支持设备分类的射频共振与激发(RF-RAF)神经元
大卫·L·韦瑟斯(David L. Weathers)
迈克尔·A·坦普尔(Michael A. Temple)
布雷特·J·博尔盖蒂(Brett J. Borghetti)
《Electronics》:Radio Frequency Resonate and Fire (RF-RAF) Neurons Supporting Device Classification
David L. Weathers,
Michael A. Temple and
Brett J. Borghetti
【字体:
大
中
小
】
时间:2026年05月12日
来源:Electronics 2.6
编辑推荐:
摘要
射频指纹识别(RFF)通过利用无线发射器中的非有意硬件差异,实现了被动物理层设备认证。由于在边缘设备上具备低延迟、高能效的推理能力,并且符合尺寸(Size)、重量(Weight)和功耗(Powe
摘要
射频指纹识别(RFF)通过利用无线发射器中的非有意硬件差异,实现了被动物理层设备认证。由于在边缘设备上具备低延迟、高能效的推理能力,并且符合尺寸(Size)、重量(Weight)和功耗(Power,简称SWaP)的限制,因此神经形态学实现方案颇具吸引力。本文展示了一种新的RFF技术,该技术使用了最近开发的射频共振与激发(RF-RAF)神经元以及八个WirelessHART设备。通过三种分类器架构(随机森林(RndF)、卷积神经网络(CNN)和时序增强脉冲神经网络(TI-SNN)对RF-RAF生成的指纹与传统的Gabor变换(GTX)方法进行了性能评估。结果表明,RF-RAF指纹在所有三种分类器类型中的平均分类准确率达到了96.7%,并且在所有评估的指纹尺寸下均显著优于GTX指纹。即使在时间跨度匹配的条件下,这种性能优势依然存在;而且RF-RAF相对于GTX的优势并不仅仅归因于输入数据的利用效率。当时间步长(M)为4时,TI-SNN使用RF-RAF指纹的分类准确率超过了94%,每次推理仅需大约100个脉冲;而需要大约1000个脉冲的GTX指纹才能达到相同的准确率。RF-RAF指纹还有两个额外优势:它们本质上是非负的,这有利于高效的神经形态学硬件实现;同时,在指纹尺寸选择上也具有更大的灵活性。总之,RF-RAF神经元为设备认证提供了高效的神经形态学编码方案,并在各种分类器架构的训练和推理过程中实现了更好的准确率与效率之间的平衡。
生物通微信公众号
生物通新浪微博
今日动态 |
人才市场 |
新技术专栏 |
中国科学人 |
云展台 |
BioHot |
云讲堂直播 |
会展中心 |
特价专栏 |
技术快讯 |
免费试用
版权所有 生物通
Copyright© eBiotrade.com, All Rights Reserved
联系信箱:
粤ICP备09063491号