于三元组损失的小样本射频指纹识别方法还可以具有以下附加的技术特征：

进一步地，在本发明的一个实施例中，所述通过能量检测算法检测突发信号并采集，将采集到的通信信号转换为形状统一的信号样本集，包括：

使用能量检测算法检测并采集突发信号；