论文总字数：23216字

摘 要

本文基于54种ZigBee无线网络设备，在不同信噪比下，通过不同的特征对ZigBee设备射频指纹进行分类训练，并测试出分类的准确率。本文采用的分类算法为：支持向量机、bagging、神经网络算法、朴素贝叶斯和随机森林。对于前三种算法，本文先将实验数据的一部分用作算法的训练数据计算出训练分类准确率，再用一部分数据进行测试得到测试分类准确率。对于朴素贝叶斯算法则先通过部分数据得到它的后验概率，再通过后验概率和剩余一部分数据计算出它的分类准确率。对于随机森林算法，就是以朴素贝叶斯为弱分类器的基础上，通过对特征的随机选取形成决策树来进行分类。最终通过实验研究表明，不同的分类算法的选择、特征、信噪比都会对分类的准确率造成影响。基于神经网络算法的以频率偏移、IQ偏移、星座轨迹图畸变三特征作为分类标准的分类方法在高信噪比下是最优的，接近100%。而随着信噪比的降低，基于bagging算法的以频率偏移、IQ偏移双特征作为分类标准对射频指纹特征进行分类的准确率最高。随机森林和朴素贝叶斯分类效果只有在高信噪比下才能达到不错的分类准确率。而以支持向量机算法为基础分类的表现一直很稳定。

关键词：射频指纹，机器学习，特征分类

Abstract

Based on 54 kinds of ZigBee wireless network equipment, this paper classifies ZigBee equipment RF fingerprints with different characteristics under different signal-to-noise ratios, and tests the classification accuracy. The classification algorithms used in this paper are: support vector machine, bagging, neural network algorithm, naive Bayes and random forest. For the first three algorithms, this paper first uses part of the experimental data as the training data of the algorithm to calculate the training classification accuracy, and then uses the remaining part of the data for testing to obtain the test classification accuracy. For the naive Bayes algorithm, its posterior probability is first obtained through partial data. Then we calculated its classification accuracy through the posterior probability and the remaining part of the data. For the random forest algorithm, based on naive Bayesian weak classifiers, the decision tree is formed by randomly selecting features. Finally, through experimental research, it is shown that the different selection of classification algorithms, characteristics, and signal-to-noise ratios will affect the classification accuracy. And we can get the highest classification performance by using the three characteristics of frequency offset, IQ offset, and constellation locus pattern based on the neural network algorithm when it under high signal-to-noise ratio, which is close to 100%. With the reduction of signal-to-noise ratio, the classification accuracy based on bagging algorithm with frequency offset and IQ offset characteristics is the highest. Random forest and naive Bayesian classification effects can achieve good classification accuracy only at high signal-to-noise ratio. While the performance of classification based on the support vector machine algorithm has been very stable.

KEY WORDS: radio frequency fingerprint, machine learning, feature classification

目 录

摘要 I

Abstract II

第一章 绪论 1

1.1 研究背景 1

1.2 射频指纹特征提取 1

1.3 本文主要工作 2

第二章 SVM、bagging、神经网络、朴素贝叶斯、随机森林算法简述 4

2.1 SVM算法简介 4

2.2 bagging算法简介 4

2.3 神经网络算法简介 4

2.4 朴素贝叶斯算法简介 5

2.5 随机森林算法简介 5

2.6 分类特征简介 5

第三章 实验分类结果 10

3.1 基于SVM的实验分类结果 10

3.2 基于bagging算法的实验分类结果 13

3.3 基于神经网络算法的实验结果 17

3.4 基于朴素贝叶斯（naive Bayes）的射频指纹特征分类 20

3.5 基于随机森林（Random Forest）算法的分类结果 22

第四章 基于五种分类算法的分类结果对比 24

4.1 基于五种算法的最优分类选择 24

4.2 五种算法的最优分类选择对比 28

第五章 总结与展望 30

5.1 总结 30

5.2 展望 30

致 谢 31

参考文献 32

绪论

研究背景

众所周知，现代通信技术的迅猛发展不断的推动着社会的进步，改善了人们的生活质量，同时也大大改变了人类战争的形态。1896年，意大利工程师马可尼发明了无线电报。从此以后，无线通信留登上了人类电子通信的舞台。相比有线通信，无线通信对传输介质几乎没有要求，在空气和真空中就能完成信息信号的传递。这也使通信变得更加快速灵活，更加便捷高效，更具备较强适应性。

在过去的一个多世纪里，无线电通信系统及其技术已经获得了快速的发展与提升。伴随着现代计算机系统软硬件技术水平的发展，未来的无线电通信将朝着更高效灵活且更具适应性的方向迈进。软件无线电建立在通用的硬件平台基础上，将通信系统的各种功能完全由相应的可编程软件来实现，包括宽频带内的可编程信道调制方式、可编程的射频与中频频段、可编程的信道解调方式、信源编码、解码方式等。根据无线电的基本思想，对现行的通信系统均可实行模块化设计，模块的物理及电气接口性能指标符合统一、开放的标准。系统运行中通过更换单一模块以及可维护或提高系统的性能，便于系统间的复用^[1]。

剩余内容已隐藏，请支付后下载全文，论文总字数：23216字