用于增强射频无人机识别的一次生成式分布匹配
机器学习
2024-07-26 v4 密码学与安全
应用统计
机器学习
摘要
本工作解决了在有限射频（RF）环境下利用射频指纹识别无人机（UAV）的挑战。受环境干扰与硬件缺陷影响的射频信号的复杂性与多变性，常使传统基于射频的识别方法失效。为应对这些难题，本研究引入了一次生成式方法对变换后的射频信号进行增强的严格使用，显著提升了无人机识别性能。该方法在低数据场景下展现出潜力，优于条件生成对抗网络（GAN）与变分自编码器（VAE）等深度生成方法。本文为一次生成式模型在有限数据增强中的有效性提供了理论保证，为其在此类有限射频环境中的应用开创了先例。该研究有助于低数据场景下的学习技术，其可能涵盖图像与视频之外的非典型复杂序列。本研究使用的代码与数据集链接见 https://github.com/amir-kazemi/uav-rf-id。
引用
@article{arxiv.2301.08403,
title = {One-shot Generative Distribution Matching for Augmented RF-based UAV Identification},
author = {Amir Kazemi and Salar Basiri and Volodymyr Kindratenko and Srinivasa Salapaka},
journal= {arXiv preprint arXiv:2301.08403},
year = {2024}
}
备注
31 pages, 7 figures, 4 tables