CN107911183A - 一种基于实时信号特征分析的无人机识别方法及系统 - Google Patents
一种基于实时信号特征分析的无人机识别方法及系统 Download PDFInfo
- Publication number
- CN107911183A CN107911183A CN201711184612.0A CN201711184612A CN107911183A CN 107911183 A CN107911183 A CN 107911183A CN 201711184612 A CN201711184612 A CN 201711184612A CN 107911183 A CN107911183 A CN 107911183A
- Authority
- CN
- China
- Prior art keywords
- signal
- frequency
- unmanned plane
- time
- live
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04B—TRANSMISSION
- H04B17/00—Monitoring; Testing
- H04B17/30—Monitoring; Testing of propagation channels
- H04B17/309—Measuring or estimating channel quality parameters
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04B—TRANSMISSION
- H04B1/00—Details of transmission systems, not covered by a single one of groups H04B3/00 - H04B13/00; Details of transmission systems not characterised by the medium used for transmission
- H04B1/69—Spread spectrum techniques
- H04B1/713—Spread spectrum techniques using frequency hopping
- H04B1/7143—Arrangements for generation of hop patterns
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04B—TRANSMISSION
- H04B17/00—Monitoring; Testing
- H04B17/30—Monitoring; Testing of propagation channels
- H04B17/309—Measuring or estimating channel quality parameters
- H04B17/318—Received signal strength
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Quality & Reliability (AREA)
- Physics & Mathematics (AREA)
- Electromagnetism (AREA)
- Radar Systems Or Details Thereof (AREA)
Abstract
本发明公开了一种基于实时信号特征分析的无人机识别方法及系统,方法包括:S10:对接收到的原始信号进行预处理,获得时间上连续的实时信号;S20:进行信号特征参数提取,并进行分类识别,确定信号的参数;S30:对分选结果进行分析统计,以此判断当前信号当中是否有无人机;步骤S20包括:对接收到的实时信号进行噪声基底判定;根据噪声门限计算信号的起始终止频率、中心频率、占用带宽;给信号加上时间标签;根据各频点信号的包括时间、频率、带宽在内的特征,获取跳频信号特征。本发明的信号分析是基于连续时间信号进行的,通过对信号特征深层次的分析,能够挖掘出更多的信息,能够有效提高无人机信号的截获概率。
Description
技术领域
本发明涉及无线电侦测技术领域,尤其一种基于实时信号特征分析的无人机识别方法及系统。
背景技术
由于无人机行业的迅猛发展,监管机关急需一种能够有效发现无人机的技术。由于外界电磁信号的越来越复杂,无人机遥控、数据传输技术的不断发展,无线电监管机构对无人机信号频谱的监测难度越来越大,原来基于:采集—暂停采集—分析—再采集的传统频谱监测模式,由于具有较大的时间分析间隙,无法满足对已广泛采用跳频体制的无人机信号进行侦测,截获概率低下。
申请号为CN201510481020.X的发明专利公开了一种无人机信号处理装置及信号处理方法,其中装置,其包括接收模块、监控模块、预警模块,其中,所述接收模块利用全向接收天线扫描无人机工作的上行和下行工作频段用于实时扫描无人机信号;监控模块包括将接收到的信号按相同的功率分为多路信号的功率分配器、将每路信号进行带通滤波的带通滤波单元、将所述信号转换为数字信号的A/D 转换单元和对数字信号进行傅里叶变换且将时域数据变化为频域数据的频谱分析单元;预警模块包括存储无人机频域数据的存储单元和将频谱分析单元发来的当前频域数据和存储单元中存储的无人机频域数据比较的比较单元,当比较结果处于预定范围内时,预警模块发出警报。该发明专利虽然公开了一部分对无人机的信号处理方法,但是其并没有公开如何将变换得到的频域数据与存储单元中存储的无人机频域数据进行比较的方式,效果不好。
有鉴于此,本发明提出了一种基于实时采集分析的信号特征分析技术,通过长时间、不间断的采集,保证采集期间信号在时间上不间断,能够提取时间上跳变的跳频信号的跳频图案,以此为基础准确分析出信号的带宽、中心频率、截获时间、跳频顺序等特征,实现对无人机信号的截获。
发明内容
本发明的目的在于克服现有技术的不足,提供一种基于实时信号特征分析的无人机识别方法及系统,解决了现有技术中无线电监测无法获得时间上连续的实时信号,进而实现了获得准确度较高的跳频信号特征的技术效果。
本发明的目的是通过以下技术方案来实现的:一种基于实时信号特征分析的无人机识别方法,包括以下步骤:
S10:对接收到的原始信号进行预处理,获得时间上连续的实时信号;
S20:对处理后得到的实时信号进行信号特征参数提取,并根据提取到的特征参数阈值进行分类识别,确定信号的参数;
S30:对分选结果进行分析统计,以此判断当前信号当中是否有无人机;
其中,步骤S20包括以下子步骤:
S201:对接收到的实时信号进行噪声基底判定;
S202:根据噪声门限计算信号的起始终止频率、中心频率、占用带宽;
S203:根据数据先后到达时间给信号加上时间标签;
S204:根据各频点信号的包括时间、频率、带宽在内的特征,获取跳频信号特征;
步骤S30包括以下子步骤:
S301:根据实际无人机的跳频/非跳频信号特征,与实际测试得到的信号特征进行比对;
S302:通过比对结果判定当前信号之中是否存在无人机信号。
进一步地,所述的步骤S10包括以下子步骤:
S101:对接收到的中频信号进行数字下变频处理;
S102:对数字下变频处理后的信号进行基带滤波处理;
S103:对基带滤波处理后的信号进行实时时频变换,并通过多次频谱平均的方式对频域信号进行平滑;
S104:将连续的频谱数据上报。
进一步地,所述的跳频信号特征的参数包括:信号起始频率、信号终止频率、信号中心频率、信号捕获时间、信号跳频图案。
进一步地,在步骤S30中,分别对步骤S20得到的疑似无人机跳频信号和实际无人机跳频信号、步骤S20得到的疑似无人机图像信号与实际无人机图像信号进行判决。
进一步地,所述的噪声门限的获取方式包括以下子步骤:
(1)对频谱数据X求绝对中位差MAD(X):
MAD(X)=mean(abs(X–mean(X)))
其中X为数组,代表频谱数据,mean表示求中位数,abs表示求绝对值;
(2)将MAD(X)乘上因子k该因子根据实际情况调整,作为噪声门限;所述的因子k根据实际情况选取大小。
本发明还提供一种基于实时信号特征分析的无人机识别系统,包括:
预处理模块:对接收到的原始信号进行预处理,获得时间上连续的实时信号;
特征参数提取与分类识别模块:对预处理后得到的实时信号进行信号特征参数提取,并根据提取到的特征参数阈值进行分类识别,确定信号的参数;
无人机判断模块:对特征参数提取与分类识别模块得到的分选结果进行分析统计,以此判断当前信号当中是否有无人机;
其中,所述的特征参数提取与分类识别模块包括:
噪声基底判定单元:对接收到的实时信号进行噪声基底判定;
信号参数计算单元:对噪声基底判定单元得到的信号,根据噪声门限计算信号的起始终止频率、中心频率、占用带宽;
时间标签标注单元:根据数据先后到达时间给信号加上时间标签;
跳频信号特征获取单元:根据各频点信号的包括时间、频率、带宽在内的特征,获取跳频信号特征;
所述的无人机判断模块包括:
特征比对单元:根据实际无人机的跳频/非跳频信号特征,与实际测试得到的信号特征进行比对;
结果判定单元:通过特征比对单元的比对结果判定当前信号之中是否存在无人机信号。
进一步地,所述的预处理模块包括:
下变频单元:对接收到的中频信号进行数字下变频处理;
基带滤波单元:对数字下变频处理后的信号进行基带滤波处理;
时频变换与平滑单元:对基带滤波处理后的信号进行实时时频变换,并通过多次频谱平均的方式对频域信号进行平滑;
数据上报单元:将时频变换与平滑单元得到的连续的频谱数据上报。
进一步地,所述的跳频信号特征的参数包括:信号起始频率、信号终止频率、信号中心频率、信号捕获时间、信号跳频图案。
进一步地,在无人机判断模块中,分别对特征参数提取与分类识别模块得到的疑似无人机跳频信号和实际无人机跳频信号、特征参数提取与分类识别模块得到的疑似无人机图像信号与实际无人机图像信号进行判决。
进一步地,在信号参数计算单元中,所述的噪声门限的包括:
绝对中位差计算单元:用于采用如下公式对频谱数据X求绝对中位差MAD(X):MAD(X)=mean(abs(X–mean(X))),其中X为数组,代表频谱数据,mean表示求中位数,abs表示求绝对值;
噪声门限调整单元:用于将MAD(X)乘上因子k该因子根据实际情况调整,作为噪声门限;所述的因子k根据实际情况选取大小。
本发明的有益效果是:
(1)采用实时信号采集技术,只要存储空间足够大,理论上可以分析无限长的时间连续信号,这些信号数据中完全没有时间间隔,能够分析信号关于时间上所有信息,解决了现有技术中无线电监测无法获得时间连续的信号,进而实现了能够获得准确度较高的跳频信号特征的技术效果。
(2)由于信号分析是基于连续时间信号进行的,通过对信号特征深层次的分析,能够挖掘出更多的信息,能够有效提高无人机信号的截获概率。
附图说明
图1为本发明方法流程图;
图2为本发明步骤S10的子流程示意图;
图3为本发明步骤S20的子流程示意图;
图4为本发明步骤S30的子流程示意图;
图5为本发明系统模块框图;
图6为本发明实施例中频谱信号带宽示意图;
图7为本发明实施例中通过门限判决信号上升下降沿示意图。
图8为本发明实施例中通过包络平均斜率判定图像信号示意图。
具体实施方式
下面结合附图进一步详细描述本发明的技术方案:
本发明实施例通过提供一种基于实时信号特征分析的无人机识别方法及系统,解决了现有技术中无线电监测无法获得时间连续的信号,进而实现了能够获得准确度较高的跳频信号特征,从而提升无人机信号截获概率的技术效果。
本发明提供的一种基于实时信号特征分析的无人机识别方法,如图1所示:包括如下步骤:
S10,对接收到的信号进行预处理,获得时间上连续的信号;S20,对处理后的实时信号提取信号特征参数,并根据特征阈值进行分类识别,确定信号的参数;S30,对分选结果进行分析统计,以此判断当前信号当中是否有无人机信号。
而在具体的实施方式中,如图2所示,步骤S10具体包括:S101,对接收到的中频信号进行数字下变频处理;S102,对数字下变频处理后的信号进行基带滤波处理;S103,对基带滤波处理后的信号进行实时时频变换,并通过多次频谱平均的方式对频域信号进行平滑;S104,将连续的频谱数据上报。其中,在步骤S103中,每当采集到一定点数的时域信号,就对它进行一次FFT变换,相邻若干次FFT结果进行累加然后平均,获得对应于这几帧数据时间长度的平滑后的频谱数据。上述是对接收到的时域信号进行处理的过程,处理之后,时域信号变成连续的频谱数据,通过步骤S104进行上报。
接着执行步骤S20,对处理后的信号提取信号特征参数,并根据特征阈值进行分类识别,确定信号的特征参数。具体流程如图3所示,该步骤S20具体包括:S201,对接收到的实时信号进行噪声基底判定;S202,根据噪声门限计算信号的起始终止频率、中心频率、占用带宽;S203,根据数据先后到达时间给信号数据加上时间标签;S204,根据各频点信号的时间、频率、带宽等特征获取跳频信号特征。
经过上述处理之后,得到了连续的信号时频特征参数,包括信号的截获时间、中心频率、带宽、跳频图案等参数,接着通过步骤S30的过程,如图4所示,将截获的信号特征与已知的无人机信号特征进行比对,判断某一信号是否符合无人机信号特征,若多个信号特征都与无人机实际信号相符,则判定当前信号中有无人机信号。
对应的,基于上述方法的实现,本实施例还提供了一种基于实时信号特征分析的无人机识别系统,如图5所示,包括:
预处理模块:对接收到的原始信号进行预处理,获得时间上连续的实时信号;
特征参数提取与分类识别模块:对预处理后得到的实时信号进行信号特征参数提取,并根据提取到的特征参数阈值进行分类识别,确定信号的参数;
无人机判断模块:对特征参数提取与分类识别模块得到的分选结果进行分析统计,以此判断当前信号当中是否有无人机。
其中,在本实施例中,所述的预处理模块包括:
下变频单元:对接收到的中频信号进行数字下变频处理;
基带滤波单元:对数字下变频处理后的信号进行基带滤波处理;
时频变换与平滑单元:对基带滤波处理后的信号进行实时时频变换,并通过多次频谱平均的方式对频域信号进行平滑;
数据上报单元:将时频变换与平滑单元得到的连续的频谱数据上报;
所述的特征参数提取与分类识别模块包括:
噪声基底判定单元:对接收到的实时信号进行噪声基底判定;
信号参数计算单元:对噪声基底判定单元得到的信号,根据噪声门限计算信号的起始终止频率、中心频率、占用带宽;
时间标签标注单元:根据数据先后到达时间给信号加上时间标签;
跳频信号特征获取单元:根据各频点信号的包括时间、频率、带宽在内的特征,获取跳频信号特征;
所述的无人机判断模块包括:
特征比对单元:根据实际无人机的跳频/非跳频信号特征,与实际测试得到的信号特征进行比对;
结果判定单元:通过特征比对单元的比对结果判定当前信号之中是否存在无人机信号。
下面通过具体的基于实时信号特征分析的过程,对本发明所提出信号处理过程进行详细描述。
假设外部采集系统的采样率Fs,频谱分析一帧的点数为NFFT,则一帧原始数据对应时间为Fs×NFFT,再假设设置k帧频谱数据进行一次平滑,则每产生一帧平滑频谱对应时长为Fs×NFFT×k,或者说在Fs×NFFT×k时间内的信号频谱信息由这一帧频谱数据表示。
步骤S10向步骤S20传递的数据都是这样的平滑之后的频谱,如图6所示,这就是步骤S10过程的产出结果,它们在时间上连续无间隙,使得信号的实时分析成为可能。
当接收到这些频谱后,逐一对这些数据进行分析。要从频谱中获取信号占用的频率信息,需要计算一条门限,以此为依据进行甄别:超过门限判定为信号,下降到门限之下判定为信号消失,过程如图7所示。
其中门限计算以及上升下降沿判定依据以下方式进行:
(1)对频谱数据X求绝对中位差MAD( X ):MAD( X ) = mean( abs( X – mean( X ) )),其中X为数组,代表频谱数据,mean表示求中位数,abs表示求绝对值;
(2)将MAD( X )乘上因子k = 3(该因子根据实际情况调整),作为判决门限;
(3)在一帧内循环,满足下列条件判决为上升沿、下降沿:
(3-1)当连续两点不超过门限值,之后连续两点超过门限值,则分界点判定为上升沿;
(3-2)当连续两点超过门限值,之后两点不超过门限值,则分界点判定为下降沿。
在得到上升沿ir、下降沿if之后,求两者的算数平均即可得到中心频率的索引号ic,再利用Fs和NFFT计算对应中心频率值:ic×Fs / NFFT,带宽BW = (if- ir)×Fs / NFFT。至此我们已得到了每一帧中出现信号的带宽、中心频率。
依据连续各帧数据中信号的带宽、中心频率等信息,可以按照带宽是否相近来判定不同信号是否可能属于同一跳频信号;再按照捕获的频点先后顺序,得到该跳频信号的跳频图案特征。
对于图像信号,其占用带宽较宽,频谱包络较平坦,这些特征与跳频控制信号有明显区别,需要一种新的指标来区分。在本实施例中,使用计算信号包络上沿平均斜率的方式进行判定,理想情况下,平坦的信号上沿得出的斜率趋近于0,如图8所示,而其他宽带通信信号包络跳跃剧烈,连续计算的斜率相互差异很大。
在得到了疑似无人机跳频信号的频率、带宽、跳频图案(顺序)、以及疑似无人机宽带图像信号的频率、带宽、包络斜率之后,即可依据历史经验进行判决:
(1)带宽与目标跳频信号、目标图像信号的已知带宽近似相等;
(2)中心频率与已知目标信号频率近似相等;
(3)跳频图案与目标跳频图案吻合;
(4)图像信号包络斜率始终近似于0;
(5)同时满足上述(1)(2)(3)条件的信号标注为“疑似无人机跳频信号”,同时满足上述(1)(2)(4)条件的信号标注为“疑似无人机图像信号”。
上述两种信号至少发现一种满足条件则判决为“发现无人机”,上述两种信号都未发现判决为“未发现无人机”。
本发明是通过实施例来描述的,但并不对本发明构成限制,参照本发明的描述,所公开的实施例的其他变化,如对于本领域的专业人士是容易想到的,这样的变化应该属于本发明权利要求限定的范围之内。
Claims (10)
1.一种基于实时信号特征分析的无人机识别方法,其特征在于:包括以下步骤:
S10:对接收到的原始信号进行预处理,获得时间上连续的实时信号;
S20:对处理后得到的实时信号进行信号特征参数提取,并根据提取到的特征参数阈值进行分类识别,确定信号的参数;
S30:对分选结果进行分析统计,以此判断当前信号当中是否有无人机;
其中,步骤S20包括以下子步骤:
S201:对接收到的实时信号进行噪声基底判定;
S202:根据噪声门限计算信号的起始终止频率、中心频率、占用带宽;
S203:根据数据先后到达时间给信号加上时间标签;
S204:根据各频点信号的包括时间、频率、带宽在内的特征,获取跳频信号特征;
步骤S30包括以下子步骤:
S301:根据实际无人机的跳频/非跳频信号特征,与实际测试得到的信号特征进行比对;
S302:通过比对结果判定当前信号之中是否存在无人机信号。
2.根据权利要求1所述的一种基于实时信号特征分析的无人机识别方法,其特征在于:所述的步骤S10包括以下子步骤:
S101:对接收到的中频信号进行数字下变频处理;
S102:对数字下变频处理后的信号进行基带滤波处理;
S103:对基带滤波处理后的信号进行实时时频变换,并通过多次频谱平均的方式对频域信号进行平滑;
S104:将连续的频谱数据上报。
3.根据权利要求1所述的一种基于实时信号特征分析的无人机识别方法,其特征在于:所述的跳频信号特征的参数包括:信号起始频率、信号终止频率、信号中心频率、信号捕获时间、信号跳频图案。
4.根据权利要求3所述的一种基于实时信号特征分析的无人机识别方法,其特征在于:在步骤S30中,分别对步骤S20得到的疑似无人机跳频信号和实际无人机跳频信号、步骤S20得到的疑似无人机图像信号与实际无人机图像信号进行判决。
5.根据权利要求1所述的一种基于实时信号特征分析的无人机识别方法,其特征在于:所述的噪声门限的获取方式包括以下子步骤:
(1)对频谱数据X求绝对中位差MAD(X):
MAD(X)=mean(abs(X–mean(X)))
其中X为数组,代表频谱数据,mean表示求中位数,abs表示求绝对值;
(2)将MAD(X)乘上因子k该因子根据实际情况调整,作为噪声门限;所述的因子k根据实际情况选取大小。
6.一种基于实时信号特征分析的无人机识别系统,其特征在于:包括:
预处理模块:对接收到的原始信号进行预处理,获得时间上连续的实时信号;
特征参数提取与分类识别模块:对预处理后得到的实时信号进行信号特征参数提取,并根据提取到的特征参数阈值进行分类识别,确定信号的参数;
无人机判断模块:对特征参数提取与分类识别模块得到的分选结果进行分析统计,以此判断当前信号当中是否有无人机;
其中,所述的特征参数提取与分类识别模块包括:
噪声基底判定单元:对接收到的实时信号进行噪声基底判定;
信号参数计算单元:对噪声基底判定单元得到的信号,根据噪声门限计算信号的起始终止频率、中心频率、占用带宽;
时间标签标注单元:根据数据先后到达时间给信号加上时间标签;
跳频信号特征获取单元:根据各频点信号的包括时间、频率、带宽在内的特征,获取跳频信号特征;
所述的无人机判断模块包括:
特征比对单元:根据实际无人机的跳频/非跳频信号特征,与实际测试得到的信号特征进行比对;
结果判定单元:通过特征比对单元的比对结果判定当前信号之中是否存在无人机信号。
7.根据权利要求6所述的一种基于实时信号特征分析的无人机识别系统,其特征在于:所述的预处理模块包括:
下变频单元:对接收到的中频信号进行数字下变频处理;
基带滤波单元:对数字下变频处理后的信号进行基带滤波处理;
时频变换与平滑单元:对基带滤波处理后的信号进行实时时频变换,并通过多次频谱平均的方式对频域信号进行平滑;
数据上报单元:将时频变换与平滑单元得到的连续的频谱数据上报。
8.根据权利要求6所述的一种基于实时信号特征分析的无人机识别系统,其特征在于:所述的跳频信号特征的参数包括:信号起始频率、信号终止频率、信号中心频率、信号捕获时间、信号跳频图案。
9.根据权利要求8所述的一种基于实时信号特征分析的无人机识别系统,其特征在于:在无人机判断模块中,分别对特征参数提取与分类识别模块得到的疑似无人机跳频信号和实际无人机跳频信号、特征参数提取与分类识别模块得到的疑似无人机图像信号与实际无人机图像信号进行判决。
10.根据权利要求6所述的一种基于实时信号特征分析的无人机识别系统,其特征在于:在信号参数计算单元中,所述的噪声门限的包括:
绝对中位差计算单元:用于采用如下公式对频谱数据X求绝对中位差MAD(X):MAD(X)=mean(abs(X–mean(X))),其中X为数组,代表频谱数据,mean表示求中位数,abs表示求绝对值;
噪声门限调整单元:用于将MAD(X)乘上因子k该因子根据实际情况调整,作为噪声门限;所述的因子k根据实际情况选取大小。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711184612.0A CN107911183B (zh) | 2017-11-23 | 2017-11-23 | 一种基于实时信号特征分析的无人机识别方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711184612.0A CN107911183B (zh) | 2017-11-23 | 2017-11-23 | 一种基于实时信号特征分析的无人机识别方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107911183A true CN107911183A (zh) | 2018-04-13 |
CN107911183B CN107911183B (zh) | 2020-11-06 |
Family
ID=61847686
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201711184612.0A Active CN107911183B (zh) | 2017-11-23 | 2017-11-23 | 一种基于实时信号特征分析的无人机识别方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107911183B (zh) |
Cited By (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108768562A (zh) * | 2018-05-07 | 2018-11-06 | 西北工业大学 | 一种基于遥控与图传信号的非法无人机识别方法 |
CN109067478A (zh) * | 2018-08-10 | 2018-12-21 | 北京历正科技有限责任公司 | 一种无人机检测方法、装置及设备 |
CN109115041A (zh) * | 2018-06-28 | 2019-01-01 | 中国电子科技集团公司第二十九研究所 | 一种基于认知无线电的跳频跟踪无人机反制方法 |
CN109375204A (zh) * | 2018-10-26 | 2019-02-22 | 中电科仪器仪表有限公司 | 基于雷达的目标检测方法、系统、设备及介质 |
CN110334591A (zh) * | 2019-05-24 | 2019-10-15 | 西华大学 | 一种基于聚类分析的无人机跳频信号检测及识别方法 |
CN110751087A (zh) * | 2019-10-17 | 2020-02-04 | 湖南波尔坤雷信息科技有限公司 | 一种基于eof的无人机信号识别系统和方法 |
CN110868734A (zh) * | 2019-12-03 | 2020-03-06 | 长江师范学院 | 一种基于频谱数据分析的无人机集群动态拓扑挖掘方法 |
CN111046025A (zh) * | 2019-12-18 | 2020-04-21 | 任子行网络技术股份有限公司 | 无人机信号探测方法及装置 |
CN111428631A (zh) * | 2020-03-23 | 2020-07-17 | 中南大学 | 无人机飞控信号可视化识别分选方法 |
CN111510255A (zh) * | 2020-04-17 | 2020-08-07 | 成都华日通讯技术股份有限公司 | 基于宽带频谱数据的跳频信号盲检测及参数估计方法 |
CN113259029A (zh) * | 2021-05-04 | 2021-08-13 | 中国人民解放军32802部队 | 一种适用于无人机信号的实时自动检测识别方法 |
CN115642982A (zh) * | 2022-12-26 | 2023-01-24 | 理工全盛(北京)科技有限公司 | 无人机侦测干扰方法、系统及设备 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105099585A (zh) * | 2015-08-03 | 2015-11-25 | 陈昊 | 无人机信号处理装置及信号处理方法 |
CN106371144A (zh) * | 2016-10-10 | 2017-02-01 | 厦门市美亚柏科信息股份有限公司 | 一种无人机发现及预警的装置 |
CN106877947A (zh) * | 2017-01-20 | 2017-06-20 | 浙江大学 | 一种无人机的射频信道并行检测装置及方法 |
-
2017
- 2017-11-23 CN CN201711184612.0A patent/CN107911183B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105099585A (zh) * | 2015-08-03 | 2015-11-25 | 陈昊 | 无人机信号处理装置及信号处理方法 |
CN106371144A (zh) * | 2016-10-10 | 2017-02-01 | 厦门市美亚柏科信息股份有限公司 | 一种无人机发现及预警的装置 |
CN106877947A (zh) * | 2017-01-20 | 2017-06-20 | 浙江大学 | 一种无人机的射频信道并行检测装置及方法 |
Cited By (22)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108768562A (zh) * | 2018-05-07 | 2018-11-06 | 西北工业大学 | 一种基于遥控与图传信号的非法无人机识别方法 |
CN108768562B (zh) * | 2018-05-07 | 2020-10-27 | 西北工业大学 | 一种基于遥控与图传信号的非法无人机识别方法 |
CN109115041B (zh) * | 2018-06-28 | 2020-07-07 | 中国电子科技集团公司第二十九研究所 | 一种基于认知无线电的跳频跟踪无人机反制方法 |
CN109115041A (zh) * | 2018-06-28 | 2019-01-01 | 中国电子科技集团公司第二十九研究所 | 一种基于认知无线电的跳频跟踪无人机反制方法 |
CN109067478A (zh) * | 2018-08-10 | 2018-12-21 | 北京历正科技有限责任公司 | 一种无人机检测方法、装置及设备 |
CN109375204A (zh) * | 2018-10-26 | 2019-02-22 | 中电科仪器仪表有限公司 | 基于雷达的目标检测方法、系统、设备及介质 |
CN110334591A (zh) * | 2019-05-24 | 2019-10-15 | 西华大学 | 一种基于聚类分析的无人机跳频信号检测及识别方法 |
CN110334591B (zh) * | 2019-05-24 | 2022-07-15 | 西华大学 | 一种基于聚类分析的无人机跳频信号检测及识别方法 |
CN110751087A (zh) * | 2019-10-17 | 2020-02-04 | 湖南波尔坤雷信息科技有限公司 | 一种基于eof的无人机信号识别系统和方法 |
CN110751087B (zh) * | 2019-10-17 | 2020-09-22 | 湖南波尔坤雷信息科技有限公司 | 一种基于eof的无人机信号识别系统和方法 |
CN110868734A (zh) * | 2019-12-03 | 2020-03-06 | 长江师范学院 | 一种基于频谱数据分析的无人机集群动态拓扑挖掘方法 |
CN110868734B (zh) * | 2019-12-03 | 2022-11-01 | 长江师范学院 | 一种基于频谱数据分析的无人机集群动态拓扑挖掘方法 |
CN111046025A (zh) * | 2019-12-18 | 2020-04-21 | 任子行网络技术股份有限公司 | 无人机信号探测方法及装置 |
CN111046025B (zh) * | 2019-12-18 | 2023-09-19 | 任子行网络技术股份有限公司 | 无人机信号探测方法及装置 |
CN111428631A (zh) * | 2020-03-23 | 2020-07-17 | 中南大学 | 无人机飞控信号可视化识别分选方法 |
CN111428631B (zh) * | 2020-03-23 | 2023-05-05 | 中南大学 | 无人机飞控信号可视化识别分选方法 |
CN111510255B (zh) * | 2020-04-17 | 2022-08-12 | 成都华日通讯技术股份有限公司 | 基于宽带频谱数据的跳频信号盲检测及参数估计方法 |
CN111510255A (zh) * | 2020-04-17 | 2020-08-07 | 成都华日通讯技术股份有限公司 | 基于宽带频谱数据的跳频信号盲检测及参数估计方法 |
CN113259029A (zh) * | 2021-05-04 | 2021-08-13 | 中国人民解放军32802部队 | 一种适用于无人机信号的实时自动检测识别方法 |
CN113259029B (zh) * | 2021-05-04 | 2022-03-22 | 中国人民解放军32802部队 | 一种适用于无人机信号的实时自动检测识别方法 |
CN115642982A (zh) * | 2022-12-26 | 2023-01-24 | 理工全盛(北京)科技有限公司 | 无人机侦测干扰方法、系统及设备 |
CN115642982B (zh) * | 2022-12-26 | 2023-03-21 | 理工全盛(北京)科技有限公司 | 无人机侦测干扰方法、系统及设备 |
Also Published As
Publication number | Publication date |
---|---|
CN107911183B (zh) | 2020-11-06 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107911183A (zh) | 一种基于实时信号特征分析的无人机识别方法及系统 | |
CN103812577B (zh) | 非正常无线电信号的自动识别系统及其方法 | |
CN108957399B (zh) | 一种利用lte信号信道状态信息实现运动检测的方法 | |
EP3342101A1 (en) | System and method for a multi view learning approach to anomaly detection and root cause analysis | |
EP2785095A1 (en) | Site selection method and device and grid selection method and device | |
CN102883262A (zh) | 一种基于指纹匹配的Wi-Fi室内定位方法 | |
Zheleva et al. | Txminer: Identifying transmitters in real-world spectrum measurements | |
CN109472788B (zh) | 一种飞机铆钉表面的伤痕检测方法 | |
CN105812618B (zh) | 一种运动检测方法及运动检测装置 | |
CN106936517A (zh) | 一种异常无线电信号的自动识别系统及其方法 | |
US9450688B1 (en) | Autonomous spectral harvesting system | |
CN111148142A (zh) | 移动通信网络中基于异常检测和集成学习的休眠小区检测方法 | |
CN108494511A (zh) | 一种基于绝对值累积的动态到达频谱感知方法 | |
KR102335765B1 (ko) | 전파 측정에 기반하여 무인 항공기를 탐지하기 위한 방법 및 장치 | |
CN109752600B (zh) | 基于软件定义无线电技术的异常电磁信号分析系统及方法 | |
CN108631893A (zh) | 一种gmsk信道干扰检测方法 | |
CN111753803B (zh) | 基于模糊聚类和高阶累积量的无人机图传信号识别方法 | |
Sharma et al. | Optimised CNN for human counting using spectrograms of probabilistic WiFi CSI | |
CN113191224A (zh) | 一种无人机信号提取和识别方法、系统 | |
CN112929141A (zh) | 一种基于图传信号匹配的无人机检测识别方法和系统 | |
CN109347580B (zh) | 一种已知占空比的自适应门限信号检测方法 | |
Makled et al. | Detection and identification of mobile network signals | |
CN108270495B (zh) | 一种背景噪声的提取方法及提取系统 | |
CN108134703B (zh) | 网络小区隐患故障预测分析方法及装置 | |
Kundargi et al. | Sequential pilot sensing of ATSC signals in IEEE 802.22 cognitive radio networks |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |