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！

龙图腾网获悉电子科技大学申请的专利一种基于深度对比学习的射频指纹无监督盲识别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：CN116502061B 。

龙图腾网通过国家知识产权局官网在2025-07-22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：202310471411.8，技术领域涉及：G06F18/21；该发明授权一种基于深度对比学习的射频指纹无监督盲识别方法是由林迪;肖品宏;胡苏;吴薇薇;杨刚;马上;靳传学;杨钿设计研发完成，并于2023-04-27向国家知识产权局提交的专利申请。

本一种基于深度对比学习的射频指纹无监督盲识别方法在说明书摘要公布了：本发明属于物联网安全技术领域，具体来说是涉及一种基于深度对比学习的射频指纹无监督盲识别方法。本发明能够在没有源信号先验信息和专家经验介入的情况下自动完成射频指纹的盲识别工作，大大减少了人工标注的耗费的时间和人力成本。本发明在面对多个发射机伪装成同一个身份标识进行的仿冒攻击，或单一设备模拟出多个身份进行的女巫攻击时，能够对射频指纹进行无监督聚类分析，有效甄别来源设备数量，从而有效检测上述攻击的存在。此外，模型还能够在实际恶劣复杂的电磁环境中保持良好的盲识别效果。

本发明授权一种基于深度对比学习的射频指纹无监督盲识别方法在权利要求书中公布了：1.一种基于深度对比学习的射频指纹无监督盲识别方法，其特征在于，包括以下步骤： S1、对获取到的无线电设备IQ信号进行数据增强处理，所述数据增强处理方法为从以下三种数据增强方式中随机选取两种方法： ①加性高斯白噪声增强方法：向IQ信号样本中加入随机强度的加性高斯噪声； ②瑞利信道衰落增强方法：使用瑞利衰落信道对IQ信号样本进行增强； ③随机丢失增强方法：在IQ信号样本中随机选取设定长度的连续区域，将该区域的IQ数据置为0； 定义样本xi进行增强后得到增强样本和上标a和b代表三种数据增强方式中的两种，对获取的N个样本进行增强后得到2N个IQ样本 S2、构建深度残差收缩神经网络，包括卷积层和残差收缩层，其中卷积层采用非线性函数LeakReLU作为激活函数，残差收缩层由残差收缩栈堆叠构成，残差收缩栈由依次连接的卷积层、两个残差收缩单元和池化层构成；残差收缩单元是一个残差跳层连接的结构，首先对输入的特征图P进行两次卷积得到x，对x进行全局平均池化后得到1×1×C维的特征向量，C是通道数，将得到的特征向量输入到两个全连接层，第一个全连接层使用ReLU激活，并进行BN操作，第二个全连接层使用Sigmoid函数进行激活，得到α： 其中，z为第二个全连接层的输出，α即为学习到的缩放向量，向量中的值在0,1之间； 将α与特征向量相乘得到动态阈值λC： λC＝αC·GAPC 其中，GAP表示全局平均池化操作，λC代表通道C对应的阈值，αC代表通道C对应的缩放系数，将所有的动态阈值用λ表示，将λ和x输入动态阈值函数F·得到： 最后将Fx,λ与P相加得到残差收缩单元的输出P′： P′＝P+Fx,λ 最后残差收缩栈的输出经过批归一化和ReLU激活函数后得到最终样本特征； S3、利用增强样本对构建的深度残差收缩神经网络进行训练，设计损失函数包括实例级对比损失和类簇级对比损失，定义两种增强样本分别通过深度残差收缩神经网络得到的特征为和具体损失函数设计方法为： 实例级对比损失函数设计：将两种增强方式得到的样本构成样本对，选择组成正样本对，剩下2N-2对样本均视为负样本对，采用两个全连接层gI·，将样本特征h映射到一个子空间： 其中是增强样本经过表示学习模块得到的数据表示，在子空间z中应用了实例级对比损失，任意样本对内，样本间的相似性由余弦距离衡量： 其中，k1,k2∈{a,b}且i,j∈[1,N]，对于xi的某个增强样本其对比损失表示为： 其中，τI代表温度系数，用于控制模型对负样本的区分度，分子部分计算了增强样本与xi的另一个增强样本之间的相似度，分母部分计算了与所有2N个样本的相似度，对xi的两个增强均计算对比损失，则样本xi的实例级对比损失为： 类簇级对比损失函数设计：通过全连接层将样本特征h映射到维度为M的子空间，M为总的类别数，在全连接层，使用softmax函数对输出做概率映射变换，输出向量y视为该样本被分配到各个类簇的概率，定义矩阵为一批样本{x1,…,xN}在a数据增强方法下的最终输出，同理Yb是在b数据增强方法下的输出，Ya的第i行k列元素代表a数据增强方法下，样本xi分配到类簇k的概率，Ya的第k列看作类簇k的表示；定义类簇级对比使用两个全连接层gC·： 其中表示样本的分配概率向量，也就是Ya矩阵的第i行；定义为Ya矩阵的第k列，也就是簇k在a数据增强方法下的表示，同理，簇k在b数据增强方法下的表示则与之构成了正样本对同时与其他2M-2对样本均为负样本对；使用余弦距离来衡量簇对之间的相似性： 其中，k1,k2∈{a,b}且i,j∈[1,M]，簇i在a数据增强方法下的对比损失表示为： 其中，τC为温度系数，获得类簇级对比损失函数为： 其中HY是聚类分配概率的熵，用于避免多数实例被分配到同一个集群； 最终的损失函数为： 通过梯度下降算法最小化对比损失更新整个网络的参数，即f·,gI·,gC·，最终得到训练好的网络； S4、将获取的信号数据输入训练好的网络进行特征提取得到h＝fx，再计算类簇分配c＝argmaxgCh得到识别结果。

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电子科技大学，其通讯地址为：611731 四川省成都市高新西区西源大道2006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”。