CN108399391B - 一种基于信号带宽特征的无人机信号识别的方法及装置 - Google Patents
一种基于信号带宽特征的无人机信号识别的方法及装置 Download PDFInfo
- Publication number
- CN108399391B CN108399391B CN201810184508.XA CN201810184508A CN108399391B CN 108399391 B CN108399391 B CN 108399391B CN 201810184508 A CN201810184508 A CN 201810184508A CN 108399391 B CN108399391 B CN 108399391B
- Authority
- CN
- China
- Prior art keywords
- signal
- aerial vehicle
- unmanned aerial
- sample
- bandwidth
- 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
-
- 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
- G06F2218/16—Classification; Matching by matching signal segments
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Signal Processing (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Radar Systems Or Details Thereof (AREA)
Abstract
本申请实施例提供了一种基于信号带宽特征的无人机信号识别的方法及装置，属于无人机检测技术领域。该方法包括：接收待识别的电磁信号，获取电磁信号的频率域序列；根据预设的极值域均值模式分解算法对频率域序列进行处理，得到第一重构信号；放大第一重构信号的电磁信号特征，得到第二重构信号；计算第二重构信号中各信号点的梯度值，得到梯度值序列，并根据梯度值序列，确定第二重构信号包含的信号子带；根据预设的训练集和预先存储的无人机信号识别策略，在第二重构信号的信号子带中识别无人机信号，训练集包括样本带宽和每个样本带宽对应的样本标识，样本标识包括无人机信号标识和噪声信号标识。采用本发明，可以提高无人机识别率。
Description
技术领域
本申请涉及无人机检测技术领域，特别是涉及一种基于信号带宽特征的无人机信号识别的方法及装置。
背景技术
随着无人机民用市场迎来增长爆发期，无人机在各个领域得到了充分的应用，如监控安防、测绘勘察及物流分类等方面。市场上大规模无人机的投放，使得无人机的非法使用情况愈加严重，在机场，未经批准而起飞无人机，影响机场飞机正常起降，影响旅客出行。因此在复杂电磁环境下，迅速检测并识别出无人机信号，对支撑后续的无人机管理工作，具有很重要的意义。
当前无人机主要是采用雷达探测系统进行检测。雷达探测系统，发射电磁波对目标进行照射并接收其回波，根据接收的回波信息确定空中有无无人机，完成无人机识别。
无人机体积小，用雷达探测系统检测时，目标雷达截面积小，回波信号微弱，检测识别困难，无人机识别率低。
发明内容
本申请实施例的目的在于提供一种基于信号带宽特征的无人机信号识别的方法及装置，以实现提高无人机识别率。具体技术方案如下：
第一方面，提供了一种基于信号带宽特征的无人机信号识别的方法，所述方法包括：
接收待识别的电磁信号，获取电磁信号的频率域序列；
根据预设的极值域均值模式分解算法对所述频率域序列进行处理，得到第一重构信号；
放大所述第一重构信号的电磁信号特征，得到第二重构信号；
计算所述第二重构信号中各信号点的梯度值，得到梯度值序列，并根据所述梯度值序列，确定所述第二重构信号包含的信号子带；
根据预设的训练集和预先存储的无人机信号识别策略，在所述第二重构信号的信号子带中识别无人机信号，所述训练集包括样本带宽和每个样本带宽对应的样本标识，样本标识包括无人机信号标识和噪声信号标识。
可选的，所述放大所述第一重构信号的电磁信号特征，得到第二重构信号，包括：
计算所述第一重构信号的幅度均值；
计算所述幅度均值和预设调整系数的乘积，得到幅度调整值；
如果所述第一重构信号中的信号点幅值小于所述幅度均值，则将所述信号点幅值调整为所述幅度调整值；如果所述第一重构信号中的信号点幅值不小于所述幅度均值，则保持所述信号点幅值不变；
根据幅值处理后的信号，确定第二重构信号。
可选的，所述根据预设的训练集和预先存储的无人机信号识别策略，在所述第二重构信号的信号子带中识别无人机信号，所述训练集包括样本带宽和每个样本带宽对应的样本标识，样本标识包括无人机信号标识和噪声信号标识，包括：
针对所述第二重构信号中的每个信号子带，在预设的训练集所包含的样本带宽中，确定与该信号子带的带宽满足预设接近度条件的目标样本带宽；
根据确定出的目标样本带宽对应的样本标识，确定无人机信号标识的出现频率；
如果所述无人机信号标识的出现频率大于预设的无人机信号阈值，则判定所述信号子带为无人机信号；如果所述无人机信号标识的出现频率不大于预设的无人机信号阈值，则判定所述信号子带为噪声信号。
可选的，所述针对所述第二重构信号中的每个信号子带，在预设的训练集所包含的样本带宽中，确定与该信号子带的带宽满足预设接近度条件的样本带宽，包括：
针对所述第二重构信号中的每个信号子带，在预设的训练集所包含的样本带宽中，确定与该信号子带的带宽最相近的预设的近邻数目个目标样本带宽。
可选的，所述针对所述第二重构信号中的每个信号子带，在预设的训练集所包含的样本带宽中，确定与该信号子带的带宽满足预设接近度条件的样本带宽，包括：
针对所述第二重构信号中的每个信号子带，在预设的训练集所包含的样本带宽中，确定与该信号子带的带宽的差值小于预设阈值的目标样本带宽。
第二方面，提供了一种基于信号带宽特征的无人机信号识别的装置，所述装置包括：
信号接收模块，接收待识别的电磁信号，获取电磁信号的频率域序列；
第一信号处理模块，根据预设的极值域均值模式分解算法对所述频率域序列进行处理，得到第一重构信号；
第二信号处理模块，放大所述第一重构信号的电磁信号特征，得到第二重构信号；
信号计算模块，计算所述第二重构信号中各信号点的梯度值，得到梯度值序列，并根据所述梯度值序列，确定所述第二重构信号包含的信号子带；
信号识别模块，根据预设的训练集和预先存储的无人机信号识别策略，在所述第二重构信号的信号子带中识别无人机信号，所述训练集包括样本带宽和每个样本带宽对应的样本标识，样本标识包括无人机信号标识和噪声信号标识。
可选的，所述第二信号处理模块，包括：
第一信号计算单元，计算所述第一重构信号的幅度均值；
第二信号计算单元，计算所述幅度均值和预设调整系数的乘积，得到幅度调整值；
第一信号处理单元，如果所述第一重构信号中的信号点幅值小于所述幅度均值，则将所述信号点幅值调整为所述幅度调整值；如果所述第一重构信号中的信号点幅值不小于所述幅度均值，则保持所述信号点幅值不变；
信号确定单元，根据幅值处理后的信号，确定第二重构信号。
可选的，所述信号识别模块，包括：
目标样本带宽确定单元，针对所述第二重构信号中的每个信号子带，在预设的训练集所包含的样本带宽中，确定与该信号子带的带宽满足预设接近度条件的目标样本带宽；
无人机信号标识频率确定单元，根据确定出的目标样本带宽对应的样本标识，确定无人机信号标识的出现频率；
信号子带确定单元，如果所述无人机信号标识的出现频率大于预设的无人机信号阈值，则判定所述信号子带为无人机信号；如果所述无人机信号标识的出现频率不大于预设的无人机信号阈值，则判定所述信号子带为噪声信号。
可选的，所述目标样本带宽确定单元，包括：
目标样本带宽确定子单元，针对所述第二重构信号中的每个信号子带，在预设的训练集所包含的样本带宽中，确定与该信号子带的带宽最相近的预设的近邻数目个目标样本带宽。
第三方面，本发明实施例提供了一种电子设备，处理器、通信接口、存储器和通信总线，其中，处理器，通信接口，存储器通过通信总线完成相互间的通信，存储器，用于存放计算机程序；处理器，用于执行存储器上所存放的程序时，实现上述第一方面任一所述的基于信号带宽特征的无人机信号识别的方法。
第四方面，本发明实施例提供了一种计算机可读存储介质，该计算机可读存储介质中存储有指令，当其在计算机上运行时，使得计算机执行上述第一方面任一所述的基于信号带宽特征的无人机信号识别的方法。
本发明实施例提供的一种基于信号带宽特征的无人机信号识别的方法及装置，可以获取无人机的信号，对所述无人机信号进行极值域均值模式分解，放大了目标信号的带宽特征，使无人机信号易于识别，并且根据所述信号梯度信息，提取待检测信号子带带宽，根据信号子带带宽和训练集中样本带宽数据，进行信号识别，提高了无人机信号的识别率。
当然，实施本申请的任一产品或方法必不一定需要同时达到以上所述的所有优点。
附图说明
为了更清楚地说明本申请实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本发明实施例提供的基于信号带宽特征的无人机信号识别的方法的第一种流程图；
图2为本发明实施例提供的基于信号带宽特征的无人机信号识别的方法的第二种流程图；
图3为对本发明实施例进行仿真得到的一种第二重构信号与原始信号的对比图；
图4为对本发明实施例进行仿真得到的信号异常值调整之后第二重构信号与原始信号的对比图；
图5为对本发明实施例进行仿真得到的信号梯度曲线；
图6为对本发明实施例进行仿真得到的信噪比与检测概率曲线；
图7为本发明实施例提供的基于信号带宽特征的无人机信号识别的方法的第三种流程图；
图8为本发明实施例提供的基于信号带宽特征的无人机信号识别的装置的示意图；
图9为本发明实施例提供的电子设备的一种示意图。
具体实施方式
下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行描述。
当前无人机主要是采用雷达探测系统进行检测。雷达探测系统，发射电磁波对目标进行照射并接收其回波，根据接收的回波信息确定空中有无无人机，完成无人机识别。无人机体积小，用雷达探测系统检测时，目标雷达截面积小，回波信号微弱，检测识别困难，无人机识别率低。
基于上述考虑，本发明提供了一种新的无人机检测方法，、装置、电子设备及计算机可读存储介质。上述方法可以应用于需要进行无人机识别的终端，比如反无人机装置。
利用本发明实施例提供的方法，终端可以接收周围的电磁信号，通过识别接收信号中的无人机通讯信号，进行无人机识别。因为终端接收的信号是可能混杂有无人机通讯信号的低信噪比信号，终端对接收的低信噪比信号进行了放大电磁信号特征的处理，能够有效的提高电磁信号识别特征并消除因噪声而引起的信号幅度降低的影响，有效的降低了噪声的影响，再根据信号梯度特征提取信号子带带宽，通过信号子带带宽与训练集识别无人机信号。现有技术通过雷达探测无人机回波信号进行无人机识别，因为无人机体积小，回波信号微弱，易受干扰，检测识别困难。相比于现有技术，本发明实施例提供的方法，通过识别无人机通讯信号进行无人机识别，而不是易受干扰、微弱的雷达回波信号，有效的提高了无人机识别率。
下面以具体实施例对上述方法进行介绍。
参见图1，图1为本发明实施例的一种基于信号带宽特征的无人机信号识别的方法流程图，包括如下步骤：
步骤101，接收待识别的电磁信号，获取电磁信号的频率域序列。
一种实现方式中，终端接检测周围存在的电磁信号，获取频率域序列r(f)。示例性的终端设置成信号频谱监测，并设置频谱监测采用点数，可以获取频率域序列r(f)。
步骤102，根据预设的极值域均值模式分解算法对所述频率域序列进行处理，得到第一重构信号。
一种实现方式中，极值域均值模式分解指的是，终端确定频率序列的所有极值点，根据积分中值定理计算出数据中所有相邻极值点间的局域均值，再用两相邻极值点的均值加权求出极值点的局域均值。最后根据极值点的局部均值得出局部均值序列，即第一重构信号。具体处理过程如下：
终端计算接收频率域序列r(f)的所有极值点，得到序列{e(fi)}，其中i＝1,2,...,M表示M个极值点，fi表示第i个极值点在频域的位置。
根据公式(1)计算相邻两个极值点e(fi)和e(fi+1)之间所有数据的局域均值。
其中，M表示极值点个数，
fξ表示均值点的位置。
由公式(1)可以得出公式(2)和公式(3)，如下所示：
其中，
表示第i个极值点与第i+1个极值点之间的局域均值，
分别及第i+1个极值点与第i+2个极值点之间的局域均值。
根据公式(2)和公式(3)确定fi+1处的局域均值计算公式(4)。
其中，
由此得到了极值点的局域均值序列m(fi+1)，即第一重构信号。
步骤103，放大所述第一重构信号的电磁信号特征，得到第二重构信号。
可选的，参见图2，图2为本发明实施例的一种放大第一重构信号电磁特征的方法流程图，包括如下步骤：
步骤201，计算所述第一重构信号的幅度均值。
一种实施方式中，极值点的局域均值序列m(fi+1)为第一重构信号，用信号点表示极值点的局域均值序列m(fi+1)中的元素，信号点的幅值表示局域均值序列m(fi+1)中对应元素的值，信号点的频率表示局域均值序列m(fi+1)中对应元素所在的频率。终端计算第一重构信号中所有信号点的幅值之和，确定第一重构信号中信号点的个数，计算所有信号点的幅值之和除以信号点的个数的结果，所得结果为第一重构信号的幅度均值。
步骤202，计算所述幅度均值和预设调整系数的乘积，得到幅度调整值。
一种实现方式中，终端计算幅度均值和终端预设的调整系数的乘积，所得结果为幅度调整值。其中，预设的调整系数的取值范围为[0,1]。
步骤203，如果所述第一重构信号中的信号点幅值小于所述幅度均值，则将所述信号点幅值调整为所述幅度调整值；如果所述第一重构信号中的信号点幅值不小于所述幅度均值，则对所述信号点幅值不作处理。
一种实现方式中，对于第一重构信号中的每个信号点，终端可以判断该信号点的幅值是否小于幅度均值。如果该信号点的幅值小于幅度均值，则将该信号点幅值调整为幅度调整值；如果该信号点的幅值大于或等于幅度均值，则保持该信号点幅值不变。
步骤204，根据幅值处理后的第一重构信号，确定第二重构信号。
一种实现方式中，终端将进行过幅度处理后的第一重构信号直接作为第二重构信号。示例性的，如图3所示，幅度调整后的信号相比于接收的原始信号的信号特征更加明显。
由上述可见，利用本发明实施例提供的方法，对接收的频率域序列进行极值域均值模式分解后的信号进行放大电磁信号特征处理，可以明显的增加信号特征，如图3所示的接收信号是杂乱无章的，各信号子带特征接近，很难区分开来有效信号和噪声信号，而经过处理得到的第二重构信号如图3所示，信号特征明显，便于信号识别，能够提高信号的识别率。
可选的，针对所述根据幅值处理后的第一重构信号，确定第二重构信号，还可以在幅值处理后的第一重构信号所包含的各信号点中确定目标信号点，所述目标信号点的幅值为所述幅度调整值；在确定出的各目标信号点中，确定连续的目标信号点，得到目标信号点集合；如果所述目标信号点集合包含的目标信号点的数目小于预设数目阈值，则将所述目标信号点集合包含的各目标信号点的幅值调整为所述幅度均值；如果所述目标信号点集合包含的目标信号点的数目不小于所述预设数目阈值，则保持所述目标信号点集合包含的各目标信号点的幅值不变。
可选的，如图3所示，由于子带内异常值的影响，在相对较宽的子带带宽内，会出现数据的突然下降，如图中圆圈所示部分。记合并信号子带中出现连续异常值的数据点数为P，将连续P个点的数值调整为幅度均值，消除相邻子带内部的异常值。将该目标信号集合中的信号点幅值调整为幅度均值得到如图4所示的第二重构信号。
一种实现方式中，终端确定幅值处理后的第一重构信号中幅值为幅度调整值的所有信号点，所确定的信号点即为目标信号点。示例性的，假设幅值处理后的第一重构信号为{-90,-80,-100,-85,-95,-100,-100,-100,-90,-80,-100,-100}，信号中信号点按照顺序分别用m1,m2,m3,m4,m5,m6,m7,m8，m9,m10,m11,m12表示，幅度调整值为-100，则目标信号点有m3,m6,m7,m8，,m11,m12。将这些目标信号点中连续的信号点确定出来，得到目标信号点集合，目标信号点集合中的信号点都是连续的且幅值都为幅度调整值，每个目标信号点集合中的信号点和不同目标信号点集合中的信号点都不连续。示例性的，根据已经确定的目标信号点m3,m6,m7,m8，,m11,m12，确定的目标信号点集合有{m3},{m6,m7,m8，},{m11,m12}。比较目标信号点集合的信号点个数和预设数目阈值的大小，如果目标信号点集合中的信号点个数小于预设数目阈值，则将目标信号点集合中的信号点幅值都调整为幅度均值；如果目标集合信号点集合中的信号点个数不小于预设数目阈值，则保持目标信号点集合中的信号点幅值不变。示例性的，假设预设数目阈值为3，目标信号点集合有{m3},{m6,m7,m8，},{m11,m12}，其中目标信号点集合{m3},{m11,m12}的信号点个数小于预设数目阈值3，则将信号点m3,m11,m12的幅值调整为幅度均值。目标信号点集合{m6,m7,m8}的信号点个数不小于预设数目阈值3，则将信号点m6,m7,m8的幅值保持不变。由此得到的信号为第二重构信号。
由于在强噪声环境下，有效信号不可能一直保持着相对的功率，这就造成了有效信号的功率存在着瞬间降低的可能，这种因噪声造成信号异常降低的信号部分，称为信号异常值。这些信号异常值会影响确定信号子带的带宽的正确性，造成有效信号的漏检。图3所示的信号点个数小于预设数目阈值的目标信号集合即为有效信号受噪声影响的信号异常值，通过本发明实施例提供的方法，将这些信号点个数小于预设数目阈值的目标信号集合中的信号点幅值调整为幅度均值，可以消除信号异常值，提高信号识别率。
步骤104，计算所述第二重构信号中各信号点的梯度值，得到梯度值序列，并根据所述梯度值序列，确定所述第二重构信号包含的信号子带。
一种实现方式中，终端计算第二重构信号中各信号点的梯度值，得到梯度值序列。根据梯度值序列得到信号梯度曲线，确定梯度曲线中的正梯度峰值点和负梯度峰值点。正梯度峰值点与其频率增加方向最相邻的负梯度峰值点之间的信号为信号子带，由此，根据正梯度峰值点和负梯度峰值点，确定所有信号子带的带宽。示例性的，图5为根据图4第二重构信号计算梯度值得到的信号点梯度值序列组成的信号梯度曲线，从信号梯度曲线中确定所有正梯度峰值点和负梯度峰值点，并根据正梯度峰值点与其频率增加方向最相邻的负梯度峰值点之间的信号为信号子带，确定信号梯度曲线中的所有信号子带的带宽。示例性的，如图所示信号梯度曲线得到的7个信号子带。其中，训练集中，最宽的子带6的宽度标签设置为1，其余子带宽度标签设置为0。
步骤105，根据预设的训练集和预先存储的无人机信号识别策略，在所述第二重构信号的信号子带中识别无人机信号，所述训练集包括样本带宽和每个样本带宽对应的样本标识，样本标识包括无人机信号标识和噪声信号标识。
可选的，参照图7，图7为本发明实施例的一种无人机信号识别的方法流程图，包括如下步骤：
步骤701，针对所述第二重构信号中的每个信号子带，在预设的训练集所包含的样本带宽中，确定与该信号子带的带宽满足预设接近度条件的目标样本带宽。
可选的，针对所述第二重构信号中的每个信号子带，在预设的训练集所包含的样本带宽中，确定与该信号子带的带宽最相近的预设的近邻数目个目标样本带宽。
一种实现方式中，终端针对第二重构信号中的每个信号子带，确定该信号子带的带宽与训练集中的每个样本带宽的差值，按照差值绝对值从小到大的原则对训练集中的样本带宽进行排序，从排序后的训练集样本带宽集合中，确定前近邻数目个样本带宽。示例性的，假设训练集的样本带宽集合为{28,32,40,42,44,48,46,52},第二重构信号中的信号子带有29和51，预设近邻数目为3，则确定信号子带带宽为29的目标样本带宽时，按照信号子带带宽与样本带宽的差值从小到大对训练集进行排序，得到排序后的训练集样本带宽集合为{28,32,40,42,44,46,48,52}，在{28,32,40,42,44,46,48,52}中，确定前3个样本带宽集合为{28,32,40}，确定的目标样本带宽集合为{28,32,40}。
可选的，针对所述第二重构信号中的每个信号子带，在预设的训练集所包含的样本带宽中，确定与该信号子带的带宽的差值小于预设阈值的目标样本带宽。
一种实现方式中，终端针对第二重构信号中的每个信号子带，在预设的训练集所包含的样本带宽中，确定与该信号子带的带宽的差值小于预设阈值的样本带宽。示例性的，假设训练集的样本带宽集合为{28,32,40,42,44,48,46,52},第二重构信号中的信号子带有29和51，预设阈值为4，则确定信号子带带宽为29的目标样本带宽时，在{28,32,40,42,44,48,46,52}中，确定与该信号子带的带宽29的差值小于4的样本带宽，确定的样本带宽集合为{28,32}，确定的目标样本带宽集合为{28,32}。
步骤702，根据确定出的目标样本带宽对应的样本标识，确定无人机信号标识的出现频率。
一种实现方式中，终端计算目标样本带宽的个数，每个目标样本带宽对应着一种标识，标识为无人机信号标识或者噪声标识，确定目标样本带宽对应的无人机信号标识的个数，计算目标样本带宽中无人机信号标识的个数除以目标样本带宽的个数，所得结果为无人机信号标识的出现频率。示例性的，假设目标样本带宽集合为{50,52,53,60,70}，其中对应无人机信号标识的目标样本带宽有52、53和60，对应噪声信号标识的目标样本带宽有50和70，目标样本带宽的个数为5，对应无人机信号标识的目标样本带宽个数为3，计算无人机信号标识的目标样本带宽个数3除以目标样本带宽个数的5，所得结果0.6为无人机信号标识的出现频率。
步骤703，如果所述无人机信号标识的出现频率大于预设的无人机信号阈值，则判定所述信号子带为无人机信号；如果所述无人机信号标识的出现频率不大于预设的无人机信号阈值，则判定所述信号子带为噪声信号。
一种实现方式中，终端判断每个信号子带的无人信号标识的出现频率与预设的无人机信号阈值大小，如果无人机信号标识的出现频率大于预设的无人机信号阈值，则判定该信号子带为无人机信号；如果所述无人机信号标识的出现频率不大于预设的无人机信号阈值，则判定所述信号子带为噪声信号。示例性的，假设一个信号子带的无人信号标识的出现频率0.8，预设的无人机信号阈值大小0.5，无人信号标识的出现频率0.8大于预设的无人机信号阈值大小0.5，则该信号子带为无人机信号。
如图6所示，P代表子带内部合并的异常连续子带点数，P＝0表示使用子带梯度特征识别的性能曲线，P＝10表示信号子带出现连续10个点以内异常时，认为这是一个可以合并的子带，合并子带异常值之后使用梯度特征识别的性能曲线，KNN-P＝10是在P＝10的条件下，使用本发明实施例的无人机信号识别的方法对信号带宽特征分类得到的性能曲线，从仿真曲线中可以看出，信噪比为-15dB时，使用本发明实施例的无人机信号识别的方法的检测概率为90％，明显提高了无人机识别率。
由上可见，利用本发明实施例提供的方法，可以放大无人机信号特征，消除信号异常值，削弱噪声对无人机信号的影响，使得无人机信号易于识别，有效的提高了无人机识别率。
基于相同的技术构思，相应于图1所示方法实施例，本发明实施例还提供了一种基于信号带宽特征的无人机信号识别的装置，如图8所示，该装置包括：
信号接收模块801，用于接收待识别的电磁信号，获取电磁信号的频率域序列；
第一信号处理模块802，用于根据预设的极值域均值模式分解算法对所述频率域序列进行处理，得到第一重构信号；
第二信号处理模块803，用于放大所述第一重构信号的电磁信号特征，得到第二重构信号；
信号计算模块804，用于计算所述第二重构信号中各信号点的梯度值，得到梯度值序列，并根据所述梯度值序列，确定所述第二重构信号包含的信号子带；
信号识别模块805，用于根据预设的训练集和预先存储的无人机信号识别策略，在所述第二重构信号的信号子带中识别无人机信号，所述训练集包括样本带宽和每个样本带宽对应的样本标识，样本标识包括无人机信号标识和噪声信号标识。
在本发明实施例中，所述第二信号处理模块803，包括：
第一信号计算单元，用于计算所述第一重构信号的幅度均值；
第二信号计算单元，用于计算所述幅度均值和预设调整系数的乘积，得到幅度调整值；
第一信号处理单元，如果所述第一重构信号中的信号点幅值小于所述幅度均值，则用于将所述信号点幅值调整为所述幅度调整值；如果所述第一重构信号中的信号点幅值不小于所述幅度均值，则用于保持所述信号点幅值不变；
信号确定单元，用于根据幅值处理后的信号，确定第二重构信号。
在本发明实施例中，所述信号识别模块805，包括：
目标样本带宽确定单元，用于针对所述第二重构信号中的每个信号子带，在预设的训练集所包含的样本带宽中，确定与该信号子带的带宽满足预设接近度条件的目标样本带宽；
无人机信号标识频率确定单元，用于根据确定出的目标样本带宽对应的样本标识，确定无人机信号标识的出现频率；
信号子带确定单元，如果所述无人机信号标识的出现频率大于预设的无人机信号阈值，则用于判定所述信号子带为无人机信号；如果所述无人机信号标识的出现频率不大于预设的无人机信号阈值，则用于判定所述信号子带为噪声信号。
在本发明实施例中，所述目标样本带宽确定单元，包括：
目标样本带宽确定子单元，用于针对所述第二重构信号中的每个信号子带，在预设的训练集所包含的样本带宽中，确定与该信号子带的带宽最相近的预设的近邻数目个目标样本带宽。
本发明实施例还提供了一种电子设备，如图9所示，包括处理器901、通信接口902、存储器903和通信总线904，其中，处理器901，通信接口902，存储器903通过通信总线904完成相互间的通信，
存储器903，用于存放计算机程序；
处理器901，用于执行存储器903上所存放的程序时，实现本发明实施例提供的任一所述的基于信号带宽特征的无人机信号识别的方法。
可选的，上述一种基于信号带宽特征的无人机信号识别的方法，包括：
接收待识别的电磁信号，获取电磁信号的频率域序列；
根据预设的极值域均值模式分解算法对所述频率域序列进行处理，得到第一重构信号；
放大所述第一重构信号的电磁信号特征，得到第二重构信号；
计算所述第二重构信号中各信号点的梯度值，得到梯度值序列，并根据所述梯度值序列，确定所述第二重构信号包含的信号子带；
根据预设的训练集和预先存储的无人机信号识别策略，在所述第二重构信号的信号子带中识别无人机信号，所述训练集包括样本带宽和每个样本带宽对应的样本标识，样本标识包括无人机信号标识和噪声信号标识。
上述电子设备的通信总线904可以是外设部件互连标准(Peripheral ComponentInterconnect，简称PCI)总线或扩展工业标准结构(Extended Industry StandardArchitecture，简称EISA)总线等。该通信总线704可以分为地址总线、数据总线、控制总线等。为便于表示，图中仅用一条粗线表示，但并不表示仅有一根总线或一种类型的总线。
通信接口902用于上述电子设备与其他设备之间的通信。
存储器903可以包括随机存取存储器(Random Access Memory，简称RAM)，也可以包括非易失性存储器(non-volatile memory)，例如至少一个磁盘存储器。可选的，存储器903还可以是至少一个位于远离前述处理器的存储装置。
上述的处理器901可以是通用处理器，包括中央处理器(Central ProcessingUnit，简称CPU)、网络处理器(Network Processor，简称NP)等；还可以是数字信号处理器(Digital Signal Processing，简称DSP)、专用集成电路(Application SpecificIntegrated Circuit，简称ASIC)、现场可编程门阵列(Field Programmable Gate Array，简称FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。
本发明实施例提供的电子设备，可以放大无人机信号特征，消除信号异常值，削弱噪声对无人机信号的影响，使得无人机信号易于识别，有效的提高了无人机识别率。
在本发明提供的又一实施例中，还提供了一种计算机可读存储介质，该计算机可读存储介质中存储有指令，当其在计算机上运行时，使得计算机执行上述实施例中任一所述的基于信号带宽特征的无人机信号识别的方法。
可选的，上述一种基于信号带宽特征的无人机信号识别的方法，包括：
接收待识别的电磁信号，获取电磁信号的频率域序列；
根据预设的极值域均值模式分解算法对所述频率域序列进行处理，得到第一重构信号；
放大所述第一重构信号的电磁信号特征，得到第二重构信号；
计算所述第二重构信号中各信号点的梯度值，得到梯度值序列，并根据所述梯度值序列，确定所述第二重构信号包含的信号子带；
根据预设的训练集和预先存储的无人机信号识别策略，在所述第二重构信号的信号子带中识别无人机信号，所述训练集包括样本带宽和每个样本带宽对应的样本标识，样本标识包括无人机信号标识和噪声信号标识。
在上述实施例中，可以全部或部分地通过软件、硬件、固件或者其任意组合来实现。当使用软件实现时，可以全部或部分地以计算机程序产品的形式实现。所述计算机程序产品包括一个或多个计算机指令。在计算机上加载和执行所述计算机程序指令时，全部或部分地产生按照本发明实施例所述的流程或功能。所述计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。所述计算机指令可以存储在计算机可读存储介质中，或者从一个计算机可读存储介质向另一个计算机可读存储介质传输，例如，所述计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线(例如同轴电缆、光纤、数字用户线(DSL))或无线(例如红外、无线、微波等)方式向另一个网站站点、计算机、服务器或数据中心进行传输。所述计算机可读存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可用介质集成的服务器、数据中心等数据存储设备。所述可用介质可以是磁性介质，(例如，软盘、硬盘、磁带)、光介质(例如，DVD)、或者半导体介质(例如固态硬盘Solid State Disk(SSD))等。
需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
本说明书中的各个实施例均采用相关的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于装置、电子设备及存储介质的实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。
Claims (10)
1.一种基于信号带宽特征的无人机信号识别的方法，其特征在于，所述方法包括：
接收待识别的电磁信号，获取电磁信号的频率域序列；
根据预设的极值域均值模式分解算法对所述频率域序列进行处理，得到第一重构信号；
放大所述第一重构信号的电磁信号特征，得到第二重构信号；
计算所述第二重构信号中各信号点的梯度值，得到梯度值序列，并根据所述梯度值序列，确定所述第二重构信号包含的信号子带；
根据预设的训练集和预先存储的无人机信号识别策略，在所述第二重构信号的信号子带中识别无人机信号，所述训练集包括样本带宽和每个样本带宽对应的样本标识，样本标识包括无人机信号标识和噪声信号标识；
所述根据预设的极值域均值模式分解算法对所述频率域序列进行处理，得到第一重构信号，包括：
根据所有相邻极值点间的局域均值，将两相邻极值点的局域均值加权求出极值点的局域均值；
根据极值点的局域均值得出局域均值序列；
将所述局域均值序列作为第一重构信号。
2.根据权利要求1所述的方法，其特征在于，所述放大所述第一重构信号的电磁信号特征，得到第二重构信号，包括：
计算所述第一重构信号的幅度均值；
计算所述幅度均值和预设调整系数的乘积，得到幅度调整值；
如果所述第一重构信号中的信号点幅值小于所述幅度均值，则将所述信号点幅值调整为所述幅度调整值；如果所述第一重构信号中的信号点幅值不小于所述幅度均值，则保持所述信号点幅值不变；
根据幅值处理后的信号，确定第二重构信号。
3.根据权利要求1所述的方法，其特征在于，所述根据预设的训练集和预先存储的无人机信号识别策略，在所述第二重构信号的信号子带中识别无人机信号，所述训练集包括样本带宽和每个样本带宽对应的样本标识，样本标识包括无人机信号标识和噪声信号标识，包括：
针对所述第二重构信号中的每个信号子带，在预设的训练集所包含的样本带宽中，确定与该信号子带的带宽满足预设接近度条件的目标样本带宽；
根据确定出的目标样本带宽对应的样本标识，确定无人机信号标识的出现频率；
如果所述无人机信号标识的出现频率大于预设的无人机信号阈值，则判定所述信号子带为无人机信号；如果所述无人机信号标识的出现频率不大于预设的无人机信号阈值，则判定所述信号子带为噪声信号。
4.根据权利要求3所述的方法，其特征在于，所述针对所述第二重构信号中的每个信号子带，在预设的训练集所包含的样本带宽中，确定与该信号子带的带宽满足预设接近度条件的样本带宽，包括：
针对所述第二重构信号中的每个信号子带，在预设的训练集所包含的样本带宽中，确定与该信号子带的带宽最相近的预设的近邻数目个目标样本带宽。
5.根据权利要求3所述的方法，其特征在于，所述针对所述第二重构信号中的每个信号子带，在预设的训练集所包含的样本带宽中，确定与该信号子带的带宽满足预设接近度条件的样本带宽，包括：
针对所述第二重构信号中的每个信号子带，在预设的训练集所包含的样本带宽中，确定与该信号子带的带宽的差值小于预设阈值的目标样本带宽。
6.一种基于信号带宽特征的无人机信号识别的装置，其特征在于，所述装置包括：
信号接收模块，接收待识别的电磁信号，获取电磁信号的频率域序列；
第一信号处理模块，根据预设的极值域均值模式分解算法对所述频率域序列进行处理，得到第一重构信号；
第二信号处理模块，放大所述第一重构信号的电磁信号特征，得到第二重构信号；
信号计算模块，计算所述第二重构信号中各信号点的梯度值，得到梯度值序列，并根据所述梯度值序列，确定所述第二重构信号包含的信号子带；
信号识别模块，根据预设的训练集和预先存储的无人机信号识别策略，在所述第二重构信号的信号子带中识别无人机信号，所述训练集包括样本带宽和每个样本带宽对应的样本标识，样本标识包括无人机信号标识和噪声信号标识；
所述第一信号处理模块具体用于，根据所有相邻极值点间的局域均值，将两相邻极值点的局域均值加权求出极值点的局域均值，根据极值点的局域均值得出局域均值序列；将所述局域均值序列作为第一重构信号。
7.根据权利要求6所述的装置，其特征在于，所述第二信号处理模块，包括：
第一信号计算单元，计算所述第一重构信号的幅度均值；
第二信号计算单元，计算所述幅度均值和预设调整系数的乘积，得到幅度调整值；
第一信号处理单元，如果所述第一重构信号中的信号点幅值小于所述幅度均值，则将所述信号点幅值调整为所述幅度调整值；如果所述第一重构信号中的信号点幅值不小于所述幅度均值，则保持所述信号点幅值不变；
信号确定单元，根据幅值处理后的信号，确定第二重构信号。
8.根据权利要求6所述的装置，其特征在于，所述信号识别模块，包括：
目标样本带宽确定单元，针对所述第二重构信号中的每个信号子带，在预设的训练集所包含的样本带宽中，确定与该信号子带的带宽满足预设接近度条件的目标样本带宽；
无人机信号标识频率确定单元，根据确定出的目标样本带宽对应的样本标识，确定无人机信号标识的出现频率；
信号子带确定单元，如果所述无人机信号标识的出现频率大于预设的无人机信号阈值，则判定所述信号子带为无人机信号；如果所述无人机信号标识的出现频率不大于预设的无人机信号阈值，则判定所述信号子带为噪声信号。
9.根据权利要求8所述的装置，其特征在于，所述目标样本带宽确定单元，包括：
目标样本带宽确定子单元，针对所述第二重构信号中的每个信号子带，在预设的训练集所包含的样本带宽中，确定与该信号子带的带宽最相近的预设的近邻数目个目标样本带宽。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质内存储有计算机程序，所述计算机程序被处理器执行时实现权利要求1-5任一所述的方法步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810184508.XA CN108399391B (zh) | 2018-03-06 | 2018-03-06 | 一种基于信号带宽特征的无人机信号识别的方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810184508.XA CN108399391B (zh) | 2018-03-06 | 2018-03-06 | 一种基于信号带宽特征的无人机信号识别的方法及装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN108399391A CN108399391A (zh) | 2018-08-14 |
| CN108399391B true CN108399391B (zh) | 2021-11-05 |
Family
ID=63092458
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201810184508.XA Active CN108399391B (zh) | 2018-03-06 | 2018-03-06 | 一种基于信号带宽特征的无人机信号识别的方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN108399391B (zh) |
Families Citing this family (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109243486A (zh) * | 2018-09-13 | 2019-01-18 | 西安电子科技大学 | 一种基于机器学习的反黑飞声探测方法 |
| CN110875785B (zh) * | 2019-09-29 | 2022-05-13 | 扬州船用电子仪器研究所(中国船舶重工集团公司第七二三研究所) | 基于频域特征的无人机遥控信号识别方法 |
| CN115795253B (zh) * | 2021-09-09 | 2023-10-03 | 武汉市聚芯微电子有限责任公司 | 一种频率跟踪方法、装置、设备以及计算机存储介质 |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103190901A (zh) * | 2013-04-01 | 2013-07-10 | 天津工业大学 | 基于极值域均值模式分解和改进Hilbert包络的R波检测算法 |
| 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 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US10355777B2 (en) * | 2016-08-17 | 2019-07-16 | Facebook, Inc. | Adaptive beam aggregation and split transceiver in unmanned vehicles |
-
2018
- 2018-03-06 CN CN201810184508.XA patent/CN108399391B/zh active Active
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103190901A (zh) * | 2013-04-01 | 2013-07-10 | 天津工业大学 | 基于极值域均值模式分解和改进Hilbert包络的R波检测算法 |
| 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 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN108399391A (zh) | 2018-08-14 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US20220252712A1 (en) | Human Detection Method and Device, Electronic Apparatus and Storage Medium | |
| US7768252B2 (en) | Systems and methods for determining sensing thresholds of a multi-resolution spectrum sensing (MRSS) technique for cognitive radio (CR) systems | |
| CN108399391B (zh) | 一种基于信号带宽特征的无人机信号识别的方法及装置 | |
| US20220120795A1 (en) | Techniques for Empirical Mode Decomposition (EMD)-Based Noise Estimation | |
| US9435882B2 (en) | Method and apparatus for cognitive nonlinear radar | |
| US8768260B2 (en) | Electromagnetic wave discrimination device, electromagnetic wave discrimination method, and electromagnetic wave discrimination program | |
| KR20190129622A (ko) | 자동차 레이더 시스템에서 탐지된 타겟들의 클러스터링 방법 및 이를 위한 장치 | |
| Onumanyi et al. | A comparative analysis of local and global adaptive threshold estimation techniques for energy detection in cognitive radio | |
| Cho et al. | A support vector machine approach to CMOS-based radar signal processing for vehicle classification and speed estimation | |
| CN104065430A (zh) | 基于节点识别的协作频谱检测方法 | |
| CN113093165A (zh) | 基于毫米波雷达的车内活体检测方法及系统 | |
| WO2023284764A1 (zh) | 车内生命体的雷达探测方法、装置及终端设备 | |
| CN110837079A (zh) | 一种基于雷达的目标检测方法及装置 | |
| JP2013007578A (ja) | 信号検出装置、信号検出方法及び信号検出プログラム | |
| CN108512614B (zh) | 一种低信噪比电磁信号识别的方法及装置 | |
| 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 | |
| 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 | |
| CN113191224A (zh) | 一种无人机信号提取和识别方法、系统 | |
| CN109283507B (zh) | 一种基于时频域特征的雷达目标识别方法及系统 | |
| Saadati et al. | Multiple transmitter localization using clustering by likelihood of transmitter proximity | |
| KR102288938B1 (ko) | 서로 다른 레이다 반사 면적을 가진 표적을 탐지하는 방법 및 장치 | |
| Bouhdjeur et al. | Autonomous Global Threshold Adjustment Algorithm For Energy Detection In Self-Reconfigurable Cognitive Radio Systems | |
| JP5252430B2 (ja) | 信号検出方法，プログラム，情報記憶媒体，及びセンサー | |
| CN115047419A (zh) | 一种毫米波雷达恒虚警率检测方法及装置 | |
| Koley et al. | Edge-fitting based energy detection for cognitive radios |
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 |