Die spezifische Emittentenidentifizierung (SEI) unterscheidet einzelne Emittenten, indem subtile Merkmale aus abgefangenen Radiowellsignalen extrahiert werden. Dieser Prozess basiert auf dem Design und der Extraktion spezifischer Merkmale. Aktuelle Methoden zur Auswahl und Charakterisierung von Radiowellensignaturen variieren je nach Einzelfall, und der Extraktionsprozess ist eng mit den Umweltbedingungen verbunden. Infolgedessen ist die Allgemeingültigkeit solcher Identifikationsalgorithmen oft eingeschränkt, insbesondere wenn die Anwendungsumgebung nicht mit der Prämisse des Merkmalsdesigns übereinstimmt, was zu einer schnellen Verschlechterung oder sogar zu einem Scheitern der individuellen Identifikationsleistung führen kann. In diesem Papier wird ein tiefes Clustering-Modell basierend auf dem Lernen von Polaritätsmerkmalen zur Identifizierung einzelner Kommunikationsemittenten vorgeschlagen. Der Ansatz beinhaltet den Aufbau eines geführten Netzwerks zur Extraktion von Datensätzen von Polaritätsmerkmalen aus Kommunikationssignalen und die Nutzung eines kontrastiven Repräsentationslernnetzwerks zur Extraktion von Dualpolaritätsmerkmalen aus I/Q-Datenproben. Anschließend wird ein bayesianisches nichtparametrisches (BNP) Klassenmischmodellalgorithmus eingesetzt, um ein mehrstufiges Clustering-Netzwerk zur Clusteranalyse der extrahierten Merkmale aufzubauen. Unter 5 dB-Bedingungen erreicht die in diesem Papier beschriebene Methode eine durchschnittliche Erkennungsgenauigkeit von 87,5 %.
Zhang et al. (Sat,) haben diese Frage untersucht.