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！

龙图腾网恭喜北京交通大学申请的专利基于注意力机制的多特征融合无线设备射频指纹提取方法获国家发明授权专利权，本发明授权专利权由国家知识产权局授予，授权公告号为：CN114118131B 。

龙图腾网通过国家知识产权局官网在2025-03-25发布的发明授权授权公告中获悉：该发明授权的专利申请号/专利号为：202111148113.2，技术领域涉及：G06F18/241；该发明授权基于注意力机制的多特征融合无线设备射频指纹提取方法是由刘铭;王鑫;韩晓艺;张天壮;程慈航;彭林宁;徐宇轩;张军霞;任佳鑫设计研发完成，并于2021-09-29向国家知识产权局提交的专利申请。

本基于注意力机制的多特征融合无线设备射频指纹提取方法在说明书摘要公布了：本发明涉及一种基于注意力机制的多特征融合无线设备射频指纹提取方法包括，步骤1：提取无线发射机由于载波频率偏移、非线性和频率响应失真三种不同硬件缺陷所造成的信号特征，得到三个维度的射频指纹；步骤2：使用单维特征提取模块分别提取载波频率偏移特征、非线性特征和频率响应失真特征，得到三种单维射频指纹提取特征；步骤3：对三种单维射频指纹提取特征使用多特征融合模块进行处理得到多特征融合的射频指纹；步骤4：对多特征融合的射频指纹，通过全连接层得到对无线设备的分类，完成神经网络的训练；步骤5：基于步骤1提取待识别的信号特征，得到射频指纹，使用训练完成的神经网络对射频指纹进行识别，完成对无线发射机的分类。

本发明授权基于注意力机制的多特征融合无线设备射频指纹提取方法在权利要求书中公布了：1.一种基于注意力机制的多特征融合无线设备射频指纹提取方法，其特征在于，具体包括如下步骤：步骤1：提取无线发射机由于载波频率偏移、非线性和频率响应失真三种不同硬件缺陷所造成的信号特征，得到三个维度的射频指纹，三个维度的射频指纹与对应的无线发射机的标签构成了用于训练神经网络的数据集；步骤2：基于步骤1得到的三个维度的射频指纹，使用三个单维特征提取模块分别提取载波频率偏移特征、非线性特征和频率响应失真特征，得到三种单维射频指纹提取特征；步骤3：对步骤2得到的三种单维射频指纹提取特征使用多特征融合模块进行处理，得到多特征融合的射频指纹；步骤4：基于步骤3得到的多特征融合的射频指纹，通过全连接层，得到对无线发射机的分类，完成神经网络的训练；步骤5：基于步骤1提取待识别的无线发射机由于载波频率偏移、非线性和频率响应失真三种不同硬件缺陷所造成的信号特征，得到三个维度的射频指纹；进一步，使用步骤4训练完成的神经网络对射频指纹进行识别，完成对无线发射机的分类；步骤1具体包括：步骤1.1基于差分的载波频率偏移特征提取，在无线设备通信过程中，接收机将接收到的信号执行差分运算，经过可视化处理后得到载波频率偏移维度的射频指纹，所述差分运算具体表示如下：步骤1.1.1发射机所发射的信号表示为： 其中，St代表发射信号，Xt是发射机基带信号，是虚数单位，fcTx是发射机的载波频率；步骤1.1.2忽略信道、噪声因素产生的影响，接收机所接收到的信号表示为Rt，Rt＝St；接收机进行下变频获得基带信号表示为： 其中，fcRx为接收机的载波频率，为接收机接收信号时的相位误差；当fcRx≠fcTx时，接收机下变频获得的基带信号表示为： 其中，θ＝fcRx-fcTx，为接收机的载波频率与发射机的载波频率的差值；步骤1.1.3差分处理过程表示为： 其中，Dt为差分结果，Y*为取共轭值，d为差分间隔；步骤1.1.4将差分后的信号直接绘制在复数平面上，再将复数平面离散化成一系列的像素点，并以不同RGB值来表示落入某一像素区域的差分运算结果的数量，得到载波频率偏移维度的射频指纹；步骤1.2基于双谱域的非线性特征提取，得到非线性维度的射频指纹，具体包括：步骤1.2.1信号数据分段：将捕获的长度为N的信号数据{r0,r1,···rN-1}分成K段，每段有M个观测样本，则N＝KM，将每段中M个观测样本减去该段的样本均值，用rkn表示第k段信号数据的第n个观测样本，n＝0,1,···,M-1，k＝1,2,···,K；步骤1.2.2计算离散傅里叶变换系数： 其中，λ表示离散频率变量，λ＝0,1,···,M2；在此基础上，求得离散傅里叶变换系数；步骤1.2.3计算离散傅里叶变换系数的三重相关，并在频率采样点附近±L1个频率分量上进行频域平滑： 其中，λ1,λ2为双谱域的离散频率变量，0≤λ2≤λ1，λ1+λ2≤fs2；fs为采样频率；Δ0表示双谱域内频率采样间隔，Δ0＝fsN0；N0为频率样本总数；i1,i2为累加时用于遍历邻域频率分量的变量；令N1＝2L1+1，表示双谱平滑过相邻频率的长度，所述N0和N1的值满足M＝N0·N1；步骤1.2.4用ω1,ω2表示双谱域的角频率，将代入式6，得到第k段信号数据的双谱密度估计然后将K段的双谱密度估计进行平均，得到整个过程的双谱密度估计值： 其中，采样频率fs设置为1；步骤1.2.5：将步骤1.2.4得到的双谱密度估计值转换为不同的RGB值绘制双谱，得到非线性维度的射频指纹；步骤1.3基于短时傅里叶变换的频率响应失真特征提取，得到频率响应失真维度的射频指纹；对于接收机接收到的时域信号ft，首先乘以时间窗函数gt-τ用于截取τ时刻附近的时域信号，得到局部信号，再对得到的局部信号作傅里叶变换，得到短时傅里叶变换的公式，如公式8所示： 其中，ω为角频率，e-jωt起限频作用；τ为时间延迟，通过不断变化τ的值，由gt确定的时间窗在时间轴上不断移动，逐步截取时域信号ft，得到不同时刻的傅里叶变换；短时傅里叶变换的结果Fτ,ω是关于时间τ和角频率ω的二维函数；将Fτ,ω的值转换成不同的RGB值表示，绘制短时傅里叶变换时频图，得到频率响应失真维度的射频指纹；步骤2所述的单维特征提取模块包括：卷积块、通道注意力模块、空间注意力模块和全连接层；所述卷积块包含三层卷积层，第一层卷积层的输入通道数为3，三层卷积层的输出通道数分别为32、64、64，三层卷积层的卷积核大小均为3×3，填充值均为1；每一卷积层后都依次有ReLU激活函数、一层最大池化层，一层正则化层和一层Dropout层；所述最大池化层的滑动窗口大小为2×2；正则化层用于对数据进行标准化，Dropout层的丢弃率为0.2；所述通道注意力模块包括：最大池化层、平均池化层、多层感知机和Sigmoid激活函数；所述通道注意力模块的具体处理过程包括：对卷积块输出的初步特征F分别输入最大池化层和平均池化层，进行最大池化和平均池化，将最大池化和平均池化的结果分别输入多层感知机中，得到两个特征，将两个特征相加后，使用Sigmoid激活函数激活得到通道注意力映射MC；所述多层感知机由两层二维卷积层组成，卷积核大小均为1×1，输出通道数分别为4、64，第一层卷积层之后使用ReLU激活函数，第二层卷积层之后使用Sigmoid激活函数；所述空间注意力模块包括：平均池化层、最大池化层、卷积层和Sigmoid函数；所述空间注意力模块的具体处理过程包括：特征F′分别输入最大池化层和平均池化层用于计算通道维度上的平均值和最大值，将所得的平均池化和最大池化结果在通道维度上拼接，然后输入到一层卷积层中，卷积操作中卷积核大小设置为7×7，填充值设置为3，输入和输出通道数分别为2、1，最后使用Sigmoid激活函数激活，得到空间注意力映射的结果MS；步骤2具体包括如下步骤：步骤2.1使用卷积块进行初步特征提取；针对步骤1得到的单个维度的射频指纹，利用卷积块进行初步特征提取，所述射频指纹为图像，单维射频指纹的图像通过卷积块得到初步特征F，所述初步特征F包含四个维度B×C×H×W，其中B表示每批量样本的个数，C表示通道数，H表示特征图的高，W表示特征图的宽；步骤2.2利用通道注意力模块和空间注意力模块增强初步特征中的关键信息；步骤2.2.1初步特征F通过通道注意力模块得到通道注意力映射MC，所述通道注意力映射MC与未处理过的初步特征F点乘得到特征F′，从而突出通道分量上的关键信息；通道注意力映射如公式9所示：MCF＝σMLPAvgPoolF+MLPMaxPoolF9其中，σ表示Sigmoid函数，AvgPool代表平均池化，MaxPool表示最大池化MLP是带有隐藏层的多层感知机；步骤2.2.2特征F′通过空间注意力模块得到空间注意力映射MS，与未处理过的特征F′点乘得到特征F″，突出空间区域上的关键信息；空间注意力映射的实现原理如公式10所示：MSF＝σf[AvgPoolF；MaxPoolF]10其中，MSF代表形成的空间注意力映射，σ表示Sigmoid函数，f代表卷积操作；AvgPool代表平均池化，MaxPool表示最大池化，[]表示拼接操作；由此，整体的注意力机制表示为：F′＝MCF⊙F11F″＝MSF′⊙F′12其中，F表示初步特征，MCF表示通道注意力映射，MSF′代表空间注意力映射，e符号代表元素点乘，F″为最终输出；所述特征F″仍包含B×C×H×W四个维度；步骤2.3基于全连层进一步提取特征；将特征F″的最后三个维度C×H×W展开成一维，转换成B×L的二维张量，输入到一层全连层中，输出维度为256，得到单维射频指纹来源的B个射频指纹的一维特征表示；步骤2.4最终利用三个单维特征提取模块分别得到基于载波频率偏移特征、非线性特征和频率响应失真特征的三个维度的单维射频指纹提取的特征；步骤3所述的多特征融合模块包括：自注意力模块，所述自注意力模块包括：一层Tanh激活函数、一层大小为256×1的全连接层和一层Sigmoid激活函数；步骤3具体包括如下步骤：步骤3.1：将步骤2得到的三种单维射频指纹提取的特征进行增维拼接，增加多特征维度S，得到包含B×S×L三个维度的特征M；步骤3.2：将特征M通过自注意力模块得到自注意力映射MA；步骤3.3：将特征M进行特征维度变换，所述特征维度变换具体操作为：将后两个维度进行交换，得到新维度为B×L×S；步骤3.4：将步骤3.2与步骤3.3中特征M的处理结果进行张量矩阵相乘，完成多特征融合射频指纹的提取；步骤4具体包括：将数据集以一定比例划分为训练集和验证集，将训练集中的射频指纹分批次输入到神经网络，基于神经网络的输出与射频指纹的标签计算损失函数，采用反向传播算法，对神经网络的参数进行更新，在神经网络参数不断更新的过程中，使用验证集对神经网络的识别性能进行验证；当神经网络在验证集上的识别性能不再提升时，完成对神经网络的训练，得到用于多特征融合的无线设备射频指纹提取的神经网络。

如需购买、转让、实施、许可或投资类似专利技术，可联系本专利的申请人或专利权人北京交通大学，其通讯地址为：100044 北京市海淀区上园村3号；或者联系龙图腾网官方客服，联系龙图腾网可拨打电话0551-65771310或微信搜索“龙图腾网”。