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！

龙图腾网获悉北京理工大学申请的专利一种针对接收机迁移问题的射频指纹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：CN118784424B 。

龙图腾网通过国家知识产权局官网在2025-10-28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：202410741593.0，技术领域涉及：H04L27/26；该发明授权一种针对接收机迁移问题的射频指纹识别方法是由张焱;吴嘉明;张万成;何遵文设计研发完成，并于2024-06-11向国家知识产权局提交的专利申请。

本一种针对接收机迁移问题的射频指纹识别方法在说明书摘要公布了：本发明涉及一种针对接收机迁移问题的射频指纹识别方法，属于辐射源个体识别技术领域。本发明在数据处理中引入了解调重构方法，与现有方法相比在增强信号中关键特征的同时没有损失信息。这使得训练数据在特征上具有优越性，也让网络能够提取到更多的有用信息，对于识别效果的提升和抗噪声能力提高都有一定帮助。本发明在网络结构中加入了我们设计的高斯编码器，这使得特征提取过程中能够发现更多隐含信息，降低了数据空间分布对特征学习的影响。高斯编码器中引入的随机量也能够提升网络的抗噪声性能。

本发明授权一种针对接收机迁移问题的射频指纹识别方法在权利要求书中公布了：1.一种针对接收机迁移问题的射频指纹识别方法，其特征在于该方法的步骤包括： 第一步，使用两个不同接收机分别采集授权设备的射频信号，并将采集到的射频信号存储为数据库作为深度学习神经网络训练库； 第二步，对第一步中数据库中的射频信号进行信号解调和理想化数字重构，获取无发射机且无接收机特性的原始信号，并与对应的接收信号拼接成训练样本； 第三步，依据信号数据特征和空间分布设计神经网络； 第四步，将第二步中拼接后的训练样本对第三步中设计网络进行训练，采用对抗学习方法进行网络参数迭代优化，完成射频指纹识别； 所述第一步中，射频信号包括路信号和路信号，路信号和路信号进行拼接公式为： 其中，表示接收到的射频信号，表示接收到的路信号，表示接收到的路信号，表示射频信号长度； 所述第二步中，进行信号解调和理想化数字重构的方法为： 步骤2.1，采用频率中心法估计数据库中的射频信号的载波频率，其方法表述如下： 其中，表示中的第个值和的第个值组成的向量，表示射频信号长度，表示采样率，就是估计的载波频率； 步骤2.2，采用包络平方谱法估计射频信号的码速率，首先对射频信号进行希尔伯特变换转变为可分析的形式： 其中表示采样时间间隔； 即为估计的码速率； 步骤2.3，估计采样起始位置和射频信号中码元起始位置之间的时间差，时间差通过如下公式求得： 其中，L为符号周期个数，G为单个符号周期内的采样次数； 步骤2.4，对射频信号中码元进行符号判决； 步骤2.5，重构调制信号，将理想信号与接收到的信号进行拼接，构成新的样本用于网络训练，样本形式如下： 其中，表示重构后的理想路信号，表示重构后的理想路信号； 所述第三步中，设计的神经网络基于深度残差收缩网络，在其中嵌入高斯编码器以获得射频指纹的深度隐藏特征，高斯编码器使得特征提取的输出符合高斯分布，它包含两个独立的子网络，每个网络由几个全连接层组成，这两个网络分别提取特征中的均值特性和方差特性，并通过下式统一为后输出： 其中表示一个子网络提取的均值特性，表示另一个子网络提取的方差特性，是符合高斯分布的随机数； 所述第四步中，训练采用对抗学习方法，设置两个分类器，第一个分类器用于区分授权目标，第二个分类器用于区分接收机； 第二个分类器中包括梯度反转层，梯度反转层中梯度更新方式如下： 其中表示网络中的参数，是学习率，是由梯度反转层引起的梯度更新系数，表示第一个分类器的损失函数，表示第二个分类器的损失函数，和采用交叉熵函数，表示为如下形式： 其中表示第个发射机的标签，表示网络预测结果为第个发射机的概率，表示第个接收机的标签，表示网络预测结果为第个接收机的概率。

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理工大学，其通讯地址为：100081 北京市海淀区中关村南大街5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”。

以上内容由龙图腾AI智能生成。