一种基于双谱和EMD融合特征的手机个体识别方法与流程

技术特征：

1.一种基于双谱和EMD融合特征的手机个体识别方法，其特征在于，包括以下步骤：

(1)、对待识别的手机个体采样

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；

(2)、采样数据预处理

将C×M组采样数据依次通过PCIE实时传输到PC机上，再通过对采样数据进行解帧和重组，得到I、Q两路数据信号；

(3)、获取数据样本集

计算I、Q两路数据信号的模值，将采样数据的长度等于L且模值大于预设阈值的采样数据保存在数据样本集S{}中，n表示数据样本集中采样数据的个数，n≤C×M；

(4)、求取样本特征集X

计算每个数据样本的双谱，再求取其矩形围线积分作为双谱特征，最后利用多分类Fisher判别双谱特征，将双谱特征分离度最大的k个特征作为样本特征集X；

(5)、求取样本特征集Y

计算每个数据样本的经验模态分解，再去除主分量和噪声后计算出杂散成分的功率谱，最后利用主成分分析法对杂散成分的功率谱进行降维，将降维后最大的前p个主成分分量作为样本特征集Y；

(6)、利用典型相关分析法对样本特征集X和样本特征集Y进行特征融合，得到融合后的特征集Z，对Z按m％:n％的比例做水平切分，其中，m％作为训练集Z_Train，剩下的为测试集Z_Test；

(7)、构建随机森林分类器，用训练集Z_Train训练该分类器，并利用训练好的分类器对测试集Z_Test进行分类决策，最终输出手机个体识别结果。

2.根据权利要求1所述的一种基于双谱和EMD融合特征的手机个体识别方法，其特征在于，所述步骤(4)中，求取双谱的矩形围线积分作为双谱特征的具体方法为：

(2.1)、将每一个长度为L的样本数据分成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，并对每段数据去均值；

(2.2)、第i段数据的DFT系数Y⁽ⁱ⁾(λ)：

其中，是去值后的第i段数据，λ是DFT变换后的频点；

(2.3)、计算DFT系数的三阶相关：

$\begin{array}{c}{\hat{b}}_i({\mathrm{\λ}}_1,{\mathrm{\λ}}_2)=\frac{1}{{\mathrm{\Δ}}_0^2}\underset{k_1=-L_1}{\overset{L_1}{\Σ}}\underset{k_2=-L_1}{\overset{L_1}{\Σ}}{Y}^{\left(i\right)}({\mathrm{\λ}}_1+k_1)Y^{\left(i\right)}({\mathrm{\λ}}_2+k_2)Y^{\left(i\right)}(-{\mathrm{\λ}}_1-{\mathrm{\λ}}_2-k_1-k_2)\\ i=1,2,\mathrm{...},K,0\≤{\mathrm{\λ}}_2\≤{\mathrm{\λ}}_1,{\mathrm{\λ}}_1+{\mathrm{\λ}}_2\≤f_s/2\end{array}$

其中，L₁的取值满足是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，λ₁,λ₂是频域的相关变量；

(2.4)、计算数据样本的双谱

$\hat{B}({\mathrm{\ω}}_1,{\mathrm{\ω}}_2)=\frac{1}{K}\underset{i=1}{\overset{K}{\Σ}}{\hat{b}}_i({\mathrm{\λ}}_1,{\mathrm{\λ}}_2)$

其中，

(2.5)、对双谱求模得到B(ω₁,ω₂)，再求取B(ω₁,ω₂)的矩形围线积分，得到积分后的双谱特征B(l)：

$B\left(l\right)=\underset{R_l}{\Σ}B({\mathrm{\ω}}_1+{\mathrm{\ω}}_2)$

其中，R_l表示以零点为中心，在第一、四象限的一组矩形的积分路径，

l＝1,2,…,P_l，P_l是积分路径的条数；

(2.6)、重复上述步骤(2.1)～(2.5)，计算得到特征集S{n}中每一个样本的矩形围线积分双谱特征。

3.根据权利要求1所述的一种基于双谱和EMD融合特征的手机个体识别方法，其特征在于，所述步骤(5)中，计算杂散成分的功率谱的具体方法为：

(3.1)、计算每个样本x(n)的EMD：

$x\left(n\right)={\mathrm{\Σ}}_{j=1}^J{c}_j\left(n\right)+r\left(n\right)$

其中，J表示EMD分解层数，x(n)表示数据样本集S{n}中的数据样本，c_j(n)表示第j个成分分量，r(n)表示信号分解后的残差；

(3.2)、去除信号的主要成分和噪声成分c₁(n)、c_J(n)，将余下的分量求和，得到杂散信号成分

(3.3)、对杂散成分x_o(n)进行FFT变换，得到功率谱X_o(ω)；

(3.4)、重复上述步骤(3.1)～(3.3)，计算得到样本集S{n}中的每一个样本杂散成分的功率谱系数。

4.根据权利要求1所述的一种基于双谱和EMD融合特征的手机个体识别方法，其特征在于，所述步骤(6)中，利用典型相关分析法对样本特征集X和样本特征集Y进行特征融合的具体方法为：

(4.1)、令S_xx∈R^p×p，S_yy∈R^q×q分别表示特征集X和Y的方差，S_xy∈R^p×q表示特征集X和Y的协方差，S_yx是S_xy的对称矩阵，其中p，q分别是特征集X和特征集Y中的样本个数；

(4.2)、构造协方差矩阵S：

$S=\left(\begin{array}{cc}{S}_{xx}& S_{xy}\\ S_{yx}& S_{yy}\end{array}\right)$

(4.3)、构造一组线性变换W_x,W_y，使其满足使得在两个特征集X和Y之间的特征对之间的相性最大，即：

$\max \left\{corr(X^{*},Y^{*})\right\}=\max \left\{\frac{\mathrm{cov}(X^{*},Y^{*})}{\mathrm{var}\left(X^{*}\right).\mathrm{var}\left(Y^{*}\right)}\right\}$

其中

(4.4)、令cov(X^*)＝cov(Y^*)＝1，使用拉格朗日乘子法求解上式的目标函数max{cov(X^*,Y^*)}，即求解关于两个方程的广义特征值问题，可以得到W_x,W_y：

$\left\{\begin{array}{c}{S}_{xx}^{-1}{S}_{xy}{S}_{yy}^{-1}{S}_{yx}{W}_x=R^2{W}_x\\ S_{yy}^{-1}{S}_{yx}{S}_{xx}^{-1}{S}_{xy}{W}_y=R^2{W}_y\end{array}\right.$

其中，R²是特征根对角矩阵，其中非零特征值的个数为d＝rank(S_xy)≤min(n,p,q)，并且按降序排列λ₁≥λ₂≥…λ_d，W_x,W_y分别是和非零特征值对应的特征向量空间；

(4.5)、由上式得到W_x,W_y的对X和Y两个特征集做特征融合，得到融合后的特征集合：

$Z=\left(\begin{array}{c}{X}^{*}\\ Y^{*}\end{array}\right)=\left(\begin{array}{cc}{W}_x& 0\\ 0& W_y\end{array}\right)\left(\begin{array}{c}X\\ Y\end{array}\right).$

5.根据权利要求1所述的一种基于双谱和EMD融合特征的手机个体识别方法，其特征在于，所述步骤(7)中，利用随机森林分类器对测试集Z_Test进行分类决策的方法为：

基于随机森林分类(RFC)的决策模型，由多个决策树{h_t(z,θ_t)},z∈Z_Train组成的分类器；θ_t是相互独立且同分布的随机向量，表示每棵决策树的决策参量；z是输入的训练特征向量；首先用Z_Train训练随机森林分类器，然后对Z_Test做分类预测，最终由所有决策树综合决定输入特征向量的最终类别标签，决策树的棵数为N_T，采用多数投票法决策：

$H\left(z\right)=\arg \underset{O}{\max }\underset{t=1}{\overset{N_T}{\Σ}}I\left(h_t\right(z,{\mathrm{\θ}}_t)=O)$

其中，H(z)表示组合分类模型，O表示输出的手机个体类别。