基于一致性正则化的半监督射频指纹识别
本文研究了利用深度学习进行射频指纹识别的方法,提出了一种改进的原型学习方法,包括基于一致性的正则化和在线标签平滑技术,可以显著提高未知设备的开放式射频指纹识别性能。
Jun, 2023
本文探讨了将 RF 指纹技术与密码学和零信任安全措施相结合以保障无线网络中数据隐私、机密性和完整性的可行性,并综述了 RF 指纹技术的历史、应用、相关的深度学习算法,并探讨了该领域未来的发展方向。
Jan, 2022
该论文介绍了一种利用对比学习来缓解无线设备领域转移问题的新颖解决方案,通过实验证明对比学习方法在改善领域转移下的设备分类中起到了显著且一致的提高作用。
Mar, 2024
本文提出了一种基于联邦学习算法的无线电频率指纹算法,采用模型转移和适应策略以及在卷积层之间引入密集连接,强化了学习精度并降低了模型复杂度,实现了通信高效和隐私保护,通过从一个信道条件转移学习模型并将其适应于其他信道条件,可以高度准确地预测在环境漂移下的指纹识别率,这种算法在现实世界数据集上的实验表明,相较于基准算法,本文提出的算法可以提高预测性能至多 15%。
Feb, 2023
通过分析无线设备在物理层中的固有硬件缺陷,基于射频指纹(Radio Frequency Fingerprinting,RFF)技术可以在制造过程中对无线设备进行认证。该文探讨了机器学习和深度学习在 RFF 系统中提取和学习特征的能力以及在真实场景中运行该系统所面临的挑战,同时讨论了当前存在的问题以及未来的研究方向。
Oct, 2023
本论文旨在探索无人标记的射频信号数据在无监督学习下,是否能适应基于 RGB 的表示学习,并表明这种方法在多种任务上已经超过了基于射频信号的人体感知的最新成果,为来自这种新颖方式的无监督表征学习开辟了可能性。
Jul, 2022
本文提出 DeepRadioID,一个系统,其无需重新训练深度学习模型即可优化基于深度学习的无线电指纹识别算法的准确性,实验结果显示其在三种情况下分别增加了 35%,50%和 58%的指纹识别准确性,并在 100 个设备数据集上实现了 27%的改进。
Apr, 2019
Radio Frequency Fingerprinting 通过 Deep Learning 技术实现 IoT 设备的认证,提出了一种基于设备硬件级别制造缺陷的无线认证平台 SignCRF,可以在动态环境下精准识别 LoRa 和 WiFi 设备。
Mar, 2023
本文介绍了两种半监督医学图像分割的一致性正则化策略,包括频域一致性(FDC)和多粒度区域相似性一致性(MRSC),通过这些策略有效高效地利用无标签数据进行特征学习,实验结果显示我们的方法取得了显著的性能提升,并超过其他最先进的方法。
May, 2024
本研究提出了基于自监督学习的射频信号表示学习方法,并将其应用于自动调制识别任务中,该方法能够提高任务的样本效率并显著节省时间和成本,并且相比于当前的深度学习方法,其模型的准确性更高,并且在只有有限的训练数据的情况下仍能保持较高的准确性。
Jul, 2022