摘要
射频（RF）指纹分布在不同采集日期之间会发生变化，传播条件和硬件状态的改变可能降低发射器识别性能。为解决这一问题，我们提出了面向跨日 WiFi 发射器识别的无源类别平衡伪标签适应方法（SF-CBPA，Source-Free Class-Balanced Pseudo-Label Adaptation）。SF-CBPA 仅需一个无标签的目标日数据集和一个预训练源模型。该方法通过重新校准批量归一化统计量、冻结源分类器，并采用基于 Sinkhorn 平衡的伪标签与类内置信度选择策略；同时利用指数移动平均（EMA）教师和互信息最大化作为辅助稳定机制。实验基于公开的 WiSig-ManyTx 子集开展，包含 140 个发射器和一个固定接收器。前三个采集日用于训练源模型，第四日提供每类 25 个无标签适应样本和 25 个独立测试样本。在三个随机种子下，SF-CBPA 取得了 63.80 ± 0.90% 的准确率和 0.6330 ± 0.0121 的 Macro-F1。协议对齐的 SHOT 实现取得了 61.72 ± 1.95% 的准确率和 0.5963 ± 0.0285 的 Macro-F1，而仅使用源模型和 TENT 风格方法分别取得了 57.93 ± 0.58% 和 58.58 ± 0.43% 的准确率。直接分析表明，Sinkhorn 将硬伪标签数量的变化范围从 1–54 缩小至 13–35，并将类别数量的标准差从 11.75 降至 3.42。组件隔离消融实验表明，在种子 123 下，Sinkhorn 平衡是主要贡献因素；而 EMA 和辅助互信息最大化项的独立收益较小或不一致。以上结论仅限于本文所评估的平衡、封闭集、固定接收器协议。
