采用差分星座圖的SDR設(shè)備射頻指紋識(shí)別*

安永麗,申俊峰,紀(jì)占林

(1.華北理工大學(xué) 人工智能學(xué)院,河北 唐山063000;2.河北省工業(yè)智能感知重點(diǎn)實(shí)驗(yàn)室,河北 唐山063000)

0 引 言

在人們享受物聯(lián)網(wǎng)(Internet of Things,IoT)的快速發(fā)展帶來(lái)便利的同時(shí),安全問(wèn)題也漸漸浮出水面[1]。射頻指紋[2]是一種新穎的物理層安全技術(shù),與生物指紋相似,是無(wú)線設(shè)備本身的固有特性,不易偽造?；谏漕l指紋的身份認(rèn)證可以極大地增加無(wú)線傳輸安全性。

目前的射頻指紋識(shí)別方法可以分為兩類。一類是基于瞬態(tài)的射頻指紋提取技術(shù),即使用小波變換[3]、經(jīng)驗(yàn)?zāi)B(tài)分解(Empirical Mode Decomposition,EMD)[4]或赤池信息準(zhǔn)則(Akaike Information Criterion,AIC)[5]等方法分析無(wú)線設(shè)備的射頻指紋。但是這種技術(shù)對(duì)設(shè)備的靈敏度有極高的要求,不僅傳輸過(guò)程中信號(hào)容易被噪聲干擾,還會(huì)增加射頻指紋提取的成本。另一類是基于調(diào)制域的射頻指紋提取方法,可以很好避免噪聲的干擾并降低提取的成本。調(diào)制特征包括I/Q偏移、載波頻率偏移[5]、星座軌跡圖(Constellation Trace Figure,CTF)[7]等。調(diào)制方法是將射頻指紋轉(zhuǎn)換為含有特征的星座軌跡圖(圖像中樣本點(diǎn)分布的情況即為射頻指紋特征),再通過(guò)卷積神經(jīng)網(wǎng)絡(luò)完成復(fù)雜分類。文獻(xiàn)[8]提出了使用卷積神經(jīng)網(wǎng)絡(luò)來(lái)識(shí)別使用差分星座圖(Differential Constellation Trace Figure,DCTF)特征的不同設(shè)備,但DCTF在低信噪比下表現(xiàn)得不理想。文獻(xiàn)[9]提出了使用注意力殘差網(wǎng)絡(luò)來(lái)識(shí)別不同設(shè)備,雖然可以達(dá)到較好的準(zhǔn)確率,但是其網(wǎng)絡(luò)結(jié)構(gòu)過(guò)于復(fù)雜,計(jì)算量較大。以上方法在特征提取時(shí)沒(méi)有考慮噪聲對(duì)模型性能的影響,也存在網(wǎng)絡(luò)結(jié)構(gòu)復(fù)雜、感受野不足以及模型容易過(guò)擬合的問(wèn)題。

為了解決以上問(wèn)題,本文提出了一種改進(jìn)的Res2Net50網(wǎng)絡(luò)模型,即DCTF-Res2Net模型。該模型不僅在提取特征時(shí)通過(guò)增大感受野來(lái)獲取更多的特征信息,還緩解了離散點(diǎn)對(duì)模型性能的影響。具體如下:首先,針對(duì)實(shí)際的無(wú)線傳輸場(chǎng)景,選用合適的正交相移鍵控(Quadrature Phase Shift Keying,QPSK)調(diào)制方式生成DCTF,無(wú)需再進(jìn)行可視化預(yù)處理。然后,引入了注意力模塊,此模塊通過(guò)捕獲位置信息和通道間的關(guān)系,以增大感受野和過(guò)濾掉無(wú)關(guān)信息,達(dá)到增強(qiáng)提取有效特征和提高識(shí)別精度的目的。最后,使用標(biāo)簽平滑交叉熵?fù)p失函數(shù)來(lái)替代交叉熵?fù)p失函數(shù),緩解了由于樣本點(diǎn)散亂導(dǎo)致網(wǎng)絡(luò)模型容易過(guò)擬合的問(wèn)題。將所提出的DCTF-Res2Net模型在數(shù)據(jù)集上進(jìn)行了充分的實(shí)驗(yàn),結(jié)果表明,DCTF-Res2Net模型具有更好的準(zhǔn)確性和魯棒性。

1 基于DCTF的射頻指紋提取

實(shí)驗(yàn)系統(tǒng)框圖如圖1所示,實(shí)驗(yàn)設(shè)備包含3個(gè)可收發(fā)的軟件無(wú)線電設(shè)備。為了更好地體現(xiàn)出射頻指紋的特征和完成基于傳輸距離輔助的多種差分間隔的差分星座圖的繪制,接收機(jī)使用60 Msamples/s的過(guò)采樣率,是發(fā)射機(jī)采樣率的10倍。

圖1 整體系統(tǒng)框圖Fig.1 Overall system diagram

軟件無(wú)線電發(fā)射機(jī)發(fā)送的信號(hào)可以用公式(1)表示:

(1)

接收機(jī)接收的信號(hào)可以用公式(2)表示:

(2)

為了獲得更穩(wěn)定的差分星座圖,首先將接收到的信號(hào)在I/Q延遲器中執(zhí)行相同的移位值為τ的移位操作,以突顯特征,如公式(3)所示:

Y′(t)=((βIχI(t+τ)+φI)+(βQχQ(t+τ)+φQ)j)e-j2πγt

(3)

再對(duì)其進(jìn)行差分處理,解決由于傳輸距離引起的特征發(fā)散的問(wèn)題。差分過(guò)程如公式(4)所示:

Z(t)=Y′(t)·Y′(t+λ)

(4)

式中:λ表示選取的差分間隔。實(shí)驗(yàn)時(shí),3個(gè)軟件無(wú)線電設(shè)備之間進(jìn)行相互傳輸,傳輸方式如表1所示。A→C表示設(shè)備A作為發(fā)射機(jī),設(shè)備C作為接收機(jī);d1和d2代表不同的傳輸距離;λ1,λ2和λ3代表不同的差分間隔。

表1 設(shè)備之間傳輸方式Tab.1 Transmission methods between devices

將上述處理后的數(shù)字信號(hào)在復(fù)平面上繪制出來(lái)即為星座圖,可以更直觀地表示信號(hào)之間的關(guān)系。通過(guò)星座圖中樣本的分布來(lái)研究接收信號(hào)中所包含的射頻指紋特征。按照上述差分間隔的選取對(duì)星座圖進(jìn)行差分處理得到差分星座圖。DCTF本質(zhì)上提供了差分運(yùn)算的統(tǒng)計(jì)分布的可視化。差分結(jié)果中樣本點(diǎn)的分布代表了在不同信噪比和傳輸環(huán)境下的射頻指紋特征。發(fā)射機(jī)和接收機(jī)采用QPSK調(diào)制方式,進(jìn)行差分處理后,在不同信噪比的情況下的DCTF示例如圖2所示。針對(duì)實(shí)際的無(wú)線傳輸場(chǎng)景,設(shè)置了5～20 dB的信噪比,以達(dá)到模仿真實(shí)傳輸環(huán)境的目的。

圖2 在不同信噪比環(huán)境下提取的DCTFFig.2 DCTF extracted in different SNR environments

由于載波頻率偏移、I/Q偏移和非線性變化,DCTF中的樣本點(diǎn)軌跡分布密度不同。從圖2中可以看出,在信噪比10～20 dB情況下,DCTF樣本點(diǎn)分布密集,特征明顯,且覆蓋范圍小;在信噪比為5 dB情況下,DCTF樣本點(diǎn)分布散亂,特征模糊,且覆蓋范圍廣。傳統(tǒng)的殘差網(wǎng)絡(luò)對(duì)噪聲的適應(yīng)能力較差,無(wú)法解決由于DCTF的模糊,導(dǎo)致網(wǎng)絡(luò)模型易過(guò)擬合和特征提取不完整的問(wèn)題,因此,針對(duì)DCTF特征模糊問(wèn)題,本文提出DCTF-Res2Net模型來(lái)提高射頻指紋的身份識(shí)別精度。

2 基于DCTF-Res2Net的射頻指紋識(shí)別

殘差網(wǎng)絡(luò)[10]雖然在分類任務(wù)方面遠(yuǎn)勝于傳統(tǒng)的卷積神經(jīng)網(wǎng)絡(luò),但是傳統(tǒng)的殘差網(wǎng)絡(luò)的感受野受限,在低信噪比情況下不能完全提取有效信息。因此,借鑒了多尺度神經(jīng)網(wǎng)絡(luò)Res2Net50[11]中的殘差模塊,其采用了傳統(tǒng)的殘差網(wǎng)絡(luò)ResNet50中瓶頸塊的變體,將瓶頸塊中的3×3的卷積用分組卷積來(lái)替代,增加每個(gè)網(wǎng)絡(luò)層的感受野范圍,達(dá)到能在更細(xì)的粒度中提取多尺度特征的目的。

如圖3(a)所示,在DCTF-Res2Net的殘差模塊中,將1×1卷積層輸出的數(shù)據(jù)被平均分成4組,分別為x1,x2,x3和x4。x1直接得到輸出y1。y2是通過(guò)一個(gè)3×3的卷積得到的輸出,因此y2得到的是3×3的感受野。y3是通過(guò)兩個(gè)3×3卷積優(yōu)化后得到的輸出,因此y3得到是5×5的感受野。y4是融合了3×3的感受野和5×5的感受野處理后的輸出,因此y4得到是7×7的感受野。最后將y1,y2,y3和y4進(jìn)行拼接,再通過(guò)1×1的卷積進(jìn)行跨通道信息融合,最后再與恒等映射分支進(jìn)行累加得到輸出,達(dá)到多尺度融合提取DCTF特征的目的。

圖3 殘差模塊Fig.3 Residual module

在低信噪比情況下,若網(wǎng)絡(luò)模型的感受野太小,則只能觀察到DCTF的局部特征,沒(méi)法提取到關(guān)鍵信息;若感受野太大,雖然可以提取DCTF整體的信息,增強(qiáng)對(duì)全局信息理解,但是也會(huì)將噪聲誤認(rèn)為成有效信息。

為了提高有效感受野和避免冗余信息干擾,采用了多尺度模型。多尺度模型不僅可以對(duì)DCTF進(jìn)行不同尺度的采樣,提取DCTF不同的特征,還降低了網(wǎng)絡(luò)模型中參數(shù)的數(shù)量。多尺度模型在提取有效特征時(shí),既提取了DCTF整體的信息,減少了關(guān)鍵信息的丟失,又提取了DCTF中每個(gè)樣本點(diǎn)的具體的細(xì)節(jié)信息。

2.1 基于注意力機(jī)制對(duì)模型的改進(jìn)

在低信噪比情況下,DCTF會(huì)由于噪聲的影響使得離散點(diǎn)增多和形狀發(fā)生改變,進(jìn)而導(dǎo)致模型不能精準(zhǔn)提取關(guān)鍵信息。為了過(guò)濾掉噪聲等冗余信息并自適應(yīng)地提取DCTF的細(xì)節(jié)特征,在網(wǎng)絡(luò)模型中添加注意力模塊。

壓縮激活(Squeeze and Excitation,SE)模塊只考慮了通道注意力關(guān)系,不適合圖像的特征提取。卷積塊狀注意力模塊(Convolution Block Attention Module,CBAM)采用通道注意力和空間注意力結(jié)合的設(shè)計(jì),雖然能對(duì)DCTF的識(shí)別有略微的改善,但是其忽略了位置信息,無(wú)法解決由于樣本分布散亂而導(dǎo)致模型精度降低的根本問(wèn)題。

然而,CA(Coordinate Attention)[12]模塊(圖4)通過(guò)將通道與位置結(jié)合,可以捕獲精確的差分星座圖中離散點(diǎn)位置信息,將通道注意力分解為水平和垂直的兩個(gè)一維特征編碼,再分別沿這兩個(gè)空間方向聚合特征。這樣可以保留精確的位置信息,更細(xì)致地獲取圖像的關(guān)鍵信息,解決樣本散亂等根本問(wèn)題。

圖4 CA模塊Fig.4 CA module

圖4中,Avg Pool為全局平均池化層,Conv2d為1×1卷積層。首先將任意輸入的差分星座圖F∈C×H×W,分成水平和垂直兩個(gè)維度,分別進(jìn)行全局平均池化和編碼,獲得水平方向的差分星座圖FH∈C×H×1和垂直方向的差分星座圖FW∈C×1×W,分別提取水平和垂直方向的離散點(diǎn)的分布特征。然后,將得到的水平和垂直方向的差分星座圖進(jìn)行拼接融合,以達(dá)到增加感受野的目的,再經(jīng)過(guò)1×1的卷積層,使用卷積變換函數(shù)f對(duì)其進(jìn)行變換操作得到公式(5):

S=δ(f([FH,FW]))

(5)

式中:[FH,FW]為拼接融合操作;δ為ReLu激活函數(shù);S為差分星座圖在水平和垂直維度進(jìn)行分別編碼為一對(duì)可以互補(bǔ)的方向感知和位置敏感的特征圖,將其沿著水平和垂直維度分解為兩個(gè)獨(dú)立的張量SH∈C/r×H和SW∈C/r×W,再經(jīng)過(guò)1×1的卷積,將通道降為C,最后經(jīng)過(guò)Sigmoid函數(shù)得到公式(6):

(6)

式中:σ是Sigmoid激活函數(shù);GH是差分星座圖在水平維度的注意力權(quán)重;GW是差分星座圖在垂直維度的注意力權(quán)重。通過(guò)乘法加權(quán)計(jì)算,得到在水平和垂直維度上帶有注意力權(quán)重的特征圖:

y(h,w)=F(h,w)×GH(h)×GW(w)

(7)

CA的使用需要更多的模型推理時(shí)間,但是可以使高層次的特征表達(dá)更強(qiáng)。將網(wǎng)絡(luò)模型與CA模塊結(jié)合,使得模型更精準(zhǔn)地分析到DCTF中每個(gè)樣本點(diǎn)的位置信息,以達(dá)到提高識(shí)別精度的目的。

2.2 基于交叉熵?fù)p失函數(shù)的改進(jìn)

交叉熵?fù)p失通常使用one-hot向量處理分類任務(wù),但是,對(duì)于此數(shù)據(jù)集并不會(huì)產(chǎn)生很好的效果。這是因?yàn)楫?dāng)使用one-hot向量計(jì)算損失時(shí),會(huì)使模型無(wú)法充分考慮到離散樣本點(diǎn)的位置,導(dǎo)致模型非常容易過(guò)擬合。因此,采用了標(biāo)簽平滑[13]來(lái)改進(jìn)交叉熵?fù)p失函數(shù),以這種標(biāo)簽平滑的方式會(huì)使原本置信度高的類別置信度輕微降低,但是依然與其他類別的置信度保持明確的決策邊界。這種方式不僅給予標(biāo)簽一定的容錯(cuò)概率,還提高了模型對(duì)離散點(diǎn)的適應(yīng)能力。

交叉熵?fù)p失的公式如(8)所示:

(8)

式中:M=6表示類別的數(shù)量;p表示one-hot標(biāo)簽;q表示該樣本進(jìn)行Softmax的概率矩陣。當(dāng)使用one-hot向量進(jìn)行交叉熵?fù)p失計(jì)算,p=1,lnqξ就得到保留;反之p=0,lnqξ被舍棄。

公式(9)所示,標(biāo)簽平滑引入了一個(gè)平滑因子為ε=0.1,p為平滑之前的one-hot標(biāo)簽,p′為平滑之后的標(biāo)簽,μ=0.166是引入的固定分布的噪聲。

p′=(1-ε)·p+ε·μ

(9)

平滑過(guò)后的交叉熵?fù)p失如公式(10)所示:

(10)

在訓(xùn)練過(guò)程中既考慮到了正確標(biāo)簽位置的損失,也考慮到其他錯(cuò)誤標(biāo)簽位置的損失,使訓(xùn)練得到的損失增大,進(jìn)而提高了模型的學(xué)習(xí)能力,緩解了DCTF中離散點(diǎn)對(duì)模型的干擾。

DCTF-Res2Net的整體結(jié)構(gòu)如圖5所示。

圖5 DCTF-Res2Net網(wǎng)絡(luò)模型Fig.5 DCTF Res2Net network model

輸入層:為了降低模型的復(fù)雜度,輸入端使用64×64的圖像進(jìn)行分類,即輸入端的大小為128×64×64×3。

7×7的卷積層:使用一個(gè)較大感受野的7×7卷積層來(lái)提取DCTF的整體樣本點(diǎn)的分布結(jié)構(gòu)。

最大池化層:在第一個(gè)7×7卷積層輸出后,使用最大池化層降低計(jì)算的復(fù)雜度。

Res2Net殘差模塊:對(duì)特征圖進(jìn)行多尺度特征提取,不僅提取了DCTF整體的信息,還提取了DCTF中每個(gè)樣本點(diǎn)的細(xì)節(jié)信息。

CA模塊:通過(guò)將通道信息與位置信息結(jié)合,更精準(zhǔn)地分析到DCTF中每個(gè)樣本點(diǎn)的位置信息。

自適應(yīng)平均池化層:對(duì)特征進(jìn)行壓縮,同時(shí)取出對(duì)應(yīng)維度的均值,在一定程度上可以抑制冗余特征。

全連接層:使用4層全連接層達(dá)到平滑降低通道的目的。使用Dropout層將其值設(shè)置為0.5,提高模型的泛化能力。

最后,發(fā)送到Softmax分類器以獲得預(yù)測(cè)的設(shè)備編號(hào)。

3 仿真實(shí)驗(yàn)與結(jié)果分析

3.1 數(shù)據(jù)集及實(shí)驗(yàn)環(huán)境介紹

實(shí)驗(yàn)使用的軟件無(wú)線電設(shè)備為威視銳公司生產(chǎn)的可收發(fā)YunSDR Y310設(shè)備。接收機(jī)和發(fā)射機(jī)的部分帶寬為50 MHz。接收機(jī)使用60 Msample/s的過(guò)采樣率,是發(fā)射機(jī)采樣率的10倍。無(wú)線設(shè)備通過(guò)千兆網(wǎng)線與電腦主機(jī)連接。每一個(gè)無(wú)線設(shè)備連接一個(gè)主機(jī),主機(jī)的配置為Intel(R) Core(TM) i7-10700 CPU 64位處理器、16 GB內(nèi)存,并采用GTX 1060運(yùn)算加速,操作系統(tǒng)為 Win 10,主機(jī)使用Matlab對(duì)設(shè)備進(jìn)行調(diào)試。設(shè)備經(jīng)過(guò)2 min的預(yù)熱,達(dá)到穩(wěn)定的工作狀態(tài)后開(kāi)始進(jìn)行射頻指紋采集。接收機(jī)從無(wú)線設(shè)備中捕獲射頻波形,每次在真實(shí)室內(nèi)傳輸采集1 400個(gè)DCTF,將樣本分成兩組,訓(xùn)練集和測(cè)試集隨機(jī)分成70%和30%。為了模擬真實(shí)的傳輸環(huán)境,又在真實(shí)室內(nèi)場(chǎng)景和真實(shí)室外場(chǎng)景分別進(jìn)行了訓(xùn)練樣本和測(cè)試樣本分開(kāi)采集的實(shí)驗(yàn),室內(nèi)場(chǎng)景傳輸共采集700個(gè)樣本,室外場(chǎng)景傳輸共采集700個(gè)樣本,訓(xùn)練集和測(cè)試集分別占總樣本的70%和30%,再分別進(jìn)行識(shí)別精度實(shí)驗(yàn),并使用2-Fold 交叉驗(yàn)證得到最合理的結(jié)果。在實(shí)驗(yàn)過(guò)程中加入了5～20 dB的加性高斯白噪聲。

在DCTF-Res2Net模型中,損失函數(shù)采用交叉熵?fù)p失函數(shù)及標(biāo)簽平滑,使用Adam優(yōu)化算法進(jìn)行訓(xùn)練,從學(xué)習(xí)率從0.000 1開(kāi)始,逐步減少初始學(xué)習(xí)率進(jìn)行測(cè)試,最終設(shè)置為動(dòng)態(tài)學(xué)習(xí)率,在周期為2,5和10時(shí)進(jìn)行減半,周期設(shè)為20。batch size設(shè)為128,輸入圖像為64×64。網(wǎng)絡(luò)模型使用ImageNet預(yù)訓(xùn)練權(quán)重,加速網(wǎng)絡(luò)訓(xùn)練,網(wǎng)絡(luò)模型是在Pytorch1.6環(huán)境下建立的。

3.2 對(duì)比實(shí)驗(yàn)結(jié)果

3.2.1 相同場(chǎng)景下DCTF-Res2Net與傳統(tǒng)的殘差網(wǎng)絡(luò)對(duì)比

為充分分析和驗(yàn)證DCTF-Res2Net模型的性能,分別使用DCTF-Res2Net模型和ResNet18模型對(duì)DCTF進(jìn)行識(shí)別精度對(duì)比實(shí)驗(yàn),結(jié)果如圖6所示。DCTF-Res2Net和ResNet18在信噪比為15 dB和20 dB情況下,DCTF的樣本點(diǎn)分布集中,特征明顯,身份識(shí)別的準(zhǔn)確率可以達(dá)到99%。這是因?yàn)榇藬?shù)據(jù)集對(duì)噪聲具有一定的適應(yīng)能力,不需要再對(duì)DCTF進(jìn)行額外的預(yù)處理,依然可以達(dá)到較高的準(zhǔn)確率。隨著信噪比不斷降低,噪聲不斷增加,DCTF的模糊程度也在不斷增加,樣本點(diǎn)無(wú)法集中分布,DCTF的形狀也漸漸發(fā)生改變。在信噪比為5 dB情況下,DCTF的模糊程度最具有代表性,此時(shí),傳統(tǒng)的殘差網(wǎng)絡(luò)其對(duì)此數(shù)據(jù)集不再具有很強(qiáng)的適應(yīng)能力。但是,DCTF-Res2Net模型依然具有很好的魯棒性,這是因?yàn)镈CTF-Res2Net模型在殘差模塊和注意力機(jī)制等方面優(yōu)于傳統(tǒng)的殘差網(wǎng)絡(luò)模型。

(a)SNR=5 dB

為了體現(xiàn)出DCTF-Res2Net針對(duì)此數(shù)據(jù)集具有很強(qiáng)的魯棒性,將DCTF-Res2Net、Res2Net50、ResNet18和ResNet34模型在同等實(shí)驗(yàn)環(huán)境下對(duì)DCTF的適應(yīng)能力進(jìn)行測(cè)試,實(shí)驗(yàn)結(jié)果如圖7所示。

圖7 SNR=5 dB下模型準(zhǔn)確率對(duì)比Fig.7 Comparison of accuracy among models when SNR=5 dB

由圖7可以看出,DCTF-Res2Net、Res2Net50、ResNet18和ResNet34針對(duì)5 dB情況下的DCTF的識(shí)別精度具有明顯的差距。從ResNet18和ResNet34的對(duì)比實(shí)驗(yàn)結(jié)果中可以看出,增加網(wǎng)絡(luò)的復(fù)雜度和參數(shù)會(huì)導(dǎo)致模型過(guò)分記住噪聲特征,加快過(guò)擬合;從ResNet18和Res2Net50的對(duì)比實(shí)驗(yàn)結(jié)果中可以看出,增加網(wǎng)絡(luò)的感受野利于有效離群點(diǎn)的位置特征的提取。從DCTF-Res2Net和Res2Net50的對(duì)比實(shí)驗(yàn)結(jié)果中可以看出,減少網(wǎng)絡(luò)的復(fù)雜度和加入注意力模塊可以緩解噪聲的干擾,極大提高識(shí)別精度。

3.2.2 相同場(chǎng)景下不同注意力模塊的對(duì)比

并不是所有注意力模塊都可以改善模型的精度,隨意添加注意力模塊可能會(huì)給模型帶來(lái)負(fù)擔(dān),不利于射頻指紋的分類任務(wù)。

表2所示為在信噪比為5 dB情況下,不同注意力模塊對(duì)模型產(chǎn)生的影響。從表中可以看出,對(duì)于DCTF來(lái)說(shuō),SE模塊并不能給模型帶來(lái)優(yōu)化,因?yàn)槠洳贿m于二維圖像的特征提取,隨意添加會(huì)給網(wǎng)絡(luò)模型增加了參數(shù),導(dǎo)致模型精度降低;CBAM模塊對(duì)模型的精度有略微的改善,但是其依然無(wú)法獲取樣本點(diǎn)的精確位置,沒(méi)有解決模型精度降低的根本問(wèn)題;CA模塊則是通過(guò)將空間維度分成水平和垂直兩個(gè)維度,這兩個(gè)維度通過(guò)互補(bǔ)的關(guān)系達(dá)到精確捕獲DCTF中樣本點(diǎn)的位置信息的目的,解決了根本問(wèn)題,使得模型可以更精準(zhǔn)地提取到有效特征,增強(qiáng)模型的表達(dá)能力。

表2 不同注意力模塊的對(duì)比Tab.2 Comparison of different attention modules

3.2.3 在相同場(chǎng)景下,不同損失函數(shù)的對(duì)比

損失函數(shù)是網(wǎng)絡(luò)模型在向前傳播階段產(chǎn)生的,通過(guò)反向傳播來(lái)達(dá)到更新模型的目的,損失越大,真實(shí)值與預(yù)測(cè)值差別就越大,促使網(wǎng)絡(luò)模型不斷學(xué)習(xí),緩解離散點(diǎn)對(duì)模型的影響。

圖8比較了5 dB情況下不同損失函數(shù)得到的準(zhǔn)確率,可以看出改進(jìn)后的損失函數(shù)的分類精度不僅高于原來(lái)的模型,還使得準(zhǔn)確率可以穩(wěn)定在一個(gè)很小的區(qū)間內(nèi)。而使用交叉熵?fù)p失函數(shù)的分類精度相對(duì)分散,波動(dòng)較大,準(zhǔn)確率不穩(wěn)定。這表明平滑過(guò)后的損失函數(shù)不僅提高了分類精度,而且使模型的結(jié)果更加穩(wěn)定。

圖8 損失函數(shù)的對(duì)比Fig.8 Comparison of loss functions

3.2.4 在不同場(chǎng)景下,識(shí)別精度對(duì)比

將室內(nèi)采集的樣本和室內(nèi)外采集的樣本分別使用DCTF-Res2Net模型對(duì)DCTF進(jìn)行識(shí)別精度對(duì)實(shí)驗(yàn)。

在不同場(chǎng)景下,信號(hào)受到的干擾不同,因此為了更好地驗(yàn)證此模型的魯棒性,使用相同的模型和相同的設(shè)備,針對(duì)不同場(chǎng)景進(jìn)行了2-Fold 交叉驗(yàn)證實(shí)驗(yàn)分析,結(jié)果如圖9所示。DCTF-Res2Net在信噪比為15 dB和20 dB情況下,即使在不同的場(chǎng)景下,依然達(dá)到很高的準(zhǔn)確率。這是因?yàn)閷?shí)驗(yàn)中的DCTF不僅對(duì)人為加的噪聲具有一定的適應(yīng)能力,還對(duì)不同環(huán)境中的噪聲具有一定的適應(yīng)能力。隨著信噪比不斷降低,場(chǎng)景發(fā)生改變,噪聲越來(lái)越復(fù)雜,加劇了DCTF的模糊程度,但是依然可以達(dá)到一個(gè)不錯(cuò)的準(zhǔn)確率。這是因?yàn)镈CTF-Res2Net模型可以將所結(jié)合的注意力機(jī)制的優(yōu)勢(shì)發(fā)揮出來(lái),不僅在一定程度上避免了冗余信息干擾,還提高了特征表達(dá)能力。

(a)SNR=5 dB

3.2.5 不同場(chǎng)景下DCTF-Res2Net與改進(jìn)的傳統(tǒng)殘差網(wǎng)絡(luò)對(duì)比

將傳統(tǒng)的ResNet18模型與文獻(xiàn)[3]和[4]結(jié)合,實(shí)現(xiàn)新ResNet18模型,并將室內(nèi)采集的樣本和室外采集的樣本分別使用DCTF-Res2Net模型和新ResNet18模型進(jìn)行實(shí)驗(yàn)對(duì)比。

當(dāng)實(shí)驗(yàn)場(chǎng)景發(fā)生改變后,實(shí)驗(yàn)會(huì)變得更復(fù)雜,實(shí)驗(yàn)環(huán)境會(huì)對(duì)實(shí)驗(yàn)產(chǎn)生不同的影響。隨著信噪比不斷降低,噪聲不斷增多,再加上環(huán)境的復(fù)雜度不斷增加,進(jìn)而加劇了DCTF的模糊程度。圖10(a)和(b)分別為信噪比為5 dB和信噪比為10 dB情況下的對(duì)比實(shí)驗(yàn)結(jié)果,表明新模型并不會(huì)提高識(shí)別精度。這是因?yàn)樾履Ｐ椭粫?huì)增加網(wǎng)絡(luò)的復(fù)雜度和參數(shù),導(dǎo)致模型過(guò)分記住噪聲特征,加快過(guò)擬合。所以只有在不添加網(wǎng)絡(luò)參數(shù)的前提下,增加網(wǎng)絡(luò)的感受野和加入注意力模塊可以增強(qiáng)特征表達(dá)能力和緩解噪聲的干擾,極大提高識(shí)別精度。

(a)SNR=5 dB

4 結(jié) 論

本文針對(duì)噪聲對(duì)射頻指紋識(shí)別的影響,設(shè)計(jì)了DCTF-Res2Net模型。首先,對(duì)數(shù)據(jù)集進(jìn)行了詳細(xì)的分析,此數(shù)據(jù)集不需要進(jìn)行預(yù)處理可視化就可以在信噪比為10dB時(shí)達(dá)到很高的準(zhǔn)確率。然后,對(duì)DCTF-Res2Net模型進(jìn)行了詳細(xì)的分析,并證明在相同場(chǎng)景下和不同場(chǎng)景下,其在射頻指紋識(shí)別領(lǐng)域優(yōu)于傳統(tǒng)的殘差網(wǎng)絡(luò)。最后,DCTF-Res2Net模型中注意力模塊可以大幅度提高特征表達(dá)能力,并且采用了損失標(biāo)簽平滑的方法,減緩了在低信噪比下DCTF中樣本點(diǎn)離散會(huì)導(dǎo)致模型容易過(guò)擬合的問(wèn)題。實(shí)驗(yàn)結(jié)果表明,DCTF-Res2Net與傳統(tǒng)的ResNet18和Res2Net50網(wǎng)絡(luò)相比,不僅具有更簡(jiǎn)潔的網(wǎng)絡(luò)結(jié)構(gòu),還具有更高的準(zhǔn)確率和更強(qiáng)的魯棒性。