文摘

深度学习是一种新的研究方向为特定发射器(SEI)识别。发射器信号的射频(RF)指纹都很小,对噪声敏感。很难分配在非合作的沟通场景中包含类别信息的标签。这使得传统的监督学习方法获得的网络模型执行不能令人满意地,导致可怜的识别性能。为了解决这个限制,提出了一种基于双频谱semisupervised SEI算法分析和虚拟对抗训练(增值税)。双频谱分析是对射频信号进行增强个人的辨别力。一个卷积神经网络(CNN)用于射频指纹提取。我们利用少量的标记数据来训练CNN以对抗性的方式来改善网络监督模型的抗噪性能。虚拟对抗样本计算增值税,充分利用标记和大型未标记的训练数据,以进一步提高网络的泛化能力。数值实验一组六个通用软件无线电外围(USRP; model B210) devices demonstrated the stable and fast convergence performance of the proposed method, which exhibited approximately 90% classification accuracy at 10 dB. Finally, the classification performance of our method was verified using other evaluation metrics including receiver operating characteristic and precision-recall.

1。介绍

具体发射器识别(SEI)指的是技术用于识别个人发射器使用独特的外部特性的信号称为无线电频率(RF)指纹(1]。这是来自个人发射器和硬件之间的差异特征很难复制和/或消除。此外,射频发射器的指纹有他独特的特点,是独立的信号,可能显示的内容的一致性的不同部分信号相同的排放国。即使对于发射器由同一个制造商和一批设备,射频指纹仍然不同。因此,可以使用射频指纹作为唯一标识措施,使SEI技术用于军事和民用2,3]。

近年来,研究人员提出了射频指纹提取的各种方法,这是一个方法来获取发射器的硬件特点。例如,帕迪拉et al。4]提出的方法提取参数(瞬态波形、瞬时相位和振幅的信号)的射频信号,可用于射频指纹,通过序言的沟通。该方法可以识别28个不同的wi - fi设备精度高于95%。然而,由于这种方法只能应用于通信信号序言,其应用范围是有限的。Lopez-Risueno et al。5]提议使用短时傅里叶变换得到信号的时频能量谱,在发射器信号的指纹特征提取是基于时频能量谱的差异。然而,这种方法是基于一个线性变换,这是不适合非线性辐射源信号。周et al。6)提出了一个基于bispectrum-radon变换的特征提取方法,利用双频谱分析来描述射频指纹和特征压缩通过氡转换完成。标识的方法6 ads - b发射器的准确性达90.25%。高阶谱分析方法,但是,只能提取的一些特性发射器信号而失去一些重要的细微特征,从而导致更低的识别性能。元等。713种特征参数提取的发射器瞬态特征通过经验模态分解(EMD)和希尔伯特变换形成射频指纹和有效识别8手机。此外,该方法理论上可以用于任何类型的发射器,因为它不需要射频信号的先验信息。然而,该方法只适用于瞬态信号发射器,这是具有挑战性的捕获在实际应用。Satija et al。8)提出了一种基于变分的SEI方法模式分解和光谱特性(VMD-SF)。方法的优点在于其适应性单跳和传送场景在AWGN和平坦衰落信道。此外,方法具有较低的计算成本和满意的实时性能。然而,这种方法的性能必须验证使用模拟信号数据,所以它的实用性需要进一步的研究。

虽然传统特征提取方案可以反映了个体差异和放大的发射器,它需要盲目尝试所有的以前的手工预定义的射频指纹特性来找到一个有效的特征提取方法为一个特定的任务。然而,发射器信号的复杂性使得它不可能代表信号用一个统一的数学模型。因此,对于感兴趣的目标信号,特征提取方法的选择只能取决于研究者的主观判断和认知水平,不能充分反映个人发射器之间的区别。

进步在人工智能、机器学习等技术(ML),深度学习(DL),强化学习(RL)已经广泛应用于许多领域(9]。除了应用在传统的计算机视觉(CV)、自然语言处理(NLP)等,深度学习技术在新兴领域获得了巨大的成功,如物联网(物联网)9),物理层通信(10,11),和边缘的情报(12- - - - - -14]。此外,深度学习现在SEI中使用,这是一个新的研究方向,可以全面、深入提取的指纹特征发射器信号通过神经网络来提高识别性能。黄等。15)用卷积神经网络(CNN)的增益和相位偏差估计发射器信号的同步和正交组件,实现SEI基于估计的偏差和相位偏差。他们的方法不需要预处理,如信号同步和载波频率跟踪,可以应用于多种调制类型的信号。他等。16)使用很长一段短期记忆(LSTM)网络学习从预处理射频信号复位触发器。相比之下,CNN, LSTM更适合处理时间序列如一维信号。这意味着它可以实现更好的识别性能。然而,LSTM还引入了大量计算成本和培训困难,导致可怜的实时性能。CNN和LSTM等基于网络模型,一些新的深上优于SEI最近提出的网络模型和算法。钱等。17)提出了SEI的多级稀疏表示识别的方法,全面使用射频指纹提取的CNN和稀疏表示的主成分分析。该方法可以分类9发射机的分类精度超过90%使用少量的训练样本。复值神经网络(CVNN)提出了18)被用来处理复杂的基带信号执行SEI。此外,提出了一种网络压缩算法来减少模型大小和减少训练的复杂性。CVNN-based SEI方法识别精度在高信噪比可以达到近100%。此外,网络的大小可以压缩了近70% - -90%,在不同的信噪比和训练复杂度降低的水平。固定的神经网络结构通常具有灵活性差的问题,在处理复杂的射频信号在不同的场景。因此,平衡网络结构搜索(NAS)机制提出了(19)是应用进行SEI。框架使用一个递归神经网络(RNN)作为控制器,配合平衡函数寻找最优网络结构,从而提供一个合适的方案处理射频信号在当前SEI的任务。

SEI基于深度学习被广为研究;然而,大多数研究侧重于监督学习模型,它假定所有训练样本的标签信息。SEI中使用非合作的场景在大多数情况下,和一个典型的应用程序是无线电监测、SEI系统的应用场景被认为是在这个研究。SEI可以用来区分合法和非法电台,识别不同类型的非法电台(可以有针对性的消除干扰),并有效地控制频谱资源的利用率。非法电台很难被指派代表信号的类别标签信息。因此,只有少数几个信号样本包含标签信息。利用大量未标记的样本信号结合几个标签信号样本进行semisupervised SEI-based深度学习是一种有价值的研究领域。为了解决这个问题,我们提出一个semisupervised SEI方案基于双频谱分析和虚拟对抗训练(增值税)。双频谱分析、信号预处理方法,作为射频指纹的代表。在此基础上,我们使用了CNN提取射频指纹,并执行增值税充分利用标签样本和大量的未标记的信号进行semisupervised SEI。 Compared with other existing supervised learning-based SEI methods, our research focuses on semisupervised learning-based SEI. On the one hand, our method improves the antinoise performance of the SEI system by changing the traditional network training mode. On the other hand, more importantly, our method makes full use of many of unlabelled signal samples to carry out semisupervised training through VAT, thus applying to SEI in noncooperative scenarios.

这项工作的主要贡献总结如下:(1)提高个人可分别不同的发射器,双频谱分布作为射频信号的特征表示,这对射频指纹提取奠定了基础基于CNN(2)考虑到射频指纹容易受到噪音,我们进行对抗训练20.,21在CNN来提高网络的抗噪声性能。此外,我们提出一个算法计算最小数量的敌对的样本在对抗训练使用最大化网络的抗噪声性能(3)后改善网络的抗噪声性能通过对抗训练,我们进一步提出了增值税方法训练CNN使用标签样本和大量的未标记的信号收集在非合作的情况下,可以大大提高网络的泛化能力,提高识别系统的性能(4)提出了不同的实验结果。我们首先评价了该方法收敛性。然后,我们测量分类精度提出框架的几个因素,包括信噪比、标签比未标记的样本,沟通传播渠道,和发射器的数量。仿真结果表明,我们的方法对SEI在非合作的场景中表现良好

本文的其余部分组织如下。在材料与方法中,我们引入了基于双谱分析的信号预处理方法和cnn的基本概念,敌对的训练,和增值税。我们提出的方法VAT-based semisupervised SEI也介绍了在这一节中,与现实世界的射频数据集上的实验通过软件定义无线电(SDR)平台生成的。结果与讨论提出并讨论了实验结果。最后,我们得出结论。

2。材料和方法

2.1。双频谱分布的射频信号

双频谱分析是一种特殊情况下的高阶谱分析,证明其优越性在处理非高斯和非平稳的信号22,23]。双频谱分布的信号可以通过计算二维傅里叶变换得到信号的三阶累积量: 在哪里和表示二维频率和三阶累积量 可以表示为

图1显示了两个不同的射频信号的双频谱分布和 。它显示了可见双频谱分布特征的差异,证明了双频谱分析是一种有效的信号预处理方法,提高个人的辨别力。

2.2。卷积神经网络

很难完全提取射频指纹使用前面提到的方法。在这项研究中,我们使用神经网络显示性能优良的处理大量的数据和提取深度特性(24,25]。我们使用的CNN射频指纹特征提取和信号分类。CNN主要由三个结构:卷积层,一个激活函数,一个汇聚层。卷积层的功能主要是提取信号的特征。在卷积过程中,使用多个卷积核进行卷积的各自特征图上一层实现特征提取和映射。每个卷积层包括许多卷积核,从而实现multifeature提取信号。在CNN,每个特性映射使用相同的重量参数,即体重共享。体重共享模型中减少了参数的数量和保持位移不变性的位置和大小的输入。激活函数用于非线性因素引入卷积层避免成为一个输入向量的线性组合,帮助在提取复杂和深层特性(26]。池层是用于二次抽样,其主要目标是减少特征图的分辨率,从而促进深层特征的提取。

当使用一个CNN实现信号分类、特征空间的输出的CNN用作输入完全连接神经网络(FCN)。从卷积层提取的特征矢量通过完全连接层,因此分布式特性表示映射到样本的标签空间。最后,输出概率是通过将SoftMax映射函数,概率和最大输出对应于公认的信号类别。

2.3。对抗训练

敌对的培训是一个重要的方法来提高神经网络的鲁棒性。训练样本和一些轻微扰动,是微妙的,但可能导致错误识别,美联储到神经网络使它适应变化和健壮的干扰。这种方法被广泛用于抵御敌对的样品(27),这是一个对抗的防御的最有效的手段。相比之下,对抗的训练可以用于对抗攻击(28]。攻击者构造基于对抗的敌对的输入向量样本的机器学习模型瓦,这叫一个敌对的攻击。对抗的训练也可以扩展为增值税semisupervised学习基于未标记的数据(29日]。

发射器信号的射频指纹微妙的硬件差异造成的排放通常不明显,很容易干扰噪声和误诊。为了解决这个问题,我们使用了对抗的训练方法训练CNN通过添加敌对的样本训练数据,提高了网络的识别敌对的样本和提高网络的鲁棒性。对抗训练的关键是敌对的样本的生成。对于一个训练有素的CNN,微妙的扰动添加到输入向量 。网损达到最大值时,相应的 成为了敌对的样品(27]。微妙的扰动最有可能导致误判的原始神经网络。因此,CNN需要训练与输入向量 和真正的标签敌对的样本来提高其识别性能,将导致增强网络健壮性(28]。

让 , ,和代表了标记训练样本,相应的标签,分别和未标记的训练样本。我们也认为和是统一由 。对抗训练的损失函数被定义为(28] 在哪里 是用来衡量两个分布之间的差异和 ; 的输出标签,是真正的分布可以用一个炎热的向量近似; 由CNN数据分布预测;和代表了一个敌对的样本,相当于,可以表示如下:

获取所有信号类型的对抗性的样品后,我们认为损失价值生成的敌对的样本作为原始价值损失的一部分并将它添加到原始的形式损失函数正规化,表示为 在哪里代表了标记训练集,代表正规化的加权系数, CNN代表监督损失函数,可以通过熵函数计算。

的参数CNN使用反向传播算法调优: 在哪里代表了学习速率。

2.4。虚拟对抗训练(增值税)

对抗训练算法的列车CNN在监督学习模型中,所有的训练样本必须贴上标签。然而,在非合作的沟通场景中,只有一小部分信号样品标签。使用少量的标签样本训练CNN通过对抗训练的结果在贫穷的泛化能力。

利用未标记的信号中的信息,我们采用增值税(30.]使用标记和未标记的训练数据,对神经网络的输出空间满意。这个最小的变化其输入的神经网络的输出本地摄动。因此,增值税证明有效semisupervised学习(31日]。

然而,在semisupervised学习模型,有很多未标记的训练样本等 。因此,未标记的训练样本不能用于火车CNN通过对抗训练算法。注意,对于大量的标记训练样本, 方法 。我们可以使用“虚拟”标签产生的概率 未知的用户而不是标签。然后我们计算基于这些虚拟标签(敌对的方向32,33]。增值税的损失函数可以表示为 在哪里代表的重量参数神经网络在当前状态和训练代表了虚拟对抗的示例:

在获得虚拟对抗的样本,给出了完整的损失函数 在哪里和分别代表了标记和未标记的训练集; 代表了正则化系数需要提前设置。 代表CNN监督损失函数,相当于方程(6)。

方程(10)表明,标签数据和大量的未标记的数据是用来进行semisupervised培训。标签数据与未标记的数据相结合进行虚拟对抗训练。监督学习可以使用标记数据来指导网络培训。增值税的损失函数 可以被看作是衡量当地当前网络的平滑度,及其优化可以平滑网络输出空间。 ,正则化系数,用于控制监督学习之间的相对平衡和虚拟对抗训练,确保semisupervised培训的效果。

最后,参数CNN的调整根据反向传播算法。

2.5。基于增值税Semisupervised SEI

增值税是一个semisupervised学习模型,该模型可以应用于SEI noncommunication场景。然而,网络训练相当少量的标签信号数据泛化能力差;这些网络可能分配错了虚拟标签未标记的信号数据,这可能会导致严重的有害影响随后的分类。为了解决这个问题,我们首先训练网络模型与标签信号数据通过对抗训练,提高了网络的泛化能力。此外,我们计算一个特定值摄动加权系数敌对的样本的最小值导致错误识别。此时,相应的是最小的干扰,可能导致错误识别。用这个作为对抗的敌对的样本训练神经网络的抗噪性能最大化。网络参数通过对抗性的培训将直接用于增值税进行semisupervised SEI。因此,基于增值税semisupervised SEI的过程是在算法结束1。

2.6。实现细节

(虚拟)对抗性的样本的计算是至关重要的(虚拟)对抗的训练算法。然而,在实践中,我们不能获得一个封闭形式的或计算方程(4)和方程(8)。因此,在本节中,我们提供了核心算法的实现细节:计算(虚拟)对抗的样品以一种近似的方式。

的计算在这项研究中可以近似的线性近似关于在方程(4),它可以表示为

神经网络模型,计算 可以通过向前计算和反向传播。

此外,计算以一种近似的方式执行,可以描述如下:一个输入训练样本吗 ,一个随机的单位向量相同的大小,生成遵循标准的高斯分布。然后,获得通过的梯度关于在 为 。

神经网络模型的计算可以通过向前计算和反向传播。

2.7。信号数据采集和实验装置

我们展示网络模型基于软件定义无线电平台由GNU广播和七USRP B210设备模型。结合GNU USRP广播,然后定义无线电信号的收发器通过PC形成一个完整的通信系统由软件和硬件组成的。这个平台实现通信功能,和信号调制和解调可以做在软件级别。

上运行Ubuntu 18.04,计算机是连接到USRP建立一个通信系统。我们使用了六个USRPs发射器和一个USRP接收器,然后,我们收集了六个类型的射频信号通过六USRPs,运营中心在2.4 GHz频率,接收到的信号被采样的速度16兆赫。信号调制模式正交相移编码,带宽为1.2 MHz。

对于每一个发射器,20000段的射频信号收集从实验室环境;因此,信号噪声比(信噪比)的高信号。初步的测量后,信噪比被发现超过50分贝。因此,我们假设信号不受噪音的影响。对于每个类采样信号,我们计算了平均符号能量输入框内并使用MATLAB添加不同水平的模拟加性高斯白噪声(AWGN)设置符号能量比噪声密度( )0 dB 2 dB,…,分别20分贝。信号噪声污染的数据是由双频谱分析处理获得双频谱分布,有统一的大小 。图2我们的实验显示了数据集结构。数据集包含6类采样信号数据。每个类信号包括20000段在一个特定的信噪比( ),每个转换为双频谱分配的维度 。

20000双频谱分布的每个类信号在一个特定的信噪比,80%,10%,和10%的人分配给培训,验证,分别和测试。培训和验证数据集,我们设置标签的比例数据未标记的数据为10%。

拟议中的semisupervised SEI网络体系结构是建立在基于TensorFlow Keras框架,和网络训练在Windows 10,英特尔(R)的核心(TM) 19 - 10900 CPU、16 GB的RAM和NVIDIA Ge-Force RTX 3090系统。

CNN的结构和详细的结构参数在图所示3。三利用卷积层,ReLU函数作为激活函数的卷积层,稳定输出,没有梯度消失的问题。从卷积层提取的特征矢量通过完全连接层(密度),因此分布式特性表示映射到样本的标签空间。最后,输出概率是通过将SoftMax映射函数的最后完全连接层密度(II)。密集II包含相应的神经元,发射器。通过比较输出的概率神经元,最大概率对应的识别发射器类别。

在实践中,网络深度(卷积层的数量)是通过模拟。表1总结了不同深度的CNN的建筑细节。

我们评估的分类精度不同的网络深度基于上述射频信号的数据集。图4表明,分类精度提高卷积的层数的增加,它保持在高水平当卷积层的数量是3。然而,当卷积层的数量达到5,网络太深,以适应输入信号数据,而分类精度略微降低了。考虑分类精度和网络复杂性、最优网络深度3卷积层。

我们还列出hyperparameters用于训练网络模型总结如表2。

我们验证数据集用于hyperparameter调优。学习速率是最重要的hyperparameter,直接控制网络梯度的大小期间更新培训和影响模型的有效的容忍能力。调整学习速率,我们第一次使用少量的数据训练网络来确定学习速率的大小。然后我们选择一个特定的值在这个大小范围作为最初的学习速率。在训练过程中,训练数据集的数量增加,学习速率的衰减指数直到验证聚合损失价值,和学习速率在这一点上是最优的。批量大小是一个相对独立的hyperparameter决定的方向梯度下降。关于批量大小的选择,我们决定几个候选值128,256,512,1024,到2048年,然后评估验证数据集的分类精度如何改变随着时间的推移,最后选择了批大小对应于最快的提高分类性能。一个时代代表了训练时间。每次培训时代后,验证数据集上的分类模型的性能评估,培训是停止在分类性能停止增加。因此,一般来说,一个较大的值被分配到时代。 The dropout rate was generally set to 0.5, which was used to prevent overfitting. By tuning hyperparameters, the network model can achieve better performance.

3所示。结果与讨论

3.1。收敛性能

我们评估了神经网络训练的收敛性能使用该方法。我们首先收集射频信号数据的信噪比10 dB六USRPs,每个设备代表一个类的信号。网络培训的最大时代设定在200年。此外,我们选择培训损失值和测试损失值作为指标评价收敛性能。

图5显示网络的损失函数趋于稳定后约80训练时期,这意味着我们的方法具有较快的收敛速度。此外,培训损失函数曲线和测试损失函数曲线相对平稳,没有明显的波动。这表明训练过程是稳定的。培训和测试程序的损失价值下降随着迭代次数的增加,即。,the two curves exhibit a downward trend, which indicates that the network model performs well in both the training dataset and the test dataset and that no overfitting or underfitting problem occurred. The results show that our approach can be used for semisupervised training of neural networks.

3.2。分类精度

我们首先证明了该方法的优势与方法只使用标签数据的训练CNN。t-distributed随机邻居的算法嵌入(t-SNE), (34)最好的降维方法,被用来直观地显示特征参数提取的神经网络模型。图6图显示了t-SNE降维分布特征参数提取的两种不同的方法。

如图6,与之相比,该算法只使用标签数据训练CNN,射频指纹的特征参数提取的算法有更强的集群内部类和类之间的更大的差异化。这证明提出增值税的算法,它利用大量未标记的信号样本进行训练,可以提高神经网络的泛化能力。这使得网络中提取的特征参数发射器更全面,从而提高射频信号的分类。

然后我们考虑四个因素显著影响分类精度:(1)信噪比,(2)标签比未标记的样本,(3)通信传播渠道,和(4)发射器的数量。

分类精度与信噪比:首先,我们测试了分类精度在不同的信噪比。标记和未标记的数据被用来进行semisupervised培训在CNN基于该方法。图7显示了混合矩阵的分类在不同的信噪比。

如图7,所有发射器保持相对平均分类精度,也没有严重的混乱发生在个人发射器之间的分类。这表明,我们的方法可以充分提取射频指纹和有效区分个人发射器,从而证明的有效性上优于SEI。此外,我们的方法可以分类六排放平均准确率超过83% 4 dB和93% 10分贝,这表明我们提出VAT-based semisupervised SEI健壮的噪音干扰。

然后,我们比较了该方法的分类精度与方法只使用标签数据训练CNN和那些以前提出的方法(29日,35]。实验结果如图所示8。

图8表明我们的方法达到最高的分类精度比其他SEI方案。相比,该方法只使用标签数据训练CNN,我们的方法可以提高分类精度平均15% - -20%。这是因为增值税可以抚平的输出空间网络提高其泛化能力。这有效地克服噪声干扰,提高分类精度。比较的方法29日),我们的方法,从而提高分类精度平均5% - -10%。这是因为我们的改进增值税方法增强网络的抗噪声性能和泛化能力pretraining通过对抗训练的过程。这导致精确的分配虚拟标签未标记的信号数据,从而导致增值税的有生力量。相比基于metalearning提议的方法(35),我们的方法显示了优势的分类精度较低的信噪比,虽然这两种方法都有类似的分类精度只有当 。因此,实验结果表明,我们的方法可以适应SEI在低信噪比的任务。

分类精度与标签比未标记的样本:我们评估分类精度在不同的标签未标记的比率。同样的,我们固定未标记的数据样本为每个类信号和标记数据样本10000从200年到1200年,这意味着标签样本未标记的样本的比例是2到12%。这些标记和未标记的训练样本与信噪比从0分贝至20 dB被用来训练CNN通过增值税的方法。

图9表明,分类精度提高当标签未标记的样本的比例从2%上升到6%,但稳定的比率达到了大约8%。此外,即使在最坏的情况下为2%,分类性能没有显著恶化。分类精度超过80%在10 dB和大约90% 20分贝。根据这些结果,我们的方法只需要少量的标记数据样本来实现高稳定的分类精度,使它能够处理实际情况。

我们进一步评估的价格相比我们的方法的分类性能(29日,35)的比例为2%,4%,和6%,分别。消除噪声的因素干扰,信号的信噪比数据集设置为20分贝。实验结果如表所示3。比率,我们建议的方法优于现有的方法,进一步证明了该方法在非合作的适应性和先进的场景。

分类精度和通信传播渠道:我们评估算法的分类精度在不同的传播渠道。收集到的射频信号传输在AWGN信道、瑞利信道,和大米通道。图10显示了不同渠道的分类精度作为信噪比的函数。瑞利和大米渠道,分类精度低于AWGN信道;这是因为发射器发出的信号的射频指纹并不明显,它是更难区分后受到乘法噪声的影响。该方法本质上构造(虚拟)对抗性的样品与加性噪声,但不是乘法噪声限制SEI系统的适应性的瑞利和大米频道。然而,分类精度的下降,平均5% - -10%,并不重要。这表明该方法仍然可以计算近似和相对有效的信号(虚拟)对抗性的样品样品根据当前网络模型在乘性噪声干扰下,可以改善网络的抗噪声性能和泛化能力。实验结果进一步证明了优秀的分类方法的性能。

分类精度和数量的排放:我们评估的分类精度不同数量的排放国。我们收集了多达14种不同的射频信号发射器和评估网络的分类性能在不同数量的发射器,不同于6 - 14和需要分类。实验基于一个AWGN信道 。

图11显示了分类精度变化与发射器的数量。实验结果表明,尽管分类性能恶化随着排放数量的增加,网络可以分类到14发射器的准确性超过85%。一般来说,与发射器的数量的增加识别,网络规模也应该增加,导致更高的计算成本。然而,我们的方法可以分类更多的排放国个人分类精度高,维持现有的网络规模,受益于基于增值税和精心训练算法表明,该方法具有良好的可伸缩性大排放国的人口。

3.3。其他评价指标的分类性能

分类精度的比例是正确分类样本的数量的测试样本总数,这只能反映整体分类性能。然而,很难确定每个类的射频信号是否正确分类,尤其是当每个类是少数对其余的射频信号,导致类不平衡问题。在这种情况下,分类精度不是一个综合评价指标的分类性能。

我们使用了接受者操作特征(ROC)和precision-recall指标进一步评价该方法的分类性能。识别六USRPs,我们选择一个设备作为正类体重的5个,剩下的5个设备作为一个负类的重量。射频信号收集的6类10 dB的信噪比,用于训练和识别。中华民国和precision-recall曲线为每个6设备如图12。

如图12(一个)为每个设备,ROC曲线分布在图的左上角。这意味着系统达到一个高的真阳性率低的假阳性率。此外,精度和召回两种评价指标相互平衡。图12 (b)表明precision-recall曲线为每个设备分布在图的右上角,表明精度占据更大的比例。我们也计算曲线下的面积(AUC)为每个设备。中华民国AUC和precision-recall AUC为每个设备超过90%,这进一步证明了该方法的良好的分类性能。表4总结了平均ROC AUC和平均precision-recall AUC 0到20 dB的信噪比。正如预期的那样,我们建议的框架会取得更好的意思是AUC更高的信噪比和较低的信噪比下降,这并不重要。

4所示。结论

解决传统SEI的缺陷深度学习的基础上,本文提出了一种基于双频谱SEI方法分析和增值税。首先,双频谱分析是进行射频信号的信号预处理。指出发射器信号容易受到噪声干扰,只有少量的标记训练样本可与许多未标记的样本的非合作的沟通场景中,我们计算了虚拟对抗的标记和未标记的样本信号样本,使用,然后我们计算相应的损失函数。损失函数基于标签的样品也被计算。使用两个损失函数和预设谐波参数,目标函数的神经网络计算。通过迭代优化,相对应的神经网络模型的最小损失函数值验证数据集获得最佳产量。最后,该神经网络模型可以用于SEI。

数值实验对该方法的性能进行评估。第一,融合实验表明,我们的方法有稳定和快速收敛。其次,我们考虑四个因素影响分类精度的方法。分类精度与信噪比的实验表明,我们的方法明显强劲的噪音。标签的分类精度与比率未标记的样本实验表明,我们的方法可以处理弱标签实际情况中存在的问题。分类精度与传播通道的实验表明,我们的方法也可以抵制非线性乘法噪声对射频信号的干扰并维持一个相对较高的分类精度。发射器的分类精度和数量的实验表明,我们的方法表现出很好的可伸缩性大排放国的人口。此外,我们使用两种其他的方法包括中华民国和precision-recall进一步评估我们的方法的分类性能。中华民国的AUC precision-recall曲线计算代表每个设备的正确识别率,和实验结果证明了我们的方法更全面的优秀的分类性能。

未来的研究将考虑以下两个方面。(1)各种排放设备,除了USRP,将用于收集更多类型的射频信号来避免使用一种类型的信号数据进行实验,验证了该方法的可伸缩性射频信号发出的不同类型的设备。此外,这些设备在室外环境中工作获得更真实的信号数据来验证我们的方法的可行性。(2)我们的方法基本上是闭集识别。射频信号类来确定是一样的,在数据库中用于培训。然而,我们的方法不能解决异常排放这不是以前的培训,这在实际应用中很常见。因此,未来的工作将集中于检测异常发射器和分类排放国。

数据可用性

使用的数据来支持本研究的发现可以从相应的作者。

的利益冲突

作者宣称没有利益冲突。

确认

这部分工作是支持下由中国国家自然科学基金资助91538201,山东省泰山学者项目的一部分在格兰特ts201511020,和部分项目由中国国家重点实验室科学技术在信息系统安全拨款6142111190404。