
-
生物通官微
陪你抓住生命科技
跳动的脉搏
CADRN_FAN:一种适用于低信噪比环境的鲁棒射频指纹识别方法
《ARABIAN JOURNAL FOR SCIENCE AND ENGINEERING》:CADRN_FAN: A Robust Radio Frequency Fingerprinting Identification Method for Low Signal-to-Noise Ratio Environments
【字体: 大 中 小 】 时间:2026年01月07日 来源:ARABIAN JOURNAL FOR SCIENCE AND ENGINEERING 2.9
编辑推荐:
针对传统复杂残差网络在RF信号分析中的噪声抑制不足和计算效率低的问题,提出CADRN_FAN模型,通过引入自适应去噪模块、复数通道注意力机制及改进特征聚合网络结构,结合复数深度可分离卷积轻量化技术,在13-18 dB SNR下实现86.9%的识别准确率,参数减少30.5%且性能损失<1%。
为了解决传统复数值残差网络在射频(RF)信号分析中的关键局限性,包括在低信噪比(SNR)条件下识别精度不足以及处理I/Q调制RF信号时的计算效率低下问题,我们提出了一种基于特征聚合网络(CADRN_FAN)的复数自适应去噪残差网络,用于RF指纹识别。我们的主要贡献如下:首先,我们设计了一种带有自适应去噪模块的复数残差神经网络。通过引入所提出的复数通道注意力机制和改进的复数特征聚合网络结构,有效消除了噪声和冗余数据。其次,我们提出了一种针对RF信号的定制化复数深度可分离卷积(CDSC)轻量化技术,该技术简化了网络结构的同时保证了模型性能。第三,我们构建了一个端到端的框架,包括“快速傅里叶变换(FFT)特征提取—自适应去噪—复数轻量化”,以实现识别性能和计算效率的协同优化。实验结果表明,在13–18 dB的SNR范围内,所提出的方法在100类ADS-B数据上的平均识别精度达到了86.9%,比传统复数残差网络高出2.1个百分点。与传统复数残差网络相比,该轻量化网络的参数减少了30.5%,且精度损失不超过1%。与其他方法相比,所提出的方法具有显著优势:与丢弃相位信息的实值网络不同,该方法完全保留了I/Q信号的幅度和相位特征,从而提高了识别精度;与传统复数残差网络相比,该方法通过本研究中专门设计的复数通道注意力机制和改进的复数特征聚合网络结构,表现出更强的自适应去噪能力,因此在低SNR条件下实现了更优的泛化性能。此外,依靠适用于RF信号的CDSC,所提出的方法有效解决了由于轻量化设计导致的精度损失问题,最终在高效的RF信号识别和模型压缩之间取得了平衡。
为了解决传统复数值残差网络在射频(RF)信号分析中的关键局限性,包括在低信噪比(SNR)条件下识别精度不足以及处理I/Q调制RF信号时的计算效率低下问题,我们提出了一种基于特征聚合网络(CADRN_FAN)的复数自适应去噪残差网络,用于RF指纹识别。我们的主要贡献如下:首先,我们设计了一种带有自适应去噪模块的复数残差神经网络。通过引入所提出的复数通道注意力机制和改进的复数特征聚合网络结构,有效消除了噪声和冗余数据。其次,我们提出了一种针对RF信号的定制化复数深度可分离卷积(CDSC)轻量化技术,该技术简化了网络结构的同时保证了模型性能。第三,我们构建了一个端到端的框架,包括“快速傅里叶变换(FFT)特征提取—自适应去噪—复数轻量化”,以实现识别性能和计算效率的协同优化。实验结果表明,在13–18 dB的SNR范围内,所提出的方法在100类ADS-B数据上的平均识别精度达到了86.9%,比传统复数残差网络高出2.1个百分点。与传统复数残差网络相比,该轻量化网络的参数减少了30.5%,且精度损失不超过1%。与其他方法相比,所提出的方法具有显著优势:与丢弃相位信息的实值网络不同,该方法完全保留了I/Q信号的幅度和相位特征,从而提高了识别精度;与传统复数残差网络相比,该方法通过本研究中专门设计的复数通道注意力机制和改进的复数特征聚合网络结构,表现出更强的自适应去噪能力,因此在低SNR条件下实现了更优的泛化性能。此外,依靠适用于RF信号的CDSC,所提出的方法有效解决了由于轻量化设计导致的精度损失问题,最终在高效的RF信号识别和模型压缩之间取得了平衡。