通过KAN-ResNet增强的无线电频率指纹识别与零强迫均等
Hongbo Chen1, Ruohua Zhou1, Qingsheng Yuan2
1School of Electrical and Information Engineering, Beijing University of Civil Engineering and Architecture, Beijing 102616, China.
射频指纹识别 (RFFI) 通过识别设备来增强物联网 (IoT) 的安全性. 这种新方法提高了RFFI准确度,尽管道变化,达到99.4%的识别成功.
科学领域:
- 网络安全 网络安全
- 信号处理 信号处理
- 机器学习 机器学习
背景情况:
- 无线电频率指纹识别 (RFFI) 对物联网 (IoT) 安全至关重要.
- 由于设备老化和环境变化,时间变化的频道显著降低了RFFI准确性.
研究的目的:
- 开发一种强大的RFFI方法,克服时间变化的通道干扰.
- 为了提高RFFI对物联网身份验证的准确性和概括性.
主要方法:
- 实施了对Wi-Fi序言信号 (IEEE 802.11) 的零强制 (ZF) 均衡,以减轻通道效应.
- 推出了KAN-ResNet,这是一个新的残余网络,包含一个KAN模块,具有B-spline基础函数和SiLU激活,用于复杂的非线性映射.
- 使用动态 B-spline 网格更新和 L1 规范化的增强模型通用化.
主要成果:
- 在20天间隔收集的数据集上实现了99.4%的准确性,证明了对道变化的稳定性.
- 将RFFI错误率从6.3%降至0.6%,显著优于现有方法.
- KAN-ResNet有效地改善了RFF特征的分类.
结论:
- 拟议的ZF等级和KAN-ResNet方法显著提高了RFFI在动态环境中的准确性和可靠性.
- 这种方法为安全和强大的物联网设备身份验证提供了一个有希望的解决方案.
- 集成先进的信号处理和深度学习技术解决了RFFI的关键挑战.
更多相关视频
09:09Foreign Accent and Forensic Speaker Identification in Voice Lineups: The Influence of Acoustic Features Based on Prosody
Published on: September 27, 2024
08:22Author Spotlight: Advancing the Study of Brain-Heart Interplay with a Comprehensive EEGLAB Plugin for Multimodal Signal Analysis
Published on: April 26, 2024
相关概念视频
IR Frequency Region: Fingerprint Region
Double Resonance Techniques: Overview
Spin decoupling is usually achieved by...
NMR Spectrometers: Resolution and Error Correction
¹³C NMR: ¹H–¹³C Decoupling
A broadband decoupling technique is used to simplify these complex, sometimes overlapping, signals. Broadband decoupling relies on a...
Insensitive Nuclei Enhanced by Polarization Transfer (INEPT)
NMR Spectrometers: Radiofrequency Pulses and Pulse Sequences
