买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

申请/专利权人：中国人民解放军军事科学院国防科技创新研究院

摘要：本发明公开一种AUV集群水下身份互认证方法，属于水声组网通信领域。利用了水声通信机设备制造过程中的物理差异对水声信号造成的细微差异进行身份互认证，在保证AUV集群组网通信安全的同时，避免现有协议认证和加密认证技术带来的网络负担问题，无需复杂的水声通信步骤，仅根据发射信号的声纹特征就可以实现身份认证；通过引入注意力机制的域对抗训练网络，解决复杂环境因素导致的训练模型失效问题，在关注更为重要的特征区域的同时，降低水声信号在不同目标海域的分布差异，进而提高身份认证模型的泛化能力，实现水声信号特征的跨域分布对齐。

主权项：1.一种AUV集群水下身份互认证方法，其特征在于，包括如下步骤：S01、控制中心向各个AUV节点下达规划和协调的作业任务；所述控制中心是用于管理及控制AUV集群的系统，具有任务规划和下达、航行控制功能，每个AUV节点根据控制中心下达的规划任务完成水下作业；S02、各个AUV以给定的任务进行作业时，在预设时间或任务需要进行AUV间信息交互时，预设身份认证模块开启；所述身份认证模块对采集到的AUV声信号执行预处理、特征提取及身份匹配操作，预处理即对采集的声信号进行滤波、去噪、信号分帧、归一化操作；特征提取即对经预处理后的声信号提取非线性倒谱和相位谱特征；身份匹配即每个AUV节点中预先训练的身份认证神经网络模型对提取的特征信号进行身份认证，确定采集的声信号是否来源于AUV集群中的节点；S03、采集待交互AUV节点目标的声信号；S04、对步骤S03采集到的声信号进行预处理、特征提取，得到标准的特征向量；所述步骤S04对采集的目标声信号进行预处理，包括滤波、去噪、信号分帧、归一化及声纹信息特征提取操作，提取的声纹特征为非线性倒谱和相位谱；S05、将特征向量输入身份认证模型判定待测节点是否是集群中AUV节点，若判别是集群中节点继续执行以下步骤，否则返回步骤S03继续寻找其他节点；所述身份认证模型是身份匹配模块中预先训练好的神经网络模型，身份认证模型能够分辨所交互的所有AUV节点；利用域对抗训练身份认证模型，通过标签分类器和域分类器之间的对抗进行训练，提取跨域的不变特征，域对抗网络包括特征提取网络、身份确认网络和域分类网络，特征提取网络用于提取数据特征，学习有用的特征表示，身份确认网络用于获得被测数据身份标签，域分类网络用于区分源域和目标域数据，具体步骤如下：步骤1、构建源域训练数据集和目标域训练数据集，源域数据集为有标签数据，目标域数据集为无标签数据；步骤2、构建域对抗网络包括特征提取网络G1，身份确认网络模型G2，域分类网络模型G3，G1以步骤S04提取的特征向量作为初始特征f输入特征提取网络G1，得到特征向量fG，G2输入为特征向量fG输出为预测的身份标签，G3输入为特征向量fG输出为预测的域标签；步骤3、基于特征提取网络G1训练得到源域和目标域的特征向量fG，G1结构是在原始卷积网络基础上，通过注意力机制进行混合注意力特征提取，旨在将注意力网络得到权重M与初始特征f相乘得到混合注意力特征fG；步骤4、G1引入注意力机制，加强对特征重要区域的关注，增强特征的表征能力，经卷积映射后，在网络末端引入通道注意力处理和空间注意力机制处理，其中通道层G1_channel的第一步是进行最大池化和平均池化处理，将处理后结果分别输出给共享的全连接层处理叠加后，由softmax输出各自通道注意力的权重：Mchannelf＝σMLPAvgPoolf+MLPMaxPoolf式中，Mchannel表示通道关注度，f表示样本初始特征，σ表示sigmoid激活函数，MLPAvgPoolf表示经全连接层后平均池化特征的权重，MLPMaxPoolf表示经全连接层后最大池化特征的权重；此后，将通道层G1_channel得到通道关注度Mchannel与初始特征f相乘后输入空间层G1_spatial，空间层G1_spatial是进行最大池化和平均池化处理后，将处理结果在同一维度上堆叠后利用卷积核进行通道池化，最后经softmax得到空间注意力的权重分配：Mspatialf＝σKAvgPoolf；MaxPoolf式中，Mspatial表示空间关注度，K表示经卷积后权重，将空间层G1_spatial得到空间关注度Mspatial与初始特征f相乘得到最终混合注意力特征fG；步骤5、将源域经G1得到的特征向量fG及其对应的身份标签进行身份确认网络模型G2的训练，最小化源域损失，提取高层声纹特征；步骤6、将源域和目标域分别经G1得到的特征向量fG及其对应的域标签，输入域分类网络模型G3进行训练，使其能够区分源域数据和目标域数据；步骤7、在步骤6中训练引入梯度反转层通过最大化类别分类差异、最小化域间差异来进行特征学习和提取，总体的损失函数为： 式中，m为样本数量、λp为引入梯度反转层的超参数、θ1、θ2、θ3分别对应网络G1、G2、G3的模型更新参数，为网络G2的损失函数用于衡量G2在源域上执行分类任务的性能，为网络G3的损失函数用于衡量G3在区分源域和目标域时的性能，p代表迭代进程相对值，即当前迭代次数与总迭代次数的比率，γ为常数，在一定优化和调度后最终设置为10；S06、身份匹配成功后，向被测节点发射验证成功信息，并等待被测节点身份匹配成功信息；S07、根据预设任务完成控制指令传达、信息交互、智能决策任务。

全文数据：

权利要求：

百度查询： 中国人民解放军军事科学院国防科技创新研究院 一种AUV集群水下身份互认证方法