(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202211015800.1 (22)申请日 2022.08.24 (71)申请人 南京理工大 学 地址 210094 江苏省南京市玄武区孝陵卫 200号 (72)发明人 丁辰　赵文清　周威廷　邹骏　 (74)专利代理 机构 南京苏创专利代理事务所 (普通合伙) 32273 专利代理师 吴太平 (51)Int.Cl. G06V 40/12(2022.01) G06V 10/82(2022.01) G06N 20/00(2019.01) G06N 3/04(2006.01) G06N 3/08(2006.01) (54)发明名称 一种基于机器学习的射频指纹识别方法 (57)摘要 本发明公开了一种基于机器学习的射频指 纹识别方法， 该方法步骤如下： 收集已有设备的 射频指纹； 搭建神经网络结构， 导入射频指纹数 据训练并得出识别模型； 将待测设备射频指纹导 入训练好的识别模型进行检验， 得出识别结果。 本发明采用文件读取方式读取待识别设备的射 频信号采样数据， 通过神经网络对读取的数据进 行判别， 提取出采样数据的星座点特征， 载波偏 移等进行分类， 实现非接触式设备身份识别与认 证； 每当接收到的设备射频信号发生变化时， 将 其处理后输入卷积神经网络， 即可得到识别结 果， 无需重复繁琐的计算， 降低了成本， 且以较低 的复杂度获得了 较优的识别率。 权利要求书2页 说明书5页 附图3页 CN 115294615 A 2022.11.04 CN 115294615 A 1.一种基于 机器学习的射频指纹识别方法， 其特 征在于， 步骤如下： 步骤1、 收集已有设备的射频指纹； 步骤2、 搭建神经网络结构， 导入射频指纹数据训练并得 出识别模型； 步骤3、 将待测设备射频指纹导入训练好的识别模型进行检验， 得 出识别结果。 2.根据权利要求1所述的基于机器学习的射频指纹识别方法， 其特征在于， 步骤1所述 收集已有设备的射频指纹， 具体如下： 采集多个无线通信设备发出的射频信号， 将原始信号经过处理得到差分星座图以提取 射频指纹信息， 按照不同设备区分， 标记上不同的标签， 将处理后的数据分类到不同文件夹 下。 3.根据权利要求1所述的基于机器学习的射频指纹识别方法， 其特征在于， 步骤2中所 述搭建神经网络结构， 具体如下： 步骤S1、 使用Keras框架， 采用随机梯度下降法， 引入Adam自适应学习率算法和正则化 方法， 搭建DN N神经网络； 步骤S2、 该DNN神经网络内设有3个卷积层接1个池化层， 循环4次后接3层全连接层， 激 活函数采用softmax函数。 4.根据权利要求1所述的基于机器学习的射频指纹识别方法， 其特征在于， 步骤2中所 述导入射频指纹数据训练并得 出识别模型， 具体如下： 将待训练设备的射频指纹信息导入神经网络， 以90％的数据为训练数据， 10％为测试 数据， 经神经网络运 算导出识别模型并给 出准确率。 5.根据权利要求1所述的基于机器学习的射频指纹识别方法， 其特征在于， 步骤3所述 将待测设备射频指纹导入训练好的识别模型进行检验， 得 出识别结果， 具体如下： 收集待测设备的射频指纹信息， 并导入训练好的识别模型， 得出表示标签的行向量， 判 断其是否属于已经录入的设备， 并根据准确率识别为哪一个设备。 6.根据权利要求2所述的基于机器学习的射频指纹识别方法， 其特征在于， 所述步骤1， 具体如下： 在采集到设备射频信号后， 首先对信号进行预处理， 对信号进行能量归一化， 排除发射 端因发射功率 不同而对信号产生的影响； 将预处理后的基带信号分为两路， 一路直接送入差分模块， 另一路送入I/Q两路延迟 器， 经过延迟器处 理后进入差分模块， 即在复平面上绘制出差分星座图； 得到差分星座图后， 按照不同设备区分， 将处 理后的数据分类到不同文件夹下。 7.根据权利要求6所述的基于机器学习的射频指纹识别方法， 其特征在于， 所述步骤2， 具体如下： 首先， 将差分星座图处 理为二维实值矩阵， 将训练样本按9:1分为训练集与测试集； 记设备数为N， 则生成的标签数为N， 每个设备的标签为0或1， 记为矩阵形式， 当N＝3时， 设备1的标签为[1  0 0]； 其次， 使用Keras框架， 采用随机梯度下降法， 引入Adam自适应学习率算法和正则化方 法， 搭建CN N模型， 使用训练集及其标签训练卷积神经网络； CNN模型前几层采用卷积和池化层， 而最后三层则采用全连接的方式， 参数和权重调整 采用BP算法， 具体如下：权　利　要　求　书 1/2 页 2 CN 115294615 A 2(1)卷积层卷积： 在一个卷积层上， 特征图由几个不同的卷积核分别与上一层的输出特 征图进行 卷积， 之后再通过一个激活函数 得到， 每一个输出图是 卷积多个输入图的加权和； (2)下采样层采样： 下采样层的作用是按设定比例减小与之相连的前一层输出图的维 度， 但不改变输出 特征图的数量； (3)反向传播BP算法调整参数： (a)前向传播： 对于多类问题， 共C类， N个训练样本， 代价 函数用平方误差函数来表示； (b)反向传播： 反向传播 误差即代价 函数对权 重w与偏置b的偏导数； (4)识别率计算： 输出标签值与理想标签的误差为ε， 找到符合ε≤0.1的样本并统计出 个数， 即得到识别率cor rect： correct＝∑x/ M 其中， 当 ε≤ 0.1时， x取1， 当 ε>0.1时， x取0； 分母M为总的测试 数据个数。 8.根据权利要求7所述的基于机器学习的射频指纹识别方法， 其特征在于， 所述步骤3， 具体如下： 将待测设备射频指纹导入训练好的识别模型进行检验， 得到N维行向量M： M＝[m1m2…mN] 其中 记max{m1m2…mN}＝mk， 若mk>0.8， 则该设备识别为设备k， 反之则该设备 不在数据库中。权　利　要　求　书 2/2 页 3 CN 115294615 A 3