[发明专利]一种基于双谱特征和深度学习的手机个体识别方法

摘要

本发明公开了一种基于双谱特征和深度学习的手机个体识别方法，通过分别对所有样本进行采样及预处理后通过计算四种积分双谱，从而组合得到训练卷积神经网络的特征集，然后将特征集按比例划分为训练特征集YTrain和测试特征集Ytest；使用训练特征集YTrain卷积神经网络，再利用训练后的卷积神经网络对测试特征集YTest进行分类决策，最终输出手机个体识别结果。

主权项

1.一种基于双谱特征和深度学习的手机个体识别方法，其特征在于，包括以下步骤：/n(1)、对待识别的手机个体采样/n在手机通话阶段，使用AD9361软件无线电平台对待识别的手机个体采样，采样频段为a～bMHz，采样频率为f_sMHz，其中，设待识别的手机个体共C个，每个手机个体采样M组采样数据，则待识别的手机个体共计采样出C×M组采样数据；/n(2)、采样数据预处理/n将C×M组采样数据依次通过PCIE实时传输到PC机上，再对采样数据进行解帧和重组，得到I、Q两路数据信号；/n(3)、获取数据样本集/n计算I、Q两路数据信号的模值，挑选出I、Q两路数据信号中数据长度等于L且模值大于预设阈值的数据信号，再将这些数据信号对应的采样数据保存在数据样本集S{n}中，n表示数据样本集中采样数据的个数，n≤C×M；/n(4)、求取样本特征集Y/n(4.1)、计算数据样本集S{n}中每个采样数据的双谱/n(4.1.1)、将每一个长度为L的采样数据分成K段，保持相邻数据段重叠部分为T％，每段数据长度为表示下取整，再对每段数据去均值得到x_i(n)，i＝1,2,…,K，n＝0,1,2,…,M-1；/n(4.1.2)、计算第i段数据的DFT系数X_i(λ)：/n /n(4.1.3)、计算FFT序列的三阶相关/n /n其中，λ₁,λ₂是频域的相关变量，满足：0≤λ₂≤λ₁,λ₁+λ₂≤f_s/2；L₁的取值满足L表示在双谱区域沿水平和垂直方向上所要求的两频率采样点之间的间隔；/n(4.1.4)、计算每个采样数据的双谱B(ω₁,ω₂)：/n /n其中，对取模得到B(ω₁,ω₂)；/n(4.2)、计算每个采样数据的径向积分双谱PRIB(α)/n /n /n其中，ω₁＝2πf₁，ω₂＝2πf₂，α为常数；/n(4.3)、计算每个采样数据的轴向积分双谱AIB(ω)/n /n其中，/n(4.4)、计算每个采样数据的圆周积分双谱CIB(α)/nCIB(α)＝∫B_p(α,θ)dθ/n其中，B_p(α,θ)是双谱B(ω₁,ω₂)的极坐标表示；/n(4.5)、计算每个采样数据的矩形积分双谱SIB(ω)/n /n其中，S_l表示围线积分路径；/n(4.6)、将四种积分双谱按照SIB(ω)、PRIB(α)、CIB(α)和AIB(ω)的顺序依次排列，组合成样本特征集Y；/n(5)、搭建卷积神经网络(CNN)模型，包括2层卷积层，2层池化层和1层全连接层，总共5层网络；卷积神经网络各层具体设置为：/n第一层：卷积层，6个卷积映射，卷积核大小为1*5；/n第二层：池化层，6个池化映射，池化因子大小为1/2；/n第三层：卷积层，6个卷积映射，卷积核大小为1*5；/n第四层：池化层，6个池化映射，池化因子大小为1/2；/n第五层：全连接层，神经元个数为366；/n在第四层和第五层之间添加Batch Normalization操作；/n将样本特征集Y分为训练特征集YTrain和测试特征集YTest，在网络训练过程中，利用训练特征集YTrain训练卷积神经网络，然后在每一个完整数据集迭代训练结束时，计算validation data的准确率，当准确率不再提高时，就停止训练，再利用训练后的卷积神经网络对测试特征集YTest进行分类决策，最终输出手机个体识别结果，得到训练完成的卷积神经网络；/n(6)、实时采集手机个体的采样数据，按照步骤(1)-(4)所述方法处理后输入至训练完成的卷积神经网络，输出手机个体识别结果。/n