一种通过自适应标签引导的Softmax算法实现特定发射体识别的方法，该方法旨在增加类间间隔并减小类内间隔

《IEEE Transactions on Cognitive Communications and Networking》：A Specific Emitter Identification Method via Adaptive Labels-Directed Softmax to Increase Inter-Class Margin and Decrease Intra-Class Margin

针对无线网络中特定发射器识别（SEI）技术面临噪声干扰和特征脆弱的问题，本文提出一种深度学习模型，通过多域信号特征融合与自适应标签指导的Softmax优化，提升分类性能。实验表明，该模型在训练效率、识别准确率和鲁棒性方面均优于现有方法。

　　

摘要：

特定发射器识别（SEI）被认为是一种有效的技术手段，可以保护无线网络免受恶意入侵。该技术通过检测和分类由发射器硬件缺陷产生的射频指纹（RFF）来识别设备。然而，同一类型的不同发射器之间的差异极其微妙，可用于区分它们的特征也非常有限且易受干扰。这种对噪声干扰的敏感性极大地影响了发射器的识别效果。为了解决这个问题，我们提出了一种深度学习（DL）模型，该模型能够在复杂信号中提取特征，并优化不同发射器信号在特征空间中的分布，以最大限度地利用有限的特征。具体来说，在本文中，我们引入了U-fusion Transformer（UFformer）来高效整合多域信号特征，并结合自适应标签导向的softmax（ALD_Softmax）来优化反向传播过程，从而减小同类发射器之间的距离，增加不同类型发射器之间的距离，从而提高分类器的性能。在真实世界数据上的实验结果表明，我们提出的模型在训练周期、识别准确性和鲁棒性方面均优于现有的SEI方法。

引言

随着无线通信技术的快速发展，大规模和高质量的信息传输变得更为便捷和快速，促进了各种服务链和网络链接的紧密结合[1]、[2]。然而，这也带来了对个人隐私的日益严重的威胁[3]。在物理层，特定发射器识别（SEI）通常使用媒体访问控制（MAC）地址作为识别标志，但这容易受到篡改。因此，一种不依赖于终端认证的零信任认证方案（采用上下文感知、动态和智能的认证方式）可以有效解决这一问题[4]。基于射频指纹（RFF）的典型SEI方法利用了无线电的独特性和稳定性，这些特性难以被篡改，在保护用户个人信息和隐私方面具有巨大潜力[5]、[6]。这种方法完全符合零信任认证的概念，并表现出优异的性能。长期以来，基于RFF的SEI方法在各种场景中占据了主导地位并得到了广泛应用[7]、[8]、[9]。然而，基于RFF的模型仍然面临一个重大挑战：同一类型的不同发射器之间的细微差异导致的可用特征非常有限，这限制了它们的区分能力。在高噪声环境下，这些特征很容易被噪声掩盖，使得模型无法准确识别发射器。