1.一种基于去噪和优化时域卷积网络的移动设备机主认证方法，其特征在于，所述基于去噪和优化时域卷积网络的移动设备机主认证方法，包括：获取训练样本集，所述训练样本集包含多条训练样本，每条训练样本均涵盖移动设备在机主认证过程中所使用的特征数据，以及特征数据所对应的标签；

对训练样本集采用联合去噪法进行去噪，所述联合去噪法包括采用集合经验模态分解对训练样本集生成 信号、 信号、 信号和 信号，并利用 准则提取信号和 信号的细节部分，利用Fast‑ICA算法同时对 信号的细节部分、信号、 信号和 信号的细节部分进行降噪解混，得到 分量、 分量、分量和 分量，对 分量应用小波阈值去噪得到去噪训练样本集；

利用所述去噪训练样本集对优化时域卷积网络进行优化更新，得到机主认证模型，所述优化时域卷积网络包含自注意力层；

获取待认证移动设备用户的特征数据作为优化更新后的机主认证模型的输入，基于机主认证模型的输出得到待认证移动设备用户是否为机主的认证结果；

所述优化时域卷积网络的结构包括依次连接的输入层、时域卷积层、自注意力层和全连接层；所述时域卷积层的结构包括多个残差块，并且在每两个残差块之后添加一个卷积层和一个ReLU激活函数；所述残差块包括第一分支和第二分支，所述第一分支依次包括卷积层、ReLU激活函数和卷积层，所述第二分支包括下采样层，所述第一分支和第二分支的输出相加后作为残差块的输出；所述自注意力层的注意力值计算过程如下：计算查询向量与键向量的相关性：

；

式中， 表示查询向量， 表示键向量的第 个元素值， 表示查询向量与键向量的第 个元素值的相关性；

计算值向量的权重：

；

式中， 表示值向量中第 个元素的权重， 表示SoftMax函数，为键向量的维度， 表示查询向量与键向量的第 个元素值的相关性；

计算注意力值：

；

式中， 为注意力值， 表示值向量的第 个元素值。

2.根据权利要求1所述的基于去噪和优化时域卷积网络的移动设备机主认证方法，其特征在于，所述获取训练样本集，包括：在移动设备处于机主认证过程时，收集加速度传感器的三轴数据、陀螺仪的三轴数据和重力传感器的三轴数据；

为所收集的每个数据点添加标签，标签包括数据点收集时的用户编号、传感器类型、轴类型以及时间戳。

3.根据权利要求2所述的基于去噪和优化时域卷积网络的移动设备机主认证方法，其特征在于，所述对训练样本集采用联合去噪法进行去噪，包括：取训练样本集中加速度传感器的三轴数据、陀螺仪的三轴数据和重力传感器的三轴数据，共得到九轴的时序数据，对每一轴的时序数据采用联合去噪法进行去噪。

4.根据权利要求1所述的基于去噪和优化时域卷积网络的移动设备机主认证方法，其特征在于，所述机主认证模型运行在移动设备进行本地机主认证，或者所述机主认证模型部署在服务器端，根据移动设备上传的特征数据进行云端机主认证。

5.根据权利要求1所述的基于去噪和优化时域卷积网络的移动设备机主认证方法，其特征在于，所述机主认证模型的输出为待认证移动设备用户与机主的相似度，若相似度大于阈值，则得到认证结果为与机主身份相符，认证成功；否则得到认证结果为与机主身份不符，认证失败。