1.一种基于域自适应的Wi‑Fi射频指纹识别方法，其特征在于，包括以下步骤：步骤S1：数据采集及预处理：构建Wi‑Fi信号检测器，从空气中采集无线电信号，通过时间同步及相关性计算从中检测出Wi‑Fi信号得到原始的IQ数据包，对数据包进行切片得到每个数据包的前导码部分作为提取射频指纹特征的初始数据，并对该数据做归一化处理，防止信号幅值差异过大导致后续模型训练过拟合；

步骤S2：基于步骤S1所述归一化后的前导码信号数据，提出一种基于物理损伤的数据随机增强方法，对训练集数据进行随机的频率和相位增强，用于后续训练模型；

步骤S3：基于步骤S2增强后的数据集，设计一种稳态与瞬态信号对数谱相结合的方法，选取信号前导码部分的第2‑9个周期的STF信号和第1‑2个周期的LTF信号作为稳态特征，同时选取信号的第1‑4个周期的STF信号和第9‑10个STF及GI信号作为瞬态特征；

然后将稳态信号特征RFFStable和瞬态信号特征RFFTransient进行拼接共同作为鲁棒的射频指纹特征供后续模型训练和测试；

步骤S4：构建域对抗迁移学习网络模型，由于现有射频指纹识别模型在面临复杂多域环境中的鲁棒性较差，特引入域自适应机制，构建网络模型；网络模型包括特征提取器模块、标签分类器模块和域分类器模块；

步骤S5：模型训练和结果评估流程：使用准确率作为评估指标，对模型进行训练，并评估其在跨领域射频指纹场景中的信号识别效果；

步骤S6：模型应用：将实际电磁场景中采集的源域数据和新场景目标域的少部分数据进行处理，并基于步骤S1‑S5获得已训练模型，再执行以下操作：步骤S61：获取实际新场景中待识别的Wi‑Fi信号数据：通过射频接收设备采集待识别Wi‑Fi射频信号，提取域不变射频指纹特征，并将其转换为模型输入格式；

步骤S62：利用已训练的域自适应模型进行分类，确定待识别信号对应的设备身份类别，实现Wi‑Fi射频指纹识别。

2.如权利要求1所述的一种基于域自适应的Wi‑Fi射频指纹识别方法，其特征在于，所述步骤S1中数据的采集和预处理，包括以下过程：步骤S11：通过USRP‑B210设备从空气中采集Wi‑Fi信号，对采集到的长序列IQ数据做窗口划分，由于在20MHz的采样率下Wi‑Fi信号的短训练周期有10个重复的短导符号STF，且周期为16个采样点，将每个窗口的信号向后偏移16个采样点，与未偏移的原信号做相关性计算，得到相关性系数矩阵用来做粗时间同步，计算方法如公式(1)所示：*

rshort(n)＝y(n+Lshort)y(n)                       (1)*

其中，Lshort为短导信号的周期16，y(n)表示接收信号在第n个采样点的共轭值；

对相关性系数矩阵做归一化，取阈值为0.5，通过查找超过阈值的位置确定信号起始点；但由于短导符号包括多个周期序列，因此会出现多个相关性较大的起始点，因此需要进一步做细时间同步；细时间同步采用Wi‑Fi信号前导码的长导符号LTF，在20MHz采样率下的周期为64个采样点，由此，将每个窗口的信号再向后偏移64个采样点，与未偏移的原信号做相关性计算，得到长周期相关性系数矩阵：*

rlong(n)＝y(n+Llong)y(n)                          (2)*

其中，Llong为长导信号的周期64，y(n)表示接收信号在第n个采样点的共轭值；

选取rshort(n)和rlong(n)矩阵中同时超过阈值的信号点作为Wi‑Fi数据包的起始点，由于Wi‑Fi信号的前导码字段在20MHz采样率下包括320位采样点，且信号从初始噪声阶段上升到信号幅值过程中存在一定的瞬态特征，因此选取信号起始点前80位和起始点后320位共计400位信号采样点进行切片作为后续模型训练和测试数据；

步骤S12：步骤S1中所述对数据进行归一化处理是对步骤S11中最后同步和切片后的数据进行数据归一化处理，具体计算方法如公式(3)：其中M表示信号的长度，取400。

3.如权利要求1所述的一种基于域自适应的Wi‑Fi射频指纹识别方法，其特征在于，步骤S2具体包括：基于步骤S1所述归一化后的前导码信号数据，提出一种基于物理损伤的数据随机增强方法，对训练集数据进行随机的频率和相位增强，用于后续训练模型；所述增强的方法为：其中，公式(4)用于数据的频率增强，公式(5)用于数据的相位增强，αK和β分别表示随k机增强的频率和相位大小，fk(xb(t),τ)表示原始数据表达式，Δw 表示原始频率，表示原始相位，h(t)表示无线信道的建模表达式。

4.如权利要求1所述的一种基于域自适应的Wi‑Fi射频指纹识别方法，其特征在于，步骤S3所述的选取信号前导码部分的第2‑9个周期的STF信号和第1‑2个周期的LTF信号作为稳态特征，采用公式(6)，所述的选取信号的第1‑4个周期的STF信号和第9‑10个STF及GI信号作为瞬态特征，采用公式(7)：其中，Flog(·)表示对信号功率谱取log的操作， 表示第一个LTF周期的前16位采样点信号，concat(·)表示拼接操作。

5.如权利要求1所述的一种基于域自适应的Wi‑Fi射频指纹识别方法，其特征在于，步骤S4具体包括：构建域对抗迁移学习网络模型，由于现有射频指纹识别模型在面临复杂多域环境中的鲁棒性较差，特引入域自适应机制，构建网络模型；包括特征提取器模块、标签分类器模块和域分类器模块；

步骤S4中选取ResNet18网络作为模型的特征提取器模块；具体网络结构包括：(1)初始化卷积层

(2)残差块，包括4个阶段，每个阶段包括2个残差块；每个残差块由2个1*3的卷积层组成，并有一个跳跃连接；

(3)全局平均池化层，在最后一个残差块之后，使用一个全局平均池化层聚合特征；

步骤S4所述的标签分类器模块，包括两个全连接层，一个批次归一化层、一个ReLU激活函数，最后一个全连接层输出通道为标签类别的个数；

步骤S4所述的域分类器模块，包括一个梯度反转层，两个全连接层，一个批次归一化层、一个ReLU激活函数，最后一个全连接输出通道为领域的个数，这里设置为2，表示源域和目标域两个领域，在特征提取器和域分类器之间添加的梯度反转层可以使域分类器能分别出源域与目标域的数据，而特征提取器模块无法判别数据来自源域还是目标域，从而提取出领域不变的共同特征。

6.如权利要求1所述的一种基于域自适应的Wi‑Fi射频指纹识别方法，其特征在于，步骤S5具体包括：(1)首先通过USRP‑B210设备采集信道状态不同的N天的Wi‑Fi信号数据；

(2)将采集得到的数据通过步骤S1得到预处理后的信号数据；

(3)随机选取其中一天的数据作为训练集数据，即源域，随机选另一天作为测试及数据，即目标域；

(4)将训练集数据通过步骤S2的方法做数据增强，得到增强后的源域数据(5)将源域数据和目标域数据分别通过步骤S4中的模型得到标签分类器输出矩阵和域分类器输出矩阵；

(6)损失函数采用交叉熵损失，计算源域数据的分类输出损失Ly、源域数据的域分类器损失Ld1和目标域数据的域分类器损失Ld2；

(7)将Ly+Ld1+Ld2作为模型的总损失进行梯度更新。

7.一种基于域自适应的Wi‑Fi射频指纹识别装置，其特征在于，包括存储器和一个或多个处理器，所述存储器中存储有可执行代码，所述一个或多个处理器执行所述可执行代码时，用于实现权利要求1‑6中任一项所述的一种基于域自适应的Wi‑Fi射频指纹识别方法。

8.一种计算机可读存储介质，其特征在于，其上存储有程序，该程序被处理器执行时，实现权利要求1‑6中任一项所述的一种基于域自适应的Wi‑Fi射频指纹识别方法。