目錄
第1章 緒論 1
1.1 射頻指紋的產生與作用 2
1.2 國內外研究現(xiàn)狀 4
1.2.1 射頻指紋識別技術分析對象 4
1.2.2 射頻指紋識別技術研究現(xiàn)狀 6
1.2.3 射頻指紋識別聯(lián)邦學習研究現(xiàn)狀 8
1.2.4 射頻指紋小樣本學習研究現(xiàn)狀 9
參考文獻 11
第2章 射頻指紋識別基本原理與理論 16
2.1 射頻指紋識別基本流程 16
2.2 射頻指紋基本特性和產生機理 18
2.2.1 射頻指紋基本特性 18
2.2.2 核心元器件射頻指紋產生機理 20
2.3 射頻指紋特征提取基本方法 25
2.3.1 基于瞬態(tài)信號的射頻指紋提取方法 25
2.3.2 基于穩(wěn)態(tài)信號的射頻指紋提取方法 27
2.4 基于機器學習的射頻識別算法 28
2.5 基于深度學習的射頻指紋識別 29
2.5.1 深度學習相關理論 30
2.5.2 卷積神經網絡 31
2.5.3 注意力機制 32
2.5.4 模型壓縮 34
2.6 基于聯(lián)邦學習的射頻指紋識別 35
2.6.1 聯(lián)邦學習的學習過程 36
2.6.2 聯(lián)邦學習的經典算法 37
2.6.3 聯(lián)邦學習的數(shù)據(jù)分布 37
2.7 本章小結 38
參考文獻 38
第3章 射頻指紋原始數(shù)據(jù)預處理 41
3.1 信號采樣基本理論 41
3.2 射頻信號數(shù)字信道化設計 43
3.2.1 數(shù)字信道化技術理論基礎 43
3.2.2 寬帶非跨信道全覆蓋式數(shù)字信道化技術 47
3.2.3 數(shù)字信道化性能驗證及實現(xiàn) 50
3.3 基于Farrow濾波器的變速率處理技術 59
3.3.1 基于Farrow結構內插濾波器 59
3.3.2 理想信號重構 63
3.3.3 轉置Farrow結構濾波器 63
3.3.4 Farrow硬件結構中控制模塊設計 64
3.3.5 定點仿真及結構實現(xiàn) 66
3.4 實時寬帶信號檢測 69
3.4.1 載波參數(shù)檢測整體方案設計 70
3.4.2 基于序號映射的并行FFT的Welch周期圖譜估計 70
3.4.3 基于形態(tài)學的噪底展平LAD改進型檢測算法 79
3.4.4 載波參數(shù)檢測實現(xiàn)結構及其分析 85
3.5 本章小結 89
參考文獻 90
第4章 多徑環(huán)境中調制識別技術與數(shù)據(jù)預處理 92
4.1 基于OFDM的通信傳輸模型 92
4.1.1 OFDM技術概述 92
4.1.2 OFDM通信鏈路的矩陣表達 93
4.1.3 多徑環(huán)境調制識別流程架構 94
4.2 OFDM系統(tǒng)信道估計算法 95
4.2.1 基于導頻的最小二乘信道估計算法 96
4.2.2 基于導頻的最小均方誤差信道估計算法 97
4.2.3 奇異值分解的最小均方誤差信道估計算法 98
4.2.4 基于二階統(tǒng)計量的盲信道估計算法 98
4.2.5 改進的二階統(tǒng)計量盲信道估計算法 99
4.2.6 基于子空間的盲信道估計算法 100
4.3 信道均衡算法與仿真結果 102
4.3.1 迫零均衡算法 102
4.3.2 最小均方誤差均衡算法 102
4.3.3 仿真結果 103
4.4 基于深度殘差收縮神經網絡的識別性能分析 106
4.4.1 深度殘差神經網絡概述 106
4.4.2 深度殘差收縮神經網絡概述 107
4.4.3 適用于調制識別的修改模型 109
4.4.4 識別結果及性能分析 111
4.5 基于卷積神經網絡的識別分析 115
4.5.1 搭建的卷積神經網絡結構 115
4.5.2 識別結果及性能分析 116
4.6 各類特定調制識別算法復雜度比較和討論 118
4.7 本章小結 120
參考文獻 120
第5章 穩(wěn)態(tài)信號射頻指紋特征提取 122
5.1 無導頻結構的射頻指紋特征提取 122
5.1.1 分形特征 122
5.1.2 高階矩特征 128
5.1.3 相位噪聲譜 132
5.2 導頻結構的穩(wěn)態(tài)信號射頻指紋提取 136
5.2.1 載頻相位精估特征 136
5.2.2 星座圖特征 141
5.2.3 功率譜統(tǒng)計特征 146
5.3 本章小結 149
參考文獻 150
第6章 低信噪比電磁環(huán)境下的射頻指紋識別方法 151
6.1 預處理組合模型算法設計 151
6.1.1 基于Sketch的流算法的高頻次信號篩選 152
6.1.2 基于ConvTrans時序預測網絡的重點信號活動預測 155
6.1.3 基于GSOM聚類算法的信號發(fā)射源設備標注 158
6.1.4 算法結果分析 161
6.2 基于注意力機制的射頻指紋識別模型 167
6.2.1 基于通道注意力機制的殘差網絡(RCAN-RFF)模型設計 168
6.2.2 注意力機制射頻指紋識別實驗驗證 176
6.2.3 算法結果分析 177
6.3 本章小結 183
參考文獻 183
第7章 射頻指紋小樣本識別方法 185
7.1 基于匹配網絡模型的射頻指紋小樣本識別方法 185
7.1.1 匹配網絡模型整體結構 185
7.1.2 嵌入函數(shù)設計 187
7.1.3 注意力核函數(shù) 189
7.1.4 FCE模塊設計 191
7.2 基于元遷移學習的射頻指紋小樣本識別方法 191
7.2.1 元遷移學習模型整體結構 192
7.2.2 算法流程 194
7.2.3 預訓練網絡模塊設計 197
7.2.4 元學習網絡模塊設計 200
7.3 算法結果分析 202
7.3.1 射頻指紋小樣本學習驗證 202
7.3.2 仿真數(shù)據(jù) 202
7.3.3 仿真設計 203
7.3.4 仿真結果與分析 206
7.4 本章小結 209
參考文獻 209
第8章 資源受限環(huán)境下的射頻指紋識別方法設計與實現(xiàn) 211
8.1 關鍵問題研究分析 211
8.2 對計算復雜度問題的研究 213
8.2.1 深度可分離卷積 213
8.2.2 模型量化 215
8.2.3 BN層 217
8.3 基于深度可分離卷積和模型量化的射頻指紋識別模型 218
8.4 算法結果分析 220
8.4.1 數(shù)據(jù)集 221
8.4.2 評價指標 222
8.4.3 Loss函數(shù)與實驗參數(shù) 222
8.4.4 實驗結果與分析 223
8.5 本章小結 226
參考文獻 226
第9章 實時射頻指紋特征提取與SVM加速器設計 228
9.1 基于FPGA的射頻指紋特征提取系統(tǒng) 228
9.1.1 面向實時處理非同步射頻特征選取 229
9.1.2 系統(tǒng)硬件實現(xiàn)結構設計 232
9.1.3 測試結果 235
9.2 基于共享點積矩陣的搜索SVM最優(yōu)訓練參數(shù)組設計與實現(xiàn) 237
9.2.1 共享點積矩陣算法 238
9.2.2 軟硬件協(xié)同處理架構 239
9.2.3 性能評估與測試結果 248
9.3 本章小結 253
參考文獻 253