arXiv cs.AI· Fengchong Yao, Jianbing Li, Qing Liu, Qikun Liu, Kefeng Song, Haitao Li, Song Wang·· 14 小时前AI 评分8
基于物理信息结构锚定与采集感知原型校准的跨环境射频指纹识别（PISA-CAPC）
Physics-Informed Structure Anchoring With Capture-Aware Prototype Calibration for Cross-Environment RF Fingerprinting
AI 导读
论文提出 PISA-CAPC 两阶段方法，将源域表征构建与目标域决策校正分离，解决跨采集环境下的射频指纹识别退化问题。在四接收天线、十发射器的实测 WiFi 基准上，该方法在平衡直推设置下取得 0.9257 的平均目标域 Macro-F1。部署阶段的无标签校准不更新目标域骨干网络，但该论文已被作者撤回。
正文 · AI 翻译
本文已被 Fengchong Yao 撤回
摘要：射频指纹识别（RFFI）利用发射机特有的硬件缺陷作为物联网（IoT）设备的物理层身份线索，但深度模型在跨采集环境时往往性能下降。在多天线接收中，天线拓扑和频率偏移动态构建了接收机观测，而采集相关的变异会扭曲目标嵌入并使源域训练的决策边界失准。本文提出物理信息结构锚定与采集感知原型校准（PISA-CAPC），以同时解决表示和决策失配问题。这两个阶段将源域表示构建与目标域决策校正分离。在源域训练期间，PISA 通过拓扑引导图组织天线令牌，以 CFO 导出的采集动态为条件进行传播，并应用有界上下文残差抑制以保留身份证据。在部署时，无标签采集感知原型校准（U-CAPC）估计采集局部原型并重新校准目标决策分数，同时保持表示和源分类器固定。因此，校准既不使用目标标签，也不更新目标域骨干网络。在具有四个接收天线和十个发射机的实测 WiFi 基准上，PISA-CAPC 在平衡转导设置下实现了平均目标域 Macro-F1 为 0.9257。组件消融实验支持拓扑引导锚定、CFO 条件调制、可靠性感知令牌聚合、上下文抑制和采集感知校准的互补作用。这些结果表明，物理驱动的表示学习可以与无标签决策校准相结合，在评估协议下改善跨环境 RFFI，而无需更改部署的骨干网络。
| 评论： | 数据需要更改 |
| 主题： | 信号处理（eess.SP）；人工智能（cs.AI） |
| 引用为： | arXiv:2607.09760 [eess.SP] |
| （或 arXiv:2607.09760v3 [eess.SP] 用于此版本） | |
| https://doi.org/10.48550/arXiv.2607.09760 arXiv 颁发的 DOI 通过 DataCite |
提交历史
来自：Fengchong Yao [查看电子邮件]
[v1]
2026年7月6日星期一 13:23:50 UTC（1,697 KB）
[v2]
2026年7月14日星期二 11:55:07 UTC（1,688 KB）
[v3]
2026年10月26日星期一 07:11:50 UTC（1 KB） （已撤回）
来源：arXiv cs.AI · arxiv.org