CN110213010B - 一种基于多通道射频信号的无人机检测系统和方法 - Google Patents

一种基于多通道射频信号的无人机检测系统和方法 Download PDF

Info

Publication number
CN110213010B
CN110213010B CN201910350637.6A CN201910350637A CN110213010B CN 110213010 B CN110213010 B CN 110213010B CN 201910350637 A CN201910350637 A CN 201910350637A CN 110213010 B CN110213010 B CN 110213010B
Authority
CN
China
Prior art keywords
unmanned aerial
aerial vehicle
radio frequency
microprocessor
preprocessing module
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
CN201910350637.6A
Other languages
English (en)
Other versions
CN110213010A (zh
Inventor
徐一皓
黄庆荣
唐珂
张宗煜
史治国
陈积明
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.)
Zhejiang University ZJU
Original Assignee
Zhejiang University ZJU
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 Zhejiang University ZJU filed Critical Zhejiang University ZJU
Priority to CN201910350637.6A priority Critical patent/CN110213010B/zh
Publication of CN110213010A publication Critical patent/CN110213010A/zh
Application granted granted Critical
Publication of CN110213010B publication Critical patent/CN110213010B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • 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
    • 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
    • G06N3/08—Learning methods
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04K—SECRET COMMUNICATION; JAMMING OF COMMUNICATION
    • H04K3/00—Jamming of communication; Counter-measures
    • H04K3/80—Jamming or countermeasure characterized by its function
    • H04K3/82—Jamming or countermeasure characterized by its function related to preventing surveillance, interception or detection
    • H04K3/822—Jamming or countermeasure characterized by its function related to preventing surveillance, interception or detection by detecting the presence of a surveillance, interception or detection

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Software Systems (AREA)
  • Mathematical Physics (AREA)
  • Evolutionary Computation (AREA)
  • Data Mining & Analysis (AREA)
  • Artificial Intelligence (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Medical Informatics (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Signal Processing (AREA)
  • Radar Systems Or Details Thereof (AREA)
  • Mobile Radio Communication Systems (AREA)

Abstract

本发明公开了一种基于多通道射频信号的无人机检测系统和方法，该系统包括射频接收链路、微处理器预处理模块、计算决策单元及云服务器训练优化模块；射频接收链路接收无人机遥控器射频信号；微处理器预处理模块对射频接收链路输出信号模数转换后进行多通道的时序同步，同步后将多通道的无人机射频信号的时域波形拼接为矩阵形式进行输出；云服务器训练优化模块用于训练机器学习模型供；计算决策单元接收微处理器预处理模块输出的数据，实现无人机的有效检测及无人机型号的识别。该方法通过并行地检测多个信道上的无人机遥控器信号，提取、统计并分析其信号特征，进而实现无人机检测。本发明具有成本低廉、便于部署、操作简单、抗干扰能力强的优点。

Description

一种基于多通道射频信号的无人机检测系统和方法
技术领域
本发明属于信号检测技术领域，尤其涉及一种基于多通道射频信号的无人机检测系统和方法。
背景技术
近年来，无人机开始飞入寻常百姓家，并广泛运用于工业、农业、教育等领域。然而，随着无人机市场需求快速增长，“黑飞”、“滥飞”现象日益猖獗，对人民群众的生命财产安全造成了严重威胁。因此，对无人机进行检测、跟踪乃至干扰显得尤为必要。但由于民用无人机通常体型较小，现有系统通常检测精度受到局限，且抗干扰性较差；不仅如此，现有系统的购置成本以及运行维护成本大多较为高昂，难以实现大规模的普及应用。因此，设计一种抗干扰性强、易于推广易于灵活部署应用的低成本无人机监测预警系统显得十分必要。
发明内容
针对上述需求，本发明提出了一种基于多通道射频信号的无人机检测系统和方法。
本发明的目的是通过以下技术方案来实现的：一种基于多通道射频信号的无人机检测系统，该系统包括射频接收链路、微处理器预处理模块、计算决策单元及云服务器训练优化模块；
所述射频接收链路对无人机遥控器射频信号进行有效地接收和调理；
所述微处理器预处理模块对射频接收链路输出的信号进行模数转换，之后进行多通道的时序同步，同步后将多通道的无人机射频信号的时域波形拼接为矩阵形式，并输出给云服务器训练优化模块和计算决策单元；
所述云服务器训练优化模块用于接收微处理器预处理模块输出的数据作为训练样本，训练机器学习模型供计算决策单元使用；
所述计算决策单元搭载训练好的机器学习模型，接收微处理器预处理模块输出的数据，实现无人机的有效检测及无人机型号的识别。
进一步地，所述射频接收链路采用超外差结构，包括接收天线、低噪声放大器、混频器、晶振、中频放大电路、功率分配器、滤波器和检波器；所述天线、低噪声放大器、混频器、中频放大电路、功率分配器依次连接，所述晶振连接混频器，所述功率分配器分别连接多个通道各自的滤波器和检波器；所述射频接收链路通过天线接收无人机信号，并将其所在的频段划分为多个信道，进而输出每个信道上的信号功率。
进一步地，所述微处理器预处理模块采用STM32单片机或者其他相关型号的微机用于模数转换和数据传递；所述计算决策单元采用FPGA实现基于机器学习的检测。
一种基于多通道射频信号的无人机检测方法，该方法包括以下步骤：
步骤一：通过射频接收链路采集多种条件下的无人机射频信号数据，采集条件包括有无无人机、无人机型号、无人机与本检测系统的距离，之后将无人机数据划分为多个信道上的数据，每个信道对应一个通道，并发送给微处理器预处理模块；
步骤二：微处理器预处理模块对射频接收链路输出的数据进行模数转换，之后进行多通道的时序同步，同步后将多通道的无人机射频信号的时域波形拼接为矩阵形式，并输出给云服务器训练优化模块；
步骤三：云服务器训练优化模块接收微处理器预处理模块输出的数据作为训练样本，训练机器学习模型；
步骤四：将步骤三得到的机器学习模型移植到计算决策单元上；
步骤五：在无人机检索过程中，通过射频接收链路采集检测环境中的射频信号数据，将射频信号数据划分为多个信道上的数据，输入微处理器预处理模块进行预处理，将预处理后的数据输入到计算决策单元中作为机器学习模型的输入，实现无人机的有效检测及无人机型号的识别。
进一步地，所述步骤三用机器学习的手段学习无人机射频信号的跳频特征，根据不同型号无人机射频信号的不同跳频规律实现对无人机的有效检测及无人机型号的识别。
进一步地，所述步骤三训练的机器学习模型选择卷积神经网络，并且引入了随机失活、旁路连接和前向输入机制。
本发明的有益效果是：本发明依据无人机信号在多个信道上跳频的规律特点，并行检测每个信道上的信号功率，并用训练好的机器学习模型进行无人机的检测及判断无人机的型号等信息。本发明具有成本低廉、便于部署、操作简单、抗干扰能力强的优点。
附图说明
图1是本发明的系统总体结构示意图；
图2是本发明中射频接收链路的结构示意图；
图3是本发明的方法总体流程框图。
具体实施方式
以下参照附图，对本发明的技术方案和效果作进一步的详细说明。
近年来，无人机“黑飞”“滥飞”现象猖獗，对人民群众的生命财产安全造成了日益严重的威胁。因此，对入侵特定区域的无人机进行检测、跟踪乃至干扰显得尤为必要。目前现有的探测系统还普遍存在成本过高、抗干扰性差，不易于部署等问题。本发明提出了一种成本低廉、操作简单、抗干扰性强、便于部署的无人机检测系统和方法。
如图1所示，本发明设计了一种基于多通道射频信号的无人机检测系统。该系统包括射频接收链路、微处理器预处理模块、计算决策单元及云服务器训练优化模块。射频接收链路将无人机信号下变频到基带并放大，最后分为8条信道输出。微处理器预处理模块通过8路ADC采集接收机输出的无人机信号，并将采集到的信号通过网线传输到云服务器训练优化模块或者计算决策单元。云服务器训练优化模块将采集的数据用于训练机器学习模型。计算决策单元搭载训练好的机器学习模型。
射频接收链路的结构如图2所示，包括接收天线、低噪声放大器、混频器、晶振、中频放大电路、功率分配器、滤波器和检波器。该接收机采用外接天线来接收射频信号。低噪声放大器采用SPF5189低噪声射频放大器，可以将射频信号放大7dB。混频器采用ADL5350-EVALZ，输入接2.4GHz有源晶振和低噪声放大器输出端，将2.40GHz～2.48GHz的射频信号下变频至中频。中频放大部分由两个OPA847运算放大器级联而成，可以提供60dB的增益。功率分配器选用Mini-Circuits公司的ZFSC-8-43功分器，将放大后的射频信号等分为8路。功分器每路信号输出各有一个滤波器连接。滤波器分别为中心频率5MHz、15MHz、25MHz、35MHz、45MHz、55MHz、65MHz、75MHz，通带宽度10MHz的切比雪夫带通滤波器。对数检波器采用AD8362射频检波模块，用于检测滤波后的射频信号的功率。
微处理器预处理模块包括一个STM32F104单片机、一个8路ADC和一个SPI转网口模块。ADC模块采用AD7606芯片。将ADC模块的AIN1～AIN8接口与接收机8个信道分别相连，作为模拟输入口。ADC模块的SPI与STM32单片机的SPI1连接。SPI转网口模块采用的是WIZnet的W5500网络协议芯片，将单片机的SPI2接口与SPI转网口模块相连接。
计算决策单元采用xilinx公司的PYNQ-Z2开发板。利用FPGA的PL部分实现训练好的神经网络，并利用PS部分初始化设置PL，以及完成协议的TCP/IP发送、网口通信和结果输出。
云服务器训练优化模块可以采用个人电脑或者服务器，将通过网口传输的数据用于训练机器学习模型。该模型选择卷积神经网络，并引入了随机失活、旁路连接和前向输入机制。
如图3所示描述了一种基于多通道射频信号的无人机检测方法，包括以下步骤：
步骤一：大部分无人机信号分布在2.4GHz到2.48GHz的频段上，本发明中的无人机检测系统将这部分频带划分为8个10MHz带宽的信道进行检测。通过射频接收链路采集多种条件下的无人机射频信号数据，采集条件包括有无无人机、无人机型号、无人机与本检测系统的距离。射频接收链路将高频信号通过天线接收进来，并进行下变频和放大之后将无人机数据划分为多个信道上的数据，每个信道对应一个通道。信号经过滤波和功率检测后传递给微处理器预处理模块。
步骤二：微处理器预处理模块对射频接收链路输出的数据进行频率为3000Hz的采样，得到8路数字信号，之后进行多通道的时序同步，同步后进行数据处理得到训练样本，并输出给云服务器训练优化模块。具体处理方法是将每路采集的30000个电平值分为一组并转化为对应的功率值，然后对这八路数据拼接为30000×8的矩阵形式，最后对得到的矩阵标记无人机有无和无人机型号，这组数据作为一个训练样本。
步骤三：云服务器训练优化模块接收微处理器预处理模块输出的数据作为训练样本，调整机器学习模型的网络结构、训练该网络的参数，直到得到所需的机器学习模型。
步骤四：将步骤三得到的机器学习模型移植到计算决策单元上。所选用的PYNQ-Z2开发板的PS部分用于接收网口数据和控制PL部分。PL部分用于将8个通道采集的数据放到机器学习模型计算，并将结果反馈给PS部分。
步骤五：在无人机检测过程中，通过射频接收链路采集检测环境中的射频信号数据，将射频信号数据划分为多个信道上的数据，输入微处理器预处理模块进行预处理，将预处理后的数据输入到计算决策单元中作为机器学习模型的输入，实现无人机的有效检测及无人机型号的识别。
本发明所提的无人机检测系统和方法是基于无人机信号具有独特跳频规律的特点，提取无人机在多个信道上的信号特征，用机器学习的手段实现检测和判断。该系统和方法具有便于部署，抗干扰性强和成本低的优势。
上述实施例用来解释说明本发明，而不是对本发明进行限制，在本发明的精神和权利要求的保护范围内，对本发明作出的任何修改和改变，都落入本发明的保护范围。

Claims (5)

1.一种基于多通道射频信号的无人机检测系统，其特征在于，该系统包括射频接收链路、微处理器预处理模块、计算决策单元及云服务器训练优化模块；
所述射频接收链路采用超外差结构，包括接收天线、低噪声放大器、混频器、晶振、中频放大电路、功率分配器、滤波器和检波器；所述天线、低噪声放大器、混频器、中频放大电路、功率分配器依次连接，所述晶振连接混频器，所述功率分配器分别连接多个通道各自的滤波器和检波器；所述射频接收链路通过天线接收无人机信号，并将其所在的频段划分为多个信道，进而输出每个信道上的信号功率；
所述射频接收链路对无人机遥控器射频信号进行有效地接收和调理；
所述微处理器预处理模块对射频接收链路输出的信号进行模数转换，之后进行多通道的时序同步，同步后将多通道的无人机射频信号的时域波形拼接为矩阵形式，并输出给云服务器训练优化模块和计算决策单元；
所述云服务器训练优化模块用于接收微处理器预处理模块输出的数据作为训练样本，训练机器学习模型供计算决策单元使用；
所述计算决策单元搭载训练好的机器学习模型，接收微处理器预处理模块输出的数据，实现无人机的有效检测及无人机型号的识别。
2.根据权利要求1所述的一种基于多通道射频信号的无人机检测系统，其特征在于，所述微处理器预处理模块采用STM32单片机或者其他相关型号的微机用于模数转换和数据传递；所述计算决策单元采用现场可编程门阵列(FPGA)实现基于机器学习的检测。
3.一种利用权利要求1-2任一项所述系统进行无人机检测的方法，其特征在于，包括以下步骤：
步骤一：通过射频接收链路采集多种条件下的无人机射频信号数据，采集条件包括有无无人机、无人机型号、无人机与本检测系统的距离，之后将无人机数据划分为多个信道上的数据，每个信道对应一个通道，并发送给微处理器预处理模块；
步骤二：微处理器预处理模块对射频接收链路输出的数据进行模数转换，之后进行多通道的时序同步，同步后将多通道的无人机射频信号的时域波形拼接为矩阵形式，并输出给云服务器训练优化模块；
步骤三：云服务器训练优化模块接收微处理器预处理模块输出的数据作为训练样本，训练机器学习模型；
步骤四：将步骤三得到的机器学习模型移植到计算决策单元上；
步骤五：在无人机检测过程中，通过射频接收链路采集检测环境中的射频信号数据，将射频信号数据划分为多个信道上的数据，输入微处理器预处理模块进行预处理，将预处理后的数据输入到计算决策单元中作为机器学习模型的输入，实现无人机的有效检测及无人机型号的识别。
4.根据权利要求3所述的一种利用权利要求1-2任一项所述系统进行无人机检测的方法，其特征在于，所述步骤三用机器学习的手段学习无人机射频信号的跳频特征，根据不同型号无人机射频信号的不同跳频规律实现对无人机的有效检测及无人机型号的识别。
5.根据权利要求3所述的一种利用权利要求1-2任一项所述系统进行无人机检测的方法，其特征在于，所述步骤三训练的机器学习模型选择卷积神经网络，并且引入了随机失活、旁路连接和前向输入机制。
CN201910350637.6A 2019-04-28 2019-04-28 一种基于多通道射频信号的无人机检测系统和方法 Active CN110213010B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910350637.6A CN110213010B (zh) 2019-04-28 2019-04-28 一种基于多通道射频信号的无人机检测系统和方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910350637.6A CN110213010B (zh) 2019-04-28 2019-04-28 一种基于多通道射频信号的无人机检测系统和方法

Publications (2)

Publication Number Publication Date
CN110213010A CN110213010A (zh) 2019-09-06
CN110213010B true CN110213010B (zh) 2020-07-07

Family

ID=67786543

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910350637.6A Active CN110213010B (zh) 2019-04-28 2019-04-28 一种基于多通道射频信号的无人机检测系统和方法

Country Status (1)

Country Link
CN (1) CN110213010B (zh)

Families Citing this family (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111866930B (zh) * 2020-07-21 2022-02-25 西北大学 基于机器学习的射频信号检测方法及系统
CN111740793B (zh) * 2020-08-25 2021-01-08 北京邮电大学 基于自适应采样的无人机检测方法和系统
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
CN113377806B (zh) * 2021-06-18 2022-12-27 南通大学 一种嵌入式机器学习人工智能数据分析处理系统

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108089205A (zh) * 2017-12-21 2018-05-29 成都大学 一种无人机飞控人员定位系统
CN208479604U (zh) * 2018-08-16 2019-02-05 杭州捍鹰科技有限公司 一种宽带双通道无线信号接收机
CN109471068A (zh) * 2018-11-06 2019-03-15 浙江大学 基于射频阵列信号doa估计的无人机定位系统和方法

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106772227B (zh) * 2017-01-12 2019-04-12 浙江大学 一种基于声纹多谐波识别的无人机方向估计方法
CN106877947B (zh) * 2017-01-20 2020-03-27 浙江大学 一种无人机的射频信道并行检测装置及方法
CN106788874B (zh) * 2017-01-20 2019-04-05 浙江大学 一种无人机的入侵和跟踪干扰系统及方法
US10627503B2 (en) * 2017-03-30 2020-04-21 Honeywell International Inc. Combined degraded visual environment vision system with wide field of regard hazardous fire detection system
US10684365B2 (en) * 2017-08-22 2020-06-16 Honeywell International Inc. Determining a location of a runway based on radar signals

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108089205A (zh) * 2017-12-21 2018-05-29 成都大学 一种无人机飞控人员定位系统
CN208479604U (zh) * 2018-08-16 2019-02-05 杭州捍鹰科技有限公司 一种宽带双通道无线信号接收机
CN109471068A (zh) * 2018-11-06 2019-03-15 浙江大学 基于射频阵列信号doa估计的无人机定位系统和方法

Also Published As

Publication number Publication date
CN110213010A (zh) 2019-09-06

Similar Documents

Publication Publication Date Title
CN110213010B (zh) 一种基于多通道射频信号的无人机检测系统和方法
CN111257655B (zh) 射频传感器被截获距离测试设备
CN109975772B (zh) 一种多体制雷达干扰性能检测系统
CN204376922U (zh) 并行多路fm调制广播信号采集和处理装置
CN106019350A (zh) 一种核脉冲信号采集装置及系统
CN103259551A (zh) 基于广播式自动相关监视的射频信号接收装置
CN105024769A (zh) 一种监听装置
CN110098880A (zh) 一种无人机射频信号功率多通道并行检测装置
CN204131534U (zh) 一种无线电频谱监测装置
CN109687882A (zh) 一种船舶用vdes射频前端检测系统
CN206181009U (zh) 综合防撞多通道接收机
CN202679376U (zh) 干扰信号检测系统及天线
CN110398739A (zh) 一种毫米波测云雷达系统
CN209488567U (zh) 一种射频前端模块
CN109039524A (zh) 全频段全自动反无人机系统
CN203643599U (zh) 一种二次雷达高中频数字接收机
CN107769805B (zh) 一种支持标准通信制式解调和频谱分析的接收通道装置
CN106209185A (zh) 微波遥感信号转换器
CN203933628U (zh) 卫星信号中继器
CN216565121U (zh) 一种s波段和x波段接收通道增益自适应调整系统
CN206421029U (zh) 多通道卫星导航射频信号采集回放系统
CN210640878U (zh) 一种ads-b信号接收装置和系统
CN103472376A (zh) 变压器局部放电特高频定位分析器及其定位分析方法
CN209486296U (zh) 一种毫米波测云雷达系统
CN209371890U (zh) 一种基于靶机测试制导武器脱靶量参数的小型化测试系统

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