基于特征融合的无线设备识别研究.pdf

摘要

随着科技赋能时代的到来，越来越多的无线设备在日常生活或军事领域得到

应用，无线设备安全隐患问题也逐渐步入研究视野。无线设备识别，也可以称为辐

射源个体识别(SpecificEmitterIdentification,SEI)，是解决无线设备安全隐患的主要

途径之一。本文将多种人工经验特征与深度卷积神经网络相融合，针对仿真与实测

设备数据集，对复杂环境下无线设备的身份识别问题展开研究。

1、通用无线设备射频指纹建模与仿真。首先对无线设备射频指纹的产生机理

进行分析；根据常用通信无线设备内部发射机系统框架，对无线设备发射机内部多

个环节产生的射频信号畸变进行分析，并对其进行了相应的射频指纹建模。其次，

结合通信标准中的误差矢量评估标准，给出了无线设备内部发射机的直流偏置、

I/Q不平衡的增益与相位误差、本振相位噪声、功率放大器非线性系数的临界值，

为通信无线设备内部射频指纹进行仿真提供了合理的设置参数。

2、单特征无线设备指纹提取算法研究。首先设计了三种单特征的无线设备指

纹提取算法；通过EMD(Empiricalnodedecomposition,EMD)-Hilbert得到信号的时

频谱图作为射频信号的人工经验特征，以及改进的VMD(Variationalmode

decomposition,VMD)-Hilbert时频谱图作为第二种射频信号的人工经验特征，以基

于矩形积分双谱的一维特征向量作为第三种射频信号的人工经验特征。其次结合

由残差块构成的深度残差网络进行分类识别。在实测数据集上，信噪比10dB时可

以达到较好的识别效果。

3、基于多注意力特征融合的无线设备识别方法研究。该方法通过融合多个注

意力模块在不同维度上进行注意力分配的优势，来对卷积神经网络的识别效果进

行提升，相比未使用该融合注意力模块的神经网络，识别准确率得到了一定提高。

4、基于多视图特征融合的无线设备识别算法研究。将信号的Hilbert时频谱图

与原始信号和矩形积分双谱融合的一维特征向量作为双分支组合网络的输入，双

支路网络对对应的输入进行高维特征提取，并在网络深层进行高维特征融合并识

别。在低信噪比下，该方法的识别效果相比单视图特征识别效果更好。

总之，利用无线设备射频指纹，采用特征融合的方法，可以获得较好的设备识

别效果。同时本文设计的多注意力特征融合和多视图特征融合的无线设备识别算

法在复杂环境下识别效果有明显提升。

关键词：辐射源个体识别，射频指纹，特征融合，注意力机制，卷积神经网络

ABSTRACT

Withtheadventoftheeraoftechnologyempowerment,moreandmorewireless

deviceshavebeenappliedindailylifeormilitaryfields,andthehiddensecurityproblems

ofwirelessdeviceshaveattractedmoreandmoreattention.WirelessdeviceIdentification,

alsoknownasspecificemitteridentification(SEI),isoneofthemainwaystoreduce

securityrisksofwirelessdevices.Inthisthesis,avarietyofartificialexperiencefeatures

areintegratedwithdeepconvolutionalneuralnetworks,andtheidentificationproblemof

wirelessdevicesincomplexenvironmentsisstudiedbasedonthedatasetofsimulation

andmeasureddevices.Themainresearchworkisasfollows:

1.ModelingandsimulationofRFfingerprintsofgeneralwirelessdevices.