基于改進變分模態分解的射頻指紋識別方法與流程
1.本發明涉及射頻指紋識別技術領域，具體涉及一種基于改進變分模態分解的射頻指紋識別方法。
背景技術：
2.由于無線通信網絡的開放性，其安全問題至關重要。為確保無線通信安全，首先要保證無線通信設備的接入安全。目前的無線通信設備身份認證方法通常采用mac/ip地址以及密鑰認證方式，容易被非法用戶篡改或者攻擊。射頻指紋來自于無線設備內部的硬件差異，具有唯一性且難以篡改，可以作為識別不同無線設備的依據。因此，通過無線發射設備的射頻指紋對設備的身份進行識別，是一種很有價值的安全認證技術。
3.在射頻指紋識別領域中，有效提取能夠表征設備本質特征的射頻指紋，對提高無線通信設備識別準確率起到關鍵作用。變分模態分解方法可將信號自適應地分解為不同中心頻率的窄帶分量，從而獲得設備的指紋特征。但該方法需要事先選定分解參數——分解模態數和懲罰因子，當分解參數設置不準確時可能導致變分模態分解出現模態混疊現象和過分解等問題，從而造成識別準確率下降。
技術實現要素：
4.本發明的目的是提供一種基于改進變分模態分解的射頻指紋識別方法，解決變分模態分解中可能出現的模態混疊現象及過分解問題，有效提高設備的識別準確率。
5.為了達到上述目的，本發明所采用的技術方案為：基于改進變分模態分解的射頻指紋識別方法，所述方法包括：獲取無線通信設備的信號；初始化分解模態數和懲罰因子，設定混淆門限和能量占比門限；以初始化的分解模態數和初始化的懲罰因子為分解參數，對信號進行變分模態分解，得到各模態相關系數的最大值和各模態能量占比的最小值；通過迭代方式獲取合格的分解模態數和合格的懲罰因子；根據合格的分解模態數和合格的懲罰因子，計算得到重構信號，作為信號的射頻指紋；將重構信號輸入長短期記憶網絡中進行分類識別。
6.進一步地，以初始化的分解模態數和初始化的懲罰因子為分解參數，對信號進行變分模態分解，包括：無線通信設備的信號為，初始化的分解模態數為，初始化的懲罰因子為；以初始化的分解模態數和初始化的懲罰因子為分解參數，對信號進行階變分模態分解，得到個本征模態函數，。
7.進一步地，得到各模態相關系數的最大值，包括：
將個本征模態函數分別離散化，得到個離散化后本征模態函數；計算其中任意一對離散化后本征模態函數與之間相關系數，定義各模態相關系數的最大值為，，，；其中：，分別表示離散化后本征模態函數與兩變量對應元素數據對中的協同數對和不協同數對的數目。
8.進一步地，得到各模態能量占比的最小值，包括：計算本征模態函數的能量，并將信號的總能量表示為，則各本征模態函數的能量在信號總能量中的占比可表示為：定義各模態能量占比的最小值為。
9.進一步地，通過迭代方式獲取合格的分解模態數和合格的懲罰因子，包括：設定混淆門限為，設定能量占比門限為；如果且，表示出現了模態混疊現象但無過分解問題，則增加分解模態數并返回；否則進行下一步；如果且，表示出現了模態混疊現象且有過分解問題，則增加懲罰因子并返回；否則進行下一步；如果且，表示沒有出現模態混疊現象且有過分解問題，則減少分解模態數并返回，否則進行下一步；如果且，表示沒有出現模態混疊現象且無過分解問題，分解結果符合要求，輸出合格的分解模態數和合格的懲罰因子。
10.進一步地，根據合格的分解模態數和合格的懲罰因子，計算得到重構信號，作為信號的射頻指紋，包括：根據合格的分解模態數和合格的懲罰因子，計算重構信號，過程為：
。
11.與現有技術相比，本發明的有益效果如下：本方法利用分解后各模態之間的相關系數判斷分解過程中各模態之間是否出現了模態混疊現象，利用各模態能量在信號總能量中的占比判斷分解過程是否出現了過分解問題，從而可以針對接收到的射頻信號自適應地提取合格的分解參數和，由此避免了變分模態分解中可能出現的模態混疊現象及過分解問題，可有效提取設備的射頻指紋，從而提高無線發射設備的識別準確率。
附圖說明
12.為了更清楚地說明本發明實施例或現有技術中的技術方案，下面將對實施例或現有技術描述中所需要使用的附圖作簡單地介紹，顯而易見地，下面描述中的附圖僅僅是本發明的一些實施例，對于本領域普通技術人員來講，在不付出創造性勞動的前提下，還可以根據這些附圖獲得其他實施例的附圖。
13.圖1 是本發明方法的流程圖。
14.圖2 是本發明方法的各本征模態函數頻譜圖。
15.圖3 是本發明方法的分解波形圖。圖中，a）為仿真信號時域波形圖，b）為仿真信號頻域波形圖。
16.圖4是本發明方法的識別準確率曲線。
具體實施方式
17.為了便于理解本發明，下面將參照相關附圖對本發明進行更全面的描述。附圖中給出了本發明的較佳實施方式。但是，本發明可以以許多不同的形式來實現，并不限于本文所描述的實施方式。相反地，提供這些實施方式的目的是使對本發明的公開內容理解的更加透徹全面。
18.應注意到，相似的標號和字母表示類似項，因此，一旦某一項在一個實施例中被定義，則在隨后的實施例中不需要對其進行進一步定義和解釋。此外，術語“包括”等以及他們的任何變形，意圖在于覆蓋不排他的包含，例如，包含了一系列步驟或單元的過程、方法、系統、產品或設備不必限于清楚地列出的那些步驟或單元，而是可包括沒有清楚地列出的或對于這些過程、方法、產品或設備固有的其它步驟或單元。
19.還應注意到，雖然在方法描述中涉及了步驟順序，但是在某些情況下，可以以不同于此處的順序執行，不應被理解為對步驟順序的限制。
20.本發明提供了一種基于改進變分模態分解的射頻指紋識別方法，如圖1，本方法包括初始化參數、計算相關系數及能量占比、選取合格的分解參數、計算重構信號和分類識別的步驟，重點在于對射頻指紋的提取，能解決變分模態分解參數設置不準確時可能導致變分模態分解出現模態混疊現象和過分解等問題，具有良好的自適應性和噪聲魯棒性。方法具體包括：s1：獲取來自某無線通信設備的信號。
21.s2：初始化分解模態數和懲罰因子，設定混淆門限和能量占比門限。
22.初始化的分解模態數為，初始化的懲罰因子為，設定混淆門限為，設定能量占比門限為。
23.s3：以初始化的分解模態數和初始化的懲罰因子為分解參數，對信號進行變分模態分解，得到各模態相關系數的最大值和各模態能量占比的最小值。具體包括：s301：以初始化的分解模態數和初始化的懲罰因子為分解參數，對信號進行階變分模態分解，得到個本征模態函數，。
24.本征模態函數是關于時間變量的函數。懲罰因子是控制每個本征模態函數頻域帶寬大小的參數，可改變該本征模態函數頻域帶寬大小。
25.s302：計算各模態相關系數的最大值。具體包括：本方法選擇kendall相關系數作為衡量兩變量間相關性的依據。
26.s30201：將個本征模態函數分別離散化，得到個離散化后本征模態函數；s30202：計算其中任意一對離散化后本征模態函數與之間相關系數，即kendall相關系數，定義各模態相關系數的最大值為，，，；其中：，分別表示離散化后本征模態函數與兩變量對應元素數據對中的協同數對和不協同數對的數目。
27.將任意一對離散化后本征模態函數的變量，的對應元素組成數據對，，
…
，。如果，，，說明數據對與變化方向一致，稱其為協同數對。反之則說明變化方向相反，稱其為不協同數對。
28.s303：計算各模態能量占比的最小值。具體包括：計算本征模態函數的能量，并將信號的總能量表示為，則各本征模態函數的能量在信號總能量中的占比可表示為：
定義各模態能量占比的最小值為。
29.s4：通過迭代方式獲取合格的分解模態數和合格的懲罰因子。具體包括：如果且，表示出現了模態混疊現象但無過分解問題，則增加分解模態數，可表達為，并返回s3；否則進行s4；如果且，表示出現了模態混疊現象且有過分解問題，則增加懲罰因子，可表達為，并返回s3；否則進行s4； 其中，為每次的增加量，即的每次步進大?。蝗绻?，表示沒有出現模態混疊現象且有過分解問題，則減少分解模態數，可表達為，并返回s3；否則進行s4；如果且，表示沒有出現模態混疊現象且無過分解問題，分解結果符合要求，說明此時的分解模態數和懲罰因子是合格的，輸出合格的分解模態數記為，輸出合格的懲罰因子記為。
30.綜上，首先判斷是否出現模態混疊現象且沒有過分解問題，此時應增加分解模態數。當且時，需要增加懲罰因子。當以上兩點滿足時說明分解模態數和懲罰因子都是足夠大的，此時進一步判斷若出現且時需要減少分解模態數。以上三點都滿足即說明且，認為分解結果滿足要求，輸出分解模態數和懲罰因子。
31.s5：根據合格的分解模態數和合格的懲罰因子，計算得到重構信號，作為信號的射頻指紋。包括：根據合格的分解模態數和合格的懲罰因子，計算重構信號，過程為：。
32.s6：將重構信號輸入長短期記憶網絡中進行分類識別。
33.本方法利用分解后各模態相關系數的最大值判斷分解過程中是否出現了模態混疊現象，利用各模態能量占比的最小值判斷分解過程是否出現了過分解問題，并通過迭代
方式確定合格的模態分解數和懲罰因子。該方法可針對不同設備自適應獲取合格的分解參數，可有效避免模態混疊及過分解問題對射頻指紋提取的影響，具有良好的自適應性和噪聲魯棒性，可有效提高設備的識別準確率。
34.實施例：對信號進行本發明所提的改進變分模態分解，假設該信號由幅值為，頻率為，，四個不同的頻率分量構成為：其中，令；，，，；為加性高斯白噪聲，也就是說待分解信號受到了噪聲污染，在后續仿真中設。
35.變分模態分解可將信號自適應地分解為多個不同中心頻率的窄帶信號。其分解過程可表示為：式中，和和分別表示信號的第個本征模態函數及其所對應的中心頻率。
36.應用本發明方法最終得到信號的變分模態分解參數為，，由各本征模態函數頻譜圖如圖2可見，信號分解后各模態之間無模態混疊現象和過分解問題。進行本發明方法分解后各模態時域波形和頻譜波形如圖3所示。由圖3可見分解得到的4個本征模態函數與的原始構成一致，說明分解結果準確可靠。其疊加構成的重構信號與原信號相比不但信號特征，即射頻指紋保留完整，且噪聲得到了一定程度的抑制，說明本發明具有較強的射頻指紋提取能力。
37.為說明本發明所提改進變分模態分解方法在實際設備識別中的性能，對實際采集到的共6臺不同wifi設備的信號進行改進變分模態分解。使用信號的前256位i/q信號建立實驗數據集，每臺200幀數據，數據集劃分為70%訓練集、10%驗證集和20%測試集。將由各模態構成的重構信號作為設備的射頻指紋，通過長短期記憶網絡進行分類識別。
38.為比較不同方法的性能，對現有的連續變分模態分解方法以及原始變分模態分解方法進行了仿真。在原始變分模態分解方法中將參數和分別設置為，和，，實驗結果如圖4所示。由圖4可見，應用本發明所提方法，設備的識別準確率明顯高于連續變分模態分解方法及原始變分模態分解方法，特別是在低信
噪比下本發明表現出了較強的噪聲魯棒性。不同分解參數下原始變分模態分解的識別準確率差別明顯，說明參數的選擇對射頻指紋識別效果有很大的影響，而原始變分模態分解參數固定，很難依據不同設備的特性靈活調整和的值。本發明提出的改進變分模態分解方法可根據不同設備自適應選取不同的分解參數，從而具有較強的魯棒性和較高的識別準確率。
39.以上應用了具體個例對本發明進行闡述，只是用于幫助理解本發明，并不用以限制本發明。對于本發明所屬技術領域的技術人員，依據本發明的思想，還可以做出若干簡單推演、變形或替換。
技術特征：
1.基于改進變分模態分解的射頻指紋識別方法，其特征在于：所述方法包括：獲取無線通信設備的信號；初始化分解模態數和懲罰因子，設定混淆門限和能量占比門限；以初始化的分解模態數和初始化的懲罰因子為分解參數，對信號進行變分模態分解，得到各模態相關系數的最大值和各模態能量占比的最小值；通過迭代方式獲取合格的分解模態數和合格的懲罰因子；根據合格的分解模態數和合格的懲罰因子，計算得到重構信號，作為信號的射頻指紋；將重構信號輸入長短期記憶網絡中進行分類識別。2.根據權利要求1所述的方法，其特征在于：以初始化的分解模態數和初始化的懲罰因子為分解參數，對信號進行變分模態分解，包括：無線通信設備的信號為，初始化的分解模態數為，初始化的懲罰因子為；以初始化的分解模態數和初始化的懲罰因子為分解參數，對信號進行階變分模態分解，得到個本征模態函數，。3.根據權利要求2所述的方法，其特征在于：得到各模態相關系數的最大值，包括：將個本征模態函數分別離散化，得到個離散化后本征模態函數；計算其中任意一對離散化后本征模態函數與之間相關系數，定義各模態相關系數的最大值為，，，；其中：，分別表示離散化后本征模態函數與兩變量對應元素數據對中的協同數對和不協同數對的數目。4.根據權利要求3所述的方法，其特征在于：得到各模態能量占比的最小值，包括：計算本征模態函數的能量，并將信號的總能量表示為，則各本征模態函數的能量在信號總能量中的占比可表示為：定義各模態能量占比的最小值為。
5.根據權利要求4所述的方法，其特征在于：通過迭代方式獲取合格的分解模態數和合格的懲罰因子，包括：設定混淆門限為，設定能量占比門限為；如果且，表示出現了模態混疊現象但無過分解問題，則增加分解模態數并返回；否則進行下一步；如果且，表示出現了模態混疊現象且有過分解問題，則增加懲罰因子并返回；否則進行下一步；如果且，表示沒有出現模態混疊現象且有過分解問題，則減少分解模態數并返回，否則進行下一步；如果且，表示沒有出現模態混疊現象且無過分解問題，分解結果符合要求，輸出合格的分解模態數和合格的懲罰因子。6.根據權利要求5所述的方法，其特征在于：根據合格的分解模態數和合格的懲罰因子，計算得到重構信號，作為信號的射頻指紋，包括：根據合格的分解模態數和合格的懲罰因子，計算重構信號，過程為：。
技術總結
本發明涉及一種基于改進變分模態分解的射頻指紋識別方法。利用現有變分模態分解方法識別信號射頻指紋可能出現模態混疊現象及過分解問題。本方法獲取無線通信設備的信號；初始化分解模態數和懲罰因子，設定混淆門限和能量占比門限；對信號進行變分模態分解，得到各模態相關系數的最大值和各模態能量占比的最小值；通過迭代方式獲取合格的分解模態數和合格的懲罰因子；計算得到重構信號，作為信號的射頻指紋；將重構信號輸入長短期記憶網絡中進行分類識別。本方法利用分解后各模態相關系數的最大值判斷分解過程中是否出現了模態混疊現象，利用各模態能量占比的最小值判斷分解過程是否出現了過分解問題，可有效提取設備的射頻指紋。頻指紋。頻指紋。
