-
公开(公告)号：CN110536299B
公开(公告)日：2020-04-14
申请号：CN201910832461.8
申请日：2019-09-04
Applicant: 电子科技大学 , 南方电网科学研究院有限责任公司
IPC: H04W12/08 , H04B7/0413 , G06K9/62
Abstract: 本发明公开了一种基于边缘计算和离散随机卷积的数据包合法性确认方法，包括以下步骤：在边缘服务器与已知终端设备中预存原始导频信号；已知终端设备在发送信号中插入已知的原始导频信号发送给边缘服务器；边缘服务器对接收信号进行导频分离，得到接收到的导频信号矩阵；计算信道矩阵的估计值；对于已知终端设备，测得多个信道矩阵的估计值的集合；对于不同的已知终端设备，测得对应的信道矩阵估计的集合，构建训练集合；建立卷积核与卷积核移动规则，训练得到成熟的神经网络分类器；测得待验证终端设备信道矩阵估计的集合；对待验证终端设备的信道矩阵进行分类。本发明提高了卷积神经网络构建的分类器在MIMO信道矩阵中识别效果，提高识别的准确率。
-
公开(公告)号：CN108960138B
公开(公告)日：2019-07-02
申请号：CN201810717590.8
申请日：2018-07-03
Applicant: 南方电网科学研究院有限责任公司 , 电子科技大学
Abstract: 本发明公开了一种基于卷积神经网络的设备认证特征识别方法，包括以下步骤：S1.识别平台对合法无线设备和非法无线设备进行射频指纹信号采集；S2.识别平台对对原始射频指纹信号样本集进行特征生成；S3.识别平台对生成的射频指纹特征样本集进行划分，得到训练集和测试集；S4.识别平台利用识别算法生成分类识别器，并根据训练集和测试集进行训练和测试，直至分类识别器满足检测概率；S5.识别平台利用检测率达标的分类识别器，对未知身份信息的无线发射设备，以实现合法性身份判断。本发明克服了人工选取射频指纹特征单一和特征选取困难的问题，利用卷积神经网络自动提取指纹特征，再使用识别算法，从而提高了对无线发射设备的身份识别率。
-
公开(公告)号：CN109598216B
公开(公告)日：2022-04-19
申请号：CN201811403841.1
申请日：2018-11-23
Applicant: 南方电网科学研究院有限责任公司 , 电子科技大学
Abstract: 本发明公开了一种基于卷积的射频指纹特征提取方法，包括以下步骤：S1.检测接收信号稳态部分频率；S2.建立预卷积核函数；S3.用预卷积核函数与原始信号进行卷积；S4.使用现有的瞬态信号检测方法检测卷积后波形的起始点，利用该起始点对原始信号波形进行截取，获得截取后的开机瞬态信号；S5.建立正余弦卷积核函数；S6.用正余弦卷积核函数分别与截取后的开机瞬态信号进行卷积，获得卷积后的波形，可作为原始信号的指纹特征；S7.对卷积后的波形进行小波变换；S8.将小波变换后的两个波形首尾相连，得到特征函数。本发明能够将信号波形在幅度、频率上出现瑕疵或突变更明显地显示出来，令机器学习或深度学习更易识别。
-
公开(公告)号：CN109587136B
公开(公告)日：2020-06-19
申请号：CN201811477070.0
申请日：2018-12-05
Applicant: 电子科技大学 , 南方电网科学研究院有限责任公司
Abstract: 本发明公开了一种基于双极大值的射频指纹特征提取和识别方法，包括以下步骤：S1.接收端分别接收来自多个射频发射器的信号，并进行样本采集，得到样本集D；S2.从样本集D中选取样本数据，提取该样本数据中的极大值，将选取出来的极大值组成样本特征；S3.按照步骤S2依次对样本集D中的每一个样本数据进行处理，得到双极大值特征集；S4.基于机器类学习算法，在双极大值数据集的基础上训练分类器，对未知身份的射频收发器进行识别。本发明利用双极大值提取的方式，有效减少了提取得到的特征维数，进而降低计算复杂度，同时提高了特征的类别可分性能。
-
公开(公告)号：CN108960138A
公开(公告)日：2018-12-07
申请号：CN201810717590.8
申请日：2018-07-03
Applicant: 南方电网科学研究院有限责任公司 , 电子科技大学
CPC classification number: G06K9/00087 , G06K9/6267 , G06K17/0022 , G06N3/0454 , G06N3/08
Abstract: 本发明公开了一种基于卷积神经网络的设备认证特征识别方法，包括以下步骤：S1.识别平台对合法无线设备和非法无线设备进行射频指纹信号采集；S2.识别平台对对原始射频指纹信号样本集进行特征生成；S3.识别平台对生成的射频指纹特征样本集进行划分，得到训练集和测试集；S4.识别平台利用识别算法生成分类识别器，并根据训练集和测试集进行训练和测试，直至分类识别器满足检测概率；S5.识别平台利用检测率达标的分类识别器，对未知身份信息的无线发射设备，以实现合法性身份判断。本发明克服了人工选取射频指纹特征单一和特征选取困难的问题，利用卷积神经网络自动提取指纹特征，再使用识别算法，从而提高了对无线发射设备的身份识别率。
-
Patent Agency Ranking
公开(公告)号：CN109033780B
公开(公告)日：2019-07-02
申请号：CN201810718435.8
申请日：2018-07-03
Applicant: 南方电网科学研究院有限责任公司 , 电子科技大学
Abstract: 本发明公开了一种基于小波变换和神经网络的边缘计算接入认证方法，包括以下步骤：S1.接收设备对发送设备进行信号采集和存储，得到N个一维信号样本；S2.采用小波变换将每个一维信号样本变换为二维矩阵样本；S3.对于多个不同的发射设备，重复以上S1~S2操作，以设备编号为反馈，存入样本库；S4.利用基于神经网络的图像识别算法，以样本中矩阵为训练数据，编号为反馈对神经网络中的参数进行训练；S5.利用训练得到的神经网络对待检测波形进行分类，判定其所属设备。本发明利用小波变换，将一维信号数据变换为二维数据，再利用基于神经网络的识别技术对其进行训练和识别，提高了识别的准确性。
-
公开(公告)号：CN109598216A
公开(公告)日：2019-04-09
申请号：CN201811403841.1
申请日：2018-11-23
Applicant: 南方电网科学研究院有限责任公司 , 电子科技大学
Abstract: 本发明公开了一种基于卷积的射频指纹特征提取方法，包括以下步骤：S1.检测接收信号稳态部分频率；S2.建立预卷积核函数；S3.用预卷积核函数与原始信号进行卷积；S4.使用现有的瞬态信号检测方法检测卷积后波形的起始点，利用该起始点对原始信号波形进行截取，获得截取后的开机瞬态信号；S5.建立正余弦卷积核函数；S6.用正余弦卷积核函数分别与截取后的开机瞬态信号进行卷积，获得卷积后的波形，可作为原始信号的指纹特征；S7.对卷积后的波形进行小波变换；S8.将小波变换后的两个波形首尾相连，得到特征函数。本发明能够将信号波形在幅度、频率上出现瑕疵或突变更明显地显示出来，令机器学习或深度学习更易识别。
-
公开(公告)号：CN110536299A
公开(公告)日：2019-12-03
申请号：CN201910832461.8
申请日：2019-09-04
Applicant: 电子科技大学 , 南方电网科学研究院有限责任公司
IPC: H04W12/08 , H04B7/0413 , G06K9/62
Abstract: 本发明公开了一种基于边缘计算和离散随机卷积的数据包合法性确认方法，包括以下步骤：在边缘服务器与已知终端设备中预存原始导频信号；已知终端设备在发送信号中插入已知的原始导频信号发送给边缘服务器；边缘服务器对接收信号进行导频分离，得到接收到的导频信号矩阵；计算信道矩阵的估计值；对于已知终端设备，测得多个信道矩阵的估计值的集合；对于不同的已知终端设备，测得对应的信道矩阵估计的集合，构建训练集合；建立卷积核与卷积核移动规则，训练得到成熟的神经网络分类器；测得待验证终端设备信道矩阵估计的集合；对待验证终端设备的信道矩阵进行分类。本发明提高了卷积神经网络构建的分类器在MIMO信道矩阵中识别效果，提高识别的准确率。
-
公开(公告)号：CN109587136A
公开(公告)日：2019-04-05
申请号：CN201811477070.0
申请日：2018-12-05
Applicant: 电子科技大学 , 南方电网科学研究院有限责任公司
Abstract: 本发明公开了一种基于双极大值的射频指纹特征提取和识别方法，包括以下步骤：S1.接收端分别接收来自多个射频发射器的信号，并进行样本采集，得到样本集D；S2.从样本集D中选取样本数据，提取该样本数据中的极大值，将选取出来的极大值组成样本特征；S3.按照步骤S2依次对样本集D中的每一个样本数据进行处理，得到双极大值特征集；S4.基于机器类学习算法，在双极大值数据集的基础上训练分类器，对未知身份的射频收发器进行识别。本发明利用双极大值提取的方式，有效减少了提取得到的特征维数，进而降低计算复杂度，同时提高了特征的类别可分性能。
-
公开(公告)号：CN109033780A
公开(公告)日：2018-12-18
申请号：CN201810718435.8
申请日：2018-07-03
Applicant: 南方电网科学研究院有限责任公司 , 电子科技大学
CPC classification number: G06F21/32 , G06F21/45 , G06F2221/2133 , G06K9/00087 , G06K9/527 , G06K9/6267 , G06N3/0454 , G06N3/084
Abstract: 本发明公开了一种基于小波变换和神经网络的边缘计算接入认证方法，包括以下步骤：S1.接收设备对发送设备进行信号采集和存储，得到N个一维信号样本；S2.采用小波变换将每个一维信号样本变换为二维矩阵样本；S3.对于多个不同的发射设备，重复以上S1~S2操作，以设备编号为反馈，存入样本库；S4.利用基于神经网络的图像识别算法，以样本中矩阵为训练数据，编号为反馈对神经网络中的参数进行训练；S5.利用训练得到的神经网络对待检测波形进行分类，判定其所属设备。本发明利用小波变换，将一维信号数据变换为二维数据，再利用基于神经网络的识别技术对其进行训练和识别，提高了识别的准确性。
-
-
-
-
-
-
-
-
-
Search Results
29
records
(took 0.044 seconds)
