CN109614930A - 一种基于深度学习的无人机频谱探测方法 - Google Patents
一种基于深度学习的无人机频谱探测方法 Download PDFInfo
- Publication number
- CN109614930A CN109614930A CN201811510551.7A CN201811510551A CN109614930A CN 109614930 A CN109614930 A CN 109614930A CN 201811510551 A CN201811510551 A CN 201811510551A CN 109614930 A CN109614930 A CN 109614930A
- Authority
- CN
- China
- Prior art keywords
- unmanned plane
- signal
- data
- deep learning
- detection method
- 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.)
- Pending
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
- G06F2218/12—Classification; Matching
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
Abstract
本发明公开了一种基于深度学习的无人机频谱探测方法,其步骤包括:步骤S1、无人机信号训练集采集;步骤S2、无人机信号预处理;步骤S3、构建用于频谱感知的多层卷积神经网络模型,利用卷积神经网络提取特征,通过多级卷积层,池化层提取多级信号特征;步骤S4、利用步骤S2中的样本对步骤S3中构建的卷积神经网络模型进行训练;步骤S5、在线探测阶段;利用训练之后的卷积神经网络模型来进行是否是无人机信号的判断,实现无人机频谱的探测。本发明具有原理简单、操作简便、可实现无人机的快速精确报警等优点。
Description
技术领域
本发明主要涉及到无人机探测技术领域,特指一种基于深度学习的无人机频谱探测方法。
背景技术
目前无人机使用范围越来越广泛,已经成为了各个行业的专业设备、生活工具,使得可以极大的节省工作时间,提高工作效率。但在某些重点区域,比如机场、监狱、政府部门等,无人机给这些敏感区域带来了安全隐患。无人机可以走私毒品和武器,窥探隐私,影响飞机起落。因此需要对空中无人机探测,提前虚警。
针对对无人机的探测,由于传统的雷达探测识别能力差,环境适应能力差,目前主流采用频谱被动探测技术实现无人机和操控者的探测和定型,但无人机的通信频段,通信模式等差异很大,需要通过频谱探测的方法实现对多频段,多模式,自适应跳频的无人机通信实现稳定探测是目前行业面临的问题。
由于市面上无人机种类越来越多,无人机信号种类越来越多,信号特征变得越来越复杂。常见无人机信号是一种 OFDM 调制的跳频信号,信号脉冲较宽,频谱复杂,其载波频率在一定范围内跳变,信号带宽范围亦可改变,且无人机信号处于 2.4GHz、 5.8GHz 等开放频段,电磁环境复杂,空间存在许多功率较强的干扰和噪声以及多径杂波等,信号的信噪比一般很低。
传统的无人机检测方式为:先分析好无人机通信特征,构建无人机特征库,但却无法满足实际的应用需求。现有方法的步骤为:
S1:先采集无人机信号;
S2:FFT分析无人机信号频谱;
S3:在频域提取无人机信号载波频率Fc,功率P以及信号带宽BW;
S4:保存已知信号的上述特征值为特征库文件;
S5:探测设备采集无人机信号,提取上述特征值;
S6:与特征库进行比对,如果与上述特征有强匹配性则判断检测到无人机。
由上可知,上述传统无人机检测方法有以下缺点:
a)构建无人机特征库速度慢;
b)无人机信号多样性,造成提取无人机信号特征困难;
c)人工提取无人机信号特征少,复杂电磁环境下,误报比较多。
发明内容
本发明要解决的技术问题就在于:针对现有技术存在的技术问题,本发明提供一种原理简单、操作简便、可实现实现无人机的快速精确报警的基于深度学习的无人机频谱探测方法。
为解决上述技术问题,本发明采用以下技术方案:
一种基于深度学习的无人机频谱探测方法,其步骤包括:
步骤S1、无人机信号训练集采集;
步骤S2、无人机信号预处理;
步骤S3、构建用于频谱感知的多层卷积神经网络模型,利用卷积神经网络提取特征,通过多级卷积层,池化层提取多级信号特征;
步骤S4、利用步骤S2中的样本对步骤S3中构建的卷积神经网络模型进行训练;
步骤S5、在线探测阶段;利用训练之后的卷积神经网络模型来进行是否是无人机信号的判断,实现无人机频谱的探测。
作为本发明的进一步改进:所述步骤S3中池化层在卷积层后面成对出现,卷积层对信号特征进行提取,池化层对卷积输出的特征图一方面进行压缩,另一方面进行特征压缩,提取主要特征。
作为本发明的进一步改进:所述步骤S4中训练的过程就是在具有合适的网络结构前提下,用已知的模式使卷积网络具有输入输出对之间映射能力的过程。
作为本发明的进一步改进:所述步骤S5中,测试集数据通过数据预处理,卷积神经网络特征提取,Softmax分类,输出分类结果来判断是否是无人机信号,实现无人机频谱的探测。
作为本发明的进一步改进:所述步骤S2的具体流程为:帧分割、帧筛选、数据平滑、图像归一化。
作为本发明的进一步改进:所述帧分割是指采用大小比已知信号带宽稍大的滑动窗从信号扫描数据中自动截取出多帧信号频谱数据。
作为本发明的进一步改进:所述帧筛选是指将帧均值V小于阈值R的信号帧判为无信号帧并舍弃。
作为本发明的进一步改进:所述数据平滑指将留下的信号帧进行滤波,将连续 N 个无线电信号采样值作为一个队列,固定队列的长度为 N,根据先进先出原则将一个新数据放入队尾,并丢掉队首的一个数据,计算队列中的 N 个数据的算术平均值。
作为本发明的进一步改进:所述图像归一化是指将频谱数据中映射为2 维图片矩阵并处理为统一大小M*M。
与现有技术相比,本发明的优点在于:
本发明的一种基于深度学习的无人机频谱探测方法,原理简单、操作简便、可实现实现无人机的快速精确报警,其利用深度学习技术对无人机通信频谱数据进行细粒度特征分析,形成无人机匹配模型库,通过对无人机数据模型匹配,实现精准探测;其中无人机数据模型是采集真实无人机通信数据,多次学习提出得到。本发明针对无人机通信自适应跳频的特征,通过累积学习无人机信号整个频谱内各个样式的型号,实现无人机信号的精确报警,为进一步对无人机和遥控器操控者测向提供基础。
附图说明
图1是本发明方法的流程示意图。
图2是本发明在具体应用实例中进行信号预处理的流程示意图。
图3是本发明在具体应用实例中采用多层卷积神经网络模型的示意图。
具体实施方式
以下将结合说明书附图和具体实施例对本发明做进一步详细说明。
如图1所示,本发明的一种基于深度学习的无人机频谱探测方法,其步骤包括:
步骤S1、无人机信号训练集采集;
步骤S2、无人机信号预处理;
步骤S3、构建用于频谱感知的多层卷积神经网络模型,利用卷积神经网络提取特征,通过多级卷积层,池化层提取多级信号特征。其中,池化层在卷积层后面成对出现,卷积层对信号特征进行提取,池化层对卷积输出的特征图一方面进行压缩,简化计算复杂度,另一方面进行特征压缩,提取主要特征(参见图3所示)。
步骤S4、利用步骤S2中的样本对步骤S3中构建的卷积神经网络模型进行训练;训练的过程就是在具有合适的网络结构前提下,用已知的模式使卷积网络具有输入输出对之间映射能力的过程。
步骤S5、在线探测阶段;测试集数据通过数据预处理,卷积神经网络特征提取,Softmax分类,输出分类结果来判断是否是无人机信号,实现无人机频谱的探测。
由于传统 CNN卷积神经网络(Convolutional Neural Networks,简称CNN)中是将原始 2 维图像直接作为输入,频谱数据通常由全频段频谱扫描得到,数据量大并且携带着的大量噪声在频谱上形成细小“毛刺”。为了减少数据量,同时突出无线电信号的形状特征,提高搜索系统的实时性以及准确性,对原始信号进行预处理十分必要。
因此,在具体应用实例,参见图2,上述步骤S2的具体流程为:帧分割、帧筛选、数据平滑、图像归一化,即:
步骤S201、帧分割;指采用大小比已知信号带宽稍大的滑动窗从信号扫描数据中自动截取出多帧信号频谱数据;
步骤S202、帧筛选;指为了进一步减少数据量提高处理速度,将帧均值V小于阈值R的信号帧判为无信号帧并舍弃;
步骤S203、数据平滑;指将留下的信号帧进行滤波,减少“毛刺”带来的额外计算量,将连续 N 个无线电信号采样值作为一个队列,固定队列的长度为 N,根据先进先出原则将一个新数据放入队尾,并丢掉队首的一个数据,计算队列中的 N 个数据的算术平均值。
步骤S204、图像归一化;指将频谱数据中映射为2 维图片矩阵并处理为统一大小M*M。
本发明结合深度学习(卷积神经网络),通过累积全面学习无人机的信号频谱特征,可覆盖识别无人机的所有通信信号。
本发明在一个具体应用实例中,结合图1、图2和图3,详细流程为:
S100、训练集数据,通过100Mhz带宽接收机采集无人机2.4-2.48Ghz频段内信号,每个文件采集时长90ms。
S200、首先对每个文件时域信号做FFT(傅里叶变化),得到100Mhz带宽频谱信号,假定无人机信号带宽<10Mhz,我们按20Mhz带宽对采集数据进行帧分割,每帧交叠区域为10Mhz,共分为为7帧数据。对每一帧数据进行频谱求和M,如果M小于阈值R,则丢掉。针对每一帧数据,将连续5个无线电信号采样值作为一个队列,固定队列的长度为 5,根据先进先出原则将一个新数据放入队尾,并丢掉队首的一个数据,计算队列中的 5个数据的算术平均值。将处理后的帧数据频谱转化为64×64图片大小。
S300、构建用于频谱感知的多层卷积神经网络模型;
譬如,构建2层卷积神经网络模型,其包括依次连接的第一卷积层、激励层(线性纠正单元ReLu)、第一池化层、第二卷积层、ReLu、第二池化层、全连接层、ReLu、全连接层、Softmax层。
为了减少算法复杂度,采用2层卷积,第一层使用6个5× 5卷积层,第二层使用12个5×5卷积层,来提取输入数据的空间特征。
ReLu层引入非线性激励函数对非线性数据特征进行分类。即当ReLU层的输入为x,输出为max(x ,0),对于ReLU而言,若输入大于0,则输出与输入相等,否则输出为0。使用ReLU 函数,输出不会随着输入的逐渐增加而趋于饱和。
把每帧的64×64数据矩阵,对每个次用户感知数据第一卷积层使用6个5× 5大小的卷积核,对输入图像进行卷积运算以提取特征,得到该层的6个60× 60特征图;第一采样层对第一卷积层中每个特征图的5×5邻域 取平均值以进行下采样,得到6个30×30大小的特征图;第二卷积层使用12个5×5大小的卷积输出12个26×26特征图,第二池化层对第二卷积层中每个特征图的2×2邻域取平均值以进行采样,得到12个13×13大小的特征图。全连接层的输入为将第 三采样层的所有特征图全部展开而形成的1×169行向量。
上述操作中,CNN网络的卷积层提取输入数据的空间特征,线性纠正单元(ReLu)引入非线性激励函数对非线性数据特征进行分类,池化层进行二次特征提取后,全连接层把分布式特征表示映射到样本标记空间,全连接层的输出值被传递给Softmax层进行分类,该层处理之后把结果传递给输出层,得到经过CNN网络训练之后的频谱探测模型。
S400、利用预处理后的样本对构建的卷积神经网络模型进行训练。
把构建好的卷积神经网络模型中各层的权值参数和卷积核中元素值初始化为[-0.05,0.05]区间中的随机有限小数,且偏置参数均初始化为零,设定CNN模型的迭代次数为500,对卷积神经网络模型进行迭代训练。每次迭代中,随机将每25个样本编为1组,每组样本通过CNN网络模型得到类别输出后,便调整一次网络各层的权值参数、卷积核中元素值及偏置参数。当卷积神经网络模型完成500次迭代后停止,完成CNN网络训练,得到无人机频谱的特征分类。
S500、在线探测阶段,通过预处理后得到每帧的数据,输入CNN网络模型,进行分类识别,若其输入与训练特征相关性高于85%,则可判断检测到无人机。
以上仅是本发明的优选实施方式,本发明的保护范围并不仅局限于上述实施例,凡属于本发明思路下的技术方案均属于本发明的保护范围。应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明原理前提下的若干改进和润饰,应视为本发明的保护范围。
Claims (9)
1.一种基于深度学习的无人机频谱探测方法,其特征在于,步骤包括:
步骤S1、无人机信号训练集采集;
步骤S2、无人机信号预处理;
步骤S3、构建用于频谱感知的多层卷积神经网络模型,利用卷积神经网络提取特征,通过多级卷积层,池化层提取多级信号特征;
步骤S4、利用步骤S2中的样本对步骤S3中构建的卷积神经网络模型进行训练;
步骤S5、在线探测阶段;利用训练之后的卷积神经网络模型来进行是否是无人机信号的判断,实现无人机频谱的探测。
2.根据权利要求1所述的基于深度学习的无人机频谱探测方法,其特征在于,所述步骤S3中池化层在卷积层后面成对出现,卷积层对信号特征进行提取,池化层对卷积输出的特征图一方面进行压缩,另一方面进行特征压缩,提取主要特征。
3.根据权利要求1所述的基于深度学习的无人机频谱探测方法,其特征在于,所述步骤S4中训练的过程就是在具有合适的网络结构前提下,用已知的模式使卷积网络具有输入输出对之间映射能力的过程。
4.根据权利要求1所述的基于深度学习的无人机频谱探测方法,其特征在于,所述步骤S5中,测试集数据通过数据预处理,卷积神经网络特征提取,Softmax分类,输出分类结果来判断是否是无人机信号,实现无人机频谱的探测。
5.根据权利要求1-4中任意一项所述的基于深度学习的无人机频谱探测方法,其特征在于,所述步骤S2的具体流程为:帧分割、帧筛选、数据平滑、图像归一化。
6.根据权利要求5所述的基于深度学习的无人机频谱探测方法,其特征在于,所述帧分割是指采用大小比已知信号带宽稍大的滑动窗从信号扫描数据中自动截取出多帧信号频谱数据。
7.根据权利要求5所述的基于深度学习的无人机频谱探测方法,其特征在于,所述帧筛选是指将帧均值V小于阈值R的信号帧判为无信号帧并舍弃。
8.根据权利要求5所述的基于深度学习的无人机频谱探测方法,其特征在于,所述数据平滑指将留下的信号帧进行滤波,将连续 N 个无线电信号采样值作为一个队列,固定队列的长度为 N,根据先进先出原则将一个新数据放入队尾,并丢掉队首的一个数据,计算队列中的 N 个数据的算术平均值。
9.根据权利要求5所述的基于深度学习的无人机频谱探测方法,其特征在于,所述图像归一化是指将频谱数据中映射为2 维图片矩阵并处理为统一大小M*M。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811510551.7A CN109614930A (zh) | 2018-12-11 | 2018-12-11 | 一种基于深度学习的无人机频谱探测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811510551.7A CN109614930A (zh) | 2018-12-11 | 2018-12-11 | 一种基于深度学习的无人机频谱探测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109614930A true CN109614930A (zh) | 2019-04-12 |
Family
ID=66007826
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811510551.7A Pending CN109614930A (zh) | 2018-12-11 | 2018-12-11 | 一种基于深度学习的无人机频谱探测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109614930A (zh) |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111431644A (zh) * | 2020-03-24 | 2020-07-17 | 南京航空航天大学 | 面向频谱认知的无人机路径自主规划装置及方法 |
CN111639595A (zh) * | 2020-05-29 | 2020-09-08 | 桂林电子科技大学 | 基于权重不可知神经网络的无人机微动特征信号检测方法 |
CN111884740A (zh) * | 2020-06-08 | 2020-11-03 | 江苏方天电力技术有限公司 | 基于频谱认知的无人机信道优化分配方法和系统 |
CN112348006A (zh) * | 2021-01-11 | 2021-02-09 | 湖南星空机器人技术有限公司 | 一种无人机信号识别方法、系统、介质及设备 |
CN113542180A (zh) * | 2021-06-30 | 2021-10-22 | 北京频谱视觉科技有限公司 | 一种无线电信号的频域识别方法 |
CN115308813A (zh) * | 2022-10-10 | 2022-11-08 | 成都本原聚能科技有限公司 | 基于深度学习的双定向天线飞行器侦测系统及方法 |
CN115859056A (zh) * | 2022-12-29 | 2023-03-28 | 湖南华诺星空电子技术有限公司 | 一种基于神经网络的无人机目标检测方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107301381A (zh) * | 2017-06-01 | 2017-10-27 | 西安电子科技大学昆山创新研究院 | 基于深度学习和多任务学习策略的雷达辐射源识别方法 |
CN107995628A (zh) * | 2017-12-18 | 2018-05-04 | 北京工业大学 | 一种深度学习的认知无线网络多用户协作频谱感知方法 |
CN108446631A (zh) * | 2018-03-20 | 2018-08-24 | 北京邮电大学 | 基于卷积神经网络的深度学习的智能频谱图分析方法 |
-
2018
- 2018-12-11 CN CN201811510551.7A patent/CN109614930A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107301381A (zh) * | 2017-06-01 | 2017-10-27 | 西安电子科技大学昆山创新研究院 | 基于深度学习和多任务学习策略的雷达辐射源识别方法 |
CN107995628A (zh) * | 2017-12-18 | 2018-05-04 | 北京工业大学 | 一种深度学习的认知无线网络多用户协作频谱感知方法 |
CN108446631A (zh) * | 2018-03-20 | 2018-08-24 | 北京邮电大学 | 基于卷积神经网络的深度学习的智能频谱图分析方法 |
Non-Patent Citations (1)
Title |
---|
何元利等: "基于卷积神经网络的无线电信号搜索", 《兵工自动化》 * |
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111431644A (zh) * | 2020-03-24 | 2020-07-17 | 南京航空航天大学 | 面向频谱认知的无人机路径自主规划装置及方法 |
CN111431644B (zh) * | 2020-03-24 | 2022-06-10 | 南京航空航天大学 | 面向频谱认知的无人机路径自主规划装置及方法 |
CN111639595A (zh) * | 2020-05-29 | 2020-09-08 | 桂林电子科技大学 | 基于权重不可知神经网络的无人机微动特征信号检测方法 |
CN111639595B (zh) * | 2020-05-29 | 2022-03-18 | 桂林电子科技大学 | 基于权重不可知神经网络的无人机微动特征信号检测方法 |
CN111884740A (zh) * | 2020-06-08 | 2020-11-03 | 江苏方天电力技术有限公司 | 基于频谱认知的无人机信道优化分配方法和系统 |
CN112348006A (zh) * | 2021-01-11 | 2021-02-09 | 湖南星空机器人技术有限公司 | 一种无人机信号识别方法、系统、介质及设备 |
CN113542180A (zh) * | 2021-06-30 | 2021-10-22 | 北京频谱视觉科技有限公司 | 一种无线电信号的频域识别方法 |
CN115308813A (zh) * | 2022-10-10 | 2022-11-08 | 成都本原聚能科技有限公司 | 基于深度学习的双定向天线飞行器侦测系统及方法 |
CN115308813B (zh) * | 2022-10-10 | 2023-08-22 | 成都本原聚能科技有限公司 | 基于深度学习的双定向天线无人机侦测系统及方法 |
CN115859056A (zh) * | 2022-12-29 | 2023-03-28 | 湖南华诺星空电子技术有限公司 | 一种基于神经网络的无人机目标检测方法 |
CN115859056B (zh) * | 2022-12-29 | 2023-09-15 | 华诺星空技术股份有限公司 | 一种基于神经网络的无人机目标检测方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109614930A (zh) | 一种基于深度学习的无人机频谱探测方法 | |
CN110334591A (zh) | 一种基于聚类分析的无人机跳频信号检测及识别方法 | |
Wu et al. | Jamming signals classification using convolutional neural network | |
CN105678273B (zh) | 射频指纹识别技术瞬态信号的起始点检测算法 | |
CN106789788B (zh) | 一种无线数字信号调制方式识别方法及装置 | |
Arshad et al. | Leveraging transfer learning in multiple human activity recognition using WiFi signal | |
CN104135327A (zh) | 基于支持向量机的频谱感知方法 | |
CN108919203B (zh) | 一种雷达有源干扰的识别方法及系统 | |
CN107729916A (zh) | 一种基于isodata的干扰源分类识别算法及装置 | |
CN116866129A (zh) | 一种无线通信信号检测方法 | |
CN108090462A (zh) | 一种基于盒维数的辐射源指纹特征提取方法 | |
Ye et al. | A new frequency hopping signal detection of civil UAV based on improved k-means clustering algorithm | |
Kumar et al. | Improved wavelet transform based edge detection for wide band spectrum sensing in Cognitive Radio | |
Jiang et al. | Continuous IFF response signal recognition technology based on capsule network | |
CN112036239A (zh) | 一种基于深度学习网络的雷达信号工作模式识别方法及系统 | |
CN109034088A (zh) | 一种无人机信号探测方法及装置 | |
CN114024808A (zh) | 基于深度学习的调制信号识别方法及系统 | |
Liu et al. | A novel signal separation algorithm for wideband spectrum sensing in cognitive networks | |
CN109309538A (zh) | 一种频谱感知方法、装置、设备、系统及存储介质 | |
CN109212472A (zh) | 一种面向噪声环境下的室内无线定位方法及装置 | |
CN111339816B (zh) | 基于小波神经网络的多无人机射频信号识别方法 | |
CN112069987B (zh) | 一种基于统计流形寻优降维的干扰类型自动识别方法 | |
CN109669170A (zh) | 一种降低无人机信号探测系统误警率的方法 | |
Deng et al. | UWB NLOS recognition based on improved convolutional neural network assisted by wavelet analysis and Gramian angular field | |
CN111093163B (zh) | 基于信道状态信息的无源目标分类方法 |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190412 |