本發(fā)明屬于通信技術(shù)領(lǐng)域，更為具體地講，涉及一種基于雙譜和EMD融合特征的手機(jī)個體識別方法。

背景技術(shù)：

通信輻射源個體識別通過對接收信號特征測量，確定產(chǎn)生信號的輻射源個體，其定義為“將輻射源惟一電磁特征與輻射源個體關(guān)聯(lián)能力”。輻射源個體特征一般是由于其內(nèi)部元器件之間也存在著微小差異(如器件的非線性、頻率源的不穩(wěn)定性以及雜散輸出等)，這種特征也稱為通信信號的“指紋”，是指通信信號中用于標(biāo)識發(fā)送該信號的通信設(shè)備身份的特征，對每個個體來說，這種特征是唯一的。目前，通信輻射源個體識別技術(shù)已經(jīng)成為通信信號處理領(lǐng)域里的一個研究熱點。通信輻射源個體識別的目標(biāo)是通過利用通信號信號中的能夠標(biāo)識輻射源個體的細(xì)微特征集(一般稱為信號細(xì)微特征)與數(shù)據(jù)庫中的細(xì)微特征集進(jìn)行匹配，從而達(dá)到輻射源個體識別的目的。

隨著通信技術(shù)的發(fā)展，無線網(wǎng)絡(luò)紛繁復(fù)雜，為保證無線網(wǎng)絡(luò)的安全性，需要對網(wǎng)絡(luò)的用戶進(jìn)行身份驗證，原有的身份驗證方式主要是密鑰驗證，但是非法用戶若竊取到了密鑰，仍然可以入侵無線網(wǎng)絡(luò)。若同時采取密鑰身份驗證和硬件個體身份驗證兩種方式，無線網(wǎng)絡(luò)的安全性就可大大提高。如在認(rèn)知無線電領(lǐng)域，移動通信設(shè)備如手機(jī)，通過感知所在無線網(wǎng)絡(luò)內(nèi)的頻譜環(huán)境，找到注冊手機(jī)的空閑時段進(jìn)行通信，在頻譜越來越緊張的今天，認(rèn)知無線電技術(shù)大大提高了頻譜利用率。然而，這種技術(shù)的缺陷在于，目前采用的通過軟件認(rèn)證的方式很容易模仿，這個漏洞也容易被惡意攻擊方利用，發(fā)動PUE(Primary User Emulation)攻擊，從而造成信息泄露或頻譜被長期非法占用，給網(wǎng)絡(luò)管理帶來了極大的麻煩。通過本發(fā)明手機(jī)輻射源個體的識別技術(shù)，從物理層進(jìn)行認(rèn)證，這種認(rèn)證方式是個體唯一、極難被模仿的，通過設(shè)備被動認(rèn)證，不需要設(shè)備間的協(xié)作，實施方便，可以有效的阻止PUE攻擊，增強(qiáng)認(rèn)知無線電網(wǎng)絡(luò)的安全性。

技術(shù)實現(xiàn)要素：

本發(fā)明的目的在于克服現(xiàn)有技術(shù)的不足，提供一種基于雙譜和EMD融合特征的手機(jī)個體識別方法，利用手機(jī)設(shè)備個體特征的唯一性、不可模仿性，極大地增強(qiáng)無線電網(wǎng)絡(luò)的安全性。

為實現(xiàn)上述發(fā)明目的，本發(fā)明一種基于雙譜和EMD融合特征的手機(jī)個體識別方法，其特征在于，包括以下步驟：

(1)、對待識別的手機(jī)個體采樣

在手機(jī)通話階段，使用AD9361軟件無線電平臺對待識別的手機(jī)個體采樣，采樣頻段為a～bMHz，采樣頻率為f_sMHz，其中，設(shè)待識別的手機(jī)個體共C個，每個手機(jī)個體采樣M組采樣數(shù)據(jù)，則待識別的手機(jī)個體共計采樣出C×M組采樣數(shù)據(jù)；

(2)、采樣數(shù)據(jù)預(yù)處理

將C×M組采樣數(shù)據(jù)依次通過PCIE實時傳輸?shù)絇C機(jī)上，再通過對采樣數(shù)據(jù)進(jìn)行解幀和重組，得到I、Q兩路數(shù)據(jù)信號；

(3)、獲取數(shù)據(jù)樣本集

計算I、Q兩路數(shù)據(jù)信號的模值，將采樣數(shù)據(jù)的長度等于L且模值大于預(yù)設(shè)閾值的采樣數(shù)據(jù)保存在數(shù)據(jù)樣本集S{n}中，n表示數(shù)據(jù)樣本集中采樣數(shù)據(jù)的個數(shù)，n≤C×M；

(4)、求取樣本特征集X

計算每個數(shù)據(jù)樣本的雙譜，再求取其矩形圍線積分作為雙譜特征，最后利用多分類Fisher判別雙譜特征，將雙譜特征分離度最大的k個特征作為樣本特征集X；

(5)、求取樣本特征集Y

計算每個數(shù)據(jù)樣本的經(jīng)驗?zāi)B(tài)分解，再去除主分量和噪聲后計算出雜散成分的功率譜，最后利用主成分分析法對雜散成分的功率譜進(jìn)行降維，將降維后最大的前p個主成分分量作為樣本特征集Y；

(6)、利用典型相關(guān)分析法對樣本特征集X和樣本特征集Y進(jìn)行特征融合，得到融合后的特征集Z，對Z按m％:n％的比例做水平切分，其中，m％作為訓(xùn)練集Z_Train，剩下的為測試集Z_Test；

(7)、構(gòu)建隨機(jī)森林分類器，用訓(xùn)練集Z_Train訓(xùn)練該分類器，并利用訓(xùn)練好的分類器對測試集Z_Test進(jìn)行分類決策，最終輸出手機(jī)個體識別結(jié)果。

其中，所述步驟(4)中，求取雙譜的矩形圍線積分作為雙譜特征的具體方法為：

(2.1)、將每一個長度為L的樣本數(shù)據(jù)分成K段,保持相鄰數(shù)據(jù)段重疊部分為T％，每段數(shù)據(jù)長度為表示下取整，并對每段數(shù)據(jù)去均值；

(2.2)、第i段數(shù)據(jù)的DFT系數(shù)Y⁽ⁱ⁾(λ)：

其中，是去均值后的第i段數(shù)據(jù)，λ是DFT變換后的頻點；

(2.3)、計算DFT系數(shù)的三階相關(guān)：

其中，L₁的取值滿足是在雙譜區(qū)域沿水平和垂直方向上所要求的兩頻率采樣點之間的間隔，λ₁,λ₂是頻域的相關(guān)變量；

(2.4)、計算數(shù)據(jù)樣本的雙譜

其中，

(2.5)、對雙譜求模得到B(ω₁,ω₂)，再求取B(ω₁,ω₂)的矩形圍線積分，得到積分后的雙譜特征B(l)：

其中，R_l表示以零點為中心，在第一、四象限的一組矩形的積分路徑，l＝1,2,…,P_l，P_l是積分路徑的條數(shù)；

(2.6)、重復(fù)上述步驟(2.1)～(2.5)，計算得到特征集S{n}中每一個樣本的矩形圍線積分雙譜特征。

進(jìn)一步的，所述步驟(5)中，計算雜散成分的功率譜的具體方法為：

(3.1)、計算每個樣本x(n)的EMD：

其中，J表示EMD分解層數(shù)，x(n)表示數(shù)據(jù)樣本集S{n}中的數(shù)據(jù)樣本，c_j(n)表示第j個成分分量，r(n)表示信號分解后的殘差；

(3.2)、去除信號的主要成分和噪聲成分c₁(n)、c_J(n)，將余下的分量求和，得到雜散信號成分

(3.3)、對雜散成分x_o(n)進(jìn)行FFT變換，得到功率譜X_o(ω)；

(3.4)、重復(fù)上述步驟(3.1)～(3.3)，計算得到樣本集S{n}中的每一個樣本雜散成分的功率譜系數(shù)。

所述步驟(6)中，利用典型相關(guān)分析法對樣本特征集X和樣本特征集Y進(jìn)行特征融合的具體方法為：

(4.1)、令S_xx∈R^p×p，S_yy∈R^q×q分別表示特征集X和Y的方差，S_xy∈R^p×q表示特征集X和Y的協(xié)方差，S_yx是S_xy的對稱矩陣，其中p，q分別是特征集X和特征集Y中的樣本個數(shù)；

(4.2)、構(gòu)造協(xié)方差矩陣S：

(4.3)、構(gòu)造一組線性變換W_x,W_y，使其滿足使得在兩個特征集X和Y之間的特征對之間的相關(guān)性最大，即：

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標(biāo)函數(shù)max{cov(X^*,Y^*)}，即求解關(guān)于兩個方程的廣義特征值問題，可以得到W_x,W_y：

其中，R²是特征根對角矩陣，其中非零特征值的個數(shù)為d＝rank(S_xy)≤min(n,p,q)，并且按降序排列λ₁≥λ₂≥…λ_d，W_x,W_y分別是和非零特征值對應(yīng)的特征向量空間；

(4.5)、由上式得到W_x,W_y的對X和Y兩個特征集做特征融合，得到融合后的特征集合：

更進(jìn)一步的，所述步驟(7)中，利用隨機(jī)森林分類器對特征集Z進(jìn)行分類決策的方法為：

基于隨機(jī)森林分類(RFC)的決策模型，由多個決策樹{h_t(z,θ_t)},z∈Z_Train組成的分類器；θ_t是相互獨立且同分布的隨機(jī)向量，表示每棵決策樹的決策參量；z是輸入的訓(xùn)練特征向量；首先用Z_Train訓(xùn)練隨機(jī)森林分類器，然后對Z_Test做分類預(yù)測，最終由所有決策樹綜合決定輸入特征向量的最終類別標(biāo)簽，決策樹的棵數(shù)為N_T，采用多數(shù)投票法決策：

其中，H(z)表示組合分類模型，O表示輸出的手機(jī)個體類別。

本發(fā)明的發(fā)明目的是這樣實現(xiàn)的：

本發(fā)明一種基于雙譜和EMD融合特征的手機(jī)個體識別方法，通過分別對所有樣本通過計算雙譜，再利用PCA降維，得到特征集X；同時計算樣本經(jīng)驗?zāi)B(tài)分解，得到信號雜散成分的功率譜，再通過Fisher判別分析得到特征集Y；對特征集X和Y做CCA特征融合得到融合特征集Z；對Z按m％:n％的比例做水平切分得到訓(xùn)練集Z_Train和測試集Z_Test，用訓(xùn)練集Z_Train訓(xùn)練隨機(jī)森林分類器，并利用訓(xùn)練好的分類器對測試集Z_Test進(jìn)行分類決策，最終輸出手機(jī)個體識別結(jié)果。

同時，本發(fā)明一種基于雙譜和EMD融合特征的手機(jī)個體識別方法還具有以下有益效果：

(1)、提取的手機(jī)個體特征穩(wěn)定度較好，融合后的特征具有較強(qiáng)的區(qū)分性，從而提高了手機(jī)個體的識別率，并且該發(fā)明所使用的方法適用且很容易推廣到3G、4G頻段的手機(jī)個體識別，可以增強(qiáng)混合認(rèn)知無線電網(wǎng)絡(luò)的安全性。

(2)、平臺可以采用分布式部署，從特征提取、融合、分類器的訓(xùn)練、個體識別很容易部署在分布式平臺上，采用并行計算，極大地提高了運算能力，實現(xiàn)計算資源的靈活配置。

(3)、本發(fā)明為輻射源識別個體識別提供了一種新的思路，本發(fā)明中采用的特征提取和特征融合的方法對其他輻射源個體識別，如電臺、雷達(dá)、WiFi、路由等也具有很好借鑒意義。

附圖說明

圖1是本發(fā)明一種基于雙譜和EMD融合特征的手機(jī)個體識別方法流程圖；

圖2是GSM手機(jī)信號采樣接收設(shè)備連接實物及示意圖；

圖3是I路信號部分截圖和暫態(tài)、穩(wěn)態(tài)部分展示；

圖4是SIB積分路徑示意圖；

圖5是6部手機(jī)的雙譜等高線圖；

圖6是手機(jī)雙譜信號的SIB特征圖；

圖7是EMD分解后的時頻分布圖；

圖8是手機(jī)雜散分量的功率譜分布圖；

圖9是CCA特征融合后的二維特征分布圖；

圖10是6部手機(jī)個體的分類是識別結(jié)果。

具體實施方式

下面結(jié)合附圖對本發(fā)明的具體實施方式進(jìn)行描述，以便本領(lǐng)域的技術(shù)人員更好地理解本發(fā)明。需要特別提醒注意的是，在以下的描述中，當(dāng)已知功能和設(shè)計的詳細(xì)描述也許會淡化本發(fā)明的主要內(nèi)容時，這些描述在這里將被忽略。

實施例

為了方便描述，先對具體實施方式中出現(xiàn)的相關(guān)專業(yè)術(shù)語進(jìn)行說明：

AGC(Automatic Gain Control)：自動增益控制；

SIB(Square Integrated Bispectra)：矩形圍線積分雙譜；

PCA(Principal Component Analysis)：主成分分析；

FDA(Fisher Discriminant Analysis)：Fisher判別分析；

EMD：(Empirical Mode Decomposition)經(jīng)驗?zāi)B(tài)分解；

IMFs：(Intrinsic Mode Functions)本征模態(tài)函數(shù)；

DFT：(Discrete Fourier Transform)離散傅里葉變換；

FFT：(Fast Fourier Transformation)快速傅里葉變換；

RFC：(Random Forest Classifier)隨機(jī)森林分類器；

圖1是本發(fā)明一種基于雙譜和EMD融合特征的手機(jī)個體識別方法流程圖。

在本實施例中，如圖1所示，本發(fā)明一種基于雙譜和EMD融合特征的手機(jī)個體識別方法，包括以下步驟：

(1)、對待識別的手機(jī)個體采樣

在手機(jī)通話階段，使用AD9361軟件無線電平臺對待識別的手機(jī)個體采樣，采樣頻段設(shè)為888～908MHz，采樣頻率設(shè)置為56MHz；其中，設(shè)待識別的手機(jī)個體共6個，分別對每個手機(jī)進(jìn)行采樣；

在本實施例中，如圖2所示，AD9361平臺對上行GSM頻段手機(jī)個體進(jìn)行采樣，采樣對象為兩個手機(jī)品牌，Nokia手機(jī)3部，型號為1682C，福中福手機(jī)3部，型號為F688D，GSM天線作為采樣平臺的信號接收端，采樣數(shù)據(jù)保存成二進(jìn)制文件，每次采樣2G數(shù)據(jù)，每部手機(jī)分時采樣5次，最終得到60G的原始樣本數(shù)據(jù)，再從60G的原始樣本數(shù)據(jù)中抽取6000組采樣數(shù)據(jù)，其中每部手機(jī)抽取1000組采樣數(shù)據(jù)；

(2)、采樣數(shù)據(jù)預(yù)處理

將6000組采樣數(shù)據(jù)依次通過PCIE實時傳輸?shù)絇C機(jī)上，再通過對采樣數(shù)據(jù)進(jìn)行解幀和重組，得到I、Q兩路數(shù)據(jù)信號；

(3)、獲取數(shù)據(jù)樣本集

計算I、Q兩路數(shù)據(jù)信號的模值，將采樣數(shù)據(jù)的長度等于L＝5000且模值大于預(yù)設(shè)閾值1000的采樣數(shù)據(jù)保存在數(shù)據(jù)樣本集S{n}中，n表示數(shù)據(jù)樣本集中采樣數(shù)據(jù)的個數(shù)，n≤C×M；

在本實施例中，由步驟(2)得到I、Q兩路數(shù)據(jù)信號，如圖3所示為I路信號部分截圖，信號可以分為噪聲部分、暫態(tài)信號部分，穩(wěn)態(tài)信號部分，本實施例的目的是提取信號的穩(wěn)態(tài)部分，其中閾值1000的取值是根據(jù)AD9361采樣設(shè)備的AGC設(shè)置得到，具體實施應(yīng)該根據(jù)采樣設(shè)備的增益大小做適當(dāng)?shù)恼{(diào)整。

(4)、求取樣本特征集X

計算每個數(shù)據(jù)樣本的雙譜，再求取其矩形圍線積分作為雙譜特征，最后利用多分類Fisher判別雙譜特征，將雙譜特征分離度最大的k個特征作為樣本特征集X；

在本實施例中，求取雙譜的矩形圍線積分作為雙譜特征的具體方法為：

(4.1)、將每一個長度為5000的樣本數(shù)據(jù)分成98段,保持相鄰數(shù)據(jù)段重疊部分為8％，每段數(shù)據(jù)長度為64，長度不足64的后面補零，并對每段數(shù)據(jù)去均值；

(4.2)、第i段數(shù)據(jù)的DFT系數(shù)Y⁽ⁱ⁾(λ)：

其中，是去均值后的第i段數(shù)據(jù)，λ是DFT變換后的頻點；

(4.3)、計算DFT系數(shù)的三階相關(guān)：

其中，L₁的取值滿足L₁＝128，是在雙譜區(qū)域沿水平和垂直方向上所要求的兩頻率采樣點之間的間隔，λ₁,λ₂是頻域的相關(guān)變量；

(4.4)、計算數(shù)據(jù)樣本的雙譜

其中，

在本實施例中，手機(jī)個體1～6的雙譜如圖4所示，圖中所示為等高線圖，從圖中可以看出經(jīng)過雙譜變換后的手機(jī)信號在不同個體之間差異不是特別明顯，特別在相同型號之間，特征分離度判別不夠明顯；

(4.5)、對雙譜求模得到B(ω₁,ω₂)，再求取B(ω₁,ω₂)的SIB，得到積分后的雙譜特征B(l)：

其中，R_l表示以零點為中心，在第一、四象限的一組矩形的積分路徑，l＝1,2,…,64；

在本實施例中，如圖5，圖中每個黑點代表一個雙譜值，按照SIB得到個體的特征向量，手機(jī)1到手機(jī)6的SIB個體特征如圖6所示。

(4.6)、重復(fù)上述步驟(4.1)～(4.5)，計算得到特征集S{n}中每一個樣本的矩形圍線積分雙譜特征。

在本實施例中，為了提取分離度最大的k個特征，需要采用Fisher線性判別分析。對多類別(C>2)的情形，選擇使得分離度最大的k個向量，k的取值由交叉驗證得到。這就需要推廣投影方程、類間散布矩陣S_B和類內(nèi)散步矩陣S_W。對C個手機(jī)信號(C＝6),需要將SIB積分后的64維雙譜特征空間向k維空間投影。

設(shè)y＝[y₁,y₂,…,y_k]^T，W＝[ω₁,ω₂,…,ω_k]，k個方程可以表示成：y＝W^Tx，這里的表示第個類別的樣本集，y為第類別的樣本的投影向量集。

類間散度矩陣S_B和類內(nèi)散度矩陣S_W可以由總體散度矩陣S_T和總體均值向量得到，其中n＝n₁+n₁+…n_C，表示第個類別的手機(jī)個體樣本數(shù)。

分別計算類間散度矩陣S_B和類內(nèi)散度矩陣S_W：

其中，分別表示樣本總均值和第i個類別的均值。

對矩陣束{S_B,S_W}進(jìn)行特征值分解，并對特征值降序排列λ₁≥λ₂≥…≥λ_C-1，然后取前k個值對應(yīng)的歸一化特征向量對W＝[ω₁,ω₂,…,ω_k]為得到的k維投影子空間。

由此求出的投影矩陣W，利用y＝W^Tx，分別求出使每個手機(jī)個體分離度最大的k個特征，由此作為樣本特征集X。

(5)、求取樣本特征集Y

計算每個數(shù)據(jù)樣本的經(jīng)驗?zāi)B(tài)分解，再去除主分量和噪聲后計算出雜散成分的功率譜，最后利用主成分分析法對雜散成分的功率譜進(jìn)行降維，將降維后最大的前p個主成分分量作為樣本特征集Y；

在本實施例中，計算雜散成分的功率譜的具體方法為：

(5.1)、計算每個樣本x(n)的EMD：

其中，J表示EMD分解層數(shù)，x(n)表示數(shù)據(jù)樣本集S{n}中的數(shù)據(jù)樣本，c_j(n)表示第j個成分分量，r(n)表示信號分解后的殘差；

(5.2)、去除信號的主要成分和噪聲成分c₁(n)、c_J(n)，將余下的分量求和，得到雜散信號成分如圖7所示，手機(jī)個體1～6的EMD分解后，得到歸一化頻譜，本步驟的目的即是去除圖中高頻和低頻成分，保留的則是手機(jī)個體的雜散信號，可以作為后續(xù)譜特征提?。?/p>

(5.3)、對雜散成分x_o(n)進(jìn)行FFT變換，得到功率譜X_o(ω)；如圖8所示，為6個手機(jī)個體的雜散特征，經(jīng)過譜分析去除主分量和噪聲分量后的信號，使得不同手機(jī)個體的區(qū)分性明顯增強(qiáng)；

(5.4)、重復(fù)上述步驟(5.1)～(5.3)，計算得到樣本集S{n}中的每一個樣本雜散成分的功率譜系數(shù)；

在本實施例中，基于主成分分析法PCA降維，是利用PCA對基于EMD分解的頻譜構(gòu)成的特征矢量進(jìn)行降維，得到

Y＝U^T[r₁,r₂,…r_N]^T

式中，是一個長為的全1行矢量，U為前p個主成分分量對應(yīng)的特征向量組成的矩陣，矩陣Y的規(guī)模是變換后的矢量即為矩陣X_o(ω)的主成分，并作為樣本特征集Y。

(6)、利用典型相關(guān)分析法對樣本特征集X和樣本特征集Y進(jìn)行特征融合，得到融合后的特征集Z；

其中，利用典型相關(guān)分析法對樣本特征集X和樣本特征集Y進(jìn)行特征融合的具體方法為：

(6.1)、令S_xx∈R^p×p，S_yy∈R^q×q分別表示特征集X和Y的方差，S_xy∈R^p×q表示特征集X和Y的協(xié)方差，S_yx是S_xy的對稱矩陣，其中p，q分別是特征集X和特征集Y中的樣本個數(shù)；

(6.2)、構(gòu)造協(xié)方差矩陣S：

(6.3)、構(gòu)造一組線性變換W_x,W_y，使其滿足使得在兩個特征集X和Y之間的特征對之間的相關(guān)性最大，即：

其中

(6.4)、令cov(X^*)＝cov(Y^*)＝1，使用拉格朗日乘子法求解上式的目標(biāo)函數(shù)max{cov(X^*,Y^*)}，即求解關(guān)于兩個方程的廣義特征值問題，可以得到W_x,W_y：

其中，R²是特征根對角矩陣，其中非零特征值的個數(shù)為d＝rank(S_xy)≤min(n,p,q)，并且按降序排列λ₁≥λ₂≥…λ_d，W_x,W_y分別是和非零特征值對應(yīng)的特征向量空間；

(6.5)、由上式得到W_x,W_y的對X和Y兩個特征集做特征融合，得到融合后的特征集合：

如圖9所示，經(jīng)過特征融合后6個手機(jī)個體的二維特征和三維特征分布，由圖中可以看出，不同手機(jī)個體特征明顯呈現(xiàn)類簇分布，相同個體特征分布較為緊密，不同個體特征的類間距較遠(yuǎn)，為下一步準(zhǔn)確分類奠定了良好的條件。

在本實施例中，對融合后的特征集Z按照3:2的比例切分訓(xùn)練集和測試集，即特征集Z的3/5作為訓(xùn)練集Z_Train，剩下的為測試集Z_Test，步驟(1)中抽取了6000組采樣數(shù)據(jù)，那么特征集Z中也共有6000組采樣數(shù)據(jù)，通過3:2的比例切分后，Z_Train有3600組采樣數(shù)據(jù)，Z_Test有2400組采樣數(shù)據(jù)

(7)、構(gòu)建隨機(jī)森林分類器，并利用該分類器對特征集Z進(jìn)行分類決策，最終輸出手機(jī)個體識別結(jié)果。

在本實施例中，利用隨機(jī)森林分類器對特征集Z_Test進(jìn)行分類決策的方法為：

基于隨機(jī)森林分類(RFC)的決策模型，由多個決策樹{h_t(z,θ_t)},z∈Z_Train組成的分類器；θ_t是相互獨立且同分布的隨機(jī)向量，表示每棵決策樹的決策參量；z是輸入的訓(xùn)練特征向量；首先用Z_Train訓(xùn)練隨機(jī)森林分類器，然后對Z_Test做分類預(yù)測，最終由所有決策樹綜合決定輸入特征向量的最終類別標(biāo)簽，決策樹的棵數(shù)為N_T，采用多數(shù)投票法決策：

其中，H(z)表示組合分類模型，O表示輸出的手機(jī)個體類別。

具體實現(xiàn)步驟如下：

(7.1)、應(yīng)用bootstrap法從Z_Train中有放回的抽取200個新的自助樣本集，并由此構(gòu)建200棵分類樹，每次未被抽到的樣本組成了200個袋外數(shù)據(jù)，用來估計當(dāng)前模型性能。

(7.2)、對每個樣本的64個屬性，在決策樹的每個節(jié)點需要分裂時，隨機(jī)從這64個屬性中不放回抽取m^*個屬性，在整個隨機(jī)森林構(gòu)造過程中m^*是一個常數(shù)，本發(fā)明中取m^*＝8；

(7.3)、從這8個屬性中采用Gini系數(shù)來選擇一個1個屬性作為該節(jié)點的分裂屬性，每棵樹按最大限度地生長，且不做任何的剪枝；

(7.4)、將生成的多顆分類樹組成隨機(jī)森林，用隨機(jī)森林分類器對新的預(yù)測數(shù)據(jù)進(jìn)行判別和分析，分類結(jié)果按樹分類器的投票結(jié)果的眾數(shù)決定。

圖10是6個手機(jī)個體的分類識別結(jié)果，結(jié)果表明，經(jīng)過多次試驗，平均識別率達(dá)到95％左右，驗證了本發(fā)明提出識別方案的正確性和有效性，這也為增強(qiáng)認(rèn)知無線電網(wǎng)絡(luò)安全性從物理層認(rèn)證提供了實用方案。

本發(fā)明中，手機(jī)個體信號采集過程是一個非常重要的環(huán)節(jié)。由于提取的個體細(xì)微的雜散特征，為保證較高的個體識別準(zhǔn)確率，需要注意三點，一是采樣設(shè)備本身最好不要引入太多噪聲，因此較高精度的采樣設(shè)備是必須的；二是采樣率要保證是信號帶寬的3～5倍；三是保證提取的是信號的雜散特征，而非信號本身，因此去除信號的信息承載部分和背景噪聲也是必須的，這可以通過EMD分解剔除無關(guān)分量來實現(xiàn)。

盡管上面對本發(fā)明說明性的具體實施方式進(jìn)行了描述，以便于本技術(shù)領(lǐng)域的技術(shù)人員理解本發(fā)明，但應(yīng)該清楚，本發(fā)明不限于具體實施方式的范圍，對本技術(shù)領(lǐng)域的普通技術(shù)人員來講，只要各種變化在所附的權(quán)利要求限定和確定的本發(fā)明的精神和范圍內(nèi)，這些變化是顯而易見的，一切利用本發(fā)明構(gòu)思的發(fā)明創(chuàng)造均在保護(hù)之列。