射频识别实训总结_个人总结

混合射频指纹提取与设备分类方案的设计

L. Peng, A. Hu, J. Zhang, Y. Jiang, J. Yu, and Y. Yan, “Design of a Hybrid RF Fingerprint Extraction and Device Classification Scheme,” IEEE Internet of Things Journal. vol. 6, no. 1, pp. 349-360, 2018.

作者&＃xff1a;彭林宁&＃xff0c;胡爱群等&＃xff0c;东南大学。

• 频率偏移特征

频率偏移是由发射器和接收器上不同的振荡器频率引起的&＃xff0c;常用作设备识别的特征。这篇文章中使用了包括频率偏移特征在内的组合特征进行设备识别。现对文章中的频偏估计的方法进行研究&＃xff0c;主要包括频偏的粗估计和精细估计。

1)粗略频偏估计&＃xff1a;

利用数据包开头的前同步码序列进行粗频偏估计&＃xff0c;通过预先计算前导序列的&＃xff0c;选择一个序列相关窗口&＃xff0c;并通过逐步进行频率搜索来执行频率预补偿。 最后&＃xff0c;将产生相关峰值的频率偏移选择为粗略的频率预补偿值。 该过程在数学上表示为

其中Npreamble是前导序列波形的长度&＃xff0c;Ts是采样率。

2&＃xff09;精细的频率偏移估计&＃xff1a;

为了获得更准确的载波频率偏移估计以提高分类精度&＃xff0c;首先用粗略的频率偏移补偿接收到的信号&＃xff0c;可以将其表示为

然后通过下面数学公式获得信号峰值相关值&＃xff0c;

其中k是符号的索引。然后通过构造函数&＃xff1a;

可以得到相邻s&＃xff08;k&＃xff09;之间的差值&＃xff1a;

由此可以得到精细的频率偏移估计:

其中K是估计中的总符号数。 最后接收到的信号的总频率偏移为粗略频偏与精细频偏之和。

• 频偏估计

根据文中的频率偏移估计方法&＃xff0c;我们在接收端对频偏首先进行粗估计&＃xff0c;然后对粗估计的频偏进行补偿&＃xff0c;之后进行频偏精细估计&＃xff0c;把两次估计的结果相加得到信号整体的频偏估计值&＃xff0c;最后将估计的频偏值用作指纹特征识别不同的设备。

下面是设置频偏100Hz时粗频偏估计和精细频偏估计的结果。可以看出粗频偏估计能够估计大致的数值&＃xff0c;精细频偏估计是在粗频偏估计补偿之后对频偏进行二次估计&＃xff0c;数值较小。

下面是接收端对信号进行补偿前后的信号星座图的变化。

红色的加号是16QAM参考信号&＃xff0c;黄色的是频率补偿之前的信号&＃xff0c;可以看到明显的杂散混乱&＃xff0c;信号的幅度和相位都有较大变化。蓝色是进行频率补偿之后的信号&＃xff0c;与原始信号的差异并不大&＃xff0c;信号的聚类中心近似是参考信号的星座点位置&＃xff0c;所以频率补偿的准确性较高。

• 仿真个人总结

混合射频指纹提取与设备分类方案的设计

L. Peng, A. Hu, J. Zhang, Y. Jiang, J. Yu, and Y. Yan, “Design of a Hybrid RF Fingerprint Extraction and Device Classification Scheme,” IEEE Internet of Things Journal. vol. 6, no. 1, pp. 349-360, 2018.

作者&＃xff1a;彭林宁&＃xff0c;胡爱群等&＃xff0c;东南大学。

1. 频率偏移特征

频率偏移是由发射器和接收器上不同的振荡器频率引起的&＃xff0c;常用作设备识别的特征。这篇文章中使用了包括频率偏移特征在内的组合特征进行设备识别。现对文章中的频偏估计的方法进行研究&＃xff0c;主要包括频偏的粗估计和精细估计。

1. 粗略频偏估计&＃xff1a;

利用数据包开头的前同步码序列进行粗频偏估计&＃xff0c;通过预先计算前导序列的&＃xff0c;选择一个序列相关窗口&＃xff0c;并通过逐步进行频率搜索来执行频率预补偿。 最后&＃xff0c;将产生相关峰值的频率偏移选择为粗略的频率预补偿值。 该过程在数学上表示为

其中Npreamble是前导序列波形的长度&＃xff0c;Ts是采样率。

2&＃xff09;精细的频率偏移估计&＃xff1a;

为了获得更准确的载波频率偏移估计以提高分类精度&＃xff0c;首先用粗略的频率偏移补偿接收到的信号&＃xff0c;可以将其表示为

然后通过下面数学公式获得信号峰值相关值&＃xff0c;

其中k是符号的索引。然后通过构造函数&＃xff1a;

可以得到相邻s&＃xff08;k&＃xff09;之间的差值&＃xff1a;

由此可以得到精细的频率偏移估计:

其中K是估计中的总符号数。 最后接收到的信号的总频率偏移为粗略频偏与精细频偏之和。

• 频偏估计

根据文中的频率偏移估计方法&＃xff0c;我们在接收端对频偏首先进行粗估计&＃xff0c;然后对粗估计的频偏进行补偿&＃xff0c;之后进行频偏精细估计&＃xff0c;把两次估计的结果相加得到信号整体的频偏估计值&＃xff0c;最后将估计的频偏值用作指纹特征识别不同的设备。

下面是设置频偏100Hz时粗频偏估计和精细频偏估计的结果。可以看出粗频偏估计能够估计大致的数值&＃xff0c;精细频偏估计是在粗频偏估计补偿之后对频偏进行二次估计&＃xff0c;数值较小。

下面是接收端对信号进行补偿前后的信号星座图的变化。

红色的加号是16QAM参考信号&＃xff0c;黄色的是频率补偿之前的信号&＃xff0c;可以看到明显的杂散混乱&＃xff0c;信号的幅度和相位都有较大变化。蓝色是进行频率补偿之后的信号&＃xff0c;与原始信号的差异并不大&＃xff0c;信号的聚类中心近似是参考信号的星座点位置&＃xff0c;所以频率补偿的准确性较高。

• 仿真分析

在提取信号频偏特征的过程中&＃xff0c;根据IEEE 802.11标准规定16QAM调制的频偏允许范围是10ppm&＃xff0c;也就是载波频率的百万分之十的范围。我们设置载波频率为常用的WiFi频段2.4GHz&＃xff0c;所以频偏范围是24kHz以内。

&＃xff08;1&＃xff09;复杂信道条件下频偏特征的稳定性。

实验参数设置如下&＃xff1a;频偏设置100&＃xff0c;200,…, 1000 (Hz)&＃xff0c;采样率40MHz&＃xff0c;载波频率2.4GHz&＃xff0c;每个设备收集100个样本&＃xff0c;60个用来训练&＃xff0c;40个测试&＃xff0c;在收发装置距离变化情况下得到的识别结果如下&＃xff1a;

改变发射器和接收器之间的距离&＃xff0c;能够改变路径损耗和阴影衰落损耗的大小&＃xff0c;根据自由空间路径损耗模型&＃xff0c;随着收发装置距离增加&＃xff0c;路径损耗逐渐增大&＃xff0c;信噪比逐渐下降。我们将距离从0.1米逐渐增加到100米&＃xff0c;得到的频偏特征的识别率并没有太大的下降。从9米时是0.9949&＃xff0c;50米时0.9845&＃xff0c;100米是0.9836&＃xff0c;可以看出频率偏移特征对复杂信道的适应能力较强。

下面是距离在9米处的一个分类混淆矩阵结果&＃xff0c;可以看出结果较好&＃xff0c;40个测试设备绝大多数都能正确分类。

&＃xff08;2&＃xff09;发射机数量对识别结果的影响

设置收发装置9米&＃xff0c;采样率40MHz&＃xff0c;载波频率2.4GHz&＃xff0c;频偏设置从100Hz开始&＃xff0c;不同设备间隔100Hz&＃xff0c;设备数量分别是10个&＃xff0c;20&＃xff0c;30&＃xff0c;40。每个设备100个样本&＃xff0c;60训练&＃xff0c;40测试&＃xff0c;结果如下图所示。

可以看出&＃xff0c;随着发射机数量的增加&＃xff0c;识别率依然保持平稳&＃xff0c;下降幅度不大&＃xff0c;这对于以后大量设备的稳定识别问题提供了一个很好的思路。其中30个设备的分类混淆矩阵如下所示&＃xff0c;分类效果依然很好。

• 总结

频率偏移特征在仿真条件下性能较好&＃xff0c;但是实际信号分析时的性能还需要验证。而且结果是在仿真条件下根据自由空间路径损耗模型得到的&＃xff0c;实际环境中信道和路径可能会更复杂。其次&＃xff0c;我们设置的频偏范围每个设备之间的差异是100Hz&＃xff0c;是在标准规定范围内的一个理想值&＃xff0c;但是随着生产水平的进步&＃xff0c;在一定容差范围内&＃xff0c;不同设备具有相似的频率偏移特性的机会非常高&＃xff0c;尤其是在待分类设备数量较多或者同类型设备的情况下&＃xff0c;需要进一步考虑。这是针对某些射频损伤的影响研究&＃xff0c;接下来需要研究发射机不同器件的影响。

分析

在提取信号频偏特征的过程中&＃xff0c;根据IEEE 802.11标准规定16QAM调制的频偏允许范围是10ppm&＃xff0c;也就是载波频率的百万分之十的范围。我们设置载波频率为常用的WiFi频段2.4GHz&＃xff0c;所以频偏范围是24kHz以内。

&＃xff08;1&＃xff09;复杂信道条件下频偏特征的稳定性。

实验参数设置如下&＃xff1a;频偏设置100&＃xff0c;200,…, 1000 (Hz)&＃xff0c;采样率40MHz&＃xff0c;载波频率2.4GHz&＃xff0c;每个设备收集100个样本&＃xff0c;60个用来训练&＃xff0c;40个测试&＃xff0c;在收发装置距离变化情况下得到的识别结果如下&＃xff1a;

改变发射器和接收器之间的距离&＃xff0c;能够改变路径损耗和阴影衰落损耗的大小&＃xff0c;根据自由空间路径损耗模型&＃xff0c;随着收发装置距离增加&＃xff0c;路径损耗逐渐增大&＃xff0c;信噪比逐渐下降。我们将距离从0.1米逐渐增加到100米&＃xff0c;得到的频偏特征的识别率并没有太大的下降。从9米时是0.9949&＃xff0c;50米时0.9845&＃xff0c;100米是0.9836&＃xff0c;可以看出频率偏移特征对复杂信道的适应能力较强。

下面是距离在9米处的一个分类混淆矩阵结果&＃xff0c;可以看出结果较好&＃xff0c;40个测试设备绝大多数都能正确分类。

&＃xff08;2&＃xff09;发射机数量对识别结果的影响

设置收发装置9米&＃xff0c;采样率40MHz&＃xff0c;载波频率2.4GHz&＃xff0c;频偏设置从100Hz开始&＃xff0c;不同设备间隔100Hz&＃xff0c;设备数量分别是10个&＃xff0c;20&＃xff0c;30&＃xff0c;40。每个设备100个样本&＃xff0c;60训练&＃xff0c;40测试&＃xff0c;结果如下图所示。

可以看出&＃xff0c;随着发射机数量的增加&＃xff0c;识别率依然保持平稳&＃xff0c;下降幅度不大&＃xff0c;这对于以后大量设备的稳定识别问题提供了一个很好的思路。其中30个设备的分类混淆矩阵如下所示&＃xff0c;分类效果依然很好。

• 总结

频率偏移特征在仿真条件下性能较好&＃xff0c;但是实际信号分析时的性能还需要验证。而且结果是在仿真条件下根据自由空间路径损耗模型得到的&＃xff0c;实际环境中信道和路径可能会更复杂。其次&＃xff0c;我们设置的频偏范围每个设备之间的差异是100Hz&＃xff0c;是在标准规定范围内的一个理想值&＃xff0c;但是随着生产水平的进步&＃xff0c;在一定容差范围内&＃xff0c;不同设备具有相似的频率偏移特性的机会非常高&＃xff0c;尤其是在待分类设备数量较多或者同类型设备的情况下&＃xff0c;需要进一步考虑。这是针对某些射频损伤的影响研究&＃xff0c;接下来需要研究发射机不同器件的影响。