CN108768562B - 一种基于遥控与图传信号的非法无人机识别方法 - Google Patents
一种基于遥控与图传信号的非法无人机识别方法 Download PDFInfo
- Publication number
- CN108768562B CN108768562B CN201810426252.9A CN201810426252A CN108768562B CN 108768562 B CN108768562 B CN 108768562B CN 201810426252 A CN201810426252 A CN 201810426252A CN 108768562 B CN108768562 B CN 108768562B
- Authority
- CN
- China
- Prior art keywords
- unmanned aerial
- frequency
- aerial vehicle
- matrix
- spectrogram
- 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
- H04B17/382—Monitoring; Testing of propagation channels for resource allocation, admission control or handover
-
- 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
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04B—TRANSMISSION
- H04B15/00—Suppression or limitation of noise or interference
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Physics & Mathematics (AREA)
- Electromagnetism (AREA)
- Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)
- Selective Calling Equipment (AREA)
Abstract
本发明涉及一种基于遥控与图传信号的非法无人机识别方法,首先从频谱图中学习出二值化背景频谱模板,进而识别出WIFI及图传信号,并构造模板矩阵,将其所在频点屏蔽,然后由频谱图构造二值化跳频检测矩阵,由此得到有效帧数、跳频次数,通过比较,判断某时刻中是否存在无人机遥控信号,若存在无人机遥控信号,则提取其机型特征参数,通过与无人机机型特征参数数据库匹配,以识别出非法无人机机型。本发明方法将频谱图抽象为多个二值化矩阵,极大地减小了计算量,且能有效排除WIFI或杂散信号对无人机遥控信号检测的干扰,进而准确地识别出非法无人机及其机型,故具有良好的实时性、抗干扰性与准确性。
Description
技术领域
本发明涉及一种无人机识别方法,即一种基于遥控与图传信号的非法无人机识别方法。将无人机高速跳频与定频遥控信号检测、图传信号检测应用于非法无人机识别领域,发明成果可应用于各类军用或民用的无线电频谱监测系统及反无人机系统中。
背景技术
随着无人机的快速发展与普及,无人机“黑飞”事件与非法入侵的案例开始激增,反无人机系统也逐渐走进人们的视野。尤其是机场、核电站、边防哨卡、科研院所等地,对反无人机系统有极为迫切的需求。而反无人机系统中最难也最为关键的一环就是对非法无人机识别监测。目前非法无人机监测方法大致分为以下几类:1.无线电频谱监测:包括对无人机遥控信号与图传信号的检测,理论监测范围大致在1-6km;2.利用雷达监测:理论监测范围大致在1-5km;3.利用声波识别:理论监测范围在200m左右;4.可见光监测:用照相侦察、电视侦察等方式识别非法无人机,理论监测范围在2km左右;5.红外监测:通过红外光谱来监测非法无人机,理论监测范围在2km左右;雷达监测的优点是不受无人机型号的影响(与无线电频谱监测对比),但其缺点是低空监测的盲区较大、无人机大表面积偏小,不容易发现;声波识别优点是不受无人机型号的影响,但其监测距离过短,且不适用于嘈杂的环境中;可见光监测的优点是不受无人机型号的影响,但在夜间效果很差;红外监测可实现昼夜监测,但同样受制于无人机体积过小,识别率不高,而且一旦无人机采取了减少反射光的隐身设计,将更加难以监测。
无线电频谱监测方式的优点是可以实现连续的非法无人机监测,不受光源、声波、无人机体积等因素的影响,且可监测的距离较远,能在无人机刚起飞时就检测到其遥控信号,及时采取反制措施。但其缺点也很突出:由于不同型号的无人机其遥控信号与图传信号频谱往往差异较大,且无人机遥控与图传信号信噪较低,2.44GHz频段存在较多的干扰信号,增加了信号检测的难度。此外,大多无人机厂商几乎都使用了扩频技术(SpreadSpectrum)来实现对无人机的遥控:如Futaba、大疆(DJI)、乐迪(RL)、天地飞(WFLY)、九鹰(NE)等;而扩频技术中的跳频扩频(FHSS,Frequency-Hopping Spread Spectrum)所采用的高速跳频遥控信号(High-speed Frequency-Hopping Signals)因其跳变的高速性、变频方式的多样性,给工程中捕捉、检测跳频信号都带来了极大的挑战,其捕捉与检测难度远大于定频信号(Frequency-Fixed Signals)。因此,能否准确地在复杂的频谱环境中检测出高速跳频遥控信号,也成了能否准确识别非法无人机的难点和关键点。现有的高速跳频信号检测方法大都过于复杂,抗干扰能力较差,难以在工程实践中实时对非法无人机进行监测。
基于此,本发明提出一种基于遥控与图传信号的非法无人机识别方法(监测的频谱带宽为100MHz,中心频率依次选取2.44GHz、5.775GHz),通过背景频谱模板学习(WIFI与图传信号检测)、无人机跳频与定频遥控信号检测、无人机机型特征参数学习与机型判断三个模块,来实现对非法无人机的自动实时识别。本方法试图将高速跳频与定频的无人机遥控、图传信号,从每一帧频谱图中分离出来,将其抽象为多个二值化频谱矩阵,并由此得到该时段内无人机跳频遥控信号的有效帧数、跳频次数及无人机机型特征参数,从而使本方法能在复杂的频谱环境下快速准确地识别出非法无人机及其型号,取得了令人满意的识别效果。
发明内容
要解决的技术问题
由于无人机遥控信号大多采用了跳频技术(FHSS),其跳变的高速性、变频方式的多样性,及其所在频谱环境的复杂性(2.44GHz频段已经十分拥堵),使得现有的无线电频谱监测方法往往难以实时准确地检测到无人机遥控信号,非法无人机监测难以取得令人满意的效果。因此,本发明提出一种基于遥控与图传信号的非法无人机识别方法,通过背景频谱模板学习(WIFI与图传信号检测)、无人机跳频与定频遥控信号检测、无人机机型特征参数学习及非法无人机机型判断三个模块来确保非法无人机识别的准确性、实时性与抗干扰性。
技术方案
一种基于遥控与图传信号的非法无人机识别方法,其特征在于步骤如下:
步骤1:对中心频率fc附近100MHz进行一次频谱扫描,形成一帧1×Fs阶的频谱图Mt,其中Fs代表扫描100MHz频带内所包含的频谱采样点数;计算频谱的检测阈值Ath:
其中Ath为该帧频谱图计算出的信号频谱检测阈值,该值每1s更新一次;Datan为该帧频谱图中第n个频谱采样点的功率值,Δth为常参数,代表噪声功率对平均噪声功率的最大偏移量;
计算每帧频谱图Mt中每1MHz频带内的所包含的频谱点数F1MHz:
步骤2:构造1×100阶二值化频谱模板矩阵Ma,初始化为零矩阵,每个频点代表1MHz,100列即代表100MHz;采用步骤1的扫描方式继续进行一次频谱扫描,得到一帧新的频谱图Mt,并对Mt中每1MHz频带内的频点进行检索:若在某1MHz频带内,功率值高于检测阈值Ath的频点数大于0.3F1MHz,则将1×100阶的二值化频谱模板矩阵Ma对应频点值加1;
重复上述过程T次后,对二值化频谱模板矩阵Ma进行遍历,若Ma中某频点的数值大于Mmin,则将其值置为1,反之则置为0;其中Mmin为常参数;
步骤3:构造1×100阶的WIFI与图传信号频谱模板矩阵MA,初始化为零矩阵,每个频点代表1MHz,100列即代表100MHz;对步骤2中构造的Ma遍历,每当检测到某频点值为1时,就判断从该频点开始的10个频点中所包含0的个数——若0的个数Zn≤1,则认为该位置存在带宽超过10MHz的图传或WIFI信号,则将MA矩阵对应的10个频点都置1;
步骤4:寻找一帧频谱图Mt中所有的有效峰值Pk,并逐个计算有效峰值Pk对应的3dB带宽W3dB:
所述的有效峰值Pk:记某一帧频谱图Mt的第n个频点的功率值为Datan,n∈(2F1MHz,Fs-2F1MHz),若Datan同时满足公式(1.3)、(1.4)、(1.5),则称该Datan是有效峰值,记Datan为Pk,同时记其对应的位置n为lpeak;
ATH≤Datan-2<Datan-1<Datan>Datan+1>Datan+2≥ATH (1.4)
计算帧频谱图Mt中的每个有效峰值Pk对应的3dB带宽W3dB:
其中lleft,lright分别指功率值距0.5Pk最近的两个频谱点的横坐标;
步骤5:连续读取T帧频谱图Mt,利用其中VT帧有效频谱图来构造VT×100阶的二值化跳频检测矩阵MD及1×3阶跳频信号带宽判断矩阵WJ,其中VT≤T;具体过程如下:
若某帧频谱图Mt中某个有效峰值Pk的3dB带宽W3dB∈[0.3,1.6),则对跳频信号带宽判断矩阵的WJ1加1,并将二值化跳频检测矩阵MD对应频点置1;若W3dB∈[1.6,2.7),则对WJ2加1,并将MD对应频点置1;若W3dB∈[2.7,3.7),则将WJ3加1,并将MD对应频点置1;
其中,有效频谱图及有效帧数定义:当某帧频谱图Mt中存在功率值高于检测阈值Ath的频点时,则认为该帧频谱图Mt是有效频谱图;若T帧频谱图共包含VT帧有效频谱图,则记VT为有效帧数;
步骤6:提取二值化跳频检测矩阵MD中包含的跳频次数Ht:
判断是否存在无人机遥控信号:
若VT≥VTmin且Ht≥Htmin,则判断检测到无人机跳频遥控信号,进行步骤7~8;
若VT≥VTmin但Ht≤Htmin,则判断检测到定频干扰信号;显示结果,结束本次无人机识别;
若VT≤VTmin,则判断未检测到无人机遥控信号,显示结果,结束本次无人机识别;
其中VTmin、Htmin均为预设的常参数;
步骤7:构造无人机机型特征矩阵MN(1×100):由步骤1至步骤2计算出二值化频谱模板矩阵Ma及检测阈值Ath;若Ma矩阵值全为0,由步骤4、5可得到二值化跳频检测矩阵及跳频信号带宽判断矩阵WJ,若矩阵某列包含元素“1”,则将MN(1×100)矩阵对应列置1,然后从MN(1×100)提取无人机机型特征参数UAV Parameters;反之,若Ma矩阵值不全为0,则认为当前频谱环境不适合无人机机型特征参数学习,要求更换场地或更改开始学习的时间;
所述的无人机机型特征参数UAV Parameters:包含中心频率fc、跳频信号带宽WH、遍历点数Et及跳频范围最大半径RH四个参数;中心频率fc由先验知识获得、跳频信号带宽WH是指跳频信号带宽判断矩阵WJ中元素最大值对应的列下标、遍历点数Et是指无人机机型特征矩阵MN(1×100)中“1”的总个数、跳频范围最大半径RH可由公式(1.8)获得
RH=max(|PS-50|,|PE-50|) (1.8)
其中PS、PE分别指无人机机型特征矩阵MN(1×100)中“1”出现的起、止位置;
步骤8:将获得的无人机机型特征参数UAVParameters及其机型存入无人机机型特征参数数据库里,在无人机机型特征参数数据库中检索已知的无人机机型特征参数UAVParameters,若检索匹配成功,则直接输出待识别的无人机机型及其机型特性参数,反之则直接输出发现未知无人机。
所述的T为1000。
有益效果
本发明提出基于遥控与图传信号的非法无人机实时监测方法,将天线与接收机采集到的大量的频谱图Mt抽象为二值化频谱矩阵,降低了算法复杂度,并根据频谱图计算出信号频谱检测阈值Ath,从而获取WIFI与图传信号频谱模板矩阵,将其所在频点屏蔽后,可排除较宽带宽干扰信号对无人机高速跳频遥控信号检测的影响,同时还通过对有效峰值的3dB带宽判断来排除的带宽极窄的杂散信号干扰,进一步增强无人机高速跳频遥控信号检测的准确性与可靠性。此外,本发明可以学习出已知无人机机型的特征参数,并建立无人机机型特征参数数据库,以便更准确地识别出非法无人机机型,从而及时采取反制措施,本发明最终取得了令人满意的识别效果。
附图说明
图1:本发明方法识别非法无人机的流程图
(a)背景频谱模板学习算法流程图;
(b)无人机跳频与定频遥控信号检测及机型判断流程图;
(c)无人机机型特征参数学习流程图;
图2:1000帧频谱图检测阈值的折线图
图3:非法无人机识别结果
(a)大疆精灵Ⅲ型识别结果;(b)Futaba T14SG识别结果。
具体实施方式
现结合实施例、附图对本发明作进一步描述:
用于实施的硬件环境是:Core-i5-4210M 2.60GHz双核计算机、4GB内存、940M显卡,运行的软件环境是:Visual Studio 2017、Matlab 2016b和windows 10。采用C++、Matlab程序设计语言实现了本发明提出的新算法。Matlab仿真使用了通过老鹰SG-M506天线、接收机在以中心频率为5.775GHz、扫描频谱带宽为100MHz,录制的十余秒大疆精灵Ⅲ型(DJI PhantomⅢ)无人机高速跳频遥控信号频谱图,其频谱分辨率带宽为25kHz,一帧频谱图共计2381个频谱点(即Fs=2381)。Visual Studio 2017则直接使用了来自相同天线、接收机在多个中心频率下(2.44GHz、5.775GHz)、扫描频谱带宽为100MHz的实测频谱图,共学习并识别了FUTABA T14SG、DJI PhantomⅢ、WFLY07、NE、HUBSAN五种不同型号的无人机高速跳频遥控信号与图传信号。频谱数据单位为dBm。
高速地对中心频率fc附近100MHz频带进行频谱扫描,形成频谱图Mt,同时计算信号频谱检测阈值Ath(该值每秒更新一次),然后将每一帧频谱图Mt中的WIFI与图传信号分离出来,抽象为二值化频谱模板MA,并根据MA将每一帧频谱图中的有效峰值Pk分离出来,抽象为跳频检测时频谱矩阵MD,紧接着由矩阵MD提取跳频次数Ht,从而判断有无无人机跳频遥控信号,最后可通过提取已知无人机机型的特征参数(UAV Parameters),并建立无人机机型特征参数数据库的方法,使得每当检测到存在无人机跳频遥控信号时,就可以通过提取其无人机机型的特征参数(UAV Parameters)并在数据库中检索比对,进而识别出非法无人机机型。重复以上步骤可实现连续识别。
其中,无人机机型特征参数(UAV Parameters)定义见步骤7。频谱图中各频点功率值采用dBm作为单位。
本发明方法的步骤如下:
A.背景频谱模板学习(WIFI与图传信号检测)
步骤1确定信号频谱检测阈值Ath:对中心频率fc附近100MHz进行一次频谱扫描(数据类型为功率,单位为dBm),形成一帧1×Fs阶的频谱图Mt,其中Fs代表扫描100MHz频带内所包含的频谱采样点数。利用公式(1.1)获取频谱的检测阈值Ath。该值每1s更新一次。
其中Ath为该帧频谱图计算出的信号频谱检测阈值,Datan为该帧频谱图中第n个频谱采样点的功率值(单位为dBm),Δth为常参数,取10dBm,代表噪声功率对平均噪声功率的最大偏移量,fc依次取2.44GHz或5.775GHz。
另外,由公式(1.2)可得到每帧频谱图Mt中每1MHz频带内的所包含的频谱点数F1MHz:
本实施例中fc=5.775GHz,Fs=2381,F1MHz=24,ATH=-86.8272dBm。
1000帧频谱图的检测阈值ATH折线图见附图2。
步骤2构造1×100阶二值化频谱模板矩阵Ma(初始化为零矩阵,每个频点代表1MHz,100列即代表100MHz):继续进行一次频谱扫描(扫描方式同步骤1),得到一帧新的频谱图Mt,并对Mt中每1MHz频带内的频点进行检索:若在某1MHz频带内,功率值高于检测阈值Ath的频点数大于0.3F1MHz,则将1×100阶的二值化频谱模板矩阵Ma对应频点值加1。
重复上述过程T次后,对二值化频谱模板矩阵Ma进行遍历,若Ma中某频点的数值大于Mmin(Mmin为常参数),则将其值置为1,反之则置为0。
本实施例中Mmin取20。
步骤3构造1×100阶的WIFI与图传信号频谱模板矩阵MA(初始化为零矩阵,每个频点代表1MHz,100列即代表100MHz):对步骤2中构造的Ma遍历,每当检测到某频点值为1时,就判断从该频点开始的10个频点中所包含0的个数——若0的个数Zn≤1,则认为该位置存在带宽超过10MHz的图传或WIFI信号,反之则认为不存在。
特别地,若检测到带宽超过10MHz的图传或WIFI信号,则将MA矩阵对应的10个频点都置1。
本实施例中MA=[0,0,...,0]1×100,未检测到图传或WIFI信号。
B.无人机跳频与定频遥控信号检测
步骤4寻找一帧频谱图Mt中所有的有效峰值Pk,并逐个计算有效峰值Pk对应的3dB带宽W3dB:
有效峰值Pk定义:记某一帧频谱图Mt的第n个频点的功率值为Datan,n∈(2F1MHz,Fs-2F1MHz),若Datan同时满足公式(1.3)、(1.4)、(1.5),则称该Datan是有效峰值,记Datan为Pk,同时记其对应的位置n为lpeak。
ATH≤Datan-2<Datan-1<Datan>Datan+1>Datan+2≥ATH (1.4)
由公式(1.6)可得到此帧频谱图Mt中的每个有效峰值Pk对应的3dB带宽W3dB:
其中lleft,lright分别指功率值距0.5Pk最近的两个频谱点的横坐标。
本实施例中,Fs=2381,F1MHz=24。
步骤5构造VT×100阶的二值化跳频检测矩阵MD,并构造1×3阶跳频信号带宽判断矩阵WJ:连续读取T帧频谱图Mt,利用其中VT帧(VT≤T)有效频谱图来构造VT×100阶的二值化跳频检测矩阵MD及1×3阶跳频信号带宽判断矩阵WJ,具体过程如下:
若某帧频谱图Mt中某个有效峰值Pk的3dB带宽W3dB∈[0.3,1.6),则对跳频信号带宽判断矩阵的WJ1加1,并将二值化跳频检测矩阵MD对应频点置1;
若W3dB∈[1.6,2.7),则对WJ2加1,并将MD对应频点置1;若W3dB∈[2.7,3.7),则将WJ3加1,并将MD对应频点置1;特别地,若W3dB∈[0,0.3)∪[3.7,+∞],则忽略该有效峰值Pk。
其中,有效频谱图及有效帧数定义:当某帧频谱图Mt中存在功率值高于检测阈值Ath的频点时,则认为该帧频谱图Mt是有效频谱图。特别地,若T帧频谱图共包含VT帧(VT≤T)有效频谱图,则记VT为有效帧数。
本实施例中,VT=60、WJ=[49 7 1]。
步骤6跳频次数Ht特征提取(初始化为零),并识别是否存在无人机遥控信号:由公式(1.7)可提取二值化跳频检测矩阵MD中包含的跳频次数Ht,
是否存在无人机遥控信号判断标准如下:
若VT≥VTmin且Ht≥Htmin,则判断检测到无人机跳频遥控信号;
若VT≥VTmin但Ht≤Htmin,则判断检测到定频干扰信号;
若VT≤VTmin,则判断未检测到无人机遥控信号;
本实施例中,VTmin=10,Htmin=8,因为VT=60,Ht=58,所以判断结果为“检测到无人机跳频遥控信号”;
C.无人机机型特征参数学习及机型判断
步骤7构造无人机机型特征矩阵MN(1×100),并对其进行无人机机型特征参数(UAVParameters)提取与学习:
构造无人机机型特征矩阵MN(1×100)(初始化为零)的方法:由步骤1至步骤2计算出二值化频谱模板矩阵Ma及检测阈值Ath。若Ma矩阵值全为0,由步骤4、5可得到二值化跳频检测矩阵及跳频信号带宽判断矩阵WJ,
若矩阵某列包含元素“1”,则将MN(1×100)矩阵对应列置1,然后从MN(1×100)提取无人机机型特征参数(UAV Parameters,定义如下),并将获得的无人机机型特征参数(UAV Parameters)及其机型存入无人机机型特征参数数据库里,即完成了无人机机型特征参数(UAV Parameters)的学习。反之,若Ma矩阵值不全为0,则认为当前频谱环境不适合无人机机型特征参数学习,要求更换场地或更改开始学习的时间。
无人机机型特征参数(UAV Parameters)定义:包含中心频率fc、跳频信号带宽WH、遍历点数Et及跳频范围最大半径RH四个参数。中心频率fc由先验知识获得,通常取2.44GHz或5.775GHz、跳频信号带宽WH是指跳频信号带宽判断矩阵WJ中元素最大值对应的列下标(单位为MHz)、遍历点数Et是指无人机机型特征矩阵MN(1×100)中“1”的总个数,跳频范围最大半径RH可由公式(1.8)获得
RH=max(|PS-50|,|PE-50|) (1.8)
其中PS、PE分别指无人机机型特征矩阵MN(1×100)中“1”出现的起、止位置。
本实施例学习到的DJI PlantomⅢ型无人机各项跳频参数为:fc=5.775GHz,Et=44,WH=1,PS=13,PE=90,RH=21。
步骤8对无人机机型进行识别:
若步骤6中检测到了无人机跳频遥控信号,可根据步骤7中无人机机型特征参数(UAV Parameters)的定义,获得该无人机跳频遥控信号对应的无人机机型特征参数(UAVParameters),并由此在无人机机型特征参数数据库中检索已知的无人机机型特征参数(UAV Parameters)——若检索匹配成功,则直接输出待识别的无人机机型及其机型特性参数,反之则直接输出发现未知无人机。
特别地,若步骤6中未检测到无人机跳频遥控信号,则跳过步骤8,直接显示步骤6中的判断结果,结束此次无人机识别,并重复以上各个步骤,开始下一次无人机识别。本实施例识别结果为“检测到DJI PlantomⅢ无人机,其fc=5.775GHz,Et=44,WH=1,PS=13,PE=90,RH=21”
为了检验方法的普适性与实时性,在Visual Studio 2017上用C++语言重新实现了该方法并将其嵌入了无线电频谱监测测试软件中,在有1-2个WIFI及信号杂散的干扰下,重复步骤1-8,参与测试的FUTABA T14SG、DJI PhantomⅢ、WFLY07、NE、HUBSAN五种不同型号、不同跳频方式的无人机,均能被快速稳定的学习并识别到,学习结果见表1(学习帧数T设置在1001),识别的结果见附图3。
在本次实验设备的条件下,当环境中存在杂散信号或1-2个WIFI等较强的干扰信号时,依然能准确实时地识别出非法无人机图传信号、高速跳频遥控信号,从而识别出非法无人机及其机型,与现有方法相比有较强的可靠性与抗干扰性。
表1学习到的不同型号无人机的跳频参数
注:因学习次数有限、不同频谱分辨率下存在一定的偏差,为保证能准确识别无人机型号,将RH及RH±1三个值均作为有效值。
Claims (2)
1.一种基于遥控与图传信号的非法无人机识别方法,其特征在于步骤如下:
步骤1:对中心频率fc附近100MHz进行一次频谱扫描,形成一帧1×Fs阶的频谱图Mt,其中Fs代表扫描100MHz频带内所包含的频谱采样点数;计算频谱的检测阈值Ath:
其中Ath为该帧频谱图计算出的信号频谱检测阈值,该值每1s更新一次;Datan为该帧频谱图中第n个频谱采样点的功率值,Δth为常参数,代表噪声功率对平均噪声功率的最大偏移量;
计算每帧频谱图Mt中每1MHz频带内的所包含的频谱点数F1MHz:
步骤2:构造1×100阶二值化频谱模板矩阵Ma,初始化为零矩阵,每个频点代表1MHz,100列即代表100MHz;采用步骤1的扫描方式继续进行一次频谱扫描,得到一帧新的频谱图Mt,并对Mt中每1MHz频带内的频点进行检索:若在某1MHz频带内,功率值高于检测阈值Ath的频点数大于0.3F1MHz,则将1×100阶的二值化频谱模板矩阵Ma对应频点值加1;
重复上一段过程T次后,对二值化频谱模板矩阵Ma进行遍历,若Ma中某频点的数值大于Mmin,则将其值置为1,反之则置为0;其中Mmin为常参数;
步骤3:构造1×100阶的WIFI与图传信号频谱模板矩阵MA,初始化为零矩阵,每个频点代表1MHz,100列即代表100MHz;对步骤2中构造的Ma遍历,每当检测到某频点值为1时,就判断从该频点开始的10个频点中所包含0的个数,若0的个数Zn≤1,则认为该频点位置存在带宽超过10MHz的图传或WIFI信号,则将MA矩阵对应的10个频点都置1;
步骤4:寻找一帧频谱图Mt中所有的有效峰值Pk,并逐个计算有效峰值Pk对应的3dB带宽W3dB:
所述的有效峰值Pk:记某一帧频谱图Mt的第n个频点的功率值为Datan,n∈(2F1MHz,Fs-2F1MHz),若Datan同时满足公式(1.3)、(1.4)、(1.5),则称该Datan是有效峰值,记Datan为Pk,同时记其对应的位置n为lpeak;
Ath≤Datan-2<Datan-1<Datan>Datan+1>Datan+2≥Ath (1.4)
计算帧频谱图Mt中的每个有效峰值Pk对应的3dB带宽W3dB:
其中lleft,lright分别指功率值距0.5Pk最近的两个频谱点的横坐标;
步骤5:连续读取T帧频谱图Mt,利用其中VT帧有效频谱图来构造VT×100阶的二值化跳频检测矩阵MD及1×3阶跳频信号带宽判断矩阵WJ,其中VT≤T;具体过程如下:
若某帧频谱图Mt中某个有效峰值Pk的3dB带宽W3dB∈[0.3,1.6),则对跳频信号带宽判断矩阵的WJ1加1,并将二值化跳频检测矩阵MD对应频点置1;若W3dB∈[1.6,2.7),则对WJ2加1,并将MD对应频点置1;若W3dB∈[2.7,3.7),则将WJ3加1,并将MD对应频点置1;
其中,有效频谱图及有效帧数定义:当某帧频谱图Mt中存在功率值高于检测阈值Ath的频点时,则认为该帧频谱图Mt是有效频谱图;若T帧频谱图共包含VT帧有效频谱图,则记VT为有效帧数;
步骤6:提取二值化跳频检测矩阵MD中包含的跳频次数Ht:
判断是否存在无人机遥控信号:
若VT>VTmin且Ht>Htmin,则判断检测到无人机跳频遥控信号,进行步骤7~8;
若VT>VTmin但Ht≤Htmin,则判断检测到定频干扰信号;显示结果,结束本次无人机识别;
若VT≤VTmin,则判断未检测到无人机遥控信号,显示结果,结束本次无人机识别;
其中VTmin、Htmin均为预设的常参数;
步骤7:构造无人机机型特征矩阵MN(1×100):由步骤1至步骤2计算出二值化频谱模板矩阵Ma及检测阈值Ath;若Ma矩阵值全为0,由步骤4、5可得到二值化跳频检测矩阵及跳频信号带宽判断矩阵WJ,若矩阵某列包含元素“1”,则将MN(1×100)矩阵对应列置1,然后从MN(1×100)提取无人机机型特征参数UAV Parameters;反之,若Ma矩阵值不全为0,则认为当前频谱环境不适合无人机机型特征参数学习,要求更换场地或更改开始学习的时间;
所述的无人机机型特征参数UAV Parameters:包含中心频率fc、跳频信号带宽WH、遍历点数Et及跳频范围最大半径RH四个参数;中心频率fc由先验知识获得、跳频信号带宽WH是指跳频信号带宽判断矩阵WJ中元素最大值对应的列下标、遍历点数Et是指无人机机型特征矩阵MN(1×100)中“1”的总个数、跳频范围最大半径RH可由公式(1.8)获得
RH=max(|PS-50|,|PE-50|) (1.8)
其中PS、PE分别指无人机机型特征矩阵MN(1×100)中“1”出现的起、止位置;
步骤8:将获得的无人机机型特征参数UAV Parameters及其机型存入无人机机型特征参数数据库里,在无人机机型特征参数数据库中检索已知的无人机机型特征参数UAVParameters,若检索匹配成功,则直接输出待识别的无人机机型及其机型特性参数,反之则直接输出发现未知无人机。
2.根据权利要求1所述的一种基于遥控与图传信号的非法无人机识别方法,其特征在于所述的T为1000。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810426252.9A CN108768562B (zh) | 2018-05-07 | 2018-05-07 | 一种基于遥控与图传信号的非法无人机识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810426252.9A CN108768562B (zh) | 2018-05-07 | 2018-05-07 | 一种基于遥控与图传信号的非法无人机识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108768562A CN108768562A (zh) | 2018-11-06 |
CN108768562B true CN108768562B (zh) | 2020-10-27 |
Family
ID=64009901
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810426252.9A Active CN108768562B (zh) | 2018-05-07 | 2018-05-07 | 一种基于遥控与图传信号的非法无人机识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108768562B (zh) |
Families Citing this family (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110417421B (zh) * | 2019-01-02 | 2021-07-13 | 成都华日通讯技术股份有限公司 | 一种无人机遥控器侦测系统及其侦测方法 |
CN109981192B (zh) * | 2019-04-08 | 2020-12-15 | 南京利是德电子科技有限公司 | 一种空域反黑飞无人机的频谱监测方法 |
CN110958200A (zh) * | 2019-12-06 | 2020-04-03 | 成都华日通讯技术有限公司 | 一种基于无线电特征提取的无人机识别方法 |
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 |
CN111161756B (zh) * | 2020-02-13 | 2022-05-31 | 北京天泽智云科技有限公司 | 风机叶片扫风声音信号中异常哨声轮廓的提取及识别方法 |
CN111600824B (zh) * | 2020-04-22 | 2023-04-07 | 中国人民解放军战略支援部队信息工程大学 | 一种无人机的图传信号识别方法与装置 |
GB2602795B (en) * | 2021-01-07 | 2023-07-26 | Drone Defence Services Ltd | A method of detecting UAVs |
CN113518374B (zh) * | 2021-04-13 | 2023-02-07 | 北京航空航天大学 | Wifi干扰下无人机图传信号的射频识别方法 |
CN114696922B (zh) * | 2022-02-22 | 2023-06-09 | 电子科技大学 | 一种适用于无人机通信的跳频信号检测方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104468001A (zh) * | 2014-11-26 | 2015-03-25 | 北京邮电大学 | 基于无线电信号频谱特征模板的信号识别方法及系统 |
WO2017139001A3 (en) * | 2015-11-24 | 2017-09-21 | Droneshield, Llc | Drone detection and classification with compensation for background clutter sources |
CN107748862A (zh) * | 2017-09-21 | 2018-03-02 | 清华大学 | 一种基于双频雷达信号时频分布的无人机分类方法及装置 |
CN107911183A (zh) * | 2017-11-23 | 2018-04-13 | 成都中星世通电子科技有限公司 | 一种基于实时信号特征分析的无人机识别方法及系统 |
-
2018
- 2018-05-07 CN CN201810426252.9A patent/CN108768562B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104468001A (zh) * | 2014-11-26 | 2015-03-25 | 北京邮电大学 | 基于无线电信号频谱特征模板的信号识别方法及系统 |
WO2017139001A3 (en) * | 2015-11-24 | 2017-09-21 | Droneshield, Llc | Drone detection and classification with compensation for background clutter sources |
CN107748862A (zh) * | 2017-09-21 | 2018-03-02 | 清华大学 | 一种基于双频雷达信号时频分布的无人机分类方法及装置 |
CN107911183A (zh) * | 2017-11-23 | 2018-04-13 | 成都中星世通电子科技有限公司 | 一种基于实时信号特征分析的无人机识别方法及系统 |
Non-Patent Citations (3)
Title |
---|
Detection, localization, and tracking of unauthorized UAS and Jammers;İsmail Güvenç等;《2017 IEEE/AIAA 36th Digital Avionics Systems Conference (DASC)》;20171109;第1-10页 * |
Drone Pilot Identification by ClassifyingRadio-Control Signals;Abdulhadi Shoufan等;《IEEE Transactions on Information Forensics and Security》;20180323;第13卷(第10期);第1-9页 * |
机扫无源无人机探测系统;李桂庚等;《信息通信》;20180430;第88-90页 * |
Also Published As
Publication number | Publication date |
---|---|
CN108768562A (zh) | 2018-11-06 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108768562B (zh) | 一种基于遥控与图传信号的非法无人机识别方法 | |
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 | |
CN108846835B (zh) | 基于深度可分离卷积网络的图像变化检测方法 | |
CN104966085B (zh) | 一种基于多显著特征融合的遥感图像感兴趣区域检测方法 | |
Ozturk et al. | RF-based low-SNR classification of UAVs using convolutional neural networks | |
CN115620212B (zh) | 一种基于监控视频的行为识别方法及系统 | |
CN102445640A (zh) | 基于向量机和人工鱼群优化的gis设备智能识别方法 | |
CN110675395A (zh) | 输电线路智能在线监测方法 | |
CN101515326A (zh) | 一种适用于识别和检测大空间火灾火焰的方法 | |
CN111709329B (zh) | 一种基于深度学习的无人机测控信号高速识别方法 | |
CN101794437B (zh) | 一种高光谱遥感影像异常探测方法 | |
CN110610123A (zh) | 一种多目标车辆检测方法、装置、电子设备及存储介质 | |
CN112052878B (zh) | 一种雷达的遮挡识别的方法、装置及存储介质 | |
CN111896941B (zh) | 一种雷达数据的目标轨迹确定方法及装置 | |
KR101765239B1 (ko) | 광대역 다채널 수신기에서 채널간 간섭에 의한 오탐지 쇼트 펄스 pdw 제거 방법 및 장치 | |
CN114092748B (zh) | Sar无意识干扰检测方法、装置、设备和介质 | |
CN111046025B (zh) | 无人机信号探测方法及装置 | |
CN105374029A (zh) | 变电站设备红外图像感兴趣区域的分割方法及系统 | |
CN110764152A (zh) | 一种无人机快速检测与识别的装置及方法 | |
CN109035199B (zh) | 高光谱数据端元提取方法、存储介质和电子设备 | |
CN109271902B (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 | |
Prasad et al. | A classification algorithm for blind UAV detection in wideband RF systems | |
CN114841218B (zh) | 一种语音啸叫检测算法 | |
CN109859200B (zh) | 一种基于背景分析的低空慢速无人机快速检测方法 | |
CN115184744B (zh) | 一种基于Faster-RCNN的GIS特高频放电信号检测装置及方法 |
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 |