基于改进变分模态分解的射频指纹识别方法

摘要

本发明涉及一种基于改进变分模态分解的射频指纹识别方法。利用现有变分模态分解方法识别信号射频指纹可能出现模态混叠现象及过分解问题。本方法获取无线通信设备的信号；初始化分解模态数和惩罚因子，设定混淆门限和能量占比门限；对信号进行变分模态分解，得到各模态相关系数的最大值和各模态能量占比的最小值；通过迭代方式获取合格的分解模态数和合格的惩罚因子；计算得到重构信号，作为信号的射频指纹；将重构信号输入长短期记忆网络中进行分类识别。本方法利用分解后各模态相关系数的最大值判断分解过程中是否出现了模态混叠现象，利用各模态能量占比的最小值判断分解过程是否出现了过分解问题，可有效提取设备的射频指纹。

权利要求

1.基于改进变分模态分解的射频指纹识别方法，其特征在于：所述方法包括：

获取无线通信设备的信号；

初始化分解模态数和惩罚因子，设定混淆门限和能量占比门限；

以初始化的分解模态数和初始化的惩罚因子为分解参数，对信号进行变分模态分解，得到各模态相关系数的最大值和各模态能量占比的最小值；

通过迭代方式获取合格的分解模态数和合格的惩罚因子，包括：设定混淆门限为 ，设定能量占比门限为 ；

如果 且 ，表示出现了模态混叠现象但无过分解问题，则增加分解模态数并返回；否则进行下一步；

如果 且 ，表示出现了模态混叠现象且有过分解问题，则增加惩罚因子并返回；否则进行下一步；

如果 且 ，表示没有出现模态混叠现象且有过分解问题，则减少分解模态数并返回，否则进行下一步；

如果 且 ，表示没有出现模态混叠现象且无过分解问题，分解结果符合要求，输出合格的分解模态数 和合格的惩罚因子 ；

根据合格的分解模态数和合格的惩罚因子，计算得到重构信号，作为信号的射频指纹；

将重构信号输入长短期记忆网络中进行分类识别。

2.根据权利要求1所述的方法，其特征在于：以初始化的分解模态数和初始化的惩罚因子为分解参数，对信号进行变分模态分解，包括：无线通信设备的信号为 ，初始化的分解模态数为 ，初始化的惩罚因子为 ；

以初始化的分解模态数 和初始化的惩罚因子 为分解参数，对信号 进行 阶变分模态分解，得到 个本征模态函数 ， 。

3.根据权利要求2所述的方法，其特征在于：得到各模态相关系数的最大值，包括：将 个本征模态函数 分别离散化，得到 个离散化后本征模态函数 ；

计算其中任意一对离散化后本征模态函数 与 之间相关系数 ，定义各模态相关系数的最大值为 ， ， ， ；

其中：

， 分别表示离散化后本征模态函数 与 两变量对应元素数据对中的协同数对和不协同数对的数目。

4.根据权利要求3所述的方法，其特征在于：得到各模态能量占比的最小值，包括：计算本征模态函数 的能量 ，并将信号 的总能量表示为 ，则各本征模态函数的能量 在信号总能量 中的占比可表示为：定义各模态能量占比的最小值为 。

5.根据权利要求4所述的方法，其特征在于：根据合格的分解模态数和合格的惩罚因子，计算得到重构信号，作为信号的射频指纹，包括：根据合格的分解模态数 和合格的惩罚因子 ，计算重构信号 ，过程为：。

说明书

基于改进变分模态分解的射频指纹识别方法

技术领域

[0001] 本发明涉及射频指纹识别技术领域，具体涉及一种基于改进变分模态分解的射频指纹识别方法。

背景技术

[0002] 由于无线通信网络的开放性，其安全问题至关重要。为确保无线通信安全，首先要保证无线通信设备的接入安全。目前的无线通信设备身份认证方法通常采用MAC/IP地址以及密钥认证方式，容易被非法用户篡改或者攻击。射频指纹来自于无线设备内部的硬件差异，具有唯一性且难以篡改，可以作为识别不同无线设备的依据。因此，通过无线发射设备的射频指纹对设备的身份进行识别，是一种很有价值的安全认证技术。

[0003] 在射频指纹识别领域中，有效提取能够表征设备本质特征的射频指纹，对提高无线通信设备识别准确率起到关键作用。变分模态分解方法可将信号自适应地分解为不同中心频率的窄带分量，从而获得设备的指纹特征。但该方法需要事先选定分解参数——分解模态数 和惩罚因子 ，当分解参数设置不准确时可能导致变分模态分解出现模态混叠现象和过分解等问题，从而造成识别准确率下降。

发明内容

[0004] 本发明的目的是提供一种基于改进变分模态分解的射频指纹识别方法，解决变分模态分解中可能出现的模态混叠现象及过分解问题，有效提高设备的识别准确率。

[0005] 为了达到上述目的，本发明所采用的技术方案为：

[0006] 基于改进变分模态分解的射频指纹识别方法，所述方法包括：

[0007] 获取无线通信设备的信号；

[0008] 初始化分解模态数和惩罚因子，设定混淆门限和能量占比门限；

[0009] 以初始化的分解模态数和初始化的惩罚因子为分解参数，对信号进行变分模态分解，得到各模态相关系数的最大值和各模态能量占比的最小值；

[0010] 通过迭代方式获取合格的分解模态数和合格的惩罚因子；

[0011] 根据合格的分解模态数和合格的惩罚因子，计算得到重构信号，作为信号的射频指纹；

[0012] 将重构信号输入长短期记忆网络中进行分类识别。

[0013] 进一步地，以初始化的分解模态数和初始化的惩罚因子为分解参数，对信号进行变分模态分解，包括：

[0014] 无线通信设备的信号为 ，初始化的分解模态数为 ，初始化的惩罚因子为 ；

[0015] 以初始化的分解模态数 和初始化的惩罚因子 为分解参数，对信号 进行阶变分模态分解，得到 个本征模态函数 ， 。

[0016] 进一步地，得到各模态相关系数的最大值，包括：

[0017] 将 个本征模态函数 分别离散化，得到 个离散化后本征模态函数 ；

[0018] 计算其中任意一对离散化后本征模态函数 与 之间相关系数 ，定义各模态相关系数的最大值为 ， ， ， ；

[0019]

[0020] 其中：

[0021] ， 分别表示离散化后本征模态函数 与 两变量对应元素数据对中的协同数对和不协同数对的数目。

[0022] 进一步地，得到各模态能量占比的最小值，包括：

[0023] 计算本征模态函数 的能量 ，并将信号 的总能量表示为，则各本征模态函数的能量 在信号总能量 中的占比可表示为：

[0024]

[0025] 定义各模态能量占比的最小值为 。

[0026] 进一步地，通过迭代方式获取合格的分解模态数和合格的惩罚因子，包括：

[0027] 设定混淆门限为 ，设定能量占比门限为 ；

[0028] 如果 且 ，表示出现了模态混叠现象但无过分解问题，则增加分解模态数并返回；否则进行下一步；

[0029] 如果 且 ，表示出现了模态混叠现象且有过分解问题，则增加惩罚因子并返回；否则进行下一步；

[0030] 如果 且 ，表示没有出现模态混叠现象且有过分解问题，则减少分解模态数并返回，否则进行下一步；

[0031] 如果 且 ，表示没有出现模态混叠现象且无过分解问题，分解结果符合要求，输出合格的分解模态数 和合格的惩罚因子 。

[0032] 进一步地，根据合格的分解模态数和合格的惩罚因子，计算得到重构信号，作为信号的射频指纹，包括：

[0033] 根据合格的分解模态数 和合格的惩罚因子 ，计算重构信号 ，过程为：

[0034] 。

[0035] 与现有技术相比，本发明的有益效果如下：

[0036] 本方法利用分解后各模态之间的相关系数判断分解过程中各模态之间是否出现了模态混叠现象，利用各模态能量在信号总能量中的占比判断分解过程是否出现了过分解问题，从而可以针对接收到的射频信号自适应地提取合格的分解参数 和 ，由此避免了变分模态分解中可能出现的模态混叠现象及过分解问题，可有效提取设备的射频指纹，从而提高无线发射设备的识别准确率。

附图说明

[0037] 为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他实施例的附图。

[0038] 图1 是本发明方法的流程图。

[0039] 图2 是本发明方法的各本征模态函数频谱图。

[0040] 图3 是本发明方法的分解波形图。图中，a）为仿真信号时域波形图，b）为仿真信号频域波形图。

[0041] 图4是本发明方法的识别准确率曲线。

具体实施方式

[0042] 为了便于理解本发明，下面将参照相关附图对本发明进行更全面的描述。附图中给出了本发明的较佳实施方式。但是，本发明可以以许多不同的形式来实现，并不限于本文所描述的实施方式。相反地，提供这些实施方式的目的是使对本发明的公开内容理解的更加透彻全面。

[0043] 应注意到，相似的标号和字母表示类似项，因此，一旦某一项在一个实施例中被定义，则在随后的实施例中不需要对其进行进一步定义和解释。此外，术语“包括”等以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。

[0044] 还应注意到，虽然在方法描述中涉及了步骤顺序，但是在某些情况下，可以以不同于此处的顺序执行，不应被理解为对步骤顺序的限制。

[0045] 本发明提供了一种基于改进变分模态分解的射频指纹识别方法，如图1，本方法包括初始化参数、计算相关系数及能量占比、选取合格的分解参数、计算重构信号和分类识别的步骤，重点在于对射频指纹的提取，能解决变分模态分解参数设置不准确时可能导致变分模态分解出现模态混叠现象和过分解等问题，具有良好的自适应性和噪声鲁棒性。方法具体包括：

[0046] S1：获取来自某无线通信设备的信号 。

[0047] S2：初始化分解模态数和惩罚因子，设定混淆门限和能量占比门限。

[0048] 初始化的分解模态数为 ，初始化的惩罚因子为 ，设定混淆门限为 ，设定能量占比门限为 。

[0049] S3：以初始化的分解模态数和初始化的惩罚因子为分解参数，对信号进行变分模态分解，得到各模态相关系数的最大值和各模态能量占比的最小值。具体包括：

[0050] S301：以初始化的分解模态数 和初始化的惩罚因子 为分解参数，对信号 进行 阶变分模态分解，得到 个本征模态函数 ， 。

[0051] 本征模态函数 是关于时间变量 的函数。惩罚因子 是控制每个本征模态函数频域带宽大小的参数，可改变该本征模态函数频域带宽大小。

[0052] S302：计算各模态相关系数的最大值。具体包括：

[0053] 本方法选择Kendall相关系数作为衡量两变量间相关性的依据。

[0054] S30201：将 个本征模态函数 分别离散化，得到 个离散化后本征模态函数；

[0055] S30202：计算其中任意一对离散化后本征模态函数 与 之间相关系数 ，即Kendall相关系数，定义各模态相关系数的最大值为 ， ，， ；

[0056]

[0057] 其中：

[0058] ， 分别表示离散化后本征模态函数 与 两变量对应元素数据对中的协同数对和不协同数对的数目。

[0059] 将任意一对离散化后本征模态函数的变量 ，的对应元素组成数据对 ， ，…， 。如果 ， ，
，说明数据对 与 变化方向一致，称其为协同数对。反之则说明
变化方向相反，称其为不协同数对。

[0060] S303：计算各模态能量占比的最小值。具体包括：

[0061] 计算本征模态函数 的能量 ，并将信号 的总能量表示为，则各本征模态函数的能量 在信号总能量 中的占比可表示为：

[0062]

[0063] 定义各模态能量占比的最小值为 。

[0064] S4：通过迭代方式获取合格的分解模态数和合格的惩罚因子。具体包括：

[0065] 如果 且 ，表示出现了模态混叠现象但无过分解问题，则增加分解模态数，可表达为 ，并返回S3；否则进行S4；

[0066] 如果 且 ，表示出现了模态混叠现象且有过分解问题，则增加惩罚因子，可表达为 ，并返回S3；否则进行S4； 其中， 为每次 的增加量，即 的每次步进大小；

[0067] 如果 且 ，表示没有出现模态混叠现象且有过分解问题，则减少分解模态数，可表达为 ，并返回S3；否则进行S4；

[0068] 如果 且 ，表示没有出现模态混叠现象且无过分解问题，分解结果符合要求，说明此时的分解模态数和惩罚因子是合格的，输出合格的分解模态数记为 ，输出合格的惩罚因子记为 。

[0069] 综上，首先判断是否出现模态混叠现象 且没有过分解问题 ，此时应增加分解模态数。当 且 时，需要增加惩罚因子。当以上两点满足时说明分解模态数和惩罚因子都是足够大的，此时进一步判断若出现 且 时需要减少分解模态数。以上三点都满足即说明 且 ，认为分解结果满足要求，输出分解模态数和惩罚因子。

[0070] S5：根据合格的分解模态数和合格的惩罚因子，计算得到重构信号，作为信号的射频指纹。包括：

[0071] 根据合格的分解模态数 和合格的惩罚因子 ，计算重构信号 ，过程为：

[0072] 。

[0073] S6：将重构信号输入长短期记忆网络中进行分类识别。

[0074] 本方法利用分解后各模态相关系数的最大值判断分解过程中是否出现了模态混叠现象，利用各模态能量占比的最小值判断分解过程是否出现了过分解问题，并通过迭代方式确定合格的模态分解数和惩罚因子。该方法可针对不同设备自适应获取合格的分解参数，可有效避免模态混叠及过分解问题对射频指纹提取的影响，具有良好的自适应性和噪声鲁棒性，可有效提高设备的识别准确率。

[0075] 实施例：

[0076] 对信号 进行本发明所提的改进变分模态分解，假设该信号由幅值为 ，频率为， ，四个不同的频率分量构成为：

[0077]

[0078] 其中，令 ； ， ， ， ； 为加性高斯白噪声，也就是说待分解信号受到了噪声污染，在后续仿真中设 。

[0079] 变分模态分解可将信号 自适应地分解为多个不同中心频率的窄带信号。其分解过程可表示为：

[0080]

[0081] 式中， 和 分别表示信号 的第 个本征模态函数及其所对应的中心频率。

[0082] 应用本发明方法最终得到信号 的变分模态分解参数为 ， ，由各本征模态函数频谱图如图2可见，信号 分解后各模态之间无模态混叠现象和过分解问题。进行本发明方法分解后各模态时域波形和频谱波形如图3所示。由图3可见分解得到的4个本征模态函数与 的原始构成一致，说明分解结果准确可靠。其叠加构成的重构信号与原信号相比不但信号特征，即射频指纹保留完整，且噪声得到了一定程度的抑制，说明本发明具有较强的射频指纹提取能力。

[0083] 为说明本发明所提改进变分模态分解方法在实际设备识别中的性能，对实际采集到的共6台不同WiFi设备的信号进行改进变分模态分解。使用信号的前256位I/Q信号建立实验数据集，每台200帧数据，数据集划分为70%训练集、10%验证集和20%测试集。将由各模态构成的重构信号作为设备的射频指纹，通过长短期记忆网络进行分类识别。

[0084] 为比较不同方法的性能，对现有的连续变分模态分解方法以及原始变分模态分解方法进行了仿真。在原始变分模态分解方法中将参数 和 分别设置为 ， 和， ，实验结果如图4所示。由图4可见，应用本发明所提方法，设备的识别准确率明显高于连续变分模态分解方法及原始变分模态分解方法，特别是在低信噪比下本发明表现出了较强的噪声鲁棒性。不同分解参数下原始变分模态分解的识别准确率差别明显，说明参数的选择对射频指纹识别效果有很大的影响，而原始变分模态分解参数固定，很难依据不同设备的特性灵活调整 和 的值。本发明提出的改进变分模态分解方法可根据不同设备自适应选取不同的分解参数，从而具有较强的鲁棒性和较高的识别准确率。

[0085] 以上应用了具体个例对本发明进行阐述，只是用于帮助理解本发明，并不用以限制本发明。对于本发明所属技术领域的技术人员，依据本发明的思想，还可以做出若干简单推演、变形或替换。