本發(fā)明涉及射頻指紋識別技術(shù)，特別是一種基于tcn-lstm的射頻指紋識別方法及系統(tǒng)。

背景技術(shù)：

1、深度學(xué)習(xí)作為人工智能領(lǐng)域的重要分支，近年來在計算機科學(xué)領(lǐng)域取得了巨大進展。其核心思想是通過多層次的神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)，從大規(guī)模數(shù)據(jù)中學(xué)習(xí)抽象特征和模式，進而實現(xiàn)復(fù)雜任務(wù)的自動化處理和高效學(xué)習(xí)。在圖像識別領(lǐng)域，深度學(xué)習(xí)算法以其優(yōu)異的性能在人臉識別、物體檢測、圖像分類等任務(wù)中占據(jù)主導(dǎo)地位。同時，在自然語言處理、語音識別和機器翻譯等領(lǐng)域，深度學(xué)習(xí)也取得了顯著的成就，極大地推動了自然語言處理和語音處理技術(shù)的發(fā)展。此外，深度學(xué)習(xí)在醫(yī)療影像分析、金融風(fēng)控、藝術(shù)創(chuàng)作等領(lǐng)域的應(yīng)用也日益廣泛。隨著硬件計算能力的提升和數(shù)據(jù)量的不斷增加，深度學(xué)習(xí)技術(shù)有望進一步發(fā)展，為各行業(yè)帶來更多創(chuàng)新和突破。

2、當(dāng)前無線通信技術(shù)迅速發(fā)展，新型無線網(wǎng)絡(luò)和應(yīng)用不斷涌現(xiàn)，深刻影響人類生產(chǎn)生活。例如，第五代移動通信技術(shù)具備高數(shù)據(jù)傳輸速率、廣泛無線覆蓋和低延時，不僅滿足日常需求，還支持工業(yè)控制、自動駕駛、智能醫(yī)療等應(yīng)用。伴隨這些應(yīng)用的普及，海量數(shù)據(jù)將在無線網(wǎng)絡(luò)中傳輸，因此需要高安全性和保密性的無線網(wǎng)絡(luò)。然而，無線網(wǎng)絡(luò)的開放特性使其容易受到非法竊聽、信息篡改和仿冒等攻擊。目前主要通過接入認(rèn)證和數(shù)據(jù)加密來保障無線網(wǎng)絡(luò)安全，其中接入認(rèn)證尤為關(guān)鍵。因此，設(shè)備射頻指紋識別技術(shù)應(yīng)運而生。射頻指紋是指輻射源設(shè)備在生產(chǎn)制造過程中產(chǎn)生的固有缺陷對射頻信號的特定影響，即不同射頻發(fā)射機的電路設(shè)計差異和制作工藝誤差導(dǎo)致信號中存在微小差別，形成獨特的射頻指紋。射頻指紋具有唯一性、短時不變性、獨立性和穩(wěn)定性，難以篡改和仿冒，可用于替代密鑰進行身份認(rèn)證，增強無線網(wǎng)絡(luò)安全。

3、現(xiàn)有射頻指紋識別技術(shù)存在的技術(shù)問題包括：

4、(1)傳統(tǒng)信號處理和固定特征提取算法需要大量的計算資源和時間，對于復(fù)雜信號處理效率低；

5、(2)傳統(tǒng)射頻指紋識別系統(tǒng)依賴于專用硬件設(shè)備和復(fù)雜的算法支持，造成了較高的部署和維護成本，使得技術(shù)在大規(guī)模應(yīng)用中受限；

6、(3)環(huán)境干擾、設(shè)備差異和攻擊手段等因素，使系統(tǒng)識別準(zhǔn)確率難以保持穩(wěn)定，容易發(fā)生誤判和漏判情況。

技術(shù)實現(xiàn)思路

1、本發(fā)明為解決上述技術(shù)問題，提供了一種基于tcn-lstm的射頻指紋識別方法和系統(tǒng)，對現(xiàn)有射頻指紋識別技術(shù)進行改進，克服了傳統(tǒng)射頻指紋識別技術(shù)的局限性，降低了系統(tǒng)的計算復(fù)雜度和成本，且提高了識別準(zhǔn)確率和安全性。

2、為達到上述目的，本發(fā)明所采用的技術(shù)方案是：

3、首先提供了一種基于tcn-lstm的射頻指紋識別方法，步驟如下：

4、s1信號預(yù)處理

5、對接收到的射頻信號ads-b進行預(yù)處理，得到復(fù)數(shù)信號，將其劃分為實部和虛部兩路信號；

6、s2特征提取

7、對s1得到的實部和虛部兩路信號分別進行歸一化處理以及雙譜變換，對歸一化處理結(jié)果進行縱向拼接，得到i/q矩陣；同時，對雙譜變換結(jié)果進行圍線積分來提取信號特征，對信號特征進行縱向拼接，得到雙譜積分矩陣；

8、s3構(gòu)建射頻指紋識別模型

9、具體包括：長短時記憶網(wǎng)絡(luò)lstm分支、時間卷積網(wǎng)絡(luò)tcn分支和全連接層；

10、s4神經(jīng)網(wǎng)絡(luò)訓(xùn)練

11、將i/q矩陣和雙譜積分矩陣作為神經(jīng)網(wǎng)絡(luò)的訓(xùn)練樣本，對神經(jīng)網(wǎng)絡(luò)進行訓(xùn)練并調(diào)優(yōu)；具體包括：所述i/q矩陣作為lstm分支的輸入，所述雙譜積分矩陣作為tcn分支的輸入，lstm分支和tcn分支的輸出進行拼接作為全連接層的輸入；

12、s5輻射源識別

13、將待識別數(shù)據(jù)輸入到優(yōu)化后的神經(jīng)網(wǎng)絡(luò)進行射頻指紋識別，得到分類結(jié)果。

14、優(yōu)選的，所述預(yù)處理方法包括：對接收到的ads-b信號進行解碼、校驗、提取、過濾、和時序排序，保留有效數(shù)據(jù)部分。

15、優(yōu)選的，所述雙譜變換過程如下：

16、設(shè)信號x[n]，其雙譜b(f1,f2)定義為：

17、b(f1,f2)＝e[x(f1)x(f2)x*(f2+f2)]

18、其中，e表示期望值操作，x(f)是x[n]的離散傅里葉變換，x*(f)是x(f)的復(fù)共軛，f1和f2是頻率分量。

19、優(yōu)選的，所述lstm分支包括輸入層、隱藏層和輸出層，所述隱藏層內(nèi)包括多個lstm單元，所述lstm單元內(nèi)部由遺忘門f、輸入門i、候選門g、輸出門o組成，其中i和g可合為輸入門；所述lstm單元輸出狀態(tài)參數(shù)ct、ht的更新公式為：

20、ct＝ft⊙ct-1+it⊙gt

21、ht＝ot⊙tanh(ct)

22、其中，門結(jié)構(gòu)的輸出公式為：

23、ft＝σ(wfxt+rfht-1+bf)

24、it＝σ(wixt+riht-1+bi)

25、gt＝tanh(wgxt+rght-1+bg)

26、ot＝σ(woxt+roht-1+bo)

27、其中，ct為當(dāng)前時刻單元狀態(tài)輸出，ht為當(dāng)前時刻隱藏層狀態(tài)輸出，xt為當(dāng)前時刻的輸入，ct-1為上一時刻的單元狀態(tài)輸出，ht-1為上一時刻的隱藏層狀態(tài)輸出；

28、所述lstm分支在反向傳播過程中迭代更新的參數(shù)如下：

29、

30、其中，w為輸入權(quán)重、r為循環(huán)權(quán)重、b為偏置。

31、優(yōu)選的，所述tcn分支由殘差塊組成，每個殘差塊包含兩個一維卷積層，即因果卷積和擴張卷積；

32、所述因果卷積和擴張卷積的運算方法如下：

33、設(shè)時間序列x＝x1,x2,…,xt,…,xt，濾波器s＝s1,s2,…,sk，

34、xt處的因果卷積表示為：

35、

36、xt處的擴張卷積表示為：

37、

38、其中，d表示擴張率；

39、所述殘差塊的輸出表示為：

40、x(h)＝δ(f(xh-1)+xh-1)

41、其中，xh-1表示第(h-1)個殘差塊的輸出，f(·)表示一種由擴張因果卷積、權(quán)范數(shù)、relu激活函數(shù)和層構(gòu)成的變換運算，δ(·)表示一個激活操作。

42、優(yōu)選的，所述i/q矩陣和所述雙譜積分矩陣作為所述神經(jīng)網(wǎng)絡(luò)輸入的訓(xùn)練樣本，訓(xùn)練樣本的自干擾信號作為所述神經(jīng)網(wǎng)絡(luò)的輸出，對所述神經(jīng)網(wǎng)絡(luò)進行訓(xùn)練。

43、優(yōu)選的，所述因果卷積采用大小為5的卷積核、32個濾波器和relu激活函數(shù)；所述擴張卷積采用大小為3的卷積核、64個濾波器和relu激活函數(shù)；每個殘差塊的卷積層通過不同的擴張率[1，2，4，8]來增加感受野，捕捉時間序列中的長期依賴關(guān)系。

44、本發(fā)明還提供了一種基于tcn-lstm的射頻指紋識別系統(tǒng)，包括：

45、信號預(yù)處理模塊，用于對接收到的射頻信號ads-b進行預(yù)處理；

46、特征提取模塊，用于對實部和虛部兩路信號分別進行歸一化處理以及雙譜變換，對歸一化處理結(jié)果進行縱向拼接，得到i/q矩陣；同時，對雙譜變換結(jié)果進行圍線積分來提取信號特征，對信號特征進行縱向拼接，得到雙譜積分矩陣；

47、構(gòu)建射頻指紋識別模型模塊，用于構(gòu)建長短時記憶網(wǎng)絡(luò)lstm分支、時間卷積網(wǎng)絡(luò)tcn分支和全連接層；

48、神經(jīng)網(wǎng)絡(luò)訓(xùn)練模塊，用于將i/q矩陣和雙譜積分矩陣作為神經(jīng)網(wǎng)絡(luò)的訓(xùn)練樣本，進行神經(jīng)網(wǎng)絡(luò)訓(xùn)練并調(diào)優(yōu)；

49、輻射源識別模塊，用于將待識別數(shù)據(jù)輸入到優(yōu)化后的神經(jīng)網(wǎng)絡(luò)進行射頻指紋識別，得到分類結(jié)果。

50、上述技術(shù)方案具有如下優(yōu)點或有益效果：

51、(1)所述i/q矩陣提供了豐富的時頻信息，捕捉了信號的幅度和相位特征；所述雙譜積分矩陣通過提取信號的高階統(tǒng)計特征，揭示了信號中的非線性特性和相位耦合信息，增強了特征提取的有效性；

52、(2)所述lstm分支擅長處理序列數(shù)據(jù)，能夠捕捉信號中的長時依賴關(guān)系，記憶長時間跨度內(nèi)的特征；所述tcn分支通過擴張卷積和因果卷積，實現(xiàn)多尺度時序特征捕捉和并行計算，從而高效處理時序數(shù)據(jù)；系統(tǒng)結(jié)合lstm分支和tcn分支，對射頻信號進行全面分析和精確識別，無需額外的硬件模塊，簡化了系統(tǒng)結(jié)構(gòu)，降低了計算復(fù)雜度和整體成本；

53、(3)雙譜變換提取信號的高階統(tǒng)計特征，對噪聲和干擾具有魯棒性；lstm-tcn網(wǎng)絡(luò)通過有效的時序建模，提高了系統(tǒng)對設(shè)備差異和攻擊手段的適應(yīng)性；結(jié)合雙譜變換和lstm-tcn網(wǎng)絡(luò)進行射頻指紋識別，解決了環(huán)境干擾、設(shè)備差異和攻擊手段導(dǎo)致的識別準(zhǔn)確率不穩(wěn)定問題，減少誤判和漏判，顯著提高了系統(tǒng)的可靠性。