CN109669170B - 一种降低无人机信号探测系统误警率的方法 - Google Patents

一种降低无人机信号探测系统误警率的方法 Download PDF

Info

Publication number
CN109669170B
CN109669170B CN201811516749.6A CN201811516749A CN109669170B CN 109669170 B CN109669170 B CN 109669170B CN 201811516749 A CN201811516749 A CN 201811516749A CN 109669170 B CN109669170 B CN 109669170B
Authority
CN
China
Prior art keywords
unmanned aerial
aerial vehicle
signal
frequency spectrum
normalized
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
Application number
CN201811516749.6A
Other languages
English (en)
Other versions
CN109669170A (zh
Inventor
白琳
张学军
王鹏宇
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.)
Beihang University Sichuan International Center For Innovation In Western China Co ltd
Original Assignee
Beihang University Sichuan International Center For Innovation In Western China Co ltd
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 Beihang University Sichuan International Center For Innovation In Western China Co ltd filed Critical Beihang University Sichuan International Center For Innovation In Western China Co ltd
Priority to CN201811516749.6A priority Critical patent/CN109669170B/zh
Publication of CN109669170A publication Critical patent/CN109669170A/zh
Application granted granted Critical
Publication of CN109669170B publication Critical patent/CN109669170B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
    • G01S7/00—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00
    • G01S7/02—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00
    • G01S7/41—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00 using analysis of echo signal for target characterisation; Target signature; Target cross-section
    • G01S7/415—Identification of targets based on measurements of movement associated with the target
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R23/00—Arrangements for measuring frequencies; Arrangements for analysing frequency spectra
    • G01R23/16—Spectrum analysis; Fourier analysis
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
    • G01S11/00—Systems for determining distance or velocity not using reflection or reradiation
    • G01S11/02—Systems for determining distance or velocity not using reflection or reradiation using radio waves
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
    • G01S7/00—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00
    • G01S7/02—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00
    • G01S7/28—Details of pulse systems
    • G01S7/285—Receivers
    • G01S7/292—Extracting wanted echo-signals
    • G01S7/2923—Extracting wanted echo-signals based on data belonging to a number of consecutive radar periods
    • G01S7/2927—Extracting wanted echo-signals based on data belonging to a number of consecutive radar periods by deriving and controlling a threshold value
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
    • G01S7/00—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00
    • G01S7/02—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00
    • G01S7/35—Details of non-pulse systems
    • G01S7/352—Receivers
    • G01S7/354—Extracting wanted echo-signals

Abstract

本发明公开了一种降低无人机信号探测系统误警率的方法，包括以下步骤：数据采集；生成无人机信号数据集合；得到归一化频谱数据库；对归一化频谱数据库集合进行冲击分量监测和功率均值提取，根据2维数值范围进行比较；计算归一化功率谱Kurtosis系数，根据数值范围进行比较；计算归一化功率谱带内平坦度，根据频谱特征中带内平坦度数值范围进行比较。根据频谱特征中主瓣和旁瓣的能量数值范围进行比较；迭代运算，最终确定无人机信号特征库。本发明的优点在于：简单易行，在原有得到的功率谱基础上抽取功率谱特征参数，对疑似无人机信号进一步筛选；功率谱特征参数对于判决阈值容易选定；降低了系统虚警概率效果较为明显。

Description

一种降低无人机信号探测系统误警率的方法
技术领域
本发明涉及空中目标探测和识别技术领域，特别涉及一种降低无人机信号探测系统误警率的方法。
背景技术
无人机(Unmanned Aerial Vehicles,UAV)是一种由动力驱动、机上无人驾驶、可重复使用的飞行器的简称。无人机可以低空飞行，受管制小，飞行时间自由，可以实现高分辨率对地观测。这些显著特点就使得无人机不仅在情报侦察、军事打击、信息对抗等军用领域大显身手，在航拍、航测、电力线巡逻、森林防火、海洋监测、农业植保等民用领域的应用也日益广泛。然而大量的无人机“黑飞”事件存在着严重的安全隐患。近几年国内外小型无人机的“黑飞”情况屡见不鲜近。在技术层面上有必要研究无人机反制技术，想要反制无人机，就必须要对无人机进行有效的探测。
无人机进行探测方法的研究期望可以在无人机起飞时的短暂时间内实现对遥控或图传信号的侦收，并实现对无人机及其飞行者的定位，那我们便可以立刻对无人机实现干扰，阻止其在不安全区域飞行，保护低空空域的安全。对无人机的探测目前主要包括有源探测和无源探测。其中有源探测中雷达探测较为常见，探测系统通过雷达主动发送信号，通过接收到的反射信号作为探测手段。而无源探测不需要主动发射信号，比有源探测更适用于探测无人机。无源探测技术最重要、最急需解决的就是实现对无人机信号的确切识别以及参数估计。无人机信号的探测即在复杂的电磁环境中，实现无人机目标信号的截获，截获任务包括在复杂的电磁环境下实现非合作方无人机目标盲检测和盲识别，然后对目标信号进行特征参数提取。
针对市场上主流无人机的特征和信号参数，传统的信号检测和参数估计的方法研究应用到无人机侦收领域。信号识别方法主要有决策论方法和模式识别方法。决策论方法是最大似然假设检验方法，基本思想是采用概率论和假设检验理论来解决信号的识别问题。通常根据信号的统计特性，通过理论分析与推导，得到统计检验量，然后与一个合适的门限进行比较，从而形成判决准则来实现信号自动识别。在模式识别方法中，其按照特征提取和分类识别两个步骤完成首先原始数据中提取表征信号样式的特征向量，提取识别分类特征可以在时域进行，也可以在频域进行，常用的分类特征包括包络特征、相位特征、频率特征，频谱特征，高阶累积量等；然后根据一定的判决门限，在特征空间中用统计方法识别信号样式，特征的提取直接影响后面类型识别部分的设计和性能。目前国内外已有部分机构开始投入到无人机信号检测技术研究中。深圳大疆创新科技有限公司在无人机信号探测技术方面的研究较为突出，但是大疆只针对属于其公司的产品进行探测，对其它型号的无人机探测问题不适用；北京智宇翔云科技有限公司设计了云哨无人机侦测系统，通过侦测和分析射频信号，可对大疆全系列无人机进行识别侦测，获取无人机类型、飞行状态、飞行轨迹等信息；中国航天科工集团第二研究院二零七所研制了低空守卫者，此系统基于主、被动两种探测模式，关键技术采用了军用目标无线信号侦测技术，后通过识别提取信号特征打击无人机目标。中国工程物理研究院研发的激光防御系统，是利用高功率激光波束拦截小型无人机，但不具有探测识别目标的功能；是德科技有限公司通过比对无线电磁环境中接收信号的频谱特征是否与自建库匹配去识别小型无人机信号。美国黑睿技术公司研发生产的无人机信号识别和探测产品，它采用了AI(人工智能)技术中的人工神经网络对无人机目标信号和非无人机信号进行了智能决策并对入侵无人机的类型进行区分。现有无人机被动式信号探测技术发展的突出问题在于侦查探测系统中进一步提高无人机信号的准确识别率，降低对非合作方无人机信号的误判概率，最终达到提高对无人机真实目标的警戒率。
发明内容
本发明针对现有技术的缺陷，提供了一种降低无人机信号探测系统误警率的方法，能有效的解决上述现有技术存在的问题。
为了实现以上发明目的，本发明采取的技术方案如下：
一种降低无人机信号探测系统误警率的方法，包括以下步骤：
步骤1：无人机信号监测系统数据采集。
射频接收机在进行数字域的信号处理之前，射频信号经过低噪声放大、下变频器、低通滤波器等模拟电路单元，最后用高速率模数转换器将处理过后的信号采样成数字信号，把数字信号存储并建立数据集合，作为无人机信号监测与特征提取的数据库来源。
步骤2：通过系统监测与时域特征提取，生成初步无人机信号数据集合。
根据OFDM信号的循环平稳性及循环自相关函数的分布特点来获得时域特征初步建立疑似无人机信号集合。通过计算得到的有用符号时长,符号时长，循环前缀长度等时域特征建立起来的信号集合剔除了复杂电磁环境下广泛存在的其他信号。根据步骤1长时间进行采集，使得无人机信号监测集合完备。
步骤3：在初步无人机信号集中，对信号集进行归一化频谱计算，得到归一化频谱数据库，此数据库作为基准迭代原始数据库。
基于归一化功率谱进一步对确立的无人机信号监测集合进行甄别和筛选。利用自相关函数求得功率谱，采用功率谱来描述频域特性。先对接受信号x(t)进行功率谱估计，得到信号功率谱后，进行功率归一化处理，得到归一化频谱数据库。
步骤4：对归一化频谱数据库中的集合进行冲击分量监测和功率均值提取，计算得到每一个分量的2维数值，根据无人机信号归一化频谱特征中冲击分量和功率均值的2维数值范围进行比较。
由步骤3得到的归一化频谱数据库，对数据库中功率谱进行冲击分量监测操作和功率均值计算，频谱中有明显的冲击分量，所以其功率谱最大值明显大于其它各种信号。计算得到每一个分量的2维数值，根据无人机信号归一化频谱特征中冲击分量和功率均值的2维数值范围进行比较，将不在此范围中的2维数值所对应的归一化频谱分量放入非无人机信号特征库U中。
步骤5：对归一化频谱数据库中的集合计算归一化功率谱Kurtosis系数，计算得到每一个分量，根据无人机信号归一化频谱特征中Kurtosis系数数值范围进行比较，将不在此范围中数值所对应的归一化频谱分量放入非无人机信号特征库U中。
步骤6：对归一化频谱数据库中集合计算归一化功率谱带内平坦度，计算得到每一个分量，根据无人机信号归一化频谱特征中带内平坦度数值范围进行比较，将不在此范围中数值所对应的归一化频谱分量放入非无人机信号特征库U中。
步骤7：在归一化频谱数据库中对信号带宽内对归一化功率谱的主瓣和旁瓣的能量大小进行检测，计算得到每一个分量，根据无人机信号归一化频谱特征中带内主瓣和旁瓣的能量数值范围进行比较，将不在此范围中数值所对应的归一化频谱分量放入非无人机信号特征库U中。
步骤8：归一化频谱数据库进行步骤4-步骤7的反复迭代，最终确定非无人机信号特征库U。从基准迭代原始数据库数据中剔除非无人机信号特征库U，保留其他分量为无人机信号特征库。
作为优选，所述步骤3中考虑到无人机信号与其他类别信号在归一化功率谱中的特征差别，在功率谱数据库中提取多种特征进行不同种类信号分类过滤依据。
与现有技术相比本发明的优点在于：无人机信号的信号集合进行再次过滤，降低了无人机信号探测和侦查系统误警率，提高了系统甄别能力。
(1)复杂度低，简单易行，在原有得到的功率谱基础上抽取功率谱特征参数，对疑似无人机信号进一步筛选。
(2)功率谱特征参数对于判决阈值容易选定。
(3)降低了系统虚警概率效果较为明显。
说明书附图
图1为本发明实施例无人机信号探测系统误警率方法的主流程图。
具体实施方式
为使本发明的目的、技术方案及优点更加清楚明白，以下结合附图并列举实施例，对本发明做进一步详细说明。
如图1所示，一种无人机信号探测系统误警率方法，包括以下步骤：
步骤1：无人机信号监测系统数据采集。
射频接收机在进行数字域的信号处理之前，射频信号经过低噪声放大(LNA)、下变频器、低通滤波器等模拟电路单元，低噪声放大模块为TriQuint公司低噪声放大芯片TQP3M9009，经过放大后的信号接入频谱分析仪进行谱分析，最后用高速率模数转换器将处理过后的信号采样成数字信号。
步骤2：通过系统监测与时域特征提取，生成初步无人机信号数据集合。
根据OFDM信号的循环平稳性及循环自相关函数的分布特点来获得时域特征初步建立疑似无人机信号集合。通过计算得到的有用符号时长,符号时长，循环前缀长度等时域特征建立起来的信号集合剔除了复杂电磁环境下广泛存在的其他信号。根据步骤1中的方法，长时间进行采集，使得无人机信号监测集合较为完备。
步骤3：在初步无人机信号集中，对信号集进行归一化频谱计算，得到归一化频谱数据库，此数据库作为基准迭代原始数据库。
基于归一化功率谱参数进一步对确立的无人机信号监测集合进行甄别和筛选。
由于随机信号无法用确定的时间函数表示，也就不能用频谱表示，但可以利用自相关函数求得其功率谱，因此采用其功率谱来描述它的频域特性。先对接受信号x(t)进行功率谱估计，并截取信号带宽内的功率谱(fL-fH)。
利用周期图法进行谱估计：
Figure GDA0002752712770000071
然后对功率谱进行功率归一化预处理，将信号带宽内的功率归一化为1，即：
Figure GDA0002752712770000072
步骤4：对归一化频谱数据库中的集合进行冲击分量监测和功率均值提取，计算得到每一个分量的2维数值，根据无人机信号归一化频谱特征中冲击分量和功率均值的2维数值范围进行比较。
Pmax＝max{p(i)}
单载波信号的频谱中有明显的冲击分量，所以其功率谱最大值明显大于其它各种信号；而OFDM信号的功率被分散再各个子载波上对应的频率份量上，其功率谱最大值应相对较小。
Figure GDA0002752712770000081
以功率谱的最大值对信号功率谱做归一化处理，如果信号的功率谱含有明显的冲击分量，则以最大值归一化后其信号带宽内功率谱的均值就变得相对较小；反之，如果没有冲击分量，则对应的该特征参数值会相对大一些。根据无人机信号归一化频谱特征中冲击分量和功率均值的2维数值范围进行比较，将不在此范围中的2维数值分量所对应的归一化频谱分量放入非无人机信号特征库U中。
步骤5：对归一化频谱数据库中的集合计算归一化功率谱Kurtosis系数，计算得到每一个分量，根据无人机信号归一化频谱特征中Kurtosis系数数值范围进行比较。
Kurtosis系数，又称峰度系数，根据变量值的集中与分散程度，峰度一般可表现为三种形态：尖顶峰度、平顶峰度和标准峰度。尖顶峰度或平顶峰度都是相对正太分布曲线的标准峰度而言的。
Kurtosis系数大小反应的规律：由统计计算分析可知，当次数分布为正态分布曲线时，β＝3，以此为标准就可比较分析各种次数分布曲线的峰度。当β>3时，表示分布曲线呈尖顶峰度，为尖顶曲线，说明变量值的次数较为密集地分布在众数的周围，β值越大，分布曲线的尖端越尖峭。当β<3，表示分布曲线呈平顶峰度，为平顶曲线，说明变量值的次数分布比较均匀地分散在众数的两侧，β值越小，则分布曲线的顶峰就越平缓。一般当β值接近于1.8时，分布曲线呈水平矩形分布形态，说明各组变量值的次数相同。当β值小于1.8时，次数分布曲线趋向“U”型。实际统计分布中，通常将偏度和峰度结合起来运用，以判断变量分布是否接近于正态分布。
定义功率谱Kurtosis系数的计算公式为：
Figure GDA0002752712770000091
其中，pn(i)是信号的零中心归一化功率谱，其计算公式为：
Figure GDA0002752712770000092
式中p(i)是接收信号的功率谱。该特征参数反映了功率谱的峰度。OFDM信号频谱带宽内主瓣宽度较宽且相对平坦，单载波信号的频谱有明显的起伏。根据无人机信号归一化频谱特征中Kurtosis系数数值范围进行比较，将不在此范围中数值所对应的归一化频谱分量放入非无人机信号特征库U中。
步骤6：对归一化频谱数据库中集合计算归一化功率谱带内平坦度，计算得到每一个分量，根据无人机信号归一化频谱特征中带内平坦度数值范围进行比较。
定义功率谱系数R为：
Figure GDA0002752712770000093
功率谱的最大值与均值的比值，从一定程度上可以反映出频谱的平坦度。若频谱中由明显的冲击分量，则该比值会很大。计算得到每一个分量，根据无人机信号归一化频谱特征中带内平坦度数值范围进行比较，将不在此范围中数值带内平坦度所对应的归一化频谱分量放入非无人机信号特征库U中。
步骤7：在归一化频谱数据库中对信号带宽内对归一化功率谱的主瓣和旁瓣的能量大小进行检测。计算得到每一个分量，根据无人机信号归一化频谱特征中主瓣和旁瓣的能量数值范围进行比较。
能量分布参数P定义为小于功率谱最大值1/8的频率成分所对应的能量占信号带宽内总能量的比例。其计算公式如下：
Figure GDA0002752712770000101
其中，
Figure GDA0002752712770000102
参数P对应的值越大，近似说明旁瓣(本文定义为
Figure GDA0002752712770000103
)能量所占的比例越小。该特征参数反映了旁瓣能量的大小。根据无人机信号归一化频谱特征中带内主瓣和旁瓣的能量数值范围进行比较，将不在此范围中数值所对应的归一化频谱分量放入非无人机信号特征库U中。
步骤8：迭代运算步骤4-步骤7，最终确定无人机信号特征库。
归一化频谱数据库进行步骤4-步骤7的反复迭代，最终确定非无人机信号特征库U。从基准迭代原始数据库数据中剔除非无人机信号特征库U，保留其他分量为无人机信号特征库。
本领域的普通技术人员将会意识到，这里所述的实施例是为了帮助读者理解本发明的实施方法，应被理解为本发明的保护范围并不局限于这样的特别陈述和实施例。本领域的普通技术人员可以根据本发明公开的这些技术启示做出各种不脱离本发明实质的其它各种具体变形和组合，这些变形和组合仍然在本发明的保护范围内。

Claims (2)

1.一种降低无人机信号探测系统误警率的方法，其特征在于，包括以下步骤：
步骤1：无人机信号监测系统数据采集；
射频接收机在进行数字域的信号处理之前，射频信号经过低噪声放大、下变频器、低通滤波器，最后用高速率模数转换器将处理过后的信号采样成数字信号，把数字信号存储并建立数据集合，作为无人机信号监测与特征提取的数据库来源；
步骤2：通过系统监测与时域特征提取，生成初步无人机信号数据集合；
根据OFDM信号的循环平稳性及循环自相关函数的分布特点来获得时域特征初步建立疑似无人机信号集合；通过计算得到的有用符号时长、符号时长和循环前缀长度，通过有用符号时长、符号时长和循环前缀长度这三个时域特征建立起来的信号集合剔除了复杂电磁环境下广泛存在的其他信号；根据步骤1长时间进行采集，使得无人机信号监测集合完备；
步骤3：基于归一化功率谱进一步对确立的无人机信号监测集合进行甄别和筛选；利用自相关函数求得功率谱，采用功率谱来描述频域特性；先对接受信号x(t)进行功率谱估计，得到信号功率谱后，进行功率归一化处理，得到归一化频谱数据库，此数据库作为基准迭代原始数据库；
步骤4：由步骤3得到的归一化频谱数据库，对数据库中功率谱进行冲击分量监测操作和功率均值计算，频谱中有明显的冲击分量，所以其功率谱最大值明显大于其它各种信号；计算得到每一个分量的2维数值，根据无人机信号归一化频谱特征中冲击分量和功率均值的2维数值范围进行比较，将不在此范围中的2维数值所对应的归一化频谱分量放入非无人机信号特征库U中；
步骤5：对归一化频谱数据库中的集合计算归一化功率谱Kurtosis系数，计算得到每一个分量，根据无人机信号归一化频谱特征中Kurtosis系数数值范围进行比较，将不在此范围中数值所对应的归一化频谱分量放入非无人机信号特征库U中；
步骤6：对归一化频谱数据库中集合计算归一化功率谱带内平坦度，计算得到每一个分量，根据无人机信号归一化频谱特征中带内平坦度数值范围进行比较，将不在此范围中数值所对应的归一化频谱分量放入非无人机信号特征库U中；
步骤7：在归一化频谱数据库中对信号带宽内对归一化功率谱的主瓣和旁瓣的能量大小进行检测，计算得到每一个分量，根据无人机信号归一化频谱特征中带内主瓣和旁瓣的能量数值范围进行比较，将不在此范围中数值所对应的归一化频谱分量放入非无人机信号特征库U中；
步骤8：归一化频谱数据库进行步骤4-步骤7的反复迭代，最终确定非无人机信号特征库U；从基准迭代原始数据库数据中剔除非无人机信号特征库U，保留其他分量为无人机信号特征库。
2.根据权利要求1所述的方法，其特征在于：所述步骤3中考虑到无人机信号与其他类别信号在归一化功率谱中的特征差别，在归一化频谱数据库中提取多种特征进行不同种类信号分类过滤依据。
CN201811516749.6A 2018-12-12 2018-12-12 一种降低无人机信号探测系统误警率的方法 Active CN109669170B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201811516749.6A CN109669170B (zh) 2018-12-12 2018-12-12 一种降低无人机信号探测系统误警率的方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201811516749.6A CN109669170B (zh) 2018-12-12 2018-12-12 一种降低无人机信号探测系统误警率的方法

Publications (2)

Publication Number Publication Date
CN109669170A CN109669170A (zh) 2019-04-23
CN109669170B true CN109669170B (zh) 2021-03-23

Family

ID=66143773

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201811516749.6A Active CN109669170B (zh) 2018-12-12 2018-12-12 一种降低无人机信号探测系统误警率的方法

Country Status (1)

Country Link
CN (1) CN109669170B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110426680B (zh) * 2019-07-20 2022-05-24 中国船舶重工集团公司第七二四研究所 一种基于干扰信号时频及相关系数多维特征联合分类方法
CN110596698A (zh) * 2019-07-25 2019-12-20 姚碧琛 主被动一体化无人机探测及识别技术

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106205217A (zh) * 2016-06-24 2016-12-07 华中科技大学 基于机器视觉的无人机自动检测方法及无人机管制方法
CN106371144A (zh) * 2016-10-10 2017-02-01 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
CN206087337U (zh) * 2016-09-30 2017-04-12 成都紫瑞青云航空宇航技术有限公司 一种干扰式反无人机系统
CN106774422A (zh) * 2017-02-28 2017-05-31 成都紫瑞青云航空宇航技术有限公司 一种无人机识别方法及系统
CN107358252A (zh) * 2017-06-09 2017-11-17 清华大学 一种无人机分类方法及装置
CN108280395A (zh) * 2017-12-22 2018-07-13 中国电子科技集团公司第三十研究所 一种对低小慢无人机飞控信号的高效识别方法

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106205217A (zh) * 2016-06-24 2016-12-07 华中科技大学 基于机器视觉的无人机自动检测方法及无人机管制方法
CN206087337U (zh) * 2016-09-30 2017-04-12 成都紫瑞青云航空宇航技术有限公司 一种干扰式反无人机系统
CN106371144A (zh) * 2016-10-10 2017-02-01 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
CN106774422A (zh) * 2017-02-28 2017-05-31 成都紫瑞青云航空宇航技术有限公司 一种无人机识别方法及系统
CN107358252A (zh) * 2017-06-09 2017-11-17 清华大学 一种无人机分类方法及装置
CN108280395A (zh) * 2017-12-22 2018-07-13 中国电子科技集团公司第三十研究所 一种对低小慢无人机飞控信号的高效识别方法

Also Published As

Publication number Publication date
CN109669170A (zh) 2019-04-23

Similar Documents

Publication Publication Date Title
CN108280395B (zh) 一种对低小慢无人机飞控信号的高效识别方法
US20190266410A1 (en) Systems, methods, apparatuses, and devices for identifying, tracking, and managing unmanned aerial vehicles
CN110084094B (zh) 一种基于深度学习的无人机目标识别分类方法
CN109375204B (zh) 基于雷达的目标检测方法、系统、设备及介质
CN109669170B (zh) 一种降低无人机信号探测系统误警率的方法
CN108985454B (zh) 民航客机个体目标识别方法
CN111896926B (zh) 一种基于强杂波抑制的低空目标检测方法及系统
Chen et al. Interrupted-sampling repeater jamming suppression based on stacked bidirectional gated recurrent unit network and infinite training
CN103995259B (zh) 密集干扰环境下雷达目标自适应滤波融合检测方法
CN111709329B (zh) 一种基于深度学习的无人机测控信号高速识别方法
US20220036741A1 (en) Drone detection, classification, tracking, and threat evaluation system employing field and remote identification (id) information
CN111122570A (zh) 基于无人机的钢铁厂污水排放监测方法及系统
CN109614930A (zh) 一种基于深度学习的无人机频谱探测方法
CN106443626A (zh) 一种无人区域目标检测方法
CN110764152B (zh) 一种无人机快速检测与识别的装置及方法
CN109446896B (zh) 基于图像处理的无人机信号识别检测算法
Shao et al. Radar detection of low-slow-small UAVs in complex environments
CN106529514B (zh) 一种基于红外热成像的无人机干扰方法、系统及装置
CN108199757A (zh) 一种利用信道状态信息对民用小型无人机进行实时入侵检测的方法
CN111339816B (zh) 基于小波神经网络的多无人机射频信号识别方法
CN108663717A (zh) 无人机信号识别方法和系统
CN115809422B (zh) 一种基于svm的无人机rf信号识别方法及系统
Weisha et al. Machine learning-based system electromagnetic environment anomaly detection method
Ren et al. Active jamming signal recognition based on residual neural network
CN115456033B (zh) 一种基于信号特征识别的识别系统增强识别方法

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