物联网物理层智能认证方法研究

目录 前言 第1章 绪论 1 1.1 物联网物理层认证研究概述 1 1.2 国内外研究及发展现状 3 1.2.1 通信信号调制方式识别研究现状 4 1.2.2 通信辐射源个体指纹识别研究现状 7 参考文献 11 第2章 基于熵和Holder系数的通信调制信号特征提取算法 14 2.1 基于熵值分析法的特征提取算法 15 2.1.1 熵特征基本定义 16 2.1.2 熵特征提取算法实现步骤 17 2.1.3 仿真实验与分析 18 2.2 基于Holder系数的特征提取算法 22 2.2.1 Holder系数基本定义 23 2.2.2 Holder系数特征提取算法实现步骤 24 2.2.3 仿真实验与分析 26 2.3 分类器设计算法 30 2.3.1 灰色关联理论基本算法 31 2.3.2 改进灰色关联算法 35 2.3.3 神经网络分类器 37 2.3.4 仿真实验与分析 42 参考文献 46 第3章 基于云模型的通信调制信号二次特征提取算法 47 3.1 云模型基本理论 48 3.2 改进熵云特征的二次特征提取算法 50 3.2.1 算法实现基本步骤 51 3.2.2 仿真结果与分析 52 3.3 改进Holder系数云特征的二次特征提取算法 55 3.3.1 算法实现基本步骤 55 3.3.2 仿真结果与分析 57 参考文献 61 第4章 基于分形理论的通信调制信号特征提取算法 62 4.1 通信信号分形特征数学验证 63 4.1.1 二进制幅移键控自相似性证明 63 4.1.2 二进制频移键控自相似性证明 64 4.1.3 二进制相移键控自相似性证明 65 4.1.4 偏移正交相移键控自相似性证明 66 4.1.5 正交振幅调制信号自相似性证明 69 4.1.6 Hurst指数分形特征验证 70 4.2 传统一维分形维数特征提取算法 71 4.2.1 分形盒维数 72 4.2.2 Higuchi分形维数 73 4.2.3 Petrosian分形维数 74 4.2.4 Katz分形维数 75 4.2.5 Sevcik分形维数 75 4.2.6 仿真结果与分析 76 4.3 改进分形盒维数特征提取算法 78 4.3.1 算法实现基本步骤 79 4.3.2 仿真结果与分析 79 4.4 多重分形维数的特征提取算法 82 4.4.1 多重分形维数基本定义 82 4.4.2 系统识别模型 83 4.4.3 算法实现基本步骤 84 4.4.4 仿真结果与分析 87 参考文献 92 第5章 基于瞬态信号的通信辐射源个体识别方法 94 5.1 基于Hilbert变换与多重分形维数特征提取的射频指纹识别方法 94 5.1.1 算法实现基本步骤 94 5.1.2 实验结果与分析 96 5.2 基于Hilbert变换与Holder系数特征提取的射频指纹识别方法 99 5.2.1 算法实现基本步骤 99 5.2.2 实验结果与分析 100 5.3 基于Hilbert变换与熵特征提取的射频指纹识别方法 101 5.3.1 算法实现基本步骤 102 5.3.2 实验结果与分析 103 参考文献 108 第6章 基于积分双谱的通信辐射源个体识别方法 109 6.1 积分双谱基本理论 109 6.2 基于积分双谱特征提取的射频指纹识别方法 111 6.3 应用与分析 112 6.3.1 基于积分双谱特征与灰色关联分类器的通信辐射源个体识别 112 6.3.2 基于积分双谱与支持向量机分类器的通信辐射源个体识别 116 参考文献 119 第7章 基于功率谱密度的通信辐射源个体识别方法 120 7.1 现有方法的问题描述 120 7.2 功率谱密度基本理论 121 7.3 基于功率谱密度特征提取的射频指纹识别方法 125 7.3.1 算法实现基本步骤 125 7.3.2 应用与分析 127 7.4 基于差分功率谱密度特征提取的射频指纹识别方法 131 7.4.1 算法实现基本步骤 131 7.4.2 应用与分析 132 参考文献 139 第8章 基于射频信号基因的物联网物理层多级智能认证方法 140 8.1 射频信号基因认知 141 8.2 基于射频信号基因特性的物联网物理层认证方法研究目标 143 8.2.1 基于射频信号基因认知分析的多级数学建模 144 8.2.2 基于射频信号精细画像的多级特征提取 145 8.2.3 基于知识和数据联合驱动的多粒度智能分类器设计 145 8.3 基于射频信号基因特性的物联网物理层认证方法亟待解决的关键问题 147 8.4 基于射频信号基因特性的物联网物理层认证方法技术路线 148 8.4.1 基于射频信号基因认知的电磁波散射特性数学建模 149 8.4.2 多层次、多维度、多信度的射频基因精细画像的建立 153 8.4.3 多粒度智能分类器的物理层认证系统的构建 156 参考文献 158 第9章 基于等势星球图的通信辐射源个体识别方法 159 9.1 基于传统调制信号统计图域的射频指纹识别方法 160 9.2 基于等势星球图的射频指纹识别方法 161 9.2.1 算法实现基本步骤 161 9.2.2 实验结果与分析 164 9.3 基于差分等势星球图的射频指纹识别方法 170 9.3.1 算法实现基本步骤 170 9.3.2 实验结果与分析 174 参考文献 180 第10章 基于深度复数卷积神经网络的通信辐射源个体识别方法 181 10.1 基于复数卷积神经网络的通信辐射源个体识别 181 10.2 基于差分深度复数卷积神经网络的通信辐射源个体识别方法 182 10.2.1 算法实现基本步骤 183 10.2.2 实验结果与分析 184 10.3 基于深度复数残差网络的通信辐射源个体识别方法 190 10.3.1 算法实现基本步骤 190 10.3.2 实验结果与分析 191 参考文献 196 第11章 基于深度学习的大规模现实无线电信号识别研究 197 11.1 现有方法的问题描述 197 11.2 基于深度卷积神经网络的大规模无线电信号识别模型 202 11.2.1 算法实现基本步骤 204 11.2.2 实验结果与分析 205 11.3 基于深度复数卷积神经网络的大规模无线电信号识别模型 211 11.3.1 算法实现基本步骤 211 11.3.2 实验结果与分析 212 参考文献 215