1.基于时频域特征融合的增强型设备指纹识别系统，其特征在于，由信号处理模块、特征提取模块、特征融合模块和设备识别模块组成；

信号处理模块用于对原始IQ数据，即同相分量I和正交分量Q进行数据预处理；

首先，信号处理模块使用移动窗口对原始IQ数据按固定大小进行分割，拆分为三个时域特征：I、Q和IQ；其中，将窗口移动步长设为窗口大小的一半；然后，利用快速傅里叶变换FFT和离散傅里叶变换STFT公式，将IQ数据转换至频域和时频域，并在这两个域中提取相应特征；

频域特征反映信号的频谱分布，使用快速傅里叶变换FFT对IQ信号进行离散傅里叶变换，从而获得的频谱信息，如下所示：；

其中， 表示信号 在频域中的特征； 代表信号样本的数量； 表示IQ信号；

时频域特征是计算信号在局部时间范围内的频率变化，适用于频率随时间变化的信号；

设 为窗函数，其长度为 ； 为窗口的移动步长；IQ信号经过加窗处理后，通过离散傅里叶变换STFT到频域，如下所示：；

其中， 表示在离散时间分量 和频率分量 下的STFT特征；

特征提取模块由空间通道注意力卷积层SCAConv所构建，用于提取时域、频域以及时频域的设备指纹特征，包括I信号特征、Q信号特征、IQ信号特征、FFT特征和STFT特征；

针对五种信号特征，设计五个并行通道：I通道、Q通道、IQ通道、FFT通道和STFT通道；其中，I、Q和IQ通道用于提取时域特征；FFT通道用于提取频域特征；STFT通道则用于提取时频域特征；

在网络结构上，时域和频域通道均采用一维空间通道注意力卷积层；时频域通道采用二维空间通道注意力卷积层；每个通道均由四层空间通道注意力卷积层依次级联；经过四层空间通道注意力卷积层的指纹特征分别记为 、 、 、 、 ；

空间通道注意力卷积层由指纹特征卷积分支、通道注意力分支、空间注意力分支和注意力机制构成；

特征融合模块用于融合I通道、Q通道、IQ通道、FFT通道和STFT通道输出的特征，从而生成最终的增强型指纹特征。

2.根据权利要求1所述的基于时频域特征融合的增强型设备指纹识别系统，其特征在于：指纹特征卷积分支用于提取输入信号的指纹特征；通道注意力分支用于表达每个指纹特征的重要性；空间注意力分支用于表达每个指纹特征的局部重要性；

空间通道注意力卷积层的具体实施流程如下：

首先，将指纹特征卷积分支的输出分别与通道注意力分支和空间注意力分支的输出相乘；然后，将这三种层面的指纹特征共同输入到注意力机制中，进行增强设备指纹的整体特征表示。

3.根据权利要求1所述的基于时频域特征融合的增强型设备指纹识别系统，其特征在于：指纹特征卷积分支用于从输入信号中提取指纹特征，由单层卷积层构成，包含多个卷积核；卷积核在指定步幅的控制下对信号的每个子区域进行逐元素乘加运算，从而生成特征值；当遍历完所有子区域后，获得该输入信号的完整指纹特征；

一维指纹特征卷积分支和二维指纹特征卷积分支的计算公式，如下所示：；

；

其中， 表示一维指纹特征卷积分支输出的特征图，特征图的大小由卷积核大小、步幅和填充决定； 表示第j个卷积核的偏置； 表示二维指纹特征卷积分支输出的特征图； 表示训练数据的批大小； 表示信号序列长度； 表示输出通道数； 表示输入信号的通道数； 表示输入通道索引； 表示互相关操作； 表示信号特征图的频率分量； 表示信号特征图的时间分量； 和 分别表示卷积核的高和宽；

其中，、 、 的计算公式，如下所示：

；

；

；

其中， 和 分别表示输出特征图的长度和输入信号长度； 和 分别表示输出信号特征图的时间分量长度和输入信号特征图的时间分量长度； 和 分别表示输出信号特征图的频率分量长度和输入信号特征图的频率分量长度； 表示卷积核的大小； 为卷积步长； 为填充大小。

4.根据权利要求1所述的基于时频域特征融合的增强型设备指纹识别系统，其特征在于：通道注意力分支为每个指纹特征分配相应的权重，区分不同通道在识别任务中的重要程度；

A、一维通道注意力分支由两个全连接层FC构成，并在层间使用Tanh激活函数，最终通过Sigmoid函数输出权重；

第一个全连接层在通道维度上对指纹特征进行降维，将其转换为一维向量；随后，Tanh激活函数对降维后的数据执行非线性变化，且Tanh函数的范围为[‑1,1]；第二个全连接层再将向量升维到与原始通道数一致，最后通过Sigmoid函数用于对权重缩放至[0,1]，将通道注意力分支与指纹特征卷积分支输出相乘；

B、二维通道注意力分支由一层卷积层，一层池化层和两个全连接层组成；

首先，通过二维卷积层将通道注意力分支的通道数调整至与指纹特征卷积分支相匹配；之后，采用平均池化与最大池化分别突出指纹特征图的整体与显著区域，并降低空间维度；第一个全连接层在通道维度上对池化后的指纹特征图进行降维，随后由Tanh激活函数对数据执行非线性变化；第二个全连接层在通道维度上对指纹特征图进行升维，与第一层卷积层相同，再次与指纹特征卷积分支的通道数相匹配；最后使用Sigmoid函数将权重缩放至[0,1]，与指纹特征卷积分支按通道相乘。

5.根据权利要求1所述的基于时频域特征融合的增强型设备指纹识别系统，其特征在于：空间注意力分支的作用是为指纹特征的每个空间位置分配权重，突出关键区域、抑制无关、噪声区域；

A、一维空间注意力分支由卷积层、最大池化层、反卷积层和上采样层组成；

通过卷积层对数据的降维，最大池化层用于提取局部响应，突出输入张量的关键特征；

反卷积层用于恢复输入指纹并强化其显著特征；上采样层用于将指纹特征恢复到与指纹特征卷积分支相匹配的尺寸；Sigmoid函数用于对权重缩放至[0,1]，便于空间注意力分支与指纹特征卷积分支相乘；

B、二维空间注意力分支由最大池化层、平均池化层和卷积层组成；

最大池化和平均池化并行执行，保留特征图的最大局部特征和原特征图的整体特性，实现对不同空间区域的加权；卷积层在局部区域内进行特征提取，捕捉空间维度上的上下文信息，突出重要区域，抑制不重要区域；最后通过Sigmoid函数对权重缩放至[0,1]，便于空间注意力分支与指纹特征卷积分支相乘。

6.根据权利要求1所述的基于时频域特征融合的增强型设备指纹识别系统，其特征在于：特征融合模块采用共享注意力策略，首先对每个通道的输出分别执行平均池化和最大池化，聚合空间信息，并形成两种不同的上下文特征；其次，将这两个上下文特征在通道维度拼接，并通过第一层一维卷积进行卷积运算，由Relu函数激活；随后经过第二层一维卷积，最后由Sigmoid函数用于对权重缩放至[0,1]，通过注意力图与指纹特征按元素级相乘实现重要部分得到增强，不重要部分被弱化；然后，对获得的特征分别记为： 、 、、 和 ；将获得的神经特征图在通道维度拼接在一起，形成融合特征，如下所示：；

最后，将融合得到的特征，输入设备识别模块，以执行设备指纹识别。

7.根据权利要求1所述的基于时频域特征融合的增强型设备指纹识别系统，其特征在于：设备识别模块由两层全连接层构成；首先，将经过特征提取和注意力机制增强后的指纹特征输入到第一个全连接层，对输入特征进行降维，并通过ReLU激活函数进行非线性变换；

然后，第二个全连接层则将映射后的向量投影到设备类别，输出最终的识别结果。

8.根据权利要求1‑7任意一项所述的基于时频域特征融合的增强型设备指纹识别系统，提出基于时频域特征融合的增强型设备指纹识别方法，应用于上述系统，其特征在于，包括以下步骤：步骤S1、使用USRP采集以同相分量和正交分量，即IQ符号形式表示的信号；

步骤S2、在信号处理模块中，对所采集到的信号数据进行数据预处理，首先将IQ拆分为三个时域特征：I、Q和IQ；然后利用相应的FFT和STFT公式，将IQ转换至频域和时频域，并在这两个域中提取相应特征；

步骤S3、将时域、频域和时频域的特征分别输入至特征提取模块中进行特征提取；

步骤S4、将特征提取模块中所提取出的特征，送入特征融合模块，生成最终的融合特征；

步骤S5、最后将融合特征传递给分类模型，完成对设备的指纹匹配与识别，实现对无线设备物理层的身份识别。