面向射頻指紋識別的高效IQ卷積網絡結構

崔天舒，黃永輝，沈 明，張 曄，崔 凱，趙文杰，安軍社

(1. 中國科學院國家空間科學中心 復雜航天系統電子信息技術重點實驗室, 北京 100190；2. 中國科學院大學 計算機科學與技術學院， 北京 100049； 3. 奧爾堡大學， 丹麥 奧爾堡 DK-9220)

當今社會無線網絡無處不在，在日常生活與工業生產中的應用越來越廣泛，尤其是隨著物聯網的發展，無線設備的數量呈現指數級增長，但無線網絡在提供便利的同時，也在隱私性和安全性方面帶來了巨大的挑戰。例如，在低功耗廣域網(low power wide area network, LPWAN)中，由于成本、功耗和帶寬等的限制，終端向基站傳輸的數據往往是不加密或者弱加密的，這就留下了安全漏洞。

電子元器件以及印刷電路板在制造和使用過程中存在制造容差與漂移容差，容差效應導致即使是同一廠家同一型號同一系列甚至是同一批次的無線發射設備的實際硬件參數也會存在差異[1]，進而導致每個發射機個體都有其獨特特性，這一特性被稱為射頻指紋(radio frequency fingerprint, RFF)。射頻指紋識別，是利用無線信號識別特定發射設備的方法，而信號指紋識別[2-4]和RF-DNA[5-7](RF distinct native attribute)等也可認為是與射頻指紋識別不同名稱的相同概念。射頻指紋是無線設備的固有特征，很難被篡改，因此可通過射頻指紋識別來確認無線設備身份，增強網絡安全性。

此前，比較流行的射頻指紋識別方法是基于人工特征提取的方法，先由本領域專家提取信號關鍵特征，如同相正交(in-phase and quadrature-phase, IQ)不均衡[8]、幅度誤差[9-10]和相位誤差[11-12]等時域信號特征，或者頻域變換[5,13]、Hilbert變換[14-15]、小波變換[16-17]等域變換后再提取特征，然后采用機器學習方法進行分類。通常，需要選取幾項甚至十幾項特征，計算復雜度高，實際部署使用困難。同時，受通信協議的多樣性與多徑干擾效應的影響，該方式在特征選擇和判決準則方面也缺乏普適性。

隨著大數據和人工智能技術的發展，深度學習在圖像識別[18-19]、語音識別[20-21]和自然語言處理與理解[22-23]等領域都取得了巨大的成功。射頻指紋識別本質上也是一種模式識別，可以將深度學習與射頻指紋識別技術深度融合，利用深度學習的方法，自動提取無線信號的模式特征，避免基于經驗的人工特征提取，提高復雜電磁環境下發射機的身份識別能力。

在電磁信號識別領域，近年來采用卷積神經網絡的方法越來越多。文獻[24]提出了一種信噪比(signal noise ratio, SNR)自適應的興趣區選擇多分辨率卷積神經網絡算法，在SNR=30 dB的視距條件下，對54臺ZigBee設備的分類精度高達97%。文獻[25]采用卷積神經網絡對功放的非線性特征進行識別，實驗結果表明，當信噪比大于20 dB時對7臺通用軟件無線電外設(universal software radio peripheral, USRP)設備的識別準確率能達到80%。文獻[26]以原始IQ采樣數據為輸入，經過離散傅里葉變換(discrete Fourier transform， DFT)將時域數據變換為頻域表達，再經過數據圖像化處理，將連續多次DFT的結果組合成一張二維頻譜瀑布圖，然后再輸入卷積神經網絡，像圖像識別一樣進行分類識別，雖然將IQ數據轉換成時頻圖像進行處理的可讀性更強，但相對于直接采用卷積網絡處理原始IQ采樣數據，這種方法在預處理過程中增加了額外計算量。但目前即使是直接處理IQ采樣數據的卷積網絡[27-31]，也存在信息利用率不高和計算量大等問題。

圖1為采用IQCNet的射頻指紋識別處理流程。面向射頻指紋識別應用，本文提出了一種基于IQ相關特征的卷積神經網絡結構：IQCNet，此網絡以原始IQ信號為輸入，首先提取信號的IQ相關特征，然后再提取時域特征，最后采用全局平均池化獲得各通道特征均值進行分類，具有信息利用率高、參數數量少和計算量小的特點。

圖1 射頻指紋識別處理流程Fig.1 RF fingerprint identification processing flow

1 IQ卷積網絡結構分析

在圖像識別領域，網絡輸入數據格式是M×N，數據點間存在空間關系，具有各向同性的性質，2個維度間可進行相同操作。而在射頻指紋識別領域，原始IQ采樣數據格式為N×2，其中N對應信號的時間長度，2對應同相分量I與正交分量Q，兩個維度不具備相同性質，無法進行圖像處理一樣的2維度對稱操作，所以目前卷積神經網絡對IQ信號的處理都是采用一維卷積提取時間維度特征[27-31]，而忽略了IQ間相關特征，進而導致相位信息損失，降低了識別率。

在射頻指紋識別領域，當前的卷積神經網絡(convolutional neural networks, CNN)都是參照AlexNet[32]的設計：首先采用大濾波器組的卷積層(convolutional layer, Conv)來提取特征，多個卷積層間采用最大池化(max-pooling)來減小數據維度，然后采用數據壓平(flatten)操作將多個通道的特征值重新組合為一維，最后采用多個全連接層(fully connected layer, FC)進行分類。網絡采用線性整流函數(rectified linear unit, ReLU)作為激活函數，此外為了提高網絡的泛化能力，在訓練時，全連接層間采用隨機失活(dropout)操作進行參數隨機舍棄，從而避免出現過擬合現象。

圖2展示了目前卷積神經網絡在提取時域IQ信號特征時所采用的3種操作方式，其中(a)是文獻[27]中基準卷積網絡采用的方式，(b)是文獻[28-29]中卷積網絡采用的方式，(c)是文獻[30-31]中卷積網絡采用的方式。(a)先采用一維時域濾波器提取時域特征，然后再采用最大池化的方式在IQ方向進行降維，這種在I與Q中取最大值的操作會損失幅度以及相位信息；(b)先采用一維時域濾波器提取時域特征，然后采用Flatten的方式將數據展開，再進行分類，這種方式是在I與Q中提取相同的時域特征；(c)是直接采用二維濾波器，一次性直接提取時域與IQ相關特征，但是，這種操作只能在特征提取的最后一層進行，難以多層連續展開進行。

圖2 卷積神經網絡的3種提取特征方式示意Fig.2 3 feature extraction methods of CNN

在分類判別階段，如圖3中所示，網絡[27-31]都采用多個全連接層，雖然可以提高網絡的分類能力，但存在網絡參數眾多和計算量大的問題。

圖3 卷積神經網絡分類層示意Fig.3 CNN classification layer

2 IQ卷積網絡結構設計

2.1 IQCNet結構

如圖4所示，輸入數據是時間長度為N的IQ序列，輸出為分類類別數量L。IQCNet首先將輸入數據擴展為C個通道(卷積核)，然后在每個通道內進行IQ相關特征與時域特征的提取，最后僅采用1個全連接層進行分類。

在特征提取層，將特征提取分為2步，分別在不同的維度上進行特征提取，首先采用一維IQ濾波器提取IQ相關特征，然后再使用多層一維時域濾波器提取時域特征，由于充分利用了時序IQ信號的IQ相關特征和時域特征，信息利用率更高，且由于第一個濾波器就完成了數據降維，后續時域濾波的計算量更小。具體實現為：在每個通道內部，第1個卷積層采用(1,2)的濾波器提取IQ相關特征，輸出數據維度由N×2變為了N×1，后續處理的計算量降低了一半；然后借鑒VGG(visual geometry group)網絡[33]采用多層(3,1)小濾波器提取時域特征，在保證感受野的條件下減少卷積核參數數量；接著，每2個時域濾波器后采用最大池化降低數據維度，減少時域方向計算量。

在分類階段，借鑒ResNet網絡[34]采用的自適應平均池化(adaptive average pooling)替代flatten，首先采用自適應平均池化操作，將每個特征通道的特征平均值作為新的特征值，提高網絡的泛化性能；然后在分類時僅采用1個全連接層，以降低參數數量與計算量。具體實現為：首先使自適應平均池化的輸出數量與通道數C一致，然后與類別數量L形成1個輸入為C、輸出為L的全連接層。

除此之外，在卷積層的輸出與激活函數之間，添加批歸一化(Batch Normalization, BN)[35]操作，以增加模型的魯棒性和訓練速度，并代替 dropout 防止過擬合；網絡中采用ReLU作為激活函數，在分類層采用Sigmoid作為分類函數。

IQCNet網絡結構參數是可靈活配置的。如圖4所示，IQCNet網絡由H個卷積層與1個全連接層構成，其中每個卷積層包含C個特征提取通道。為表示不同結構參數的IQCNet網絡，本文用IQCNet(H,C,S)表示具體結構參數，H表示卷積層的層數，C表示每層卷積層的卷積核數量(通道數)，S表示時域卷積核大小。如IQCNet(4,32,3)表示具有4個卷積層,且每層包含32個大小為(3,1)時域卷積核的 IQCNet網絡，時域卷積核的大小為(3,1)。表1是IQCNet(4,32,3)的網絡結構，其中數據輸入格式為600×2。

圖4 IQCNet網絡結構示意Fig.4 IQCNet network structure diagram

表1 IQCNet(4,32,3)網絡結構Tab.1 IQCNet(4,32,3) network structure

2.2 對比網絡結構

為對比驗證IQCNet中提取IQ相關特征是否能有效提高識別準確率，本文設計了除未提取IQ相關特征之外，網絡其他部分與IQCNet完全相同的網絡，并命名為IQCNet-N(H,C,S)。

將表1中的IQCNet-N(4,32,3)與表2中的IQCNet(4,32,3)對比發現，兩者的差別僅在于IQCNet第一個卷積層采用了(1,2)的濾波器提取IQ相關特征，而IQCNet-N未做此處理。

表2 IQCNet-N(4,32,3)網絡結構Tab.2 IQCNet-N(4,32,3) network structure

本文選取了網絡深度、卷積核大小和通道數量不同的CNN-DRID[28]、CNN-DLRF[29]和CNN-ORACLE[31]3種CNN網絡結構與IQCNet進行實驗對比，表3、表4和表5是以上三者的網絡結構。

表3 CNN-DRID網絡結構Tab.3 CNN-DRID network structure

表4 CNN-DLRF網絡結構Tab.4 CNN-DLRF network structure

從選取的3種典型卷積網絡結構可以看出，CNN-ORACLE的特征提取層最少，只有2層；CNN-DLRF的特征提取層居中，有3層；而CNN-DRID的特征提取層最多，共8層。

表5 CNN-ORACLE網絡結構Tab.5 CNN-ORACLE network structure

從卷積核大小角度觀察，CNN-DRID使用了(19,1)的大卷積核，而其余二者使用了相對較小的(7,1)的卷積核。從卷積核數量上觀察，CNN-DRID的卷積核最多，每層都使用了128個，CNN-ORACLE卷積核最少，只有50個，而CNN-DLRF卷積核數量居中，分別使用了128、32和16個。另外，3者都使用了3個全連接層進行分類。總體來看，CNN-DRID的模型最大，特征提取能力最強，CNN-DLRF模型居中，特征提取能力居中，而CNN-ORACLE模型最小，特征能力也最小。

3 實驗驗證

3.1 數據集

本文采用FIT/CorteXlab射頻指紋識別數據集進行算法驗證。該數據集由22臺NI USRP N2932生成，其中21臺用作發射設備，1臺用作接收設備，通信頻段為433 MHz，接收機采樣速率為5 MSample/s，1臺接收機采集了21臺發射設備的無線信號用于射頻指紋識別[36]。

數據集中，共有3種發送數據類型與2種功率模式。

3種發送數據類型分別為：①正交相移鍵控(quadrature phase shift keying, QPSK)調制固定數據序列，是經QPSK調制的固定數據，數據內容為IEEE 802.15.4前導頭的位序列，以下稱為固定包；②QPSK調制隨機數據序列，為QPSK調制的隨機數據，以下稱為隨機包；③未調制噪聲序列，為未經調制的隨機噪聲比特，以下稱為噪聲包。

2類型功率模式為：普通模式，即所有發射機使用固定的功率，并且實驗環境無干擾，此模式的傳輸信道最穩定。變幅度模式，也稱為變功率模式，在發射設備位置不變的條件下，改變IQ信號的幅值，用于模擬發射機功率變化，其功率變化范圍為20 dB。

由3種發送數據類型與2種功率模式組合成6種實驗場景，分別為：固定功率發送固定包、固定功率發送隨機包、固定功率發送噪聲包、變功率發送固定包、變功率發送隨機包和變功率發送噪聲包。

實驗控制21臺發射設備分別周期性地發送信號，接收設備根據發送設備的編號記錄并存儲數據，發送周期為600個IQ數據點。

FIT/CorteXlab數據集原始文件由帶發射機標簽和實驗條件說明的21個同相信號與21個正交信號文件組成的，且21個發射機的數據樣本數量完全相同[37]。本文首先將42個文件處理為21個帶標簽的M×2格式的時間連續IQ信號數據，然后再轉換為(M/N)×N×2的數據格式，文件格式化處理完畢后，每個場景下的數據包大小為5.2 G，當時間長度N為600時，數據樣本數為1 091 175個。

3.2 評估方法

本文采用識別準確率對網絡模型的泛化性能進行評估，對于分類問題，根據真實值和預測值的結果，可以將整個樣本集分為真正例(TP)、偽正例(FP)、真反例(TN)和偽反例(FN)，識別準確率Acc定義為：

Acc=(TP+TN)/(TP+TN+FP+FN)

(1)

性能評估采用多次隨機實驗求平均值的方法獲得測試結果，如圖5所示，首先從數據集中隨機抽取樣本，并劃分訓練樣本、驗證樣本與測試樣本，使用隨機參數初始化網絡模型后進行模型訓練、驗證與測試，將N次測試結果的平均值作為最終的測試結果，本文所有實驗都進行3次隨機測試。

圖5 實驗總體流程Fig.5 Overall experiment process

單次訓練、驗證與測試過程如圖6所示，首先采用無放回隨機采樣的方式，將數據集按7 ∶1 ∶2的比例生成訓練樣本、驗證樣本與測試樣本，然后對訓練樣本進行訓練，每訓練2個輪次進行1次驗證，選取在驗證樣本中獲得最高識別準確率的參數作為最終模型參數，然后對測試樣本進行測試，獲得模型識別準確率。本文實驗發現，訓練30個輪次后IQCNet與對比網絡損失函數的loss不再下降，因此確定后文每次訓練執行30個輪次。

圖6 實驗詳細流程Fig.6 Detailed experiment process

3.3 實驗條件

本文的實驗條件：操作系統為Ubuntu 18.04.4 LTS，內存為64 GB，CPU為Intel i9-7920X CPU @ 2.90 GHz×24，GPU為NVIDIA GeForce RTX 2080Ti，cuda版本為10.1，編程語言為Python 3.7，深度學習框架為Pytorch 1.4.0。

訓練數據的批處理大小為1 024，且每一批次的數據會隨機打亂；損失函數采用交叉熵，優化器采用Adam優化器，初始的學習率為0.001，每5個輪次后衰減為原來的0.8倍，其余參數為Pytorch中的默認參數。

交叉熵損失函數定義如下：

(2)

在實驗驗證中，網絡輸入的時間長度N會采用256，600，512，1 024，2 048和4 096等數值，無特殊說明時，時間長度為600，與發送周期一致。

文中涉及的參數數量、存儲量以及計算量等數據，采用Pytorch的torchstat庫計算獲得。

3.4 識別準確率

相對于其他網絡結構，IQCNet的最大特點是將特征提取分為IQ相關特征與時域特征2步進行，為驗證IQ相關特征是否有利于提高識別準確率，本文選取256，512，600，1 024，2 048和4 096等輸入時間長度的數據對IQCNet(8,32,3)與IQCNet-N(8,32,3)進行比較驗證。

如圖7所示，在6種場景下，IQCNet與IQCNet-N在不同輸入長度下表現出來的趨勢是一致的，即：功率穩定條件下，網絡對發射機的識別率比較高，而當功率變化時，網絡對發射機的識別準確率都發生下降；而在3種發送包類型中，發送固定包時發射機個體更容易被識別。

從識別準確率來看，在不同場景與不同輸入長度下，IQCNet的識別準確率都要比IQCNet-N要高，尤其是在變功率模式下。統計所有識別準確率平均值，IQCNet與IQCNet-N分別為90.39%和78.11%，前者比后者高12.28%，證明IQCNet提取IQ相關特征確實有利于提高識別準確率。

圖7 IQ相關特征對識別準確率的影響Fig.7 Impact of IQ correlation features on recognition accuracy

圖8展示了IQCNet網絡中時域濾波器卷積核大小對識別準確率的影響。首先固定IQCNet網絡的卷積深度與卷積核數量，然后比較時域濾波器中卷積核大小分別為(3,1)、(5,1)、(7,1)與(9,1)時的識別準確率。粗略來看，卷積核大小的變化對識別準確率影響不大，統計6種場景下的平均值，以上4者的平均準確率分別為91.67%、91.69%、91.03%和91.11%，相差不超過1%。但是，大卷積核會帶來更多的模型參數與計算操作，以上模型的參數數量分別為22 773、37 109、51 445和65 781，執行一次計算需要的浮點計算量分別為3.52、5.58、7.49和9.27的操作，所以在時域特征提取時采用(3,1)的小卷積核是一種高性價比的選擇。

圖8 卷積核大小對識別準確率的影響Fig.8 Effect of convolution kernel size on recognition accuracy

圖9展示了IQCNet網絡中卷積層深度對識別準確率的影響。首先固定IQCNet網絡中每層的卷積核數量與卷積核大小，然后比較網絡深度分別為4、6、8和10時的識別準確率。粗略來看，增加卷積深度確實有利于提高識別準確率，統計6種場景下的平均值，以上4者的平均準確率分別為82.50%、88.95%、91.67%和92.41%，增加卷積深度明顯提高了識別準確率。以上模型的模型參數分別為：10 229、16 501、22 773、29 045，浮點計算量分別為2.46、3.17、3.52、3.7的操作，模型參數與計算量也隨卷積層深度的增加而增加。

圖9 卷積層深度對識別準確率的影響Fig.9 Effect of convolutional layer depth on recognition accuracy

圖10展示了IQCNet網絡中卷積核數量對識別準確率的影響。首先固定IQCNet網絡中卷積層深度與卷積核大小，然后比較卷積核數量分別為16、24、32和48時的識別準確率。粗略來看，增加卷積和數量有利于提高識別準確率，統計6種場景下的平均值，以上4者的平均準確率分別為87.29%、90.31%、91.67%和92.99%，增加卷積數量明顯提高了識別準確率。以上模型的模型參數分別為：6 021、13 053、22 773、50 277，浮點計算量分別為0.926、2.02、3.52、7.9的操作，模型參數與計算量也隨卷積核數量的增加而增加。

圖10 卷積核數量對識別準確率的影響Fig.10 Influence of the number of convolution kernels on the recognition accuracy

圖11展示了IQCNet網絡中不同算子對識別準確率的影響。

圖11 算子對識別準確率的影響Fig.11 Influence of operators on recognition accuracy

將IQCNet(8,32,3)網絡中的自適應平均池化層替換為自適應最大池化層的網絡稱為IQCNet_AdpMaxP，在6種場景下其平均識別準確率為91.78%，比IQCNet(8,32,3)高0.11%，考慮到眾多隨機因素的影響，這點差距微不足道。可認為，對IQCNet網絡而言，自適應最大池化與自適應平均池化是可替換使用的。

將IQCNet(8,32,3)網絡中的最大池化層去掉的網絡稱為IQCNet_NoMaxP，在6種場景下其平均識別率為91.04%，雖然其網絡參數與IQCNet(8,32,3)都為22 773個，但是浮點計算量為13.25是IQCNet(8,32,3)的3.76倍，說明IQCNet網絡中的最大池化可以在不降低識別準確率的情況下大幅減少計算量。

在IQCNet(8,32,3)網絡的基礎上，在分類階段增加2個每層32個神經元的全連接層，稱為IQCNet_FC2，并且在訓練時全連接層間增加隨機失活率為50%的dropout防止過擬合，雖然其參數數量和浮點計算量分別為24 885與3.52，與IQCNet(8,32,3)相比增加不多，但在6種場景下其平均識別率僅為81.62%，比IQCNet(8,32,3)減少了整整10%，說明在IQCNet網絡中僅使用1個全連接層是比較好的選擇。

將IQCNet(8,32,3)中的批歸一化操作去除的網絡稱為IQCNet_NoBN，在100個輪次的訓練后，在6種場景其平均識別準確率僅為77.68%，比IQCNet(8,32,3)在30個輪次訓練后的結果相比相差了14%。圖12為在變功率固定包模型下，100個輪次訓練過程中IQCNet(8,32,3)與IQCNet_NoBN分別在訓練樣本、驗證樣本與測試樣本下的識別準確率，由圖12可知，在整個訓練過程中，批歸一化都起到了加快收斂的作用，有利于提高模型的識別準確率。不過，批歸一化會帶來額外的計算量，在100個輪次的訓練中，IQCNet(8,32,3)與IQCNet_NoBN的訓練時間分別為9 390 s與7 200 s，可認為批歸一化操作增加了30%的計算時間。

圖12 批歸一化對識別準確率的影響Fig.12 Effect of batch normalization on recognition accuracy

圖13展示了IQCNet(8,32,3)與CNN-DRID、CNN-DLRF、CNN-ORACLE等對比網絡在6種場景下的識別準確率，由此結果可知：

圖13 IQCNet與對比網絡識別準確率的比較Fig.13 Recognition accuracy comparison between IQCNet and contrast network

1)識別準確率會受發射機發送數據內容的影響。當發送固定數據內容時，不管發射功率是否變化，發射機個體都更容易被識別，所以提取固定數據內容(例如前導頭)更有利于識別發射機身份。

2)功率變化會降低識別率，而且功率變化對固定包的影響相對較小，對隨機包和噪聲包影響更加明顯。

3)IQCNet的識別準確率最高。在6種場景下，CNN-DRID、CNN-DLRF、CNN-ORACLE與IQCNet(8,32,3)的平均識別準確率分別為82.61%、72.09%、61.71%和91.67%，IQCNet(8,32,3)相對前3者的識別率高9.06%、19.58%和29.96%。

3.5 參數與計算量

本文采用Pytorch的torchstat庫計算網絡結構的參數數量、存儲量以及計算量，表6是IQCNet(8,32,3) 、IQCNet-N(8,32,3) 與CNN-DRID、CNN-DLRF、CNN-ORACLE參數數量、存儲量以及計算量等信息。

表6 網絡模型參數及計算量Tab.6 Network model parameters and calculations

在參數數量方面，CNN-DRID、 CNN-DLRF、CNN-ORACLE和IQCNet-N(8,32,3) 的參數量大約分別為IQCNet(8,32,3)的111倍、14倍、333倍和1倍，所以在參數數量方面IQCNet(8,32,3)有非常明顯的優勢。

在計算量操作方面，CNN-DRID、 CNN-DLRF、CNN-ORACLE和IQCNet-N(8,32,3) 的浮點計算量大約分別為IQCNet(8,32,3)的82倍、11倍、8倍和2倍，所以IQCNet(8,32,3)在計算量方面也具有非常明顯的優勢。

在存儲量方面，CNN-DRID、 CNN-DLRF、CNN-ORACLE和IQCNet-N(8,32,3) 的內存讀寫使用量大約分別為IQCNet(8,32,3)的13倍、2倍、28倍和2倍，IQCNet(8,32,3)在存儲量方面優勢同樣明顯。

在訓練時間方面，使用NVIDIA RTX2080Ti GPU平臺，在6個場景共31.2 GB數據訓練30個輪次，CNN-DRID、 CNN-DLRF、CNN-ORACLE和IQCNet-N(8,32,3)的總時間分別為IQCNet(8,32,3)的14倍、4倍、3倍和2倍，IQCNet(8,32,3)在計算時間方面具有明顯的優勢。

所以，IQCNet(8,32,3)在參數數量、計算量和存儲量以及計算時間等4個方面，相對于CNN-DRID、 CNN-DLRF、CNN-ORACLE和IQCNet-N(8,32,3)都具有明顯的優勢。

4 結論

本文針對射頻指紋識別的應用，對直接處理時序IQ信號的端到端卷積神經網絡結構進行了研究。

首先，對當前處理時序IQ信號的幾種典型卷積神經網絡操作進行了分析，指出了其存在信息利用率低和計算量大等不足，進而提出了基于IQ相關特征的卷積神經網絡結構：IQCNet，通過分步提取IQ域和時域等不同維度的特征、多層小濾波器組合和自適應平均池化等手段，以解決以上問題。

然后，本文在FIT/CorteXlab射頻指紋識別數據集下，采用多次隨機試驗對網絡的泛化性能進行評估。實驗結果表明：在發送內容與功率變化的6種場景下，本文提出的IQCNet相較于未利用IQ相關特征的IQCNet-N平均識別準確率至少提高了12%，而計算量、內存使用量和計算時間僅為后者的50%，說明提取IQ相關特征既能提高識別準確率，又有利于提高計算效率。此外，本文還對IQCNet結構中網絡深度、卷積核大小與數量，以及批歸一化、最大池化層等算子的作用進行了驗證，進一步證明了IQCNet采用的算子的有效性。

最后，采用CNN-DRID、CNN-DLRF和CNN-ORACLE等3種卷積網絡結構與IQCNet進行比較，相對于前3者，IQCNet的平均識別率總體提高近20%，而僅使用了7.5%的計算量與19%的存儲量，證明IQCNet網絡識別準確率更高，而對存儲與計算資源的要求更低，是一種高效的IQ卷積網絡結構。