16、利用射频数据时空相关性的发射机指纹识别系统

利用射频数据时空相关性的发射机指纹识别系统

1. 引言

在射频（RF）信道中，为了估计噪声，系统需要“倾听”底层信号一段时间并“记住”它。传统神经网络在处理时间序列数据时存在无法“记忆”和梯度消失的问题，而循环神经网络（RNN）的引入解决了这些问题。受深度学习在表征RF环境和RNN在分析时间序列数据方面的成功启发，我们提出使用深度循环结构来学习发射机的“指纹”，以实现发射机的分类或识别。

2. 射频数据的时间特性建模

给定T个训练样本（对应T个时间戳），每个训练样本大小为M，由形式为 (I, Q) ∈ C 的元组向量组成，表示复平面上的一个数。对于每个时间戳 t = 1, 2, …, T，我们将单个样本表示为 $x_t = [[(I, Q) i]_t; i = 1, 2, …, M] ∈ C^M$，并将其作为神经网络的输入。默认样本大小（M）为1024。我们想找到输入向量在下一个时间步（$x {t+1}$）属于类别 $C_k$ 的概率，其中 k ∈ {1, 2, …, K}，K 是类别数。概率 $P(C_k|x_{t+1})$ 可以写成：
$P(C_k|x_{t+1}) = \frac{P(x_t|C_k)P(C_k)}{P(x_tx_{t+1})}$
其中，$P(x_t|C_k)$ 是给定类别 $C_k$ 时 $x_t$ 的条件概率，$P(x_tx_{t+1})$ 是 $x_t$ 和 $x_{t+1}$ 按顺序出现的概率。

3. 提出的RNN模型

3.1 长短期记忆（LSTM）单元模型

LSTM单元有三种类型的门：输入门（i）、遗忘门（f）和输出门（o），以及内部单