摘要在射频指纹识别中，根据其模拟缺陷来识别传输无线电信号的设备。尽管传统上通过构建模型和识别信号中的特征来执行识别，但最终的状态通常依赖于机器学习。在数据驱动的技术中，机器学习模型提取了信号的功能，并将它们进行相应的分类。神经网络（NN）是机器学习分类器中的一种流行选择。射频信号本质上是复杂的值，因此通常适当地将复杂的值得值的操作应用于它们。更准确地说，应适当的方法用于与真实和虚部相关的非圆形信号。同相正交（IQ）不平衡是一种信号障碍，可导致信号中的非圆形性。在本主论文中，分别在两个不同的神经网络的帮助下研究了射频指纹分类，分别使用了实用值或复杂的信号处理。使用智商效果的非圆形射频指纹数据模拟用于分类。检查了两个神经网络的性能的差异，以及它们在可训练参数的数量方面的稳健性，即NN的大小和训练数据的大小。基于结果，在对非圆形射频指纹信号进行分类时，复杂值的神经网络在分类时具有鲁棒性，因为当NN大小变化时，它们在分类准确性方面显示出较小的变化。另一方面，实值神经网络的分类精度高度取决于NN的大小。因此，建议使用复杂值的神经网络来分类非圆形射频指纹数据。