CN108197581A - 一种基于改进AC-WGANs的无人机信号识别检测算法 - Google Patents

一种基于改进AC-WGANs的无人机信号识别检测算法 Download PDF

Info

Publication number
CN108197581A
CN108197581A CN201810022820.9A CN201810022820A CN108197581A CN 108197581 A CN108197581 A CN 108197581A CN 201810022820 A CN201810022820 A CN 201810022820A CN 108197581 A CN108197581 A CN 108197581A
Authority
CN
China
Prior art keywords
signal
wgans
unmanned plane
training
model
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
Application number
CN201810022820.9A
Other languages
English (en)
Other versions
CN108197581B (zh
Inventor
赵彩丹
陈彩云
黄联芬
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Xiamen University
Original Assignee
Xiamen University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Xiamen University filed Critical Xiamen University
Priority to CN201810022820.9A priority Critical patent/CN108197581B/zh
Publication of CN108197581A publication Critical patent/CN108197581A/zh
Application granted granted Critical
Publication of CN108197581B publication Critical patent/CN108197581B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/02—Preprocessing
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
    • G06F18/2135—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on approximation criteria, e.g. principal component analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/08—Feature extraction
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/12—Classification; Matching

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Data Mining & Analysis (AREA)
  • Artificial Intelligence (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Signal Processing (AREA)
  • Mobile Radio Communication Systems (AREA)
  • Radar Systems Or Details Thereof (AREA)

Abstract

一种基于改进AC‑WGANs的无人机信号识别检测算法，包括以下步骤：S1、采集无人机的无线信号物理层前导码的射频信号，进行起点检测、带通滤波后提取该射频信号的包络信号；S2、将预处理后得到的包络信号基于改进分段PCA数据降维算法进行降维，降维后的信号分成测试信号和训练信号；S3、采用AC‑WGANs识别检测算法并结合训练信号训练生成模型和判别模型，并根据判别模型对测试信号进行识别；S4、根据识别结果，改进AC‑WGANs识别检测算法。本发明采用改进分段PCA数据降维的方法对无线信号进行降维，较好的保留了相应信息的同时，降低了算法的空间复杂度。

Description

一种基于改进AC-WGANs的无人机信号识别检测算法
技术领域
本发明涉及通信技术领域，特别涉及到IEEE 802.11b及IEEE 802.11n无线通信协议的前导码相关的调制、解调方式，具体涉及基于改进AC-WGANs的无人机信号识别检测算法。
背景技术
随着科学技术的发展，无人驾驶飞机系统(UAVs)在智慧城市中发挥着越来越重要的作用，例如可以在快递行业中运输货物和商品，可以为宽带无线接入提供移动热点，并保持监视和安全等。然而也可能被不法机构用来攻击基础设施，侵犯个人隐私，对公众进行物理和网路攻击。因此，探测、跟踪、监督和识别检测非法无人机对公共安全至关重要。
现有的无人机发现技术包括有基于雷达检测的发现跟踪技术，包括mmWave雷达、UWB雷达、NLOS雷达及其他雷达技术；基于射线追踪技术；基于无人机的射频信号识别；基于声学传感器检测技术；基于计算机视觉识别技术；还有红外摄像机、热成像摄像机、陀螺稳定向器等设备都可用来检测识别无人机。但是目前基于无人机物理前导码的射频信号波形特征信息的区别来识别无人机信号的技术还相对较少。
发明内容
本发明的主要目的在于克服现有技术中的上述缺陷，提出一种基于改进AC-WGANs的无人机信号识别检测算法。
本发明采用如下技术方案：
一种基于改进AC-WGANs的无人机信号识别检测算法，其特征在于：包括以下步骤：
S1、采集无人机的无线信号物理层前导码的射频信号，进行起点检测、带通滤波后提取该射频信号的包络信号；
S2、将预处理后得到的包络信号基于改进分段PCA数据降维算法进行降维，降维后的信号分成测试信号和训练信号；
S3、采用AC-WGANs识别检测算法并结合训练信号训练生成模型和判别模型，并根据判别模型对测试信号进行识别；
S4、根据识别结果，改进AC-WGANs识别检测算法。
步骤S2中的所述改进分段PCA数据降维算法具体为：
S21、将所述每个包络信号分为N段，并作为一组输入数据；
S22、将分段的包络信号求均值，然后对于所有输入数据都减去对应的均值；
S23、求出经步骤S22处理得到的输入数据的特征协方差矩阵，并进一步求特征协方差矩阵的特征值和特征向量；
S24将特征值按照从大到小的顺序排序，选择其中较大的k个，k为要降的最终维数，然后将其对应的k个特征向量分别作为列向量组成特征向量矩阵；
S25、将步骤S21的输入数据的样本点投影到选取的特征向量矩阵上，求出降维后的k个数据点；
S26、将一组输入数据的所有分段的包络信号降维后的k个数据点整合为N*k个数据点作为一个信号，并将所有包络信号降维后分为所述训练信号和所述测试信号。
所述步骤S3中的AC-WGANs识别检测算法具体为：
S31、将所述训练信号输入所述生成模型和所述判别模型进行训练，并每隔若干次训练后将所述测试信号输入所述判别模型进行识别率检测，寻找合适的训练次数；
S32、将所述测试信号输入所述判别模型中，并人为加入相应噪声，根据识别率判断所述判别模型的识别效果。
步骤S4中，所述改进AC-WGANs算法的具体步骤为：
S41、根据AC-WGANs的损失函数的特点，生成模型和判别模型的loss不取log；
S42、优化算法采用RMSProp算法；
S43、用所述训练信号训练新的所述生成模型和所述判别模型，并用所述测试信号测试新的所述判别模型的识别效果。
由上述对本发明的描述可知，与现有技术相比，本发明具有如下有益效果：
1、本发明采用改进分段PCA数据降维的方法对无线信号进行降维，较好的保留了相应信息的同时，降低了算法的空间复杂度。
2、本发明提出了基于AC-WGANs模型的信号识别检测算法，能够较好的训练出生成模型和判别模型，从而提高无人机信号的识别率。
3、本发明根据AC-WGANs模型loss(损失)函数的实际特点，对应改进了AC-WGANs的模型，使得模型更加适用于无线信号的识别，使得模型能有效适用于加噪的无线信号识别中。
4、本发明的实测的识别结果表明，采用改进AC-WGANs的无线识别检测算法，对原始信号的识别率高达98％，对加噪后信噪比SNR为5dB的情况下，模型对无线信号也具有较好的识别率，达80％以上。
附图说明
图1为改进AC-WGANs的无人机信号识别检测算法总流程图；
图2为无人机前导码原始信号和无人机前导码提取的包络对比图；
图3为无线信号降维前后对比示意图；
图4为AC-WGANs和改进AC-WGANs算法loss(损失)函数示意图；
图5为AC-WGANs和改进AC-WGANs算法不同信噪比识别率示意图；
图6为改进AC-WGANs的算法流程图。
具体实施方式
以下通过具体实施方式对本发明作进一步的描述。
多种无线信号共享2.4GHz频段，包括各类无人机及IEEE 802.11b和IEEE802.11n等信号。我们通过对比在2.4GHz频段的不同无人机信号的差别，对无人机的无线信号进行分类识别。
图1为本发明总流程图，本发明基于改进AC-WGANs的无人机信号识别检测算法，通过无线信号物理层前导码射频信号模型的不同识别检测无线信号，本算法能够有效识别出不同的无线信号，达到识别无人机信号的目的。
本发明的基于改进AC-WGANs的无人机信号识别检测算法，主要包含以下三个步骤：
S1、首先，利用接收天线、示波器等设备采集无线信号(包括无人机)物理层前导码的射频信号特征波形，进行起点检测、提取无线信号前导码射频信号的包络信号。
图2为无人机前导码原始信号图和提取的包络信号图。
S2、其次，采用基于改进分段PCA数据降维算法对经过步骤S1预处理后得到包络信号进行降维。
基于改进分段PCA数据降维算法过程如下：
S21、将包络信号分为N段，并作为输入数据。
S22、将分段的包络信号求均值，然后将输入数据都减去对应的均值。
S23、求出经步骤S22处理得到的输入数据的特征协方差矩阵，并进一步求协方差的特征值和特征向量；
S24、将特征值按照从大到小的顺序排序，选择其中较大的k(要降的最终维数)个，然后将其对应的k个特征向量分别作为列向量组成特征向量矩阵；
S25将输入数据的样本点投影到选取的特征向量矩阵上，求出降维后的K个数据点。降维后的数据量由原来的40000个数据点降到了400个数据点，降低了训练识别模型的空间复杂度。
S26将一组输入数据的所有分段的包络信号降维后的k个数据点整合为N*k个数据点作为一个信号，并将所有包络信号降维后为所述训练信号和所述测试信号。
图3为无线信号降维前后对比示意图，x轴为数据点数，y轴为幅度变化。其中左图为原始信号有40000个数据点，右图为降维后的信号有400个数据点，虽然图片差别较大，但是经验证可得能较好的还原图片，图片信息保留较好。
S3、再次，将降维后的数据输入AC-WGANs模型进行训练和识别检测，即采用AC-WGANs识别检测算法并结合训练信号训练生成模型和判别模型，并根据判别模型对测试信号进行识别。
其中，基于AC-WGANs模型的识别检测算法过程如下：
S31、提取5种不同无人机的信号，并将训练信号输入生成模型(G模型)和判别模型(D模型)进行训练，并阶段性进行识别率检测，即并每隔若干次训练后将所述测试信号输入所述判别模型进行识别率检测，寻找合适的训练次数，避免欠拟合或者过拟合；
S32、将5种不同无人机的测试信号输入判别模型中，并人为加入相应噪声，信噪比(SNR)分别为5dB、10dB、15dB、20dB、25dB、30dB、35dB，根据不同信噪比的识别率判断判别模型的识别效果。
S4、最后，根据实际的识别效果，改进AC-WGANs算法模型，进一步提高模型的识别效果。
其中，改进AC-WGANs算法模型是基于原有AC-WGANs算法模型之上的。
具体改进AC-WGANs模型的识别检测算法过程如下：
S41、根据AC-WGANs的损失函数(loss函数)的特点，改进相应模型，生成模型和判别模型的loss不取log；
S42、不使用基于动量的优化算法，将基于Adam的优化算法改成了RMSProp算法；
S43、用训练信号训练新的生成模型和判别模型，用测试信号测试新模型的识别效果。
图4为AC-WGANs和改进AC-WGANs算法loss(损失)函数示意图，G_loss为生成模型的损失函数，D_loss为判别模型的损失函数。上图为原始AC-WGANs的loss(损失)函数示意图，下图为改进AC-WGANs的loss(损失)函数示意图，根据两图对比可以得到改进AC-WGANs的loss(损失)函数更稳定并且收敛。
图5为AC-WGANs和改进AC-WGANs算法不同信噪比识别率示意图，上图为原始AC-WGANs 5种不同无人机信号在不同信噪比下识别率的示意图，下图为改进AC-WGANs的识别率，根据两图对比可以得到改进AC-WGANs可以有效提高无线信号的识别率，在信噪比(SNR)为5dB的情况下识别率仍然能够达到80％以上；
图6为改进AC-WGANs的无线信号前导码射频信号识别检测算法具体流程图。
本发明提出的基于改进AC-WGANs的无人机信号识别检测算法，实测的识别结果表明，采用合适的AC-WGANs模型的识别率可达到95％以上；而采用改进AC-WGANs算法后，无人机信号在信噪比(SNR)为5dB的情况下识别率可达到80％以上。
上述仅为本发明的具体实施方式，但本发明的设计构思并不局限于此，凡利用此构思对本发明进行非实质性的改动，均应属于侵犯本发明保护范围的行为。

Claims (4)

1.一种基于改进AC-WGANs的无人机信号识别检测算法，其特征在于：包括以下步骤：
S1、采集无人机的无线信号物理层前导码的射频信号，进行起点检测、带通滤波后提取该射频信号的包络信号；
S2、将预处理后得到的包络信号基于改进分段PCA数据降维算法进行降维，降维后的信号分成测试信号和训练信号；
S3、采用AC-WGANs识别检测算法并结合训练信号训练生成模型和判别模型，并根据判别模型对测试信号进行识别；
S4、根据识别结果，改进AC-WGANs识别检测算法。
2.如权利要求1所述的基于改进AC-WGANs的无人机信号识别检测算法，其特征在于：步骤S2中的所述改进分段PCA数据降维算法具体为：
S21、将所述每个包络信号分为N段，并作为一组输入数据；
S22、将分段的包络信号求均值，然后对于所有输入数据都减去对应的均值；
S23、求出经步骤S22处理得到的输入数据的特征协方差矩阵，并进一步求特征协方差矩阵的特征值和特征向量；
S24将特征值按照从大到小的顺序排序，选择其中较大的k个，k为要降的最终维数，然后将其对应的k个特征向量分别作为列向量组成特征向量矩阵；
S25、将步骤S21的输入数据的样本点投影到选取的特征向量矩阵上，求出降维后的k个数据点；
S26、将一组输入数据的所有分段的包络信号降维后的k个数据点整合为N*k个数据点作为一个信号，并将所有包络信号降维后分为所述训练信号和所述测试信号。
3.如权利要求1所述的基于改进AC-WGANs的无人机信号识别检测算法，其特征在于：所述步骤S3中的AC-WGANs识别检测算法具体为：
S31、将所述训练信号输入所述生成模型和所述判别模型进行训练，并每隔若干次训练后将所述测试信号输入所述判别模型进行识别率检测，寻找合适的训练次数；
S32、将所述测试信号输入所述判别模型中，并人为加入相应噪声，根据识别率判断所述判别模型的识别效果。
4.如权利要求1所述的一种基于改进AC-WGANs的无人机信号识别检测算法，其特征在于：步骤S4中，所述改进AC-WGANs算法的具体步骤为：
S41、根据AC-WGANs的损失函数的特点，生成模型和判别模型的loss不取log；
S42、优化算法采用RMSProp算法；
S43、用所述训练信号训练新的所述生成模型和所述判别模型，并用所述测试信号测试新的所述判别模型的识别效果。
CN201810022820.9A 2018-01-10 2018-01-10 一种基于改进AC-WGANs的无人机信号识别检测方法 Active CN108197581B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810022820.9A CN108197581B (zh) 2018-01-10 2018-01-10 一种基于改进AC-WGANs的无人机信号识别检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810022820.9A CN108197581B (zh) 2018-01-10 2018-01-10 一种基于改进AC-WGANs的无人机信号识别检测方法

Publications (2)

Publication Number Publication Date
CN108197581A true CN108197581A (zh) 2018-06-22
CN108197581B CN108197581B (zh) 2020-04-21

Family

ID=62588588

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810022820.9A Active CN108197581B (zh) 2018-01-10 2018-01-10 一种基于改进AC-WGANs的无人机信号识别检测方法

Country Status (1)

Country Link
CN (1) CN108197581B (zh)

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109061632A (zh) * 2018-08-20 2018-12-21 无锡若飞科技有限公司 一种无人机识别方法
CN109255313A (zh) * 2018-08-30 2019-01-22 中国科学院国家授时中心 一种提升信号识别正确率的方法
CN111007871A (zh) * 2019-11-29 2020-04-14 厦门大学 无人机动态特征识别方法、介质、设备及装置
CN111652183A (zh) * 2020-06-19 2020-09-11 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
CN112329579A (zh) * 2020-10-28 2021-02-05 厦门大学 基于acgan-gp的小样本无线设备rf指纹识别方法及装置

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20050227663A1 (en) * 2002-05-27 2005-10-13 Shousheng He Colored interference indentification
CN106452716A (zh) * 2016-11-15 2017-02-22 厦门大学 基于Hash指纹的无人机信号识别检测算法

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20050227663A1 (en) * 2002-05-27 2005-10-13 Shousheng He Colored interference indentification
CN106452716A (zh) * 2016-11-15 2017-02-22 厦门大学 基于Hash指纹的无人机信号识别检测算法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
MARTIN ARJOVSKY 等: ""TOWARDS PRINCIPLED METHODS FOR TRAINING"", 《UNDER REVIEW AS A CONFERENCE PAPER AT ICLR 2017》 *
MARTIN ARJOVSKY 等: ""Wasserstein GAN"", 《HTTPS://WWW.RESEARCHGATE.NET/PUBLICATION/313044478》 *

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109061632A (zh) * 2018-08-20 2018-12-21 无锡若飞科技有限公司 一种无人机识别方法
CN109255313A (zh) * 2018-08-30 2019-01-22 中国科学院国家授时中心 一种提升信号识别正确率的方法
CN111007871A (zh) * 2019-11-29 2020-04-14 厦门大学 无人机动态特征识别方法、介质、设备及装置
CN111007871B (zh) * 2019-11-29 2022-04-29 厦门大学 无人机动态特征识别方法、介质、设备及装置
CN111652183A (zh) * 2020-06-19 2020-09-11 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
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
CN112329579A (zh) * 2020-10-28 2021-02-05 厦门大学 基于acgan-gp的小样本无线设备rf指纹识别方法及装置

Also Published As

Publication number Publication date
CN108197581B (zh) 2020-04-21

Similar Documents

Publication Publication Date Title
CN108197581A (zh) 一种基于改进AC-WGANs的无人机信号识别检测算法
CN110334741B (zh) 基于循环神经网络的雷达一维距离像识别方法
CN111163472B (zh) 一种基于生成式对抗网络的信号识别攻击的防御方法
CN106407905A (zh) 基于机器学习的无线感知动作识别方法
CN109031287A (zh) 基于Faster-RCNN网络的穿墙超宽带雷达人体呼吸信号检测方法
CN112887902B (zh) 一种基于高斯聚类与混合度量的WiFi指纹的室内定位方法
CN110062379B (zh) 一种人体行为场景下基于信道状态信息的身份认证方法
CN104408482A (zh) 一种高分辨率sar图像目标检测方法
CN108924756A (zh) 基于WiFi双频带的室内定位方法
CN109613485A (zh) 一种基于支持向量聚类和灰关联度的雷达信号分选方法
CN106127228A (zh) 一种基于决策模板分类器融合的遥感图像船舶检测候选区鉴别方法
CN108805028A (zh) 基于电磁强散射点的sar图像地面目标检测与定位方法
CN111832462A (zh) 一种基于深度神经网络的跳频信号检测与参数估计方法
CN110072186A (zh) 基于属性独立的加权朴素贝叶斯室内定位方法
CN109001702B (zh) 无载波超宽带雷达人体动作识别方法
CN105205807A (zh) 基于稀疏自动编码机的遥感图像变化检测方法
CN110764152A (zh) 一种无人机快速检测与识别的装置及方法
CN112213697B (zh) 一种基于贝叶斯决策理论用于雷达欺骗干扰识别的特征融合方法
Li et al. Multi-scale ships detection in high-resolution remote sensing image via saliency-based region convolutional neural network
Li et al. Recovery of collided RFID tags with frequency drift on physical layer
CN104239895A (zh) 基于特征降维的sar目标鉴别方法
CN111669702A (zh) 基于wifi地址与场强的粗精匹配定位方法
CN109271902A (zh) 复杂背景下基于时域经验模态分解的红外弱小目标检测方法
CN114710215A (zh) 一种跳频信号快速盲检测的方法
Zhao et al. A hierarchical framework for drone identification based on radio frequency machine learning

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