[发明专利]基于度量学习的车辆节点身份识别方法及装置

权利要求书

1.一种基于度量学习的车辆节点身份识别方法，其特征在于，包括以下步骤：

基于度量学习理论建立多目标开放类个体表征计算模型SigTLNet；

获取不同车辆节点对应的无线信号，并将所述无线信号作为该对应车辆节点的身份特征；

对所述不同车辆节点对应的无线信号进行预处理，以得到数据维度为N的不同车辆节点对应的无线信号；

根据所述数据维度为N的不同车辆节点对应的无线信号对所述多目标开放类个体表征计算模型SigTLNet进行训练，以得到降维后的数据维度为d的标准特征值；

获取待识别车辆节点对应的无线信号，并将所述待识别车辆节点对应的无线信号输入到训练好的多目标开放类个体表征计算模型SigTLNet，以得到数据维度为d的测试特征值；

计算所述测试特征值与所述标准特征值的最小欧式距离，并将所述最小欧式距离与预设阈值进行比较以识别所述测试特征值对应的待识别车辆节点的身份是否合法。

2.如权利要求1所述的基于度量学习的车辆节点身份识别方法，其特征在于，对所述不同车辆节点对应的无线信号进行预处理，以得到数据维度为N的不同车辆节点对应的无线信号，包括：

采用相位法确定所述无线信号的起点，并提取所述无线信号的包络信息，以获取保留包络信息对应采样点的无线信号，其中，所述无线信号为暂态信号；

将保留包络信息对应采样点的无线信号进行去噪及归一化处理，以得到处理后的数据维度为N的不同车辆节点对应的无线信号。

3.如权利要求1所述的基于度量学习的车辆节点身份识别方法，其特征在于，建立多目标开放类个体表征计算模型SigTLNet时，在Inception网络模型结构基础上采用多层深度卷积神经网络构建身份识别模块，其中，损失函数采用改进后的三元组损失，训练过程采用Adam优化器，并在训练中引入梯度裁剪。

4.如权利要求1所述的基于度量学习的车辆节点身份识别方法，其特征在于，将所述最小欧式距离与预设阈值进行比较以识别所述测试特征值对应的待识别车辆节点的身份是否合法，包括：

如果最小欧式距离大于预设阈值则识别所述测试特征值对应的待识别车辆节点的身份不合法，如果最小欧式距离小于预设阈值则识别所述测试特征值对应的待识别车辆节点的身份合法。

5.一种计算机可读存储介质，其特征在于，其上存储有基于度量学习的车辆节点身份识别程序，该基于度量学习的车辆节点身份识别程序被处理器执行时实现如权利要求1-4中任一项所述的基于度量学习的车辆节点身份识别方法。

6.一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时，实现如权利要求1-4中任一项所述的基于度量学习的车辆节点身份识别方法。

7.一种基于度量学习的车辆节点身份识别装置，其特征在于，包括：

模型建立模块，用于建立多目标开放类个体表征计算模型SigTLNet，并根据数据维度为N的不同车辆节点对应的无线信号对所述多目标开放类个体表征计算模型SigTLNet进行训练，以得到降维后的数据维度为d的标准特征值；

获取模块，用于获取不同车辆节点对应的无线信号，并将所述无线信号作为该对应车辆节点的身份特征；

预处理模块，用于对所述不同车辆节点对应的无线信号进行预处理，以得到数据维度为N的不同车辆节点对应的无线信号；

训练模块，用于获取待识别车辆节点对应的无线信号，并将所述待识别车辆节点对应的无线信号输入到训练好的多目标开放类个体表征计算模型SigTLNet，以得到数据维度为d的测试特征；

检测识别模块，用于计算所述测试特征值与所述标准特征值的最小欧式距离，并将所述最小欧式距离与预设阈值进行比较以识别所述测试特征值对应的待识别车辆节点的身份是否合法。