基于稀疏自编码器和知识蒸馏的物理层认证方案

本发明涉及一种基于稀疏自编码器和知识蒸馏的物理层认证方案。为了增强模型学习能力，该方案首先提出了一种基于Sensitivity‑Specificity Loss的生成对抗网络数据增强模型SensSpec‑GAN，该模型通过在生成对抗网络中引入敏感性和特异性约束，增强了数据的多样性和模型对于负样本的识别能力。随后，针对CSI数据维度较高带来的计算负担问题，本发明提出了一种基于秃鹰优化算法的稀疏自编码器模型SABES，可以通过自动调整模型超参数来增强模型的特征表达能力。最后，本发明提出了自适应权重的多教师知识蒸馏模型AMTDF，通过自适应权重机制调整不同教师模型对学生模型的贡献，提升了模型在目标任务上的性能。实验结果表明，该方案提出的认证模型的准确率达到了96.32％，训练速度相较于基准算法提升了2.46倍。