买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

龙图腾网获悉西安交通大学申请的专利基于深度强化学习和RawI/Q的射频指纹识别方法及相关装置获国家发明授权专利权，本发明授权专利权由国家知识产权局授予，授权公告号为：CN116680563B 。

龙图腾网通过国家知识产权局官网在2025-11-21发布的发明授权授权公告中获悉：该发明授权的专利申请号/专利号为：202310567059.8，技术领域涉及：G06F18/214；该发明授权基于深度强化学习和RawI/Q的射频指纹识别方法及相关装置是由徐东阳;叶蛟设计研发完成，并于2023-05-18向国家知识产权局提交的专利申请。

本基于深度强化学习和RawI/Q的射频指纹识别方法及相关装置在说明书摘要公布了：基于深度强化学习和RawIQ的射频指纹识别方法及相关装置，包括：对用户UE设备采集IQ样本数据；自定义搭建用户UE设备识别的样本环境，搭建一维神经网络模型CNN；结合自定义的样本环境以及搭建的神经网络模型CNN，对样本数据进行DQN强化学习；结合DQN强化学习设计奖励函数，对样本数据进行训练，在不同的训练步数下，识别准确率变化的仿真验证。利用强化学习不需要标注大量数据标签，以及不需要很精细的特征提取步骤的优点，对UE设备采集的IQ样本数据进行训练，实现了DQN与射频指纹识别技术的结合。实验结果表明在小样本数量下，深度强化学习与监督学习相比，能够更快的提高设备识别准确率，并且准确率达到98％以上。

本发明授权基于深度强化学习和RawI/Q的射频指纹识别方法及相关装置在权利要求书中公布了：1.基于深度强化学习和RawIQ的射频指纹识别方法，其特征在于，包括： 对用户UE设备采集IQ样本数据； 自定义搭建用户UE设备识别的样本环境，搭建一维神经网络模型CNN； 结合自定义的样本环境以及搭建的神经网络模型CNN，对样本数据进行DQN强化学习； 结合DQN强化学习设计奖励函数，对样本数据进行训练，在不同的训练步数下，识别准确率变化的仿真验证； 结合自定义的样本环境以及搭建的神经网络模型CNN，对样本数据进行DQN强化学习： 定义环境：环境的状态定义为样本，每个不同的样本代表不同的状态，在执行判断动作后进入下一个样本，同时由自定义的奖惩机制返回reward； ϵ-greedy策略：epsilon参数设置在0.01,1之间线性衰减，衰减系数设置为0.0001；当随机数小于epsilon时，随机选取动作，否则选取最大q值的动作； CNN模型拟合Q表，输出不同状态下各个动作的q值，q值按照下列公式更新： q_newcritic=old_qtarget+alpha*R+gamma*maxq’target-old_q； 实验设置全局参数alpha=0.5，gama=0.5，CNN包含4个卷积层，两个最大池化层，激活函数使用tanh函数，以及最后输出层使用Dense层； ExperienceReplay，首先建立经验池memorry，在未达到最小采样长度时，持续探索并且保存每次探索的结果s,a,r,s’；经验池达到最小采样长度后，随机采样经验池中的数据进行训练学习； 训练DQN，首先初始化环境，得到初始状态，然后由贪心函数选取动作并得到对应的q值，再与环境交互，得到下一个状态以及本动作的奖赏；由下一状态的q值计算出loss，返回训练，并将状态更新为下一状态，至此完成一次学习；达到预设学习次数后，将critic网络参数复制给target网络，直到循环结束。

如需购买、转让、实施、许可或投资类似专利技术，可联系本专利的申请人或专利权人西安交通大学，其通讯地址为：710049 陕西省西安市碑林区咸宁西路28号；或者联系龙图腾网官方客服，联系龙图腾网可拨打电话0551-65771310或微信搜索“龙图腾网”。

以上内容由龙图腾AI智能生成。