引用本文：

赵建鼎，李靖超，赵静，等. 基于梳状滤波的改进CNN-GRU射频信号“基因”分类识别方法[J]. 光通信技术，2025，49（3）：59-66.

基于梳状滤波的改进CNN-GRU射频信号“基因”分类识别方法

赵建鼎1，李靖超1*，赵 静1,应雨龙2,张斌3

（1.上海电机学院 电子信息学院，上海201306； 2.上海电力大学 能源与机械工程学院，上海200090；3.日本神奈川大学 工学部，横滨）

【下载PDF全文】 【下载Word】

摘要：针对物联网终端设备射频指纹分类识别率不高的问题，提出一种基于梳状滤波的改进卷积神经网络-门控循环单元（CNN-GRU）射频信号“基因”分类识别方法。首先，通过梳状滤波器增强射频信号的时频特征，构建具有设备唯一性的“基因图谱”；其次，将传统一维CNN扩展为三层二维结构，结合双层GRU实现时-频联合特征提取与序列建模；最后，引入混合池化与指数线性单位（ELU）激活函数优化特征表达能力。实验结果表明：该方法在仿真数据中识别准确率达100%，实测数据达95.52%，较传统算法提升5%~22%，显著提高了物联网设备的安全性和管理效率。

关键词：无线通信设备识别；射频信号“基因”；梳状滤波；深度学习；基因图谱

中图分类号：TN929.5 文献标志码：A 文章编号：1002-5561（2025）03-0059-08

DOI:10.13921/j.cnki.issn1002-5561.2025.03.010

1. 研究背景与目的

  • 背景：无线通信设备的分类识别对无线网络安全至关重要，尤其是物联网终端设备的射频指纹分类识别率不高的问题亟待解决。

  • 目的：提出一种基于梳状滤波的改进CNN-GRU方法，用于射频信号“基因”特征的分类识别，以提高识别准确率。

2. 研究方法与流程

  • 梳状滤波：利用梳状滤波器提取射频信号的“基因”图谱，增强设备间的差异性特征。

  • 基因图谱构建：通过皮尔逊相关系数计算射频信号基因信息间的关联性，构建可视化的基因图谱。

  • 改进CNN-GRU网络：将一维特征提取模块改进为二维，以更好地提取基因图谱特征，并进行时序建模和分类。

3. 实验与结果

  • 仿真实验：使用暗室LOS环境下的实测WiFi信号进行仿真，识别率可达100%（仿真数据）和95.52%（实测数据），相比传统算法提高5%-22%。

  • 信号预处理：包括信号去噪、部分均衡和频率增益处理，以提取射频信号“基因”。

  • 对比实验：与ResNet-18、CNN、LeNet-5等模型对比，改进后的CNN-GRU模型在识别准确率和实时性上表现优越。

4. 关键技术与创新点

  • 梳状滤波器：用于频率增益，提取射频信号“基因”，增强设备间差异性。

  • 二维CNN-GRU网络：结合卷积神经网络（CNN）和门控循环单元（GRU），既能捕捉空间特征，又能建模时序依赖关系。

  • 基因图谱：通过类比生物基因图谱的绘制方式，构建射频信号“基因”图谱，反映设备信号特征。

5. 应用与意义

  • 应用：适用于物联网终端无线通信设备的分类识别，提高设备安全性和管理效率。

  • 意义：为无线通信设备个体识别提供了新的思路和方法，对保障物联网安全具有重要意义。

6. 未来研究方向

  • 深入探索基于生物基因特征的射频信号提取与融合算法。

  • 构建多级属性特征精细画像，设计多粒度智能分类器，实现智慧识别。