得益于神经网络技术的突破性进展,深度学习为射频指纹识别(Radio Frequency Fingerprint,RFF)技术的应用提供了新的研究范式和技术支撑。然而在真实环境中,大量未知类设备的存在使得基于深度学习的闭集模型面临挑战:这类模型无法有效拒...得益于神经网络技术的突破性进展,深度学习为射频指纹识别(Radio Frequency Fingerprint,RFF)技术的应用提供了新的研究范式和技术支撑。然而在真实环境中,大量未知类设备的存在使得基于深度学习的闭集模型面临挑战:这类模型无法有效拒绝未知的发射器,从而常将未知类别数据误判为已知类,严重影响了分类准确性,因此该文章提出了一种基于特征聚类和改进OpenMax算法的开集识别方法。首先,使用联合损失函数来优化已知样本的特征分布,以实现同类特征聚集而不同类样本远离;其次,使用自适应修正激活值的0pen-Max算法刻画样本边界,从而提升开集识别的可靠性;最后,通过实验验证,文中所提出的方法在6分类的开集环境下,能保持95%以上的准确率。展开更多
文摘得益于神经网络技术的突破性进展,深度学习为射频指纹识别(Radio Frequency Fingerprint,RFF)技术的应用提供了新的研究范式和技术支撑。然而在真实环境中,大量未知类设备的存在使得基于深度学习的闭集模型面临挑战:这类模型无法有效拒绝未知的发射器,从而常将未知类别数据误判为已知类,严重影响了分类准确性,因此该文章提出了一种基于特征聚类和改进OpenMax算法的开集识别方法。首先,使用联合损失函数来优化已知样本的特征分布,以实现同类特征聚集而不同类样本远离;其次,使用自适应修正激活值的0pen-Max算法刻画样本边界,从而提升开集识别的可靠性;最后,通过实验验证,文中所提出的方法在6分类的开集环境下,能保持95%以上的准确率。
