基于人工智能模型的工业互联网射频指纹识别技术研究

摘要：射频指纹识别技术为工业互联网提供了关键的数据采集和处理能力，然而，现存射频指纹识别技术存在识别率低的问题。因此，研究以人工智能模型为基础，提出一种基于轻量化残差神经网络的射频指纹识别算法，旨在优化射频信号的特征提取和识别过程，降低计算复杂度的同时保持高识别性能。实验通过USRP2954设备采集信号并识别，结果显示，研究提出的方法在高信噪比环境下达到98.46%的识别率。研究的创新对工业互联网和智能制造领域具有重要意义，能够推动工业自动化和智能制造的进一步发展，提升整个工业系统的智能化水平。

关键词：人工智能工业互联网射频指纹识别残差神经网络

中图分类号：TN974

ResearchonIndustrialInternetRadioFrequencyFingerprintingTechnologyBasedonArtificialIntelligenceModel

WANGYi’nan

CHNEnergyGroupE-CommerceCo.，Ltd.，BeijingCity， 100011China

Abstract：RadioFrequencyFingerprintingtechnologyprovidestheindustrialInternetwithkeydataacquisitionandprocessingcapabilities.However，currentRadioFrequencyFingerprintingtechnologyfacestheproblemoflowrecognitionaccuracy.Therefore，basedonArtificialIntelligence（AI）models，thisarticleproposesaRadioFrequencyFingerprintingalgorithmbasedonlightweightresidualneuralnetworks，inordertoimprovethefeatureextractionandrecognitionprocessofradiofrequencysignals，reducingcomputationalcomplexitywhilemaintaininghighrecognitionaccuracy.ExperimentsusingtheUSRP2954deviceforsignalcollectionandrecognitionshowthattheproposedmethodachievesarecognitionrateof98.46%inhighsignal-to-noiseratioenvironments.Theinnovationofthistechnologyisofgreatsignificancetothefieldsofindustrialinternetandintelligentmanufacturing，asithelpstopromotethedevelopmentofindustrialautomationandintelligentmanufacturing，furtherenhancingtheintelligenceleveloftheentireindustrialsystem.

KeyWords：ArtificialIntelligence;IndustrialInternet;RadioFrequencyFingerprinting;Residualneuralnetworks

随着全球制造业的快速发展，工业互联网作为连接实体工业系统与虚拟网络世界的关键桥梁，正在引领着工业4.0的转型浪潮[1]。在这一转型过程中，射频指纹识别（RadioFrequencyIdentification，RFID）技术以其独特的优势，成为了实现设备智能管理、优化生产流程、提升供应链效率的重要工具[2-3]。RFID技术通过无线射频信号实现对物体的自动识别和追踪，不仅能够提供准确的设备身份验证，还能够实现对生产过程中物料流动的实时监控[4-5]。近年来，结合人工智能模型的RFID技术层出不穷，然而，传统人工智能RFID技术提取射频信号特征时存在冗余、缺失等情况，严重影响了RFID技术的识别准确率。因此，研究提出一种以改进残差网络（ResidualNetwork，ResNet）为基础的RFID技术。研究旨在通过对RFID技术进行优化改进从而为工业互联网的发展提供更为强大和可靠的技术支持。

1基于人工智能模型的射频指纹识别技术

1.1残差神经网络的轻量化改进设计

卷积神经网络（ConvolutionalNeuralNetworks，CNNs）能够自动学习并提取射频信号的关键特征，避免了手动特征提取中可能出现的遗漏和冗余。然而，CNNs面临着退化问题，即随着网络层数的增加，CNNs的精度往往会在达到一个峰值后开始下降。因此，研究提出使用ResNet替代CNNs。ResNet不直接学习目标函数，而是学习输入与目标函数之间的残差。此外，ResNet中还引入快捷连接与反向传播，前者使得浅层特征能够直接传递到深层特征，后者使得梯度可以直接从深层传回浅层，缓解梯度消失问题。因此，ResNet能够学习到更复杂的射频指纹特征表示，提高RFID技术的识别率。进一步，研究针对原始的ResNet模型存在的计算量较大的问题，提出一种轻量化设计的ResNet模型，其结构如图1所示。

由图1可知，研究将射频信号的双谱等高线图作为输入，首先经过一个卷积层与最大池化层的组合模块，此模块中卷积层的卷积核大小为7×7，其步长为2，最大池化层的窗口大小为3×3。随后研究加入5个残差模块，它们的卷积核大小均为3×3，步长均为2，能够改变特征图的尺寸。在残差模块之间研究加入下采样操作，通过卷积核大小为1×1，步长为2的卷积层实现。下采样操作的目的是匹配模型运算过程中特征图的维度。此外，研究为加速损失函数的收敛，将批量归一化（BatchNormalization，BN）操作添加至每一个卷积层后。研究选择线性整流单元（RectifiedLinearUnit，ReLU）作为BN中的激活函数。最后，研究在轻量化ResNet模型的结尾处使用最大池化操作来替代原ResNet模型中的平均池化操作。

值得注意的是，研究在处理射频信号的双谱数据时，为避免丢失重要的细节信息，选择不采用局部积分等可能平滑或改变数据原有特征的处理方法。此外，为解决高维数据中存在无用特征和计算量大等问题，采用轻量化ResNet模型来进行特征的自动筛选和降维处理，其能够学习到哪些特征是有用的，并在降维过程中保留这些有用特征，从而提高数据处理的效率和模型的性能。

1.2基于改进ResNet的RFID算法设计

轻量化ResNet模型能够在保持高识别性能的同时，降低资源消耗，因此，在此基础上研究设计了RFID算法。算法流程如图2所示。

由图2可知，第一步进行信号采集，采集过程中涉及下变频处理与正交振幅解调两个操作。第二步为数据预处理，其中能量归一化处理是将信号的能量调整到同一量级，时间序列分割是将连续的时间序列分割成多个较短的片段。第三步是计算信号的双谱并生成二维等高线图，以便更直观地展示信号的频谱特征。第四步为整个算法流程中的关键环节，即对轻量化ResNet模型进行训练，通过多次迭代训练与验证，找到一组最优的超参数配置，使得模型达到最佳性能。第五步则是使用训练后的轻量化ResNet模型对射频信号进行识别。

2射频指纹识别技术性能验证与分析

为验证研究提出的RFID算法的有效性与优越性，研究选择6台市面上常见的路由器作为实验对象进行实验，且6台路由器来自同一品牌同一型号。路由器的配置与实验环境配置如表1所示。

研究首先将6台路由器放置在实验室内的固定位置，采集信号后，在MATLAB中经过分割和能量归一化处理，形成实数矩阵片段。随后，从稳态信号中截取5400个样本片段，以7∶3的比例划分为训练集和验证集，且其中部分样本添加不同信噪比的噪声以模拟实际噪声环境，其余样本保持无噪声状态。同时另外采集的4500个样本片段作为测试集。实验结果如图3所示。

由图3可知，各个方法的识别率随着信噪比的增大都有不同程度的提升，这是因为信噪比越高，信号中的有效信息成分相对于噪声成分更多，即信号更容易被准确识别和解析。其中，当信噪比超过10dB时，3个方法的识别率均超过80%。其中，当信噪比为30dB时，研究提出的使用双谱等高线图与轻量化ResNet模型的方法识别率达到98.46%，使用矩形积分双谱与轻量化ResNet模型的方法识别率为91.67%，而使用双谱等高线图与CNN的方法识别率仅有84.37%。

3结论

针对传统人工智能结合RFID技术在特征提取上的不足，研究使用ResNet替换传统CNN，并改进ResNet，提出以轻量化ResNet模型为基础的RFID算法，并对其进行实验验证。结果表明，在信噪比为30dB的环境下，该算法能够实现高精度的射频信号识别，识别率达到98.46%，明显优于其他方法。研究有效提高了RFID技术的识别率，为工业互联网中RFID技术的应用提供了强有力的技术支持。后续研究可在更复杂的环境下优化RFID技术。

参考文献

[1]曹健，王兴伟，黄敏，等.一种工业物联网多路径可靠路由机制[J].小型微型计算机系统，2023，44（4）：862-867.

[2]唐晓刚，冯俊豪，张斌权，等.基于射频指纹的卫星测控地面站身份识别方法[J].电子与信息学报，2023，45（7）：2554-2560.

[3]李明笛，谢军，杨鸿杰，等.基于特征融合的跳频信号射频指纹识别技术[J].计算机测量与控制，2022，30（12）：319-325.

[4]刘铭，刘念，韩晓艺，等.一种基于射频指纹的电力物联网设备身份识别方法[J].中国电力，2021，54（3）：80-88.

[5]陈翔，汪连栋，许雄，等.基于RawI/Q和深度学习的射频指纹识别方法综述[J].雷达学报，2023，12（1）：214-234.