針對(duì)私有協(xié)議的Airmax設(shè)備,提出了一種新的射頻指紋提取方法。首先,介紹了軟硬件實(shí)驗(yàn)環(huán)境的搭建并簡(jiǎn)要介紹了Airmax技術(shù),然后介紹了幀前導(dǎo)信號(hào)的提取方法,分為粗定位和精確定位,接著從理論分析和實(shí)驗(yàn)驗(yàn)證闡述了Airmax射頻指紋的提取方法。提取的特征維數(shù)為14,其中頻率偏移相關(guān)的特征有2個(gè),幅度相關(guān)的特征有12個(gè)。最后,基于這14維特征使用K-means算法及決策樹模型對(duì)設(shè)備特征數(shù)據(jù)集進(jìn)行了訓(xùn)練和分類,計(jì)算了分類準(zhǔn)確率,兩個(gè)模型的準(zhǔn)確率都達(dá)到了100%,對(duì)于4個(gè)設(shè)備的分類問題,K-means算法的準(zhǔn)確率為92.4%,決策樹模型的準(zhǔn)確率為100%。

【文章頁數(shù)】：13 頁

【文章目錄】：
引言
1 實(shí)驗(yàn)環(huán)境的搭建
2 數(shù)據(jù)預(yù)處理
    2.1 Airmax技術(shù)簡(jiǎn)介
    2.2 Airmax信號(hào)幀前導(dǎo)的捕獲
        2.2.1 粗同步
        2.2.2 精確同步
        2.2.3 時(shí)間復(fù)雜度分析
3 Airmax射頻指紋提取
    3.1 頻率偏移的提取
    3.2 頻率偏移方差的提取
    3.3 幅度誤差的提取
4 分類器的設(shè)計(jì)
    4.1 基于K?means算法的Airmax設(shè)備分類
        4.1.1 K-means算法
        4.1.2 Airmax設(shè)備分類
    4.2 基于決策樹模型的Airmax設(shè)備分類
        4.2.1 決策樹生成算法
        4.2.2 Airmax設(shè)備分類
    4.3 基于SVM模型的Airmax設(shè)備分類
        4.3.1 SVM學(xué)習(xí)算法
        4.3.2 Airmax設(shè)備分類
    4.4 多種模型的分類結(jié)果比較
5 結(jié)束語



本文編號(hào)：3813361