基于人工智能模型的工業(yè)互聯(lián)網(wǎng)射頻指紋識(shí)別技術(shù)研究

摘要：射頻指紋識(shí)別技術(shù)為工業(yè)互聯(lián)網(wǎng)提供了關(guān)鍵的數(shù)據(jù)采集和處理能力，然而，現(xiàn)存射頻指紋識(shí)別技術(shù)存在識(shí)別率低的問題。因此，研究以人工智能模型為基礎(chǔ)，提出一種基于輕量化殘差神經(jīng)網(wǎng)絡(luò)的射頻指紋識(shí)別算法，旨在優(yōu)化射頻信號(hào)的特征提取和識(shí)別過程，降低計(jì)算復(fù)雜度的同時(shí)保持高識(shí)別性能。實(shí)驗(yàn)通過USRP2954設(shè)備采集信號(hào)并識(shí)別，結(jié)果顯示，研究提出的方法在高信噪比環(huán)境下達(dá)到98.46%的識(shí)別率。研究的創(chuàng)新對(duì)工業(yè)互聯(lián)網(wǎng)和智能制造領(lǐng)域具有重要意義，能夠推動(dòng)工業(yè)自動(dòng)化和智能制造的進(jìn)一步發(fā)展，提升整個(gè)工業(yè)系統(tǒng)的智能化水平。

關(guān)鍵詞：人工智能工業(yè)互聯(lián)網(wǎng)射頻指紋識(shí)別殘差神經(jīng)網(wǎng)絡(luò)

中圖分類號(hào)：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

隨著全球制造業(yè)的快速發(fā)展，工業(yè)互聯(lián)網(wǎng)作為連接實(shí)體工業(yè)系統(tǒng)與虛擬網(wǎng)絡(luò)世界的關(guān)鍵橋梁，正在引領(lǐng)著工業(yè)4.0的轉(zhuǎn)型浪潮[1]。在這一轉(zhuǎn)型過程中，射頻指紋識(shí)別（RadioFrequencyIdentification，RFID）技術(shù)以其獨(dú)特的優(yōu)勢(shì)，成為了實(shí)現(xiàn)設(shè)備智能管理、優(yōu)化生產(chǎn)流程、提升供應(yīng)鏈效率的重要工具[2-3]。RFID技術(shù)通過無線射頻信號(hào)實(shí)現(xiàn)對(duì)物體的自動(dòng)識(shí)別和追蹤，不僅能夠提供準(zhǔn)確的設(shè)備身份驗(yàn)證，還能夠?qū)崿F(xiàn)對(duì)生產(chǎn)過程中物料流動(dòng)的實(shí)時(shí)監(jiān)控[4-5]。近年來，結(jié)合人工智能模型的RFID技術(shù)層出不窮，然而，傳統(tǒng)人工智能RFID技術(shù)提取射頻信號(hào)特征時(shí)存在冗余、缺失等情況，嚴(yán)重影響了RFID技術(shù)的識(shí)別準(zhǔn)確率。因此，研究提出一種以改進(jìn)殘差網(wǎng)絡(luò)（ResidualNetwork，ResNet）為基礎(chǔ)的RFID技術(shù)。研究旨在通過對(duì)RFID技術(shù)進(jìn)行優(yōu)化改進(jìn)從而為工業(yè)互聯(lián)網(wǎng)的發(fā)展提供更為強(qiáng)大和可靠的技術(shù)支持。

1基于人工智能模型的射頻指紋識(shí)別技術(shù)

1.1殘差神經(jīng)網(wǎng)絡(luò)的輕量化改進(jìn)設(shè)計(jì)

卷積神經(jīng)網(wǎng)絡(luò)（ConvolutionalNeuralNetworks，CNNs）能夠自動(dòng)學(xué)習(xí)并提取射頻信號(hào)的關(guān)鍵特征，避免了手動(dòng)特征提取中可能出現(xiàn)的遺漏和冗余。然而，CNNs面臨著退化問題，即隨著網(wǎng)絡(luò)層數(shù)的增加，CNNs的精度往往會(huì)在達(dá)到一個(gè)峰值后開始下降。因此，研究提出使用ResNet替代CNNs。ResNet不直接學(xué)習(xí)目標(biāo)函數(shù)，而是學(xué)習(xí)輸入與目標(biāo)函數(shù)之間的殘差。此外，ResNet中還引入快捷連接與反向傳播，前者使得淺層特征能夠直接傳遞到深層特征，后者使得梯度可以直接從深層傳回淺層，緩解梯度消失問題。因此，ResNet能夠?qū)W習(xí)到更復(fù)雜的射頻指紋特征表示，提高RFID技術(shù)的識(shí)別率。進(jìn)一步，研究針對(duì)原始的ResNet模型存在的計(jì)算量較大的問題，提出一種輕量化設(shè)計(jì)的ResNet模型，其結(jié)構(gòu)如圖1所示。

由圖1可知，研究將射頻信號(hào)的雙譜等高線圖作為輸入，首先經(jīng)過一個(gè)卷積層與最大池化層的組合模塊，此模塊中卷積層的卷積核大小為7×7，其步長(zhǎng)為2，最大池化層的窗口大小為3×3。隨后研究加入5個(gè)殘差模塊，它們的卷積核大小均為3×3，步長(zhǎng)均為2，能夠改變特征圖的尺寸。在殘差模塊之間研究加入下采樣操作，通過卷積核大小為1×1，步長(zhǎng)為2的卷積層實(shí)現(xiàn)。下采樣操作的目的是匹配模型運(yùn)算過程中特征圖的維度。此外，研究為加速損失函數(shù)的收斂，將批量歸一化（BatchNormalization，BN）操作添加至每一個(gè)卷積層后。研究選擇線性整流單元（RectifiedLinearUnit，ReLU）作為BN中的激活函數(shù)。最后，研究在輕量化ResNet模型的結(jié)尾處使用最大池化操作來替代原ResNet模型中的平均池化操作。

值得注意的是，研究在處理射頻信號(hào)的雙譜數(shù)據(jù)時(shí)，為避免丟失重要的細(xì)節(jié)信息，選擇不采用局部積分等可能平滑或改變數(shù)據(jù)原有特征的處理方法。此外，為解決高維數(shù)據(jù)中存在無用特征和計(jì)算量大等問題，采用輕量化ResNet模型來進(jìn)行特征的自動(dòng)篩選和降維處理，其能夠?qū)W習(xí)到哪些特征是有用的，并在降維過程中保留這些有用特征，從而提高數(shù)據(jù)處理的效率和模型的性能。

1.2基于改進(jìn)ResNet的RFID算法設(shè)計(jì)

輕量化ResNet模型能夠在保持高識(shí)別性能的同時(shí)，降低資源消耗，因此，在此基礎(chǔ)上研究設(shè)計(jì)了RFID算法。算法流程如圖2所示。

由圖2可知，第一步進(jìn)行信號(hào)采集，采集過程中涉及下變頻處理與正交振幅解調(diào)兩個(gè)操作。第二步為數(shù)據(jù)預(yù)處理，其中能量歸一化處理是將信號(hào)的能量調(diào)整到同一量級(jí)，時(shí)間序列分割是將連續(xù)的時(shí)間序列分割成多個(gè)較短的片段。第三步是計(jì)算信號(hào)的雙譜并生成二維等高線圖，以便更直觀地展示信號(hào)的頻譜特征。第四步為整個(gè)算法流程中的關(guān)鍵環(huán)節(jié)，即對(duì)輕量化ResNet模型進(jìn)行訓(xùn)練，通過多次迭代訓(xùn)練與驗(yàn)證，找到一組最優(yōu)的超參數(shù)配置，使得模型達(dá)到最佳性能。第五步則是使用訓(xùn)練后的輕量化ResNet模型對(duì)射頻信號(hào)進(jìn)行識(shí)別。

2射頻指紋識(shí)別技術(shù)性能驗(yàn)證與分析

為驗(yàn)證研究提出的RFID算法的有效性與優(yōu)越性，研究選擇6臺(tái)市面上常見的路由器作為實(shí)驗(yàn)對(duì)象進(jìn)行實(shí)驗(yàn)，且6臺(tái)路由器來自同一品牌同一型號(hào)。路由器的配置與實(shí)驗(yàn)環(huán)境配置如表1所示。

研究首先將6臺(tái)路由器放置在實(shí)驗(yàn)室內(nèi)的固定位置，采集信號(hào)后，在MATLAB中經(jīng)過分割和能量歸一化處理，形成實(shí)數(shù)矩陣片段。隨后，從穩(wěn)態(tài)信號(hào)中截取5400個(gè)樣本片段，以7∶3的比例劃分為訓(xùn)練集和驗(yàn)證集，且其中部分樣本添加不同信噪比的噪聲以模擬實(shí)際噪聲環(huán)境，其余樣本保持無噪聲狀態(tài)。同時(shí)另外采集的4500個(gè)樣本片段作為測(cè)試集。實(shí)驗(yàn)結(jié)果如圖3所示。

由圖3可知，各個(gè)方法的識(shí)別率隨著信噪比的增大都有不同程度的提升，這是因?yàn)樾旁氡仍礁?，信?hào)中的有效信息成分相對(duì)于噪聲成分更多，即信號(hào)更容易被準(zhǔn)確識(shí)別和解析。其中，當(dāng)信噪比超過10dB時(shí)，3個(gè)方法的識(shí)別率均超過80%。其中，當(dāng)信噪比為30dB時(shí)，研究提出的使用雙譜等高線圖與輕量化ResNet模型的方法識(shí)別率達(dá)到98.46%，使用矩形積分雙譜與輕量化ResNet模型的方法識(shí)別率為91.67%，而使用雙譜等高線圖與CNN的方法識(shí)別率僅有84.37%。

3結(jié)論

針對(duì)傳統(tǒng)人工智能結(jié)合RFID技術(shù)在特征提取上的不足，研究使用ResNet替換傳統(tǒng)CNN，并改進(jìn)ResNet，提出以輕量化ResNet模型為基礎(chǔ)的RFID算法，并對(duì)其進(jìn)行實(shí)驗(yàn)驗(yàn)證。結(jié)果表明，在信噪比為30dB的環(huán)境下，該算法能夠?qū)崿F(xiàn)高精度的射頻信號(hào)識(shí)別，識(shí)別率達(dá)到98.46%，明顯優(yōu)于其他方法。研究有效提高了RFID技術(shù)的識(shí)別率，為工業(yè)互聯(lián)網(wǎng)中RFID技術(shù)的應(yīng)用提供了強(qiáng)有力的技術(shù)支持。后續(xù)研究可在更復(fù)雜的環(huán)境下優(yōu)化RFID技術(shù)。

參考文獻(xiàn)

[1]曹健，王興偉，黃敏，等.一種工業(yè)物聯(lián)網(wǎng)多路徑可靠路由機(jī)制[J].小型微型計(jì)算機(jī)系統(tǒng)，2023，44（4）：862-867.

[2]唐曉剛，馮俊豪，張斌權(quán)，等.基于射頻指紋的衛(wèi)星測(cè)控地面站身份識(shí)別方法[J].電子與信息學(xué)報(bào)，2023，45（7）：2554-2560.

[3]李明笛，謝軍，楊鴻杰，等.基于特征融合的跳頻信號(hào)射頻指紋識(shí)別技術(shù)[J].計(jì)算機(jī)測(cè)量與控制，2022，30（12）：319-325.

[4]劉銘，劉念，韓曉藝，等.一種基于射頻指紋的電力物聯(lián)網(wǎng)設(shè)備身份識(shí)別方法[J].中國(guó)電力，2021，54（3）：80-88.

[5]陳翔，汪連棟，許雄，等.基于RawI/Q和深度學(xué)習(xí)的射頻指紋識(shí)別方法綜述[J].雷達(dá)學(xué)報(bào)，2023，12（1）：214-234.