CN110334591A - 一种基于聚类分析的无人机跳频信号检测及识别方法 - Google Patents

Abstract

本发明公开了一种基于聚类分析的无人机跳频信号检测及识别方法，涉及无人机信号分析处理技术领域，步骤如下：频谱数据采集和处理，得到原始数据集合D(即得到无人机跳频信号)，采用基于信号相似性特征分析的聚类分析方法检测无人机跳频信号，对检测结果进行分选和识别。聚类分析方法包括：1、计算原始数据集合D中各项数据与其他数据的距离，组成距离矩阵R_S并找出其中所有非零最小值r_i内的最大值r_max；2、设定权重w₁和w₂，根据最大值r_max、权重w₁和w₂计算聚类半径R和最大密度数据P；3、以数据P为中心、以R为半径，对数据集合D中数据进行分类，对未被分类成功的数据作为新的数据集合D，再次执行步骤1至3，直至满足结束聚类条件。

Description

一种基于聚类分析的无人机跳频信号检测及识别方法

技术领域

本发明涉及无人机信号分析处理技术领域，具体涉及一种基于聚类分析的无人机跳频信 号检测及识别方法。

背景技术

随着信息技术的快速进步，特别是在图形图像处理、无线通信传输、导航等方面的技术 日趋完善，无人机已开始向小型化、低成本、操作简单灵活等多元化方向发展，应用范围 也从前期的战地侦察、锁定跟踪和实施精确打击等军事应用向气象测绘、农业植保、体育 赛事、电影拍摄等民用领域扩展。民用消费级无人机的快速发展推动形成了新型的无人机 产业，为促进社会经济发展、提高民众的社会生活质量做出了重要贡献。然而，由于民用无人机的爆炸式发展，空中管制制度的不完善，以及无人机遥控人员的空域安全意识薄弱等原因，民用无人机也给航空、社会安全以及个人隐私等带来了前所未有的威胁。例如， 不法分子利用无人机实施犯罪对反恐、维稳、安保、禁毒、社会治安等领域安全构成潜在 且现实的风险，并且该风险也在不断增加。

目前，对无人机信号的检测技术手段主要有声音监听、可见光、红外探测、雷达探测以 及无线电频谱监测。其中，声音监听易受周边机械噪声影响，可见光易受天气及建筑物遮 挡影响，由于无人机逐渐小型化、“隐形化”，使得红外探测和雷达探测技术也难以发挥其 优势。无线电频谱监测是通过无线电监测设备(包括接收天线、接收机或频谱仪等)对无 人机的无线电通信有效信号数据时段进行全天候监测，利用数据处理技术对频谱监测数据 进行分析处理，以检测出无线电通信信号的过程。通过无线电频谱监测方法对中短波、航 空、调频等频段的频谱进行监测，获得能够准确反映各业务频段频谱资源的实际使用状况 的无线电频谱监测数据，有助于对频谱资源状况的整体掌握。无线电频谱监测具有应用性 强、受物理环境影响较小的优点，使其成为无线电通信信号分析领域的主要应用方法。在 实际应用中，无线电频谱监测数据为精细高效的频谱资源管理提供了科学的数据支撑，提 升了无线电异常信号的发现与处理能力，并增强了无线电监测数据的挖掘与分析能力及重 要业务、重点频段、重大活动的无线电安全保障能力。

然而，无人机通信所处通信频段的电磁环境极其复杂，存在噪声和各类信号干扰，同时， 无人机的飞控信号大多为跳频信号，使得对无人机信号检测和分析越发困难，是一个亟待 找到良好解决方案的难题。从现有研究成果来看，跳频信号中频谱的检测、分离、识别等 方法的研究已有很多，借助已有研究成果，研发基于无线电频谱监测数据分析处理的无人 机跳频信号检测、识别以及定位技术已成为无人机信号检测的热点研究内容。

聚类分析方法是无人机信号特征检测的主要方法，而现有基于聚类的无人机跳频信号 分析，例如申请号为CN201710468152.8、名称为基于连通区域标记的跳频信号动态聚类提 取方法的专利提出了采用形态学方法对接收信号进行去噪和分割处理，该方法需要进行傅 里叶变换处理，转换为灰度图像后进行开闭运算得到时频图像，然后设置阈值前期处理结 果转换为二值时频图像，计算过程复杂、运算时间较长，形态学处理中设定了线性结构元 素、二值时频转换阈值、类内门限值不能自适应改变，限制了方法在复杂电磁环境中的应 用。而为了能够精确的检测出无人机，这些预设条件在实际应用中，是很难得到理想结果 的，且大多处于理论研究以及仿真实验，并未进行实际复杂电磁环境中的测试，难以推广 应用。

发明内容

本发明的目的在于：为解决采用现有基于聚类分析方法对无人机跳频信号进行分析，完 成对无人机的检测和识别，存在计算过程复杂、运算时间长的问题，本发明提供了一种基 于信号相似性特征分析的聚类分析的无人机跳频信号检测及识别方法。本发明基于无人机 跳频信号的共性特征，将提出的聚类分析方法应用在无人机跳频信号检测及识别，可以显 著提升对无人机的检测、发现和识别效率。

本发明采用的技术方案如下：

一种基于聚类分析的无人机跳频信号检测及识别方法，包括以下步骤：

采集指定频段的频谱数据，采用自适应门限处理方法对其进行预处理得到有效信号的频 谱数据，对所有有效信号的频谱数据进行初步处理和特征提取得到跳频信号的频谱数据；

对跳频信号的频谱数据使用基于信号相似性特征分析的聚类分析方法进行聚类分析，通 过聚类将跳频信号的频谱数据分为不同类别的跳频信号，得到无人机跳频信号聚类检测结 果；

对无人机跳频信号聚类检测结果进行参数估计，并将其与参考数据库中的无人机信号参 数进行比对，按参数最大相似度匹配且满足误差要求的方式完成对无人机信号的近似识别；

上述的聚类分析方法包括：

Step1、计算数据集合D中各项数据与其他数据的距离，组成距离矩阵R_S并找出距离矩 阵R_S内每行非零最小值r_i中的最大值r_max；其中，数据集合D表示跳频信号的频谱数据，i表 示数据在数据集合D中的序号；

Step2、设定权重w₁和w₂，计算聚类半径R＝w_i×r_i+w₂×r_max，根据聚类半径R计算 数据集合D中的最大密度的数据P；

Step3、以数据P为中心、以R为半径，对数据集合D中数据进行分类，对未被分类成功 的数据作为新的数据集合D，再次执行步骤Step1至Step3，直至所有数据均被分类或剩余 未被分类数据个数小于等于原始数据集合中数据总数的一定比例时，结束聚类。

进一步地，所述聚类分析方法具体为：

步骤A.输入数据集合D，记当前数据集合D中数据总数为m；

步骤B.依次取数据集合D中的数据并计算该数据与数据集合D中其它数据的距离，得 到距离值序列Li＝[si₁，si₂，...，si_m]，其中，i表示数据在数据集合D中的序号，1≤i≤m；

步骤C.对数据集合D中所有数据的距离值序列Li组成距离矩阵R_S，依次取距离矩阵R_S中 每行非零最小值，记为r_i，组成数据集合r_s＝[r₁，r₂，...，r_m]，找出数据集合r_s中的最大值，记 为r_max；

步骤D.设定权重w₁和w₂，计算聚类半径R＝w₁×r_i+w₂×r_max；

步骤E.以聚类半径R为半径，找出数据集合D中密度最大的数据P；

步骤F.以聚类半径R为半径，计算数据集合D中所有数据与数据P的距离，当计算出的 距离小于聚类半径R时，则将该数据与数据P划分为一类；

步骤G.将经过步骤F后所有未被分类的数据组成新的数据集合D，重复步骤A至G，直至所有数据均被分类或剩余未被分类数据个数小于等于原始数据集合中数据总数n的一定比例时，结束聚类。

进一步地，包括以下步骤：

步骤1.采集一个时间周期的指定频段的频谱数据，采用门限处理方法对采集到的频谱数 据进行预处理得到有效信号的频谱数据，对所有有效信号的频谱数据中的频点按时间连续 性进行处理，得到若干组频点的若干次有效信号数据时段；

步骤2.对步骤1的处理结果进行信号连通区域合并处理得到有效信号列表，对有效信号 列表进行过滤处理产生频点信号集合S；

步骤3.对频点信号集合S中各信号依次进行波形形态特征参数提取和能量特征参数提取 处理，得到跳频信号处理结果；

步骤4.依次按照信号带宽、信号波形特征值序列、能量特征值和驻留时间，基于信号相 似性特征分析的聚类分析方法对跳频信号处理结果进行聚类分析，将跳频信号处理结果分 为不同类别的跳频信号，得到无人机跳频信号聚类检测结果；

步骤5.按跳频信号时间顺序规则对无人机跳频信号聚类检测结果进行分选，再对无人机 跳频信号分选结果进行无人机跳频信号参数估计，将其与参考数据库中的无人机信号参数 进行比对，按参数最大相似度匹配且满足误差要求的方式完成对无人机信号的近似识别。

进一步地，步骤1的具体步骤如下：

步骤1.1.采集一个时间周期的指定频段的频谱数据，获得该频段上的多帧频谱数据；

步骤1.2.逐帧统计步骤1.1采集到的所有频谱数据的电平最小值和最大值，再以固定间 距对统计出的电平最小值和最大值构成的区间进行分段，得到多帧频谱数据的多组分段电 平值区间；

步骤1.3.统计每组分段电平值区间中的频谱数据点数，找出最大频谱数据点数所在的电 平值区间，记为I；

步骤1.4.根据门限处理方法，将所有频谱数据划分为噪声数据和有效信号数据：取电平 值区间I向上一定间距作为当前采集的多帧频谱数据的信号门限值L，将小于信号门限值L 的频点电平值判定为噪声数据，将大于以及等于信号门限值L的频点电平值判定为有效信 号数据；

步骤1.5.基于选取的信号门限值L，对所有有效信号数据中的频点按时间连续性统计出 各频点的有效信号数据时段。

进一步地，步骤1.4中所述的向上一定间距是依据信号分布特征的分析结果：在含有最 大频谱数据点数所在的区间向电平值增大的方向上，存在一个满足频谱数据点数数量小于 相邻区间的频谱数据点数数量的区间，一定间距即为该区间位置。

进一步地，步骤1.5中，按时间连续性统计某频点的有效信号数据时段的方法具体为：

从频点电平值首次大于信号门限值L的时间开始，一直到该频点电平值首次小于信号门 限值L时的时间为止的时间区间，即为该频点的一次有效信号数据时段；当该频点电平值 再次大于信号门限值L直至再次小于信号门限值L为止的时间区间，即为该频点的叉一次 有效信号数据时段，最终得到若干组频点的若干次有效信号数据时段。

进一步地，步骤2中，对步骤1的处理结果进行信号连通区域合并处理的方法具体为：

设定信号频点间距门限，依次对各频点的有效信号数据时段中信号满足信号频率距离小 于信号频点间距门限且信号持续时间存在交叉的有效信号数据时段进行连通区域合并；连 通区域合并规则为：信号起始频率为较小频点的频率，信号结束频率为较大频点的频率， 信号开始时间为频点有效信号数据时段开始时间中的较小值，信号结束时间为频点有效信 号数据时段结束时间中的较大值；当发生有效信号数据时段合并后，剔除合并前的两个有 效信号数据时段，重新从第一个有效信号数据时段开始以新的有效信号数据时段继续进行 连通区域合并，以此类推，将所有频点可合并的有效信号数据时段进行连通区域合并，得 到有效信号列表。

进一步地，步骤2中，对有效信号列表进行过滤处理产生频点信号集合S的方法具体为：

设定跳频信号频点带宽门限，对有效信号列表中频点带宽不在跳频信号频点带宽门限内 的信号进行过滤处理；

设定跳频信号持续时间门限，对有效信号列表中中信号持续时间不在跳频信号持续时间 门限内的信号进行过滤处理；

其中，跳频信号频点带宽门限的取值范围为0.5MHz～5MHz，跳频信号持续时间门限的 取值范围为200us～2000us。

进一步地，步骤3的具体操作步骤如下：

步骤3.1.对频点信号集合S中各信号进行波形形态特征参数提取处理：按起止频率将信 号均分为多段，分别计算每一个分段的平均值作为该分段的特征值，该信号的特征值序列 由各分段的特征值组成；依次对频点信号集合S中各信号进行波形形态特征参数提取处理 后，得到频点信号集合S中所有信号的波形特征值序列；其中，分段数取值在3～7之间；

步骤3.2.对频点信号集合S中各信号的波形特征值序列，取两端点分段特征值的均值和 中间分段特征值的差值的绝对值作为信号的能量特征值；依次对频点信号集合S中各信号 的波形特征值序列进行能量特征参数提取处理后，得到频点信号集合S中所有信号的能量 特征值，即得到跳频信号处理结果。

进一步地，步骤5中：

按跳频信号时间顺序规则进行分选是基于单一类型无人机产生的跳频信号在同一时刻 不会出现两个甚至多个信号特征，以此为依据将聚类后的信号按照该特征进行信号分选， 分选步骤如下：

a.新建分类，将步骤4处理得到的第一个跳频信号加入分类；

b.取下一个跳频信号，依次判断是否与当前已有分类中跳频信号存在时间交叉：

若存在，则取与该跳频信号存在时间交叉的分类中，所有与该跳频信号没有时间交叉的 跳频信号组成新的分类，再继续判断该跳频信号是否与下一个已有分类中跳频信号存在时 间交叉，直至与当前所有分类中所有跳频信号完成是否存在时间交叉判断；

若无，则加入当前与该跳频信号进行判断的分类；

c.重复步骤b，直至完成所有跳频信号的分类；

无人机跳频信号参数估计包括信号带宽、信号驻留时间、跳频周期和跳速，其中：

信号带宽为同一分类中所有信号带宽之和取平均值；

驻留时间为同一分类中所有信号驻留时间之和取平均值；

跳频信号周期为各分类中计算的两两同一频率之间时间间距的最小值；

跳速为信号带宽总和除以单个信号的信号带宽得到单个周期的信号跳个数后，信号跳个 数除以跳频信号周期得到的值。

综上所述，由于采用了上述技术方案，本发明的有益效果是：

1、本发明提供了一种新的自适应门限处理方法，可以有效的去除噪声，相较于现有的 无人机信号检测方法，减少了运算时长，操作步骤简单，运算过程简便。

2、本发明的聚类分析方法与现有聚类方法相比，能够以数据集合自身的分布特征实现 对数据集合的自适应分类，具有更少的迭代次数和更简便的运算过程，使用本发明方法可 以以更少的运算时间和运算量取得无人机跳频信号检测结果，对检测出的无人机跳频信号 进行参数估计并与无人机信号参数数据库进行匹配识别，实现对无人机信号的检测和识别。 通过无无人机、单一无人机信号和多无人机信号实验结果表明跳频信号检测平均准确率 82％，判断结果准确率为100％，为后续无人机定位和跟踪提供了有力依据。

3、本发明提出了一种新的解决思路，按照本发明的步骤依次处理，能快速检测、发现 周围电磁环境中是否存在基于跳频信号通信模式的无人机信号，结合无人机信号数据库参 数匹配，可以快速识别无人机。

4、本发明基于无人机跳频信号的共性特征，提供一种广泛可用的的解决办法，实现原 理简单，与现有的无人机信号检测、识别方法相比较，能够更快速的检测并识别出无人机。

5、本发明方法的可适用性范围广，除了适用于无人机跳频信号检测外，可以根据实际 应用需求适当调整部分参数即可运用到其他跳频信号业务应用上。

附图说明

为了更清楚地说明本发明实施例的技术方案，下面将对实施例中所需要使用的附图作简 单地介绍，应当理解，以下附图仅示出了本发明的某些实施例，因此不应被看作是对范围 的限定，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 附图获得其他相关的附图。

图1为本发明的系统流程示意图；

图2为本发明中提出的聚类算法操作流程图；

图3为本发明对频谱数据电平值分布特征的分析图；

图4为本发明中对单个频点的信号进行连通区域合并操作的流程图；

图5为本发明对无人机跳频信号的波形形态特征以及能量分布分析图；

图6为本发明在对无人机跳频信号检测过程中的按时间顺序分选过程图；

图7为本发明在一次单一无人机信号通信时的实验中采集的电磁频谱数据瀑布图和经 过本发明提出的门限处理方法处理后的频谱数据瀑布图；

图8为本发明在一次单一无人机信号通信时的实验中采集的电磁频谱数据瀑布图和采 用本发明的方法得到的无人机跳频信号检测结果图。

图9为本发明在一次多无人机信号通信时的实验中采集的电磁频谱数据瀑布图和经过 本发明提出的门限处理方法处理后的频谱数据瀑布图；

图10为本发明在一次多无人机信号通信时的实验中采集的电磁频谱数据瀑布图和采用 本发明的方法得到的无人机跳频信号检测结果图；

图11为本发明在不同条件下进行实验取得的检出跳频信号个数性能对比分析示意图；

图12为本发明在不同条件下进行实验取得的检出跳频信号准确率的对比分析示意图；

图13为本发明在不同条件下进行实验取得的对跳频信号错检率的对比分析示意图。

具体实施方式

为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本 发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本发明，并不 用于限定本发明，即所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。 通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设 计。因此，以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本 发明的范围，而是仅仅表示本发明的选定实施例。基于本发明的实施例，本领域技术人员 在没有做出创造性劳动的前提下所获得的所有其他实施例，都属于本发明保护的范围。

需要说明的是，术语“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。

以下结合实施例对本发明的特征和性能作进一步的详细描述。

实施例1

本发明实施例提供的一种基于聚类分析的无人机跳频信号检测及识别方法，包括以下步 骤：

步骤1.采集一个时间周期的指定频段的频谱数据，采用门限处理方法对采集到的频谱数 据进行预处理得到有效信号的频谱数据，对所有有效信号的频谱数据中的频点按时间连续 性进行处理，得到若干组频点的若干次有效信号数据时段。包括以下步骤：

步骤1.1.使用无线电频谱监测接收机采集一个时间周期的指定频段的频谱数据，获得该 频段上的多帧频谱数据。

在西华大学宜宾研究院无线电管理技术研究中心进行无线电频谱监测，采用的无线电监 测设备包括TN361天线、成都真信智能公司生产的ZX219频谱接收机设备及线缆，通过无 线电监测设备对无人机通信业务频段2.40GHz～2.48GHz以25KHz步进进行高速扫描监测， 将采集到的数据按帧存储，采样时间周期为1s。

步骤1.2.逐帧统计步骤1.1采集到的所有频谱数据的电平最小值和最大值，再以固定间 距对统计出的电平最小值和最大值构成的区间进行分段，得到多帧频谱数据的多组分段电 平值区间。本步骤所述的“固定间距”以实际电磁环境中进行实验得出的结果为准，其取值 过大或过小，均不能找到步骤1.4中所述的阈值线。当取值过大时，电平值区间频谱数据点 数过少，可能无法找到步骤1.4中所述的波谷位置；当取值过小时，电平值区间频谱数据点 数过多，使得步骤1.4中确定的阈值线误差较大。本实施例中，固定间距的取值为2dB。

步骤1.3.统计每组分段电平值区间中的频谱数据点数，找出最大频谱数据点数所在的电 平值区间，记为I。

步骤1.4.根据门限处理方法，将所有频谱数据划分为噪声数据和有效信号数据：取电平 值区间I向上一定间距作为当前采集的多帧频谱数据的信号门限值L，将小于信号门限值L 的频点电平值判定为噪声数据，将大于以及等于信号门限值L的频点电平值判定为有效信 号数据。

电平值区间I向上一定间距处为信号阈值线，如图3所示，两个波峰之间的波谷处即为 阈值线。本步骤所述的“向上一定间距”是依据信号分布特征的分析结果：在含有最大频 谱数据点数所在的区间向电平值增大的方向上，存在一个满足频谱数据点数数量小于相邻 区间的频谱数据点数数量的区间，一定间距即为该区间位置。根据门限处理方法将频谱数 据划分为噪声数据和有效信号数据的方法具体为：将小于信号门限值上的频点电平值判定 为噪声数据，将大于以及等于信号门限值L的频点电平值判定为有效信号数据。

步骤1.5.基于选取的信号门限值上，对所有有效信号数据中的频点按时间连续性统计出 各频点的有效信号数据时段，具体方法为：

从频点电平值首次大于信号门限值L的时间开始，一直到该频点电平值首次小于信号门 限值L时的时间为止的时间区间，即为该频点的一次有效信号数据时段；当该频点电平值 再次大于信号门限值L直至再次小于信号门限值L为止的时间区间，即为该频点的又一次 有效信号数据时段，最终得到若干组该频点的若干次有效信号数据时段。以此类推，直至 对多帧频谱数据中包含的所有频点完成时间连续性统计，得到各个频点的若干组有效信号 数据时段，如图7和图9所示。图7左侧部分为在一次单一无人机信号通信时的实验中采 集的电磁频谱数据瀑布图，右侧部分为经过本发明提出的门限处理方法处理后的频谱数据 瀑布图。图9左侧部分为在一次多无人机信号通信时的实验中采集的电磁频谱数据瀑布图， 右侧部分为经过本发明提出的门限处理方法处理后的频谱数据瀑布图。

步骤2.对步骤1的处理结果进行信号连通区域合并处理得到有效信号列表，对有效信号 列表进行过滤处理产生频点信号集合S。其中：

对步骤1的处理结果进行信号连通区域合并处理的方法具体为：

设定信号频点间距门限，依次对各频点的有效信号数据时段中信号满足信号频率距离小 于信号频点间距门限且信号持续时间存在交叉的有效信号数据时段进行连通区域合并。连 通区域合并规则为：信号起始频率为较小频点的频率，信号结束频率为较大频点的频率， 信号开始时间为频点有效信号数据时段开始时间中的较小值，信号结束时间为频点有效信 号数据时段结束时间中的较大值。当发生有效信号数据时段合并后，剔除合并前的两个有 效信号数据时段，重新从第一个有效信号数据时段开始以新的有效信号数据时段继续进行 连通区域合并，以此类推，将所有频点可合并的有效信号数据时段进行连通区域合并，得 到有效信号列表。如图4所示，设定信号频点间距门限为0.5MHz，依次对各频点的有效信 号数据时段中信号在信号频率小于信号频点间距门限且时间上存在交叉时进行合并处理。

对有效信号列表进行过滤处理产生频点信号集合S的方法具体为：

过滤处理1：设定跳频信号频点带宽门限，对有效信号列表中频点带宽不在跳频信号频 点带宽门限内的信号进行过滤处理。

过滤处理2：设定跳频信号持续时间门限，对有效信号列表中信号持续时间不在跳频信 号持续时间门限内的信号进行过滤处理。

其中，过滤处理1和2无先后顺序，跳频信号频点带宽门限的取值范围为0.5MHz～5MHz， 跳频信号持续时间门限的取值范围为200us～2000us。

步骤3.对频点信号集合S中各信号依次进行波形形态特征参数提取和能量特征参数提取 处理，得到跳频信号处理结果。

具体操作步骤如下：

步骤3.1.对频点信号集合S中各信号进行波形形态特征参数提取处理：按起止频率将信 号均分为多段，分别计算每一个分段的平均值作为该分段的特征值，该信号的特征值序列 由各分段的特征值组成。依次对频点信号集合S中各信号进行波形形态特征参数提取处理 后，得到频点信号集合S中所有信号的波形特征值序列。其中，分段数取值在3～7之间， 本实施例的分段数取值为7。跳频信号波形形态特征如图5所示，本实施例中，对步骤2过 滤处理后的任意信号按频率由小到大进行分段处理，均分为7段，分别计算各个分段电平 均值，7个均值组成该信号的波形特征值序列。

步骤3.2.对频点信号集合S中各信号的波形特征值序列，取两端点分段特征值的均值和 中间分段特征值的差值的绝对值作为信号的能量特征值。依次对频点信号集合S中各信号 的波形特征值序列进行能量特征参数提取处理后，得到频点信号集合S中所有信号的能量 特征值，即得到跳频信号处理结果。基于跳频信号能量的峰值特征，对频点信号集合S中 某一信号的波形特征值序列信号进行能量特征值的提取过程为：取第1，7分段特征值之和 的平均值和第4分段特征值之差的绝对值作为该信号的能量特征值。

步骤4.依次按照信号带宽、信号波形特征值序列、能量特征值和驻留时间，基于信号相 似性特征分析的聚类分析方法对跳频信号处理结果进行聚类分析，将跳频信号处理结果分 为不同类别的跳频信号，得到无人机跳频信号聚类检测结果。

本发明聚类分析方法的具体流程如图2所示，包括以下步骤：

步骤A.输入数据集合D，记当前数据集合D中数据总数为m。

步骤B.依次取数据集合D中的数据并计算该数据与数据集合D中其它数据的距离，得 到距离值序列Li＝[si₁，si₂，...，si_m]，其中，i表示数据在数据集合D中的序号，1≤i≤m。

步骤C.对数据集合D中所有数据的距离值序列Li组成距离矩阵R_S，依次取距离矩阵R_S中 每行非零最小值，记为r_i，组成数据集合r_s＝[r₁，r₂，...，r_m]，找出数据集合r_s中的最大值，记 为r_max。

步骤D.设定权重w₁和w₂，计算聚类半径R＝w₁×r_i+w₂×r_max。

步骤E.以聚类半径R为半径，找出数据集合D中密度最大的数据P。

步骤F.以聚类半径R为半径，计算数据集合r_s中所有数据与数据P的距离，当计算出的距 离小于聚类半径R时，则将该数据与数据P划分为一类。

步骤G.将经过步骤F后所有未被分类的数据组成新的数据集合D，重复步骤A至G，直至所有数据均被分类或剩余未被分类数据个数小于等于原始数据集合中数据总数n的10％时，结束聚类。

具体的，依次按照信号带宽、信号波形特征值序列、能量特征值和驻留时间，对跳频信 号处理结果进行聚类分析，具体方法如下：

(1)带宽聚类：信号带宽为信号的结束频率减信号的起始频率。计算步骤3处理后的 所有信号的信号带宽，以图2所示方法，将信号带宽作为输入参数进行无人机跳频信号检 测。

(2)波形形态特征值聚类：以图2所示方法，将步骤3计算出的信号波形特征值序列作为输入参数进行无人机跳频信号检测。

(3)能量特征值聚类：以图2所示方法，将步骤3计算出的所有信号能量特征值作为输入参数进行无人机跳频信号检测。

(4)驻留时间聚类：信号驻留时间为信号的结束时间减信号的起始时间。计算步骤3 处理后的所有信号的信号驻留时间，以图2所示方法，将信号驻留时间作为输入参数进行无人机跳频信号检测。由于采样时间极短，无人机跳频信号的驻留时间也极其短暂，在采样过程中可能产生同一类型无人机产生的跳频信号驻留时间相差一定帧数的情况(接收机性能限制)，因此此处需要对驻留时间进行聚类后设定驻留时间聚类间距门限，当在(3) 处理后的信号属于同一个分类而(4)处理后不在同一个分类的信号进行还原，还原回同一 类信号。

相似性特征分析方法用于计算对象之间的距离，距离越小表示两个数据对象越相似，为 现有技术，可以选自欧式距离计算方法、曼哈顿距离计算法、切比雪夫距离、马氏距离中 的一种。本发明使用的方法为欧式距离计算方法，计算公式如下：

其中，x_i、x_j表示两个数据对象，此处即为跳频信号处理结果中的两个数据，x_ik、x_jk分 别表示数据对象x_i、x_j在第k个维度上的特征值。

步骤5.按跳频信号时间顺序规则对无人机跳频信号聚类检测结果进行分选，再对无人机 跳频信号分选结果进行无人机跳频信号参数估计，将其与参考数据库中的无人机信号参数 进行比对，按参数最大相似度匹配且满足误差要求的方式完成对无人机信号的近似识别。 具体步骤如下：

步骤5.1.按跳频信号时间顺序规则对无人机跳频信号聚类检测结果进行分选，得到无人 机跳频信号分选结果。按跳频信号时间顺序规则进行分选是基于单一类型无人机产生的跳 频信号在同一时刻不会出现两个甚至多个信号特征，以此为依据将聚类后的信号按照该特 征进行信号分选。具体操作如图6所示，包括以下步骤：

a.新建分类，将步骤4处理得到的第一个跳频信号加入分类。

b.取下一个跳频信号，依次判断是否与当前已有分类中跳频信号存在时间交叉：

若存在，则取与该跳频信号存在时间交叉的分类中，所有与该跳频信号没有时间交叉的 跳频信号组成新的分类，再继续判断该跳频信号是否与下一个已有分类中跳频信号存在时 间交叉，直至与当前所有分类中所有跳频信号完成是否存在时间交叉判断；

若无，则加入当前与该跳频信号进行判断的分类。

c.重复步骤b，直至完成所有跳频信号的分类。

步骤5.2.对无人机跳频信号分选结果进行无人机跳频信号参数估计，将其与参考数据库 中的无人机信号参数进行比对，按参数最大相似度匹配完成对无人机信号的近似识别。

无人机跳频信号参数估计包括信号带宽、信号驻留时间、跳频周期和跳速，其中：

信号带宽为同一分类中所有信号带宽之和取平均值，单个信号带宽计算方式为：单个 信号带宽＝信号结束频率-信号起始频率；

驻留时间为同一分类中所有信号驻留时间之和取平均值，单个信号驻留时间计算方式 为：单个信号驻留时间＝信号结束时间-信号起始时间；

跳频信号周期为各分类中计算的两两同一频率之间时间间距的最小值，即跳频信号周 期＝(信号最大结束频率-信号最小起始频率)/(信号在最大结束频率时的时间-信号前一次跳到该频率的时间)；

跳速为信号带宽总和除以单个信号的信号带宽得到单个周期的信号跳个数后，信号跳个 数除以跳频信号周期得到的值，即跳速＝单个周期信号跳数量/跳频信号周期。

依次计算每一个信号的参数估计，设定带宽门限值0.5MHz、驻留时间门限值300us， 然后对各个分类估计出的参数在信号带宽和驻留时间具有较大相似度的分类进行合并，对 合并后的分类重新执行本步骤，直到所有分类均不能合并。再删除分类中信号个数小于信 号总数10％的分类，最终的分类数即为无人机跳频信号类数对应检测出的无人机个数，如 图8和图10所示。图8左侧部分为本发明在一次单一无人机信号通信时的实验中采集的电 磁频谱数据瀑布图，右侧部分为采用本发明的方法得到的无人机跳频信号检测结果图。图 10左侧部分为本发明在一次多无人机信号通信时的实验中采集的电磁频谱数据瀑布图，右 侧部分为采用本发明的方法得到的无人机跳频信号检测结果图。

无人机信号识别对比方法具体为：分别将无人机跳频信号分选结果的估计参数与参考数 据库中的各类型无人机信号参数数据进行误差分析，当参数估计分析的误差值与参考数据 库中某款无人机的参数估计误差值最小且在误差允许范围内时，判定该分类信号即为参考 数据库中的该款无人机产生的跳频信号，实现对无人机信号的识别。如图11、12和13所 示，采用本发明提出的聚类分析方法与现有检测方法对无人机跳频信号进行检测，在进行 多次不同条件下的试验后，由实验得到的检出跳频信号个数、检出跳频信号准确率、跳频 信号错检率，由实验数据可知，本方法的优点在于：(1)实现了较高的基于跳频通信方式 的无人机信号检测能力，实验时检测结果判定准确率100％，跳频信号平均检测率在82％以 上；(2)实现流程简单，操作步骤简短，可应用性强。

以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原 则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。

Claims (10)

1.一种基于聚类分析的无人机跳频信号检测及识别方法，其特征在于，包括以下步骤：

采集指定频段的频谱数据，采用自适应门限处理方法对其进行预处理得到有效信号的频谱数据，对所有有效信号的频谱数据进行初步处理和特征提取得到跳频信号的频谱数据；

对跳频信号的频谱数据使用基于信号相似性特征分析的聚类分析方法进行聚类分析，通过聚类将跳频信号的频谱数据分为不同类别的跳频信号，得到无人机跳频信号聚类检测结果；

对无人机跳频信号聚类检测结果进行参数估计，并将其与参考数据库中的无人机信号参数进行比对，按参数最大相似度匹配且满足误差要求的方式完成对无人机信号的近似识别；

上述的聚类分析方法包括：

Step1、计算数据集合D中各项数据与其他数据的距离，组成距离矩阵R_S并找出距离矩阵R_S内每行非零最小值r_i中的最大值r_max；其中，数据集合D表示跳频信号的频谱数据，i表示数据在数据集合D中的序号；

Step2、设定权重w₁和w₂，计算聚类半径R＝w₁×r_i+w₂×r_max，根据聚类半径R计算数据集合D中的最大密度的数据P；

Step3、以数据P为中心、以R为半径，对数据集合D中数据进行分类，对未被分类成功的数据作为新的数据集合D，再次执行步骤Step1至Step3，直至所有数据均被分类或剩余未被分类数据个数小于等于原始数据集合中数据总数的一定比例时，结束聚类。

2.根据权利要求1所述的一种基于聚类分析的无人机跳频信号检测及识别方法，其特征在于，所述聚类分析方法具体为：

步骤A.输入数据集合D，记当前数据集合D中数据总数为m；

步骤B.依次取数据集合D中的数据并计算该数据与数据集合D中其它数据的距离，得到距离值序列Li＝[si₁，si₂，...，si_m]，其中，1≤i≤m；

步骤C.对数据集合D中所有数据的距离值序列Li组成距离矩阵R_S，依次取距离矩阵R_S中每行非零最小值，记为r_i，组成数据集合r_s＝[r₁，r₂，...，r_m]，找出数据集合r_s中的最大值，记为r_max；

步骤D.设定权重w₁和w₂，计算聚类半径R＝w₁×r_i+w₂×r_max；

步骤E.以聚类半径R为半径，找出数据集合D中密度最大的数据P；

步骤F.以聚类半径R为半径，计算数据集合D中所有数据与数据P的距离，当计算出的距离小于聚类半径R时，则将该数据与数据P划分为一类；

步骤G.将经过步骤F后所有未被分类的数据组成新的数据集合D，重复步骤A至G，直至所有数据均被分类或剩余未被分类数据个数小于等于原始数据集合中数据总数n的一定比例时，结束聚类。

3.根据权利要求1所述的一种基于聚类分析的无人机跳频信号检测及识别方法，其特征在于，包括以下步骤：

步骤1.采集一个时间周期的指定频段的频谱数据，采用门限处理方法对采集到的频谱数据进行预处理得到有效信号的频谱数据，对所有有效信号的频谱数据中的频点按时间连续性进行处理，得到若干组频点的若干次有效信号数据时段；

步骤2.对步骤1的处理结果进行信号连通区域合并处理得到有效信号列表，对有效信号列表进行过滤处理产生频点信号集合S；

步骤3.对频点信号集合S中各信号依次进行波形形态特征参数提取和能量特征参数提取处理，得到跳频信号处理结果；

对跳频信号的频谱数据使用基于信号相似性特征分析的聚类分析方法进行聚类分析，通过聚类将跳频信号的频谱数据分为不同类别的跳频信号，得到无人机跳频信号聚类检测结果；

步骤4.依次按照信号带宽、信号波形特征值序列、能量特征值和驻留时间，基于信号相似性特征分析的聚类分析方法对跳频信号处理结果进行聚类分析，将跳频信号处理结果分为不同类别的跳频信号，得到无人机跳频信号聚类检测结果；

步骤5.按跳频信号时间顺序规则对无人机跳频信号聚类检测结果进行分选，再对无人机跳频信号分选结果进行无人机跳频信号参数估计，将其与参考数据库中的无人机信号参数进行比对，按参数最大相似度匹配且满足误差要求的方式完成对无人机信号的近似识别。

4.根据权利要求3所述的一种基于聚类分析的无人机跳频信号检测及识别方法，其特征在于，步骤1的具体步骤如下：

步骤1.1.采集一个时间周期的指定频段的频谱数据，获得该频段上的多帧频谱数据；

步骤1.2.逐帧统计步骤1.1采集到的所有频谱数据的电平最小值和最大值，再以固定间距对统计出的电平最小值和最大值构成的区间进行分段，得到多帧频谱数据的多组分段电平值区间；

步骤1.3.统计每组分段电平值区间中的频谱数据点数，找出最大频谱数据点数所在的电平值区间，记为I；

步骤1.4.根据门限处理方法，将所有频谱数据划分为噪声数据和有效信号数据：取电平值区间I向上一定间距作为当前采集的多帧频谱数据的信号门限值L，将小于信号门限值L的频点电平值判定为噪声数据，将大于以及等于信号门限值L的频点电平值判定为有效信号数据；

步骤1.5.基于选取的信号门限值L，对所有有效信号数据中的频点按时间连续性统计出各频点的有效信号数据时段。

5.根据权利要求3所述的一种基于聚类分析的无人机跳频信号检测及识别方法，其特征在于，步骤1.4中所述的向上一定间距是依据信号分布特征的分析结果：在含有最大频谱数据点数所在的区间向电平值增大的方向上，存在一个满足频谱数据点数数量小于相邻区间的频谱数据点数数量的区间，一定间距即为该区间位置。

6.根据权利要求4所述的一种基于聚类分析的无人机跳频信号检测及识别方法，其特征在于，步骤1.5中，按时间连续性统计某频点的有效信号数据时段的方法具体为：

从频点电平值首次大于信号门限值L的时间开始，一直到该频点电平值首次小于信号门限值L时的时间为止的时间区间，即为该频点的一次有效信号数据时段；当该频点电平值再次大于信号门限值L直至再次小于信号门限值L为止的时间区间，即为该频点的又一次有效信号数据时段，最终得到若干组频点的若干次有效信号数据时段。

7.根据权利要求3所述的一种基于聚类分析的无人机跳频信号检测及识别方法，其特征在于，步骤2中，对步骤1的处理结果进行信号连通区域合并处理的方法具体为：

设定信号频点间距门限，依次对各频点的有效信号数据时段中信号满足信号频率距离小于信号频点间距门限且信号持续时间存在交叉的有效信号数据时段进行连通区域合并；连通区域合并规则为：信号起始频率为较小频点的频率，信号结束频率为较大频点的频率，信号开始时间为频点有效信号数据时段开始时间中的较小值，信号结束时间为频点有效信号数据时段结束时间中的较大值；当发生有效信号数据时段合并后，剔除合并前的两个有效信号数据时段，重新从第一个有效信号数据时段开始以新的有效信号数据时段继续进行连通区域合并，以此类推，将所有频点可合并的有效信号数据时段进行连通区域合并，得到有效信号列表。

8.根据权利要求3所述的一种基于聚类分析的无人机跳频信号检测及识别方法，其特征在于，步骤2中，对有效信号列表进行过滤处理产生频点信号集合S的方法具体为：

设定跳频信号频点带宽门限，对有效信号列表中频点带宽不在跳频信号频点带宽门限内的信号进行过滤处理；

设定跳频信号持续时间门限，对有效信号列表中中信号持续时间不在跳频信号持续时间门限内的信号进行过滤处理；

其中，跳频信号频点带宽门限的取值范围为0.5MHz～5MHz，跳频信号持续时间门限的取值范围为200us～2000us。

9.根据权利要求3所述的一种基于聚类分析的无人机跳频信号检测及识别方法，其特征在于，步骤3的具体操作步骤如下：

步骤3.1.对频点信号集合S中各信号进行波形形态特征参数提取处理：按起止频率将信号均分为多段，分别计算每一个分段的平均值作为该分段的特征值，该信号的特征值序列由各分段的特征值组成；依次对频点信号集合S中各信号进行波形形态特征参数提取处理后，得到频点信号集合S中所有信号的波形特征值序列；其中，分段数取值在3～7之间；

步骤3.2.对频点信号集合S中各信号的波形特征值序列，取两端点分段特征值的均值和中间分段特征值的差值的绝对值作为信号的能量特征值；依次对频点信号集合S中各信号的波形特征值序列进行能量特征参数提取处理后，得到频点信号集合S中所有信号的能量特征值，即得到跳频信号处理结果。

10.根据权利要求3所述的一种基于聚类分析的无人机跳频信号检测及识别方法，其特征在于，步骤5中：

按跳频信号时间顺序规则进行分选是基于单一类型无人机产生的跳频信号在同一时刻不会出现两个甚至多个信号特征，以此为依据将聚类后的信号按照该特征进行信号分选，分选步骤如下：

a.新建分类，将步骤4处理得到的第一个跳频信号加入分类；

b.取下一个跳频信号，依次判断是否与当前已有分类中跳频信号存在时间交叉：

若存在，则取与该跳频信号存在时间交叉的分类中，所有与该跳频信号没有时间交叉的跳频信号组成新的分类，再继续判断该跳频信号是否与下一个已有分类中跳频信号存在时间交叉，直至与当前所有分类中所有跳频信号完成是否存在时间交叉判断；

若无，则加入当前与该跳频信号进行判断的分类；

c.重复步骤b，直至完成所有跳频信号的分类；

无人机跳频信号参数估计包括信号带宽、信号驻留时间、跳频周期和跳速，其中：

信号带宽为同一分类中所有信号带宽之和取平均值；

驻留时间为同一分类中所有信号驻留时间之和取平均值；

跳频信号周期为各分类中计算的两两同一频率之间时间间距的最小值；

跳速为信号带宽总和除以单个信号的信号带宽得到单个周期的信号跳个数后，信号跳个数除以跳频信号周期得到的值。