CN108055094B - 一种无人机操作手频谱特征识别与定位方法 - Google Patents
一种无人机操作手频谱特征识别与定位方法 Download PDFInfo
- Publication number
- CN108055094B CN108055094B CN201711432604.3A CN201711432604A CN108055094B CN 108055094 B CN108055094 B CN 108055094B CN 201711432604 A CN201711432604 A CN 201711432604A CN 108055094 B CN108055094 B CN 108055094B
- Authority
- CN
- China
- Prior art keywords
- signal
- unmanned aerial
- aerial vehicle
- remote control
- information
- 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.)
- Active
Links
Images
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04B—TRANSMISSION
- H04B17/00—Monitoring; Testing
- H04B17/30—Monitoring; Testing of propagation channels
-
- 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
- H04B17/345—Interference values
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L27/00—Modulated-carrier systems
- H04L27/0012—Modulated-carrier systems arrangements for identifying the type of modulation
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Physics & Mathematics (AREA)
- Electromagnetism (AREA)
- Quality & Reliability (AREA)
- Feedback Control In General (AREA)
- Selective Calling Equipment (AREA)
Abstract
本发明公开了一种无人机操作手频谱特征识别与定位方法,所述方法包括如下步骤:S1:获取遥控信号;S2:根据遥控信号进行信号类别识别,获得信号类别信息;通过多套测向系统对遥控信号进行测定,获得定位信息,并根据多套测向系统的定位信息计算操作手的位置信息;S3:输出显示位置信息。通过本发明,可以提取无人机遥控手柄信号并自动完成信号追踪与定位,极大地方便了对于无人机的管控,克服了传统无人机管控上对操作人员的严重依赖型与信号的滞后性,并支持无人机遥控信号训练与自学习能力,支持新的遥控信号识别能力。
Description
技术领域
本发明涉及通信领域,特别涉及一种无人机操作手频谱特征识别与定位方法。
背景技术
近年来民用无人机是用来航拍农林气象等领域得到了越来越广范的应用,但是随之也产生了一系列安全管控问题,无人机未经许可闯入到公共及敏感区域,意外坠落影响客机正常起降,碰撞高层建筑等事件不断地发生。
因此,无人机的飞行安全管控与行业发展的矛盾日益凸显,无人机运行安全和监控成为公众关注的焦点。面对无人机数量的爆发式增长,建立系统的监管体系刻不容缓。
因此,对于特定区域出现的无人机,及时溯源是非常重要的,有助于对“黑飞”的管控。
但是,在现有技术中,“溯源”的精度往往非常低。因此,导致现有技术中,最常见的办法只能是干扰无人机。但是,干扰无人机始终没有办法对操作者进行管控。
发明内容
本发明的目的在于克服现有技术的不足,提供一种无人机操作手频谱特征识别与定位方法,所述方法包括如下步骤:
S1:获取遥控信号;
S2:根据遥控信号进行信号类别识别,获得信号类别信息;通过多套测向系统对遥控信号进行测定,获得定位信息,并根据多套测向系统的定位信息计算操作手的位置信息;
S3:输出显示位置信息。
优选的,所述步骤S2中进行信号类别识别的具体方法为:
S211:信号捕捉与信号特征提取:对遥控信号进行FFT运算、信号检测、信号特征识别;遥控信号经过加窗、FFT运算得到监视频谱,然后通过信号检测提取检测信号的基本参数,再进行信号特征识别进行信号细微参数的提取;
其中,基本参数包括:频率、带宽、信号出现时间、调制方式、符号率、信噪比;信号细微参数包括:码元速率、编码方式、信号瞬时包络、瞬时相位、高阶谱;
S212:根据预设的数据库模型,以及当前遥控信号对应的基本参数和/或信号细微参数,确定当前遥控信号的类别;
所述数据库模型,输入信号为基本参数和/或信号细微参数,输出信号为信号类别。
优选的,所述步骤S212之后还包含:
S213:将当前遥控信息的基本参数和/或信号细微参数、信号类别添加至数据库模型。
优选的,所述数据库模型的构建方法为,通过对信号特征的分层提取,构建信号模型系统L,信号模型系统L逻辑上分为:频谱形态层、信号特征层、通联关系层、传输行为层,具体构建方法为:
S221:载入训练信号样本x;
S222:在频谱形态层捕获信号在频谱图上的形态特性,所述形态特性包含上升沿、下降沿、信号平坦度;
S223:在信号特征层捕获信号的信号特性,所述信号特性包含:频率、带宽、调制模式、符号率、突发时长、码元速率、编码方式;
S224:在传输行为层捕获信号的行为特性,所述行为特性包含:信号通路建立方式、通联时间特性、传输间隔时长;
S225:将信号通过S222-S224得到的特性参数与训练样本的类别进行比较,优化系统L中各层模型的加权参数;
S226:采用梯度下降算法,输入多次训练样本,循环S221-S225,对构建的模型进行多次优化;
S227:将训练学习得到的模型存入数据库,得到数据库模型,以便无人机操作手频谱信号的识别与归类。
优选的,所述步骤S2中,根据多套测向系统的定位信息计算操作手的位置信息的具体方法为:
S231:分别利用各测向系统单独确定操作手相对于正北方向的夹角;
S232:对多套测向系统进行排列组合,各测向两两组合,计算出目标的经度与纬度信息;
S233:根据两两组合得到的目标的经度与纬度信息,估算出目标信号的最可信位置。
优选的,所述步骤S232中,根据两两组合得到的目标的经度与纬度信息,估算出目标信号的最可信位置的具体方法为:对两两组合得到的目标的经度与纬度信息进行概率模糊运算,选取最佳的位置为最终的目标位置。
优选的,所述概率模糊计算,为线性加权计算,各加权系数之和为1。
优选的,所述多套测向系统为3套测向系统。
优选的,在所述步骤S3中,还会显示信号类别信息。
优选的,在所述步骤S3中,还包含干扰步骤,所述干扰步骤为:
调节干扰设备向操作手的位置处发射干扰信号,所述干扰设备包含多个不同功率的功放,各个功放均对应设置有天线,所述干扰设备包含转台和机箱,所述机箱设置在所述转台上,所述功放、天线设置于机箱内,所述机箱内还包含控制板;所述控制板用于获取干扰设备与操作手之间的距离,并据此选用不同概率的功放。
本发明的有效效果是:本发明提供了一种无人机操作手频谱特征识别和定位技术,通过信号捕捉与信号特征提取,信号样本训练与自我学习,信号发射源设备归类,无人机操作手方位定位,克服了传统无人机遥控信号捕获中对背景数据库的依赖,克服了仅能捕获已知信号而对未知未注册无人机遥控信号不能捕捉的尴尬,提高了信号捕获的准确性与稳定性。
附图说明
图1为本发明的原理图;
图2为交汇定位运算原理图;
图3为三测向系统定位运算原理图。
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,但本发明的保护范围不局限于以下所述。
如图1所示,一种无人机操作手频谱特征识别与定位方法,所述方法包括如下步骤:
S1:获取遥控信号;
S2:根据遥控信号进行信号类别识别,获得信号类别信息;通过多套测向系统对遥控信号进行测定,获得定位信息,并根据多套测向系统的定位信息计算操作手的位置信息;
S3:输出显示位置信息。
优选的,所述步骤S2中进行信号类别识别的具体方法为:
S211:信号捕捉与信号特征提取:对遥控信号进行FFT运算、信号检测、信号特征识别;遥控信号经过加窗、FFT运算得到监视频谱,然后通过信号检测提取检测信号的基本参数,再进行信号特征识别进行信号细微参数的提取;
其中,基本参数包括:频率、带宽、信号出现时间、调制方式、符号率、信噪比;
优选的,基本参数还可以涉及:突发次数、突发时长、调速;
信号细微参数包括:码元速率、编码方式、信号瞬时包络、瞬时相位、高阶谱;
S212:根据预设的数据库模型,以及当前遥控信号对应的基本参数和/或信号细微参数,确定当前遥控信号的类别;
所述数据库模型,输入信号为基本参数和/或信号细微参数,输出信号为信号类别。
优选的,所述步骤S212之后还包含:
S213:将当前遥控信息的基本参数和/或信号细微参数、信号类别添加至数据库模型。
优选的,所述数据库模型的构建方法为,通过对信号特征的分层提取,构建信号模型系统L,信号模型系统L逻辑上分为:频谱形态层、信号特征层、通联关系层、传输行为层,具体构建方法为:
S221:载入训练信号样本x;
S222:在频谱形态层捕获信号在频谱图上的形态特性,所述形态特性包含上升沿、下降沿、信号平坦度;
S223:在信号特征层捕获信号的信号特性,所述信号特性包含:频率、带宽、调制模式、符号率、突发时长、码元速率、编码方式;
S224:在传输行为层捕获信号的行为特性,所述行为特性包含:信号通路建立方式、通联时间特性、传输间隔时长;
S225:将信号通过S222-S224得到的特性参数与训练样本的类别进行比较,优化系统L中各层模型的加权参数;
S226:采用梯度下降算法,输入多次训练样本,循环S221-S225,对构建的模型进行多次优化;
S227:将训练学习得到的模型存入数据库,得到数据库模型,以便无人机操作手频谱信号的识别与归类。
优选的,所述步骤S2中,根据多套测向系统的定位信息计算操作手的位置信息的具体方法为:
S231:分别利用各测向系统单独确定操作手相对于正北方向的夹角;
S232:对多套测向系统进行排列组合,各测向两两组合,计算出目标的经度与纬度信息;
S233:根据两两组合得到的目标的经度与纬度信息,估算出目标信号的最可信位置。
如图2所示,优选的,所述步骤S232中,根据两两组合得到的目标的经度与纬度信息,估算出目标信号的最可信位置的具体方法为:对两两组合得到的目标的经度与纬度信息进行概率模糊运算,选取最佳的位置为最终的目标位置。
优选的,所述概率模糊计算,为线性加权计算,各加权系数之和为1。
优选的,所述概率模糊计算,也可以根据情形进行自适应配置。
优选的,预先建立各加权系数与夹角最大值、夹角最小值、测向系统数量之间的数学模型,根据实际夹角、测向系统数量,确定出各加权系数。
优选的,所述多套测向系统为3套测向系统。
如图3所示,若选择设立三套测向系统,则A,B,C代表三个测向监测站;O代表待测定的目标,其相对于三个测向方位的夹角(相对正北)分别为图中所示的θ1,θ2,θ3。依据几何原理有:
其中x为目标经度,y为目标纬度;xa,xb,xc为A、B、C三套测向系统部署位置的经度;ya,yb,yc为A、B、C三套测向系统部署位置的纬度;对三个角度公式两两运算得到目标的经度与纬度信息的三组结果,再对其三组进行概率加权运算得到目标信号的最可信位置。
优选的,在所述步骤S3中,还会显示信号类别信息。
优选的,在所述步骤S3中,还包含干扰步骤,所述干扰步骤为:
调节干扰设备向操作手的位置处发射干扰信号,所述干扰设备包含多个不同功率的功放,各个功放均对应设置有天线,所述干扰设备包含转台和机箱,所述机箱设置在所述转台上,所述功放、天线设置于机箱内,所述机箱内还包含控制板;所述控制板用于获取干扰设备与操作手之间的距离,并据此选用不同概率的功放。
需要说明的是,对于前述的各个方法实施例,为了简单描述,故将其都表述为一系列的动作组合,但是本领域技术人员应该知悉,本申请并不受所描述的动作顺序的限制,因为依据本申请,某一些步骤可以采用其他顺序或者同时进行。其次,本领域技术人员也应该知悉,说明书中所描述的实施例均属于优选实施例,所涉及的动作和单元并不一定是本申请所必须的。
在上述实施例中,对各个实施例的描述都各有侧重,某个实施例中没有详细描述的部分,可以参见其他实施例的相关描述。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,所述的程序可存储于计算机可读取存储介质中,该程序在执行时,可包括如上述各方法的实施例的流程。其中,所述的存储介质可为磁碟、光盘、ROM、RAM等。
以上所揭露的仅为本发明较佳实施例而已,当然不能以此来限定本发明之权利范围,因此依本发明权利要求所作的等同变化,仍属本发明所涵盖的范围。
Claims (7)
1.一种无人机操作手频谱特征识别与定位方法,其特征在于,所述方法包括如下步骤:
S1:获取遥控信号;
S2:根据遥控信号进行信号类别识别,获得信号类别信息;通过多套测向系统对遥控信号进行测定,获得定位信息,并根据多套测向系统的定位信息计算操作手的位置信息;
步骤S2中进行信号类别识别的具体方法为:
S211:信号捕捉与信号特征提取:对遥控信号进行FFT运算、信号检测、信号特征识别;遥控信号经过加窗、FFT运算得到监视频谱,然后通过信号检测提取检测信号的基本参数,再进行信号特征识别进行信号细微参数的提取;
其中,基本参数包括:频率、带宽、信号出现时间、调制方式、符号率、信噪比;信号细微参数包括:码元速率、编码方式、信号瞬时包络、瞬时相位、高阶谱;
S212:根据预设的数据库模型,以及当前遥控信号对应的基本参数和/或信号细微参数,确定当前遥控信号的类别;
所述数据库模型,输入信号为基本参数和/或信号细微参数,输出信号为信号类别;
所述步骤S212之后还包含:
S213:将当前遥控信息的基本参数和/或信号细微参数、信号类别添加至数据库模型;
所述数据库模型的构建方法为,通过对信号特征的分层提取,构建信号模型系统L,信号模型系统L逻辑上分为:频谱形态层、信号特征层、通联关系层、传输行为层,具体构建方法为:
S221:载入训练信号样本x;
S222:在频谱形态层捕获信号在频谱图上的形态特性,所述形态特性包含上升沿、下降沿、信号平坦度;
S223:在信号特征层捕获信号的信号特性,所述信号特性包含:频率、带宽、调制模式、符号率、突发时长、码元速率、编码方式;
S224:在传输行为层捕获信号的行为特性,所述行为特性包含:信号通路建立方式、通联时间特性、传输间隔时长;
S225:将信号通过S222-S224得到的特性参数与训练样本的类别进行比较,优化系统L中各层模型的加权参数;
S226:采用梯度下降算法,输入多次训练样本,循环S221-S225,对构建的模型进行多次优化;
S227:将训练学习得到的模型存入数据库,得到数据库模型,以便无人机操作手频谱信号的识别与归类;
S3:输出显示位置信息。
2.一种如权利要求1所述的无人机操作手频谱特征识别与定位方法,其特征在于,所述步骤S2中,根据多套测向系统的定位信息计算操作手的位置信息的具体方法为:
S231:分别利用各测向系统单独确定操作手相对于正北方向的夹角;
S232:对多套测向系统进行排列组合,各测向两两组合,计算出目标的经度与纬度信息;
S233:根据两两组合得到的目标的经度与纬度信息,估算出目标信号的最可信位置。
3.一种如权利要求2所述的无人机操作手频谱特征识别与定位方法,其特征在于,所述步骤S232中,根据两两组合得到的目标的经度与纬度信息,估算出目标信号的最可信位置的具体方法为:对两两组合得到的目标的经度与纬度信息进行概率模糊运算,选取最佳的位置为最终的目标位置。
4.一种如权利要求3所述的无人机操作手频谱特征识别与定位方法,其特征在于,所述概率模糊计算,为线性加权计算,各加权系数之和为1。
5.一种如权利要求4所述的无人机操作手频谱特征识别与定位方法,其特征在于,所述多套测向系统为3套测向系统。
6.一种如权利要求1所述的无人机操作手频谱特征识别与定位方法,其特征在于,在所述步骤S3中,还会显示信号类别信息。
7.一种如权利要求1所述的无人机操作手频谱特征识别与定位方法,其特征在于,在所述步骤S3中,还包含干扰步骤,所述干扰步骤为:
调节干扰设备向操作手的位置处发射干扰信号,所述干扰设备包含多个不同功率的功放,各个功放均对应设置有天线,所述干扰设备包含转台和机箱,所述机箱设置在所述转台上,所述功放、天线设置于机箱内,所述机箱内还包含控制板;所述控制板用于获取干扰设备与操作手之间的距离,并据此选用不同概率的功放。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711432604.3A CN108055094B (zh) | 2017-12-26 | 2017-12-26 | 一种无人机操作手频谱特征识别与定位方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711432604.3A CN108055094B (zh) | 2017-12-26 | 2017-12-26 | 一种无人机操作手频谱特征识别与定位方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108055094A CN108055094A (zh) | 2018-05-18 |
CN108055094B true CN108055094B (zh) | 2020-12-01 |
Family
ID=62127965
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201711432604.3A Active CN108055094B (zh) | 2017-12-26 | 2017-12-26 | 一种无人机操作手频谱特征识别与定位方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108055094B (zh) |
Families Citing this family (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108966272B (zh) * | 2018-07-27 | 2020-09-15 | 电子科技大学 | 基于累积功率信息的无线网络通联关系识别方法 |
CN109297497B (zh) * | 2018-10-09 | 2020-07-31 | 中国船舶重工集团公司第七0九研究所 | 对无人机操控者溯源的方法及系统 |
CN111200781B (zh) * | 2018-11-19 | 2021-09-14 | 林桦 | 基于计算机视觉及无线电测向定位的防拍照方法及系统 |
CN110658494B (zh) * | 2019-09-27 | 2021-10-01 | 理工全盛(北京)科技有限公司 | 被动式无人机定位方法及服务器 |
CN111222430A (zh) * | 2019-12-27 | 2020-06-02 | 湖南华诺星空电子技术有限公司 | 一种基于人工智能的无人机识别方法及系统 |
CN111428808A (zh) * | 2020-04-08 | 2020-07-17 | 成都爱科特科技发展有限公司 | 一种利用随机森林进行业务分类的方法 |
CN111652183B (zh) * | 2020-06-19 | 2022-03-29 | 桂林电子科技大学 | 基于图传信号多特征融合的无人机检测与识别方法 |
CN114550436A (zh) * | 2021-12-29 | 2022-05-27 | 西南技术物理研究所 | 一种基于车载系统的遥控信号交叉定位方法 |
CN115017165B (zh) * | 2022-08-04 | 2022-11-11 | 长沙市公安局 | 一种获取无人机密切关联人员身份信息的方法及系统 |
Family Cites Families (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104393939A (zh) * | 2014-11-27 | 2015-03-04 | 成都安达信诚科技有限公司 | 一种网格化无线电监测方法及系统 |
US9689976B2 (en) * | 2014-12-19 | 2017-06-27 | Xidrone Systems, Inc. | Deterent for unmanned aerial systems |
CN107251059A (zh) * | 2015-03-24 | 2017-10-13 | 赫尔实验室有限公司 | 用于深度学习的稀疏推理模块 |
CN105842683B (zh) * | 2016-05-27 | 2018-06-19 | 南京博驰光电科技有限公司 | 一种无人机综合防御系统及方法 |
CN106443649A (zh) * | 2016-08-31 | 2017-02-22 | 成都中星世通电子科技有限公司 | 单一测向站定位方法 |
CN106405484B (zh) * | 2016-08-31 | 2019-01-15 | 成都九华圆通科技发展有限公司 | 基于载人飞行器的多功能无线电监测测向系统 |
CN106371144B (zh) * | 2016-10-10 | 2018-12-21 | 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 |
CN106932753B (zh) * | 2017-03-14 | 2019-11-05 | 湖南猎航电子科技有限公司 | 反无人机被动探测和测向定位系统 |
CN107328306A (zh) * | 2017-06-21 | 2017-11-07 | 北京东远润兴科技有限公司 | 一种低慢小飞行设备反制装置及其方法 |
-
2017
- 2017-12-26 CN CN201711432604.3A patent/CN108055094B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN108055094A (zh) | 2018-05-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108055094B (zh) | 一种无人机操作手频谱特征识别与定位方法 | |
CN108388927B (zh) | 基于深度卷积孪生网络的小样本极化sar地物分类方法 | |
CN107862705B (zh) | 一种基于运动特征和深度学习特征的无人机小目标检测方法 | |
CN111709329B (zh) | 一种基于深度学习的无人机测控信号高速识别方法 | |
CN108280395B (zh) | 一种对低小慢无人机飞控信号的高效识别方法 | |
Ozturk et al. | RF-based low-SNR classification of UAVs using convolutional neural networks | |
CN107818330B (zh) | 使用具有广泛不同误差大小的数据进行空间滤波的系统和方法 | |
CN108875620B (zh) | 入侵植物的监测方法及系统 | |
CN111551959B (zh) | 飞机尾涡识别方法、装置、可读介质及电子设备 | |
US11915602B2 (en) | Drone detection, classification, tracking, and threat evaluation system employing field and remote identification (ID) information | |
CN111981910B (zh) | 一种基于人工智能的低空防御系统 | |
CN111291697A (zh) | 用于识别障碍物的方法和装置 | |
CN115761421A (zh) | 一种多源信息融合低慢小目标探测方法及无人空防系统 | |
CN110427878A (zh) | 一种快速射电暴信号识别方法与系统 | |
Ma et al. | Evaluating the performance of SVM in dust aerosol discrimination and testing its ability in an extended area | |
CN108711172A (zh) | 基于细粒度分类的无人机识别与定位方法 | |
CN106970349A (zh) | 一种基于改进的music算法的ads‑b信号波达方向估计方法 | |
CN111242028A (zh) | 基于U-Net的遥感图像地物分割方法 | |
Cheng et al. | Moving Target Detection Technology Based on UAV Vision | |
CN112101313B (zh) | 一种机房机器人巡检方法及系统 | |
CN105118333A (zh) | 一种基于多重回归模型的空中交通管制模拟仿真异常检测方法和装置 | |
CN109815773A (zh) | 一种基于视觉的低慢小航空器探测方法 | |
CN116543603A (zh) | 一种考虑空域态势和局部优化的航迹补全预测方法及装置 | |
CN111983332B (zh) | 基于无人机的电磁信号场型校验系统 | |
CN114580482A (zh) | 基于边缘计算节点与数据中心的无线电信号特征采集方法 |
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 |