基于迁移学习的无线网络设备个体识别方法研究

摘要

在现代化战场中，获得电子战的主动权是战争胜利与否的关键，而电子战中最重要的一环就是对敌方的侦察，因此对无线网络设备等通信个体进行识别就成为了重中之重。随着电子科学技术的发展，各式各样的无线网络设备被应用到了战场，与此同时，战场上的电磁环境也愈加复杂多变，这些都给个体识别的任务增加了挑战，传统方法渐渐地不能满足现代战争的需求。　　在这样的背景下，本文以实现无线网络设备个体识别为目的进行研究，将迁移学习、深度学习等应用到了个体识别领域，主要研究工作如下：　　(1)分析了无线网络设备个体的指纹来源并研究了无线帧的类型，然后模拟实际环境，搭建硬件实验平台，采集无线网络设备个体产生的各种无线帧信号并进行数据预处理工作，为全文工作奠定了基础。　　(2)基于暂态特征的无线网络设备个体识别。首先对信号起始点的定位进行了研究，使用并比较了短时能量检测法和模糊熵检测法两种信号起始点定位方法。接着使用了基于Hillbert变换和最小二乘多项式拟合的方法得到暂态信号包络，随后提取了暂态信号包络的数学特征，同时使用熵值定权法确定了特征的权重，得到了暂态信号的特征矢量。最后在相同型号和不同型号的无线网络设备个体上进行了实验，证明了方法的有效性。　　(3)讨论目标域数据和源域数据都存在的情况，提出了一种归纳式的基于实例的迁移学习方法——改进的TrAdaBoost算法，该算法从初始权重设置和权重更新速率两个方面对TrAdaBoost算法进行了优化，实现了个体识别任务中源域知识到目标域的迁移，降低了TrAdaBoost算法负迁移、过拟合的风险。实验结果显示该算法相比于改进前识别效果提升明显。　　(4)讨论没有源域数据可供迁移知识且对目标域数据标注困难的情况，提出了一种结合卷积神经网络、生成式对抗网络、基于模型的迁移学习的个体识别方法。首先设计出一种能对目标域数据进行分类的卷积神经网络，然后将目标域中无标签的数据输入生成式对抗网络进行无监督的预训练，接着将判别网络的模型迁移到卷积神经网络中，最后使用有标签的数据对卷积神经网络进行微调。实验表明，在无源域存在的情况下，依靠这种方法可以有效地解决“小样本”、“少标注”情况下识别率较低的问题。

目录

声明

第1 章绪论

1.1背景及意义

1.2国内外研究现状

1.2.1无线网络设备个体识别

1.2.2迁移学习

1.3论文的主要内容和结构安排

1.3.1主要研究内容

1.3.2章节安排

第2 章无线网络设备个体识别基础

2.1无线网络设备指纹来源分析

2.2无线帧类型分析

2.3无线信号基础

2.4信号采集实验

2.5数据预处理

2.6本章小结

第3 章非迁移学习的无线网络设备个体识别方法

3.1信号起始点确定

3.1.1短时能量检测法

3.1.2模糊熵检测法

3.2暂态信号特征提取

3.2.1基于Hillbert变换和最小二乘多项式拟合的特征提取

3.2.2二次特征提取

3.2.3熵值定权法

3.3实验结果及分析

3.3.1相同型号无线路由器实验结果

3.3.2不同型号无线路由器实验结果

3.3.3其他协议下无线网络设备个体实验结果

3.4本章小结

第4 章有源域情况下的无线网络设备个体识别

4.1迁移学习

4.2 基于实例的迁移学习算法

4.2.1 TrAdaBoost 算法

4.2.2 TrAdaBoost 算法缺陷分析

4.3改进的基于实例的迁移学习算法

4.3.1基于 Very Fast KMM 的初始权重优化

4.3.2基于动态因子的权重更新速率优化

4.4 实验结果与分析

4.5本章小结

第5 章无源域情况下的无线网络设备个体识别

5.1深度学习

5.1.1卷积神经网络

5.1.2生成式对抗网络

5.1.3深度迁移学习方法

5.2一维卷积神经网络的无线网络设备个体识别

5.2.1方法整体框架

5.2.2网络结构设计

5.2.3实验验证

5.3生成式对抗网络的源域生成

5.3.1方法整体框架

5.3.2网络结构设计

5.3.3实验验证

5.4基于模型迁移的无线网络设备个体识别

5.4.1模型迁移过程

5.4.2实验验证

5.5本章小结

总结与展望

全文工作总结

后续工作展望

致谢

参考文献

攻读硕士期间发表的学术论文及参与项目