[發明專利]一種基于雙譜特征和深度學習的手機個體識別方法

有效

• 申請號: 201711217769.9
• 申請日: 2017-11-28
• 公開（公告）號: CN107979842B
• 公開（公告）日: 2019-11-19
• 發明（設計）人: 楊遠望;王炳程;丁敏;朱學勇;李夢娜;游長江
• 申請（專利權）人: 電子科技大學
• 主分類號: H04W12/06
• 分類號: H04W12/06;G06N3/08;G06N3/04;G06K9/62;G06K9/00
• 代理公司: 51220 成都行之專利代理事務所(普通合伙)
• 代理人: 溫利平<國際申請>=<國際公布>=<進入

1.一種基于雙譜特征和深度學習的手機個體識別方法，其特征在于，包括以下步驟：

(1)、對待識別的手機個體采樣

在手機通話階段，使用AD9361軟件無線電平臺對待識別的手機個體采樣，采樣頻段為a～bMHz，采樣頻率為f_sMHz，其中，設待識別的手機個體共C個，每個手機個體采樣M組采樣數據，則待識別的手機個體共計采樣出C×M組采樣數據；

(2)、采樣數據預處理

將C×M組采樣數據依次通過PCIE實時傳輸到PC機上，再對采樣數據進行解幀和重組，得到I、Q兩路數據信號；

(3)、獲取數據樣本集

計算I、Q兩路數據信號的模值，挑選出I、Q兩路數據信號中數據長度等于L且模值大于預設閾值的數據信號，再將這些數據信號對應的采樣數據保存在數據樣本集S{n}中，n表示數據樣本集中采樣數據的個數，n≤C×M；

(4)、求取樣本特征集Y

(4.1)、計算數據樣本集S{n}中每個采樣數據的雙譜

(4.1.1)、將每一個長度為L的采樣數據分成K段，保持相鄰數據段重疊部分為T％，每段數據長度為表示下取整，再對每段數據去均值得到x_i(n)，i＝1,2,…,K，n＝0,1,2,…,M-1；

(4.1.2)、計算第i段數據的DFT系數X_i(λ)：

(4.1.3)、計算FFT序列的三階相關

其中，λ₁,λ₂是頻域的相關變量，滿足：0≤λ₂≤λ₁,λ₁+λ₂≤f_s/2；L₁的取值滿足L表示在雙譜區域沿水平和垂直方向上所要求的兩頻率采樣點之間的間隔；

(4.1.4)、計算每個采樣數據的雙譜B(ω₁,ω₂)：

其中，對取模得到B(ω₁,ω₂)；

(4.2)、計算每個采樣數據的徑向積分雙譜PRIB(α)

其中，ω₁＝2πf₁，ω₂＝2πf₂，α為常數；

(4.3)、計算每個采樣數據的軸向積分雙譜AIB(ω)

其中，

(4.4)、計算每個采樣數據的圓周積分雙譜CIB(α)

CIB(α)＝∫B_p(α,θ)dθ

其中，B_p(α,θ)是雙譜B(ω₁,ω₂)的極坐標表示；

(4.5)、計算每個采樣數據的矩形積分雙譜SIB(ω)

其中，S_l表示圍線積分路徑；

(4.6)、將四種積分雙譜按照SIB(ω)、PRIB(α)、CIB(α)和AIB(ω)的順序依次排列，組合成樣本特征集Y；

(5)、搭建卷積神經網絡(CNN)模型，包括2層卷積層，2層池化層和1層全連接層，總共5層網絡；卷積神經網絡各層具體設置為：

第一層：卷積層，6個卷積映射，卷積核大小為1*5；

第二層：池化層，6個池化映射，池化因子大小為1/2；

第三層：卷積層，6個卷積映射，卷積核大小為1*5；

第四層：池化層，6個池化映射，池化因子大小為1/2；

第五層：全連接層，神經元個數為366；

在第四層和第五層之間添加Batch Normalization操作；

將樣本特征集Y分為訓練特征集YTrain和測試特征集YTest，在網絡訓練過程中，利用訓練特征集YTrain訓練卷積神經網絡，然后在每一個完整數據集迭代訓練結束時，計算validation data的準確率，當準確率不再提高時，就停止訓練，再利用訓練后的卷積神經網絡對測試特征集YTest進行分類決策，最終輸出手機個體識別結果，得到訓練完成的卷積神經網絡；

(6)、實時采集手機個體的采樣數據，按照步驟(1)-(4)所述方法處理后輸入至訓練完成的卷積神經網絡，輸出手機個體識別結果。