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！

龙图腾网获悉南京大学申请的专利一种基于样本增强和深度学习的射频指纹识别方法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：CN116257750B 。

龙图腾网通过国家知识产权局官网在2025-12-05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：202310119656.4，技术领域涉及：G06F18/213；该发明授权一种基于样本增强和深度学习的射频指纹识别方法是由王健;董岷雪;王静之设计研发完成，并于2023-02-15向国家知识产权局提交的专利申请。

本一种基于样本增强和深度学习的射频指纹识别方法在说明书摘要公布了：一种基于样本增强和深度学习的射频指纹识别方法，S1、从无线通信设备接收端采集原始射频数据并存储到PC端；S2、将无线通信设备接收端采集到的Raw‑IQ数据样本进行预处理，将数据划分为训练集和测试集，再进一步将训练集划分为源域和目标域；S3、构建DSEN‑TL神经网络并输入训练集对其进行训练，训练过程中判定H散度是否达到平衡，若过大或者过小则须调整射频个体识别网络和域分类网络的层数和参数重新训练，优化损失函数；S4、将测试集输入DSEN‑TL网络并输出设备识别类型；S5、将训练好的DSEN‑TL网络嵌入实际板级系统进行测试，在收发数据的同时准确识别射频设备个体，实现通信感知一体化。

本发明授权一种基于样本增强和深度学习的射频指纹识别方法在权利要求书中公布了：1.一种基于样本增强和深度学习的射频指纹识别方法，其特征是，包括以下步骤： 步骤S1、从无线通信设备接收端采集原始射频数据并存储到PC端； 步骤S2、将无线通信设备接收端采集到的Raw-IQ数据样本进行预处理，将数据划分为训练集和测试集，再进一步将训练集划分为源域和目标域； 步骤S3、构建DSEN-TL神经网络并输入训练集对其进行训练，训练过程中判定H散度是否达到平衡，若过大或者过小则须调整射频个体识别网络和域分类网络的层数和参数重新训练，优化损失函数； 步骤S4、将测试集输入DSEN-TL网络并输出设备识别类型； 步骤S5、将训练好的DSEN-TL网络嵌入实际板级系统进行测试，在收发数据的同时准确识别射频设备个体，实现通信感知一体化； 所述步骤S3中DSEN-TL神经网络包括三个部分：DenseNet特征提取网络、射频指纹个体识别网络和域分类网络；所述步骤S3中DenseNet特征提取网络具体结构如下： S31、DenseNet特征提取网络包含依次连接的输入层、第一卷积层、第一池化层、3个DenseBlock模块和其包含的2个过渡层和第二池化层；第一轮训练时网络的输入层包括带有标签的源域信号D1即第一天采集的训练信号和不带标签的目标域信号D2即第二天采集的待识别信号； S311、第一卷积层的输入是2×N的二维数据，用来提取输入数据中的隐含特征，使用Conv2D对数据进行二维卷积；第一池化层选择MaxPool最大池化策略，计算局部最大值；具体来说，先经过BN层，再经过ReLU激活函数层，最后进行池化区域大小为2×3且步长为2×2的最大池化，为模型降低计算的参数量并减小过拟合； S312、DenseBlock模块数量为3，每个DenseNet网络包含5个卷积层，每个卷积层由a个维度为b,c的卷积层组成；与ResNet网络相比，DenseNet网络不是通过求和来传递特征，而是每经过一次卷积就通过拼接操作将之前每层卷积的输入拼接起来，作为新的输入送给下一卷积层；DenseNet不是从极深或极宽的架构中汲取表征能力，而是通过特征利用网络的潜力；产生易于训练且参数效率高的浓缩模型； S313、第二池化层选择MaxPool最大池化策略，进行池化区域大小为2×3且步长为2×2的最大池化；经过最大池化后的数据分别输入射频指纹个体识别网络和域分类网络，分别进行源域和目标域的训练和迁移学习。

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南京大学，其通讯地址为：210093 江苏省南京市鼓楼区汉口路22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。