1.一种基于多任务多特征融合的射频指纹识别方法,其特征在于,包括以下步骤:步骤1、数据预处理:对功率谱、时频谱和互功率谱三种信号进行归一化并进行数据增强操作;
步骤2、信号特征提取:分别提取功率谱特征、时频谱特征和互功率谱特征三种信号特征作为神经网络模型的输入;
步骤3、网络训练:使用功率谱特征、时频谱特征和互功率谱特征三种信号特征训练神经网络模型;
步骤4、分类识别:使用训练完成的神经网络模型对测试集信号进行射频指纹识别,得到分类识别的结果。
2.根据权利要求1所述的基于多任务多特征融合的射频指纹识别方法,其特征在于,在步骤2中,所述功率谱特征的提取方法具体如下:设 为一个随机信号序列,分为L段,每一段的长度为M,相邻两段重合的长度为M‑k,第i段信号为:i
x(n)=x[n+(i‑1)k],0≤n≤M‑1,1≤i≤L式中,0<k<M,L和M满足(L‑1)k+M≤N。
第i段的功率谱为:
式中,U为归一化因子,ω(n)是窗函数,对L段信号的功率谱取平均可得整个信号x(n)的基于Welch算法的功率谱为:
3.根据权利要求1所述的基于多任务多特征融合的射频指纹识别方法,其特征在于,在步骤2中,所述时频谱特征的提取方法具体如下:离散时间STFT表示为:
式中,Sk,m是STFT复矩阵S的元素,k=1,2,...,N,m=1,2,...,M,M是列数,N是窗函数ω[n]的长度,R是跳数,s[n]是被分析的信号,其时频谱 在dB尺度表示为:式中,||返回的是幅度。
4.根据权利要求1所述的基于多任务多特征融合的射频指纹识别方法,其特征在于,在步骤2中,所述互功率谱特征的提取方法具体如下:设信号相邻两个前导码的符号序列分别为:
ys1(n)=xs1(n)*h(n)+vs1(n),ys2(n)=xs2(n)*h(n)+vs2(n)式中,y(n)是接收信号,x(n)是发射信号,h(n)是系统冲激响应,v(n)是加性高斯白噪声,v(n)可以通过互相关函数消除,设每段符号序列长度为Ls,ys1(n)和ys2(n)的互相关函数为:式中,m=‑Ls+1,‑Ls+2,...,0,...,Ls‑2,Ls‑1,其中v(n)是加性高斯白噪声,有用信号与噪声信号不相关,且相关系数为0,故有:将互相关函数做傅里叶变换即可得到互功率谱密度。
5.根据权利要求1所述的基于多任务多特征融合的射频指纹识别方法,其特征在于,所述步骤3具体如下:利用功率谱特征、时频谱特征和互功率谱特征三种信号特征作为输入训练多特征融合的网络模型,所述多特征融合的网络模型通过Softmax分类器完成分类任务,Softmax分类器的输出为一组概率值p,其数学表达式为:式中,δi为网络模型的最后一层的输出,i为类别的索引,类别的总数为C;输出的概率满足以下条件:多特征融合的网络模型最终输出的分类结果为概率值最大的索引所对应的信号发射设备;
以设备分类任务为所述多特征融合的网络模型的主任务、以信号噪声含量的分类作为第二个任务训练得到多任务学习的网络模型,即得到所述神经网络模型。