CN110751087B - 一种基于eof的无人机信号识别系统和方法 - Google Patents
一种基于eof的无人机信号识别系统和方法 Download PDFInfo
- Publication number
- CN110751087B CN110751087B CN201910990611.8A CN201910990611A CN110751087B CN 110751087 B CN110751087 B CN 110751087B CN 201910990611 A CN201910990611 A CN 201910990611A CN 110751087 B CN110751087 B CN 110751087B
- Authority
- CN
- China
- Prior art keywords
- unmanned aerial
- matrix
- eof
- aerial vehicle
- characteristic
- 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
- 238000000034 method Methods 0.000 title claims abstract description 54
- 239000011159 matrix material Substances 0.000 claims abstract description 147
- 238000004458 analytical method Methods 0.000 claims abstract description 97
- 238000013528 artificial neural network Methods 0.000 claims abstract description 33
- 238000012549 training Methods 0.000 claims abstract description 25
- 238000012545 processing Methods 0.000 claims abstract description 19
- 239000013598 vector Substances 0.000 claims description 41
- 238000000605 extraction Methods 0.000 claims description 26
- 238000004364 calculation method Methods 0.000 claims description 15
- 238000004422 calculation algorithm Methods 0.000 claims description 10
- 238000013075 data extraction Methods 0.000 claims description 10
- 230000009466 transformation Effects 0.000 claims description 10
- 230000004927 fusion Effects 0.000 claims description 9
- 238000010276 construction Methods 0.000 claims description 6
- 238000013507 mapping Methods 0.000 claims description 6
- 238000005070 sampling Methods 0.000 claims description 4
- 238000001228 spectrum Methods 0.000 claims description 4
- 238000002474 experimental method Methods 0.000 claims description 3
- 239000000284 extract Substances 0.000 claims description 3
- 238000007781 pre-processing Methods 0.000 claims description 3
- 230000003068 static effect Effects 0.000 claims description 3
- 230000000694 effects Effects 0.000 abstract description 11
- 238000005259 measurement Methods 0.000 description 4
- 230000008859 change Effects 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000013459 approach Methods 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 239000000203 mixture Substances 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 230000033228 biological regulation Effects 0.000 description 1
- 238000007635 classification algorithm Methods 0.000 description 1
- 230000006835 compression Effects 0.000 description 1
- 238000007906 compression Methods 0.000 description 1
- 230000001186 cumulative effect Effects 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 230000007123 defense Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 230000005764 inhibitory process Effects 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012857 repacking Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Images
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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/253—Fusion techniques of extracted features
-
- 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
- G06N3/044—Recurrent networks, e.g. Hopfield 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
- G06N3/04—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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/08—Feature extraction
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computing Systems (AREA)
- Software Systems (AREA)
- Molecular Biology (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Signal Processing (AREA)
- Image Analysis (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明提出的一种基于EOF的无人机信号识别系统和方法，解决相似无人机信号难以识别的问题，能够有效提高信号相似的无人机的识别效果，为无人机识别管控提供更好的支持。本发明的方法包括以下步骤：1)首先通过特征参数匹配的方法对接收的无人机信号进行初步识别；2)对于通过特征参数匹配不能完成识别的无人机信号，进行FFT处理后，生成对应的时频分析图；3)采用经验正交函数分析方法，将视频分析图对应的视频分析矩阵分解为反映信号共性特征的EOF矩阵和反映信号差异特征的特征系数矩阵；4)对特征系数矩阵进行特征数据提取和BP神经网络训练，构建相应的无人机类型分类器，输出识别结果。
Description
技术领域
本发明涉及无人机识别领域，尤其涉及一种基于EOF的无人机信号识别系统和方法，所述EOF是指经验正交函数分析方法(Empirical Orthogonal Function),缩写为EOF。
背景技术
目前，全球正进入无人机时代，无论是在军事、政治，还是商业、农业、休闲等领域，无人机的应用都呈爆炸式成长。甚至有专家预言，随着无人机价格逐渐走低，“人人拥有”将成为可能。随着无人机的快速发展与普及，其安全隐患也逐渐呈现出来——无人机被没有受过专业训练的、为了满足个人兴趣的、无常识无飞行法律法规意识的用户随意使用，甚至被不法分子利用于非法活动和情报窃取当中，给公共安全和军事秘密造成巨大威胁。
据了解，目前，民用无人机自带摄像头在500米高空可拍摄0.5千米范围的图像，经过改装的无人机还可搭载性能更高的摄像器材，从而获得更加清晰的图像。一些摄影爱好者常常利用无人机进行高空航拍，并将航拍图片上传至互联网供网友分享，个别爱好者为获取点击率和知名度，特意上传一些敏感区域航拍照片，使重要军事设施暴露，带来泄密隐患。而测绘类无人机，更因其测绘技术的先进性，可能会在毫无察觉的情况下，有可能使各种重要国防设施等需要保密的地面情况敞露无遗。调查发现，有人曾在重庆某军事基地附近放飞无人机，发现通过安装在无人机上的摄像头可以清晰拍摄基地内部全貌。因此，采用有效的识别算法对无人机进行识别，保障无人机管控提供是十分必要的。由于不同机型配备的系统具有差异性，如果我们能够提前采集某些机型的信号录入系统，分析其信号特征，在探测阶段能够快速在复杂电磁环境中辨认目标机型，便可在实际应用中快速做出反应，制定最优应对方法。
现有的无人机识别技术大致可以分为雷达识别、光电识别、声波识别、无线电信号识别几个类别。由于无人机的低慢小特性，雷达识别目前效果不理想，而光电识别对于小型无人机识别难度大，且在多尘、雾霾等因素受影响较大，因此目前主要识别方式研究主要集中在声波识别和无线电信号识别这两个方向，本文采用的识别方法就属于无线电信号识别。无线电信号识别主要通过探测无人机的发射的信号，利用从信号中提取的各类信息来进行识别。
对于图传和控制信号差异较明显的无人机，我们可以通过提取信号的特征参数(如信号带宽，时隙，频点宽度等)进行识别。当仅通过典型特征参数无法有效识别时，可以采用时频分析图进一步进行图像识别，但是在信噪比较低情况下，对于时频分析图相似度的不同无人机，直接对时频分析图进行图像识别仍然无法达到识别要求。
发明内容
本发明根据现有技术存在的问题，提出一种基于EOF的无人机信号识别系统和方法，解决相似无人机信号难以识别的问题，可以有效提高信号相似的无人机的识别效果，为无人机识别管控提供更好的支持。
本发明的技术方案是：
1.一种基于EOF的无人机信号识别方法，其特征在于，包括以下步骤：
1)首先通过特征参数匹配的方法对接收的无人机信号进行初步识别；
2)对于通过特征参数匹配不能完成识别的无人机信号，进行FFT处理后，生成对应的时频分析图；
3)采用经验正交函数分析方法，将时频分析图对应的时频分析矩阵分解为反映信号共性特征的EOF矩阵和反映信号差异特征的特征系数矩阵；
4)对特征系数矩阵进行特征数据提取和BP神经网络训练，构建相应的无人机类型分类器，输出识别结果。
2.所述步骤1)中，获得信号以后，首先进行数据预处理，然后进行特征参数提取，用提取的特征参数与特征参数库中的数据进行参数匹配；包括计算信号的中心频率、频带宽度，跳频信号时隙，并与特征参数库中的相应数据进行比对。
3.所述步骤2)中，所述时频分析图是利用一段观测时间的观测数据进行采样，每隔时间差△t截取一段采样数据进行FFT处理，获得的频谱数据作为一列数据，再将这些数据按时间顺序依次排列，构建时频分析矩阵，并生成时频分析图。
4.所述步骤3)中，利用实验和数据采集积累的大量相似信号无人机的时频分析图样本库，构建相应的EOF矩阵；
所述EOF矩阵V为
其中，Φ(s)为第S轮正交转换矩阵，Vi为特征向量(i＝1,2,……,m)；
特征系数矩阵的计算需要EOF矩阵V和时频分析矩阵D，所述特征系数矩阵a与EOF矩阵V和时频分析矩阵D的关系为：a＝V-1D
其中，
为避免矩阵求逆，采用ART迭代算法来求解特征系数矩阵元，其迭代方程如下：
其中k表示对初值a(0)的第k轮迭代结果，λk为松弛因子，取值在0和2之间。
5.所述步骤4)中，利用计算得到的大量相似信号无人机的特征系数矩阵样本库进行特征数据提取和神经网络训练；所述特征数据提取包括HOG特征提取的步骤和LBP特征提取的步骤，并采用特征组合中的串行方法完成HOG特征与LBP特征的融合，得到HOG+LBP混合特征；以提取得到的HOG+LBP混合特征的特征数据样本为输入进行神经网络训练。
6.所述步骤4)中，所述神经网络训练采用RBF神经网络，是一种改进的BP神经网络，采用高斯径向基核函数，其表达式为：
式中K(x,ci)为核函数，x为训练样本，ci为每个基函数的中心向量，σ为核函数宽度；
所述RBF神经网络结构为三层静态前向网络，包括输入层、隐含层和输出层，第一层为输入层，由提取的特征数据样本组成，第二层为隐含层，输入层空间到隐含层空间的映射是非线性的，第三层为输出层，输出为各类无人机的判断概率，隐含层空间到输出层空间的映射是线性的，此处的权重系数w为可调参数。
7.一种基于EOF的无人机信号识别系统，其特征在于，包括特征参数识别模块，时频分析图生成模块，EOF分析模块，特征提取和分类识别模块；所述特征参数识别模块用于通过特征参数匹配的方法对接收的无人机信号进行初步识别；所述时频分析图生成模块用于对通过特征参数匹配不能完成识别的无人机信号，进行FFT处理后，生成对应的时频分析图；所述EOF分析模块用于采用经验正交函数分析方法，将时频分析图对应的时频分析矩阵分解为反映信号共性特征的EOF矩阵和反映信号差异特征的特征系数矩阵；所述特征提取和分类识别模块用于对特征系数矩阵进行特征数据提取和BP神经网络训练，构建相应的无人机类型分类器，输出识别结果。
8.所述EOF分析模块包括时频分析图样本库以及EOF矩阵构建单元和特征系数矩阵计算单元；所述EOF矩阵构建单元利用时频分析图样本库构建对应的EOF矩阵，所述特征系数矩阵计算单元利用EOF矩阵和时频分析矩阵计算特征系数矩阵。
9.所述特征提取和分类识别模块包括特征系数矩阵样本库以及特征数据提取单元和分类识别单元；所述特征数据提取单元利用特征系数矩阵样本库进行HOG特征的提取和LBP特征的提取，并采用特征组合中的串行方法完成HOG特征与LBP特征的融合，所述分类识别单元用于对神经网络进行训练，构建相应的无人机类型分类器，输出识别结果。
10.所述特征参数识别模块包括特征参数库，包括用于进行无人机信号初步识别的特征参数。
本发明的技术效果：
本发明提出的一种基于EOF的无人机信号识别系统和方法，解决相似无人机信号难以识别的问题，能够有效提高信号相似的无人机的识别效果，为无人机识别管控提供更好的支持。
本发明利用时频分析图作为有效的识别工具，通过对无人机信号进行接收并做FFT处理，获得该信号的时频分析图，时频分析图可以体现信号在一段时间内随时间和频率的大量特征，非常适合用于进行无人机识别。对于信号特征相似的无人机，其时频分析图也较为相似，直接进行识别并不容易，所以本发明在此基础上进行EOF处理，利用大量样本数据(多个相似信号无人机的信号数据)进行处理，生成EOF矩阵V，再利用当前实测数据计算特征系数矩阵a，通过EOF方式，将时频分析图分解为共有特征部分(EOF矩阵V)和差异特征部分(特征系数矩阵a)，特征系数矩阵a相对于原时频分析图具有更明显的差异，此时再利用神经网络进行识别，有效提升了相似信号目标的识别效果。
总体来说，采用本发明的系统和方法进行无人机信号识别，主要有如下优点：
(1)对于时频图特征相似的目标，特征系数矩阵a具有更明显的特征差异，对于信号特征相似的目标可以有效提高识别效果。
(2)通过对相似目标信号样本进行处理，利用EOF矩阵剥离其“共性特征"，减少这些特征对识别的干扰。
(3)在不降低识别效果的前提下，减少参与识别运算的参数数量，减少计算量并提高识别稳定性。
附图说明
图1为本发明的基于EOF的无人机信号识别方法的流程图。
图2为时频分析图。
图3为RBF神经网络结构图。
具体实施方式
以下结合附图对本发明的实施例作进一步详细说明。
本发明针对相似无人机信号难以识别的问题，提出了一种基于EOF的无人机信号识别方法。EOF的具体原理如下文所述。
经验正交函数(Empirical Orthogonal Function，EOF)是一种通过对观测数据的分析，把不同物理过程和机制对变量场的贡献分离出来的分析方法。EOF方法的基本思想是认为大量相关数据总必然存在其支配作用的共同因素,在尽量不损失或者少损失原始数据所含信息的条件下，将原始数据进行简化，从而提取原始数据的特征信息。利用EOF方法，我们可以从变量场的资料集中识别出主要的相互正交的空间分布型和从多变量序列中提取主要的相互独立的新变量序列，从而用少数新变量序列反应原多个变量的变化信息。利用这种方法，可以帮助我们在研究机制比较复杂的问题的时候更容易抓住要点。
我们在对观测或者模式数据进行分析的时候，原理上应该把它们看作随机变量，因为它们包含很多偶然性因素的影响。考虑一个变量场由时间或者空间m个格点上的变量构成的一个m维随机向量X。方便起见，这里假设原始变量的数学期望已经被移除，即X是一个距平场，其期望值E(X)＝0。现选取X的容量为n的样本X1，X2，…，Xn，每个样品为m维列向量：
Xt＝(x1t,x2t,…,xmt)T t＝1,2,…,m (3)
现在，我们需要寻找一组正交基向量，可以把Xt尽可能准确的表示出来。这样一组正交基向量的线性组合可以表示为：
其中Vu是m个正交基向量中的第u个向量，该组向量共有N个，N<m。au(t)是对于第t个样本Xt的向量Vu对应的权重系数。εt表示误差向量。
为了判断正交基向量组对于样本Xt的表达效果，我们定义剩余误差平方和的样本平均值：
E越小，则说明由正交基向量拟合的结果与X的符合程度越高。
V1，V2，…，Vu是依次建立的。首先我们考虑基向量V1的情况，对应的展开式为：
Xt＝a1(t)V1+et t＝1,2,…,m (6)
我们的目的是使得对于所有样本，E1达到最小。
由式(2)，式(3)可得，
考虑到
有
而V为归一化向量，
因此式(5)可化为
其中VarX是场X的总方差，它与V1和a1(t)无关。P是X的协方差矩阵。
E1是V1的函数，也就是以v11，v21，…vm1为自变量的多元函数，要使得它在V1 TV1＝1的情况下达到极小值，这是一个多元函数的条件极值问题，可以用拉格朗日条件极值法来求解。
构造辅助函数：
要取到极值，则要求方程(7)对V1的偏导数为0，即
由此可得:
PV1＝λ1V1 (13)
可见V1为协方差矩阵P的特征向量，对应特征值为λ。此时E1达到最小,
E1＝VarX-λ1 (14)
依次类推，第u个正交基向量Vu满足：
PVu＝λuVu u＝1,2,…m (15)
考虑前N个正交基向量的线性组合，有
可以看出，所有的Vu实际上都是由被分析的场X的自身相关结构所确定的，这些Vu的集合便是经验正交函数。
考虑到P为实对称矩阵，由实对称矩阵特征值性质，有
因此，如果令N＝m，即进行m阶完全展开，则
定义由于Vu的加入使得误差E减小的量为Vu的方差贡献Qu，有：
由此可得，Vu的方差贡献率为：
前N个特征向量的积累方差贡献率为：
考虑矩阵M，
矩阵M的每一行是同一格点上的数据在不同样本中的值的序列，每一列是同一样本在各个格点上数据的序列。
由前N个特征向量为列向量可以构成矩阵：
矩阵每一列为一个特征向量。
由前N个特征向量对应的权重系数构成矩阵a,
矩阵沿列向为同一样本对应不同特征向量的权重系数的序列，矩阵沿行向为同一特征向量对应不同样本的权重系数。
由剩余误差构成矩阵ε
其关系可表示为：
M＝Va+ε (26)
对于整个样本集合M，我们可以采用经验正交函数V和特征系数矩阵a来拟合，拟合的效果可以从偏差矩阵ε看出来。式中a是用于识别的特征系数矩阵。
在分析时频分析图这种具有明显规律性的数据的时候，由样本数据获得的经验正交函数，如果按特征向量对应特征值大小排列，往往前几个特征向量(设为N个)对应方差贡献率较其他特征值要大的多，也就是说前N项在拟合中所占的比重非常大。经测试证明，对于采用1024个点进行FFT获取的时频分析图，若取N＝10，这些特征向量的积累方差贡献率就可以达到90％，若取N＝100,积累方差贡献率可以达到99％以上接近100％，这种时候，就可以采用前N个特征向量的线性组合来拟合数据分布，从而简化数据的分析和处理难度。这样，原本可能需要上万个参数来确定的结构，便可以由少数权重系数经由确定的经验正交函数来表征，可以有效的减少计算量，同时由于用于识别的特征参数数量大幅减少，也有效提高了识别的稳定性。
如图1所示，为本发明的基于EOF的无人机信号识别方法的流程图。
一种基于EOF的无人机信号识别方法，包括以下步骤：
1)首先通过特征参数匹配的方法对接收的无人机信号进行初步识别；
2)对于通过特征参数匹配不能完成识别的无人机信号，进行FFT处理后，生成对应的时频分析图；
3)采用经验正交函数分析方法，将时频分析图对应的时频分析矩阵分解为反映信号共性特征的EOF矩阵和反映信号差异特征的特征系数矩阵；
4)对特征系数矩阵进行特征数据提取和BP神经网络训练，构建相应的无人机类型分类器，输出识别结果。
我们获得信号以后，首先进行数据预处理，然后进行特征参数提取，用提取的特征参数与特征参数库中数据进行参数匹配，对于信号差异较大无人机，经过参数匹配就可以完成识别；包括计算信号的中心频率、频带宽度，跳频信号时隙等关键参数，并与特征参数库中的相应数据进行比对。
若匹配识别失败，则生成时频分析图用于下一步识别。如图2所示，该时频分析图是利用一段观测时间的观测数据进行采样，每隔时间差△t截取一段采样数据进行FFT处理，获得的频谱数据作为一列数据，再将这些数据按时间顺序依次排列，构建时频分析矩阵，并生成时频分析图，图2中横坐标为频率，纵坐标为时间，每一点的灰度代表对应时间和频率上的频谱系数。然后我们利用实验和数据采集积累的大量相似信号无人机的时频分析图样本库，构建对应的EOF矩阵和各不同无人机对应的特征系数矩阵库，其中EOF矩阵用于和当前目标的时频分析图来计算特征系数矩阵，特征系数矩阵样本库用于进行神经网络训练，最后我们将计算得到的特征系数矩阵作为输入进行识别，并输出识别结果。
要求解EOF矩阵，需要时频分析图样本库。这些样本主要来自于相似信号的无人机的实测数据生成的时频分析图集合。将这些按照一定规律排列，可以构建出一个m×n的样本矩阵，该矩阵可以表示为：
然后计算其距平值矩阵：
其中△xij表示距平值：
由此可得B的协方差矩阵：
其中
i＝1,2,…,m j＝1,2,…m
由上式可知
采用雅可比正交转换将其转换为其余元素皆为0的对角方阵：
引入正交矩阵：
利用正交矩阵进行正交转换：
P(1)＝(Φ(1))TP(0)Φ(1) (34)
依次类推：
照此连续转换，可使P(s)逐渐逼近∧。
P(s)＝VTP(0)V→Λ (36)
其中V为所有正交矩阵的积，即EOF矩阵：
其中Vi为特征向量，与∧的元素λ一一对应，一般以λ的值作为衡量标准，确定应该用多少阶特征向量构成EOF矩阵。具体需要取多少阶特征向量来进行拟合，需要考虑这些特征向量的积累方差贡献率，它可以表示为：
其中λi表示与Vi相对应的特征值。Hu的大小直接反应了前Nu个正交基向量对原变量的拟合程度。由于经验正交函数本身的特性，在分析一些具有较强规律性结构的时候，往往EOF矩阵前面部分贡献率最大的正交基向量的积累方差贡献率可以达到很高，这种时候，就可以采用这部分特征向量的线性组合来拟合原数据分布，一般来说，若前N阶特征向量的方差贡献率达到90％以上，我们就可以仅采用前N阶特征向量来构建EOF矩阵，从而简化数据的分析和处理难度。若为了尽可能保证数据完备性，也可以取方差贡献率达到99％以上的特征向量阶数，一般情况下，对于采用1024个点进行FFT获取的时频分析图，取前100阶就可以完全满足要求。
下面我们具体介绍一下正交转换的方法。
考虑第s轮正交转换过程：
P(S)＝(Φ(S))TP(S-1)Φ(S). (39)
其中P(s-1)为第s轮转换前矩阵。P(s)为第s轮转换后矩阵,Φ(s)为第S轮转换矩阵。
运算结果可以归纳为：
每轮转换后，相应的正交矩阵V的元素也会随之变化：
使用正交转换，目的是使得非主对角线所有元素趋于0，所以在每次转换中，都必须使：
带入式(38)，可以得到：
其中σ、μ为简化表达式所取的中间参数，
由此可得：
其中w为简化表达式所取的中间参数，其值为：
这样反复使用正交变换，就可以得到对角矩阵∧。
但是在实际计算中，可以选取一个临界值ε，使得每一个非对角线元素的绝对值都小于这个值：
当所有的非对角元素都满足上式，我们就可以认为非对角元素已经足够小了。
特征系数矩阵的计算需要EOF矩阵V和时频分析矩阵D，时频分析矩阵D即是一段时间内的目标信号经过数据处理后获得的时频分析图所对应的矩阵，该矩阵各行表示不同的频率，各列表示不同的时间，时频分析矩阵D可以表示如下：
其中m表示该时频分析矩阵FFT的采样数，n为一段时间内以△t为间隔采集数据的时点数。
若我们选取特征向量数目为N，EOF矩阵V可以表示为：
特征系数矩阵a可以表示为：
当选取的特征向量足够多，积累方差贡献率足够大时，我们可以认为只要是样本库中存在的目标，其偏差矩阵ε是可以忽略的。因此，特征系数矩阵a和D，V的关系可以表示为：
D＝Va (50)
因此，系数矩阵a可以表示为：
a＝V-1D (51)
在实际运算中，进行矩阵求逆运算量大，且容易引入不必要的误差，因此可以采用迭代算法来求解特征系数矩阵，这里我们可以采用ART迭代算法来求解，其迭代方程如下：
其中上标(k)表示对初值a(0)的第k轮迭代结果。λk为松弛因子，取值在0和2之间，对于含测量误差的数据，合适选取松弛因子的值能改善重建图像的质量和迭代的效率。一般情况下，在迭代过程中松弛因子可以取一个定值。
最后，基于神经网络图像分类算法，结合无人机信号特征，实现了信号自动化识别方法，具体方法如下：
1)特征数据提取
本文采取HOG+LBP混合特征提取的方法来提取时频分析图的特征数据。
HOG特征是一种描述局部信息的描述符，通过计算区域像素的梯度直方图来表示边缘信息，再对其归一化处理来提高特征的性能。局部细胞单元上的归一化操作，可以增强HOG特征对图像几何变换的鲁棒性。HOG特征最具鲜明的优势在于对于按块划分进行直方图统计，对光线和背景的变化具有很好的抗干扰性，在时频分析图中，对于分布不均的色噪、以及出现宽频带定频干扰下仍能将目标信号的边缘信息提取出来。
HOG特征提取步骤为：
1.读入图片，对图片Gamma空间和颜色空间进行标准化。为了减少光线变化、局部阴影等因素的干扰，使得图像有相同的标准，同时也可以对噪声干扰产生一定的抑制作用，可以信号时频点幅值大小转换为单通道灰度瀑布图，像素灰度范围为[0，255]，gamma压缩公式为：
I(x,y)＝I(x,y)gounma (53)
2.计算图中每个像素点灰度值的梯度并存表保存。梯度计算公式如下：
3.确定滑动窗口扫描参数，如窗口长度和宽度，窗口移动步长，将坐标原点(图像左上角)作为滑动窗口当前位置。
4.截取滑动窗口所在图片中的区域，作为一个block。将该block进行四等分，对每个cell内的像素点梯度分按梯度方向的统计：把各个cell内的梯度方向进行9等分为9个bin，9个bin对应9维向量的各个分量。然后依次遍历该cell内的像素点，统计其梯度方向，该方向落到那个bin的范围内，则向量对应的分量的值自增1。用此方法统计完所有cell对应的向量。
5.对每一个小块的直方图进行归一化，能够对光照、阴影、边缘对比度等具有更好的不变性。
6.按指定步长移动滑动窗口，转至步骤4，若已经无法移动滑动窗口，即已经到图片最后一块，则进入步骤7。
7.将所有小块的特征向量串联起来，形成HOG特征数据
LBP特征(Local Binary Pattern，LBP)常用于机器视觉领域中描述图像局部纹理特征。其基本思想是将各个像素的灰度值作为阈值与其相邻内的像素灰度值相比较，若大于阈值，则记为1，反之记为0，并将结果保存为二进制数，以此来描述图像的局部纹理特征。LBP算法并不是利用单个像素点来描述纹理，而是利用一个局部区域的模式来描述纹理，将每一个像素点的值与局部纹理的描述码值联系起来，是一种局部特征算法；同时，LBP算法又具有统计特征的特点，它统计出整个图像不同模式数的个数，LBP特征同时具有统计性和结构性的特点。因此，LBP方法相比于其它纹理算法更有优势，在纹理的分类识别具有广泛的应用。
LBP特征提取步骤为：
1.将检测窗口划分为16×16的小区域(cell)；
2.对于每个cell中的一个像素，将相邻的8个像素的灰度值与其进行比较，若周围像素值大于中心像素值，则该像素点的位置被标记为1，否则为0。这样，3*3邻域内的8个点经比较可产生8位二进制数，即得到该窗口中心像素点的LBP值；
3.然后计算每个cell的直方图，即每个数字(假定是十进制数LBP值)出现的频率；然后对该直方图进行归一化处理。
4.最后将得到的每个cell的统计直方图进行连接成为一个特征向量，也就是整幅图的LBP纹理特征向量；
单一特征虽然相比于混合特征，特征维数较小，但是准确率往往比不上从多角度进行描述的混合特征。所以，本文采用基于多特征融合的混合特征。虽然混合特征的维数大于单一特征，导致特征提取过程中速度的降低，特征提取在离线训练阶段占时较长，但是却可以提高分类器的识别能力。
当完成样本HOG特征提取与LBP特征提取后需要进行两种特征的融合，得到混合特征，目前特征融合主要有特征组合、特征选择、特征变换。本文采用特征组合中的串行方法完成HOG特征与LBP特征的融合，主要考虑到：在实际处理过程中发现HOG特征与LBP特征在各维数上特征值的数量级范围相近，可以直接采用串行的方式实现特征融合，并且融合后的特征无需进行归一化处理。
2)神经网络训练
本文以HOG+LBP混合特征提取得到的特征数据样本为输入，采用神经网络训练的方式实现时频分析图的识别功能。在训练中，主要使用的是RBF神经网络，该方法是BP神经网络的一种改进方法，可以有效改善BP神经网络易陷入局部极小点的问题。本文采用高斯径向基核函数，其表达式为：
式中K(x,ci)为核函数，x为训练样本，ci为每个基函数的中心向量，σ为核函数宽度。
RBF神经网络结构图如图3所示，该网络是一种三层静态前向网络，分为输入层、隐含层和输出层三层。第一层为输入层，它由上文中混合特征提取得到的特征数据样本组成，第二层为隐含层，输入层空间到隐含层空间的映射是非线性的，第三层为输出层，输出为各类无人机的判断概率。隐含层空间到输出层空间的映射是线性的，此处的权重系数w为可调参数。我们可以采集那些相似无人机信号，生成时频分析图，通过特征系数矩阵计算并进行特征参数提取，获得数据样本作为神经网络的输入样本进行训练，就可以构建相应无人机类型的分类器。在实际测量得到无人机时频分析图后，就可以实时识别出该无人机类型。
相应的，一种基于EOF的无人机信号识别系统，包括特征参数识别模块，时频分析图生成模块，EOF分析模块，特征提取和分类识别模块；特征参数识别模块用于通过特征参数匹配的方法对接收的无人机信号进行初步识别；时频分析图生成模块用于对通过特征参数匹配不能完成识别的无人机信号，进行FFT处理后，生成对应的时频分析图；EOF分析模块用于采用经验正交函数分析方法，将时频分析图对应的时频分析矩阵分解为反映信号共性特征的EOF矩阵和反映信号差异特征的特征系数矩阵；特征提取和分类识别模块用于对特征系数矩阵进行特征数据提取和BP神经网络训练，构建相应的无人机类型分类器，输出识别结果。
其中，EOF分析模块包括时频分析图样本库以及EOF矩阵构建单元和特征系数矩阵计算单元；EOF矩阵构建单元利用时频分析图样本库构建对应的EOF矩阵，所述特征系数矩阵计算单元利用EOF矩阵和时频分析矩阵计算特征系数矩阵。特征提取和分类识别模块包括特征系数矩阵样本库以及特征数据提取单元和分类识别单元；所述特征数据提取单元利用特征系数矩阵样本库进行HOG特征的提取和LBP特征的提取，并采用特征组合中的串行方法完成HOG特征与LBP特征的融合，所述分类识别单元用于对神经网络进行训练，构建相应的无人机类型分类器，输出识别结果。特征参数识别模块包括特征参数库，包括用于进行无人机信号初步识别的特征参数。
应当指出，以上所述具体实施方式可以使本领域的技术人员更全面地理解本发明创造，但不以任何方式限制本发明创造。一切不脱离本发明创造的精神和范围的技术方案及其改进，其均涵盖在本发明创造的保护范围当中。
Claims (10)
1.一种基于EOF的无人机信号识别方法，其特征在于，包括以下步骤：
1)首先通过特征参数匹配的方法对接收的无人机信号进行初步识别；
2)对于通过特征参数匹配不能完成识别的无人机信号，进行FFT处理后，生成对应的时频分析图；
3)采用经验正交函数分析方法，将时频分析图对应的时频分析矩阵分解为反映信号共性特征的EOF矩阵和反映信号差异特征的特征系数矩阵；
4)对特征系数矩阵进行特征数据提取和BP神经网络训练，构建相应的无人机类型分类器，输出识别结果。
2.根据权利要求1所述的基于EOF的无人机信号识别方法，其特征在于，所述步骤1)中，获得信号以后，首先进行数据预处理，然后进行特征参数提取，用提取的特征参数与特征参数库中的数据进行参数匹配；包括计算信号的中心频率、频带宽度，跳频信号时隙，并与特征参数库中的相应数据进行比对。
3.根据权利要求1所述的基于EOF的无人机信号识别方法，其特征在于，所述步骤2)中，所述时频分析图是利用一段观测时间的观测数据进行采样，每隔时间差△t截取一段采样数据进行FFT处理，获得的频谱数据作为一列数据，再将这些数据按时间顺序依次排列，构建时频分析矩阵，并生成时频分析图。
4.根据权利要求1所述的基于EOF的无人机信号识别方法，其特征在于，所述步骤3)中，利用实验和数据采集积累的大量相似信号无人机的时频分析图样本库，构建相应的EOF矩阵；
所述EOF矩阵V为
其中，Φ(s)为第S轮正交转换矩阵，Vi为特征向量(i＝1,2,……,m)；
特征系数矩阵的计算需要EOF矩阵V和时频分析矩阵D，所述特征系数矩阵a与EOF矩阵V和时频分析矩阵D的关系为：a＝V-1D
其中，
为避免矩阵求逆，采用ART迭代算法来求解特征系数矩阵元，其迭代方程如下：
其中，k表示对初值a(0)的第k轮迭代结果，λk为松弛因子，取值在0和2之间。
5.根据权利要求1所述的基于EOF的无人机信号识别方法，其特征在于，所述步骤4)中，利用计算得到的大量相似信号无人机的特征系数矩阵样本库进行特征数据提取和神经网络训练；所述特征数据提取包括HOG特征提取的步骤和LBP特征提取的步骤，并采用特征组合中的串行方法完成HOG特征与LBP特征的融合，得到HOG+LBP混合特征；以提取得到的HOG+LBP混合特征的特征数据样本为输入进行神经网络训练。
6.根据权利要求1所述的基于EOF的无人机信号识别方法，其特征在于，所述步骤4)中，所述神经网络训练采用RBF神经网络，是一种改进的BP神经网络，采用高斯径向基核函数，其表达式为：
式中K(x,ci)为核函数，x为训练样本，ci为每个基函数的中心向量，σ为核函数宽度；
所述RBF神经网络结构为三层静态前向网络，包括输入层、隐含层和输出层，第一层为输入层，由提取的特征数据样本组成，第二层为隐含层，输入层空间到隐含层空间的映射是非线性的，第三层为输出层，输出为各类无人机的判断概率，隐含层空间到输出层空间的映射是线性的，此处的权重系数w为可调参数。
7.一种基于EOF的无人机信号识别系统，其特征在于，包括特征参数识别模块，时频分析图生成模块，EOF分析模块，特征提取和分类识别模块；所述特征参数识别模块用于通过特征参数匹配的方法对接收的无人机信号进行初步识别；所述时频分析图生成模块用于对通过特征参数匹配不能完成识别的无人机信号，进行FFT处理后，生成对应的时频分析图；所述EOF分析模块用于采用经验正交函数分析方法，将时频分析图对应的时频分析矩阵分解为反映信号共性特征的EOF矩阵和反映信号差异特征的特征系数矩阵；所述特征提取和分类识别模块用于对特征系数矩阵进行特征数据提取和BP神经网络训练，构建相应的无人机类型分类器，输出识别结果。
8.根据权利要求7所述的基于EOF的无人机信号识别系统，其特征在于，所述EOF分析模块包括时频分析图样本库以及EOF矩阵构建单元和特征系数矩阵计算单元；所述EOF矩阵构建单元利用时频分析图样本库构建对应的EOF矩阵，所述特征系数矩阵计算单元利用EOF矩阵和时频分析矩阵计算特征系数矩阵。
9.根据权利要求7所述的基于EOF的无人机信号识别系统，其特征在于，所述特征提取和分类识别模块包括特征系数矩阵样本库以及特征数据提取单元和分类识别单元；所述特征数据提取单元利用特征系数矩阵样本库进行HOG特征的提取和LBP特征的提取，并采用特征组合中的串行方法完成HOG特征与LBP特征的融合，所述分类识别单元用于对神经网络进行训练，构建相应的无人机类型分类器，输出识别结果。
10.根据权利要求7所述的基于EOF的无人机信号识别系统，其特征在于，所述特征参数识别模块包括特征参数库，包括用于进行无人机信号初步识别的特征参数。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910990611.8A CN110751087B (zh) | 2019-10-17 | 2019-10-17 | 一种基于eof的无人机信号识别系统和方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910990611.8A CN110751087B (zh) | 2019-10-17 | 2019-10-17 | 一种基于eof的无人机信号识别系统和方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN110751087A CN110751087A (zh) | 2020-02-04 |
| CN110751087B true CN110751087B (zh) | 2020-09-22 |
Family
ID=69278697
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910990611.8A Active CN110751087B (zh) | 2019-10-17 | 2019-10-17 | 一种基于eof的无人机信号识别系统和方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110751087B (zh) |
Families Citing this family (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112132081A (zh) * | 2020-09-29 | 2020-12-25 | 广东工业大学 | 一种航拍图像中工程车辆的识别方法及装置、设备 |
| CN112508038B (zh) * | 2020-12-03 | 2022-11-08 | 江苏科技大学 | 一种跨通道局部二值模式的彩色纹理分类方法 |
| CN112505620B (zh) * | 2021-02-06 | 2021-04-27 | 陕西山利科技发展有限责任公司 | 一种用于无人机探测的旋转测向方法 |
| CN113259029B (zh) * | 2021-05-04 | 2022-03-22 | 中国人民解放军32802部队 | 一种适用于无人机信号的实时自动检测识别方法 |
| CN114154545B (zh) * | 2021-12-07 | 2022-08-05 | 中国人民解放军32802部队 | 强互干扰条件下无人机测控信号智能识别方法 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US9772818B2 (en) * | 2011-01-21 | 2017-09-26 | The United States Of America As Represented By The Secretary Of The Navy | Event detection system having multiple sensor systems in cooperation with an impact detection system |
| CN107358252A (zh) * | 2017-06-09 | 2017-11-17 | 清华大学 | 一种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 |
| CN109375205A (zh) * | 2018-09-28 | 2019-02-22 | 清华大学 | 基于字典学习的多种类无人机场景识别方法及装置 |
| CN109792484A (zh) * | 2016-09-23 | 2019-05-21 | 高通股份有限公司 | 无人自主飞行器中的图像处理 |
| CN110307982A (zh) * | 2019-06-19 | 2019-10-08 | 电子科技大学 | 基于CNN和Adaboost的轴承故障分类方法 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108680787A (zh) * | 2018-05-23 | 2018-10-19 | 成都玖锦科技有限公司 | 基于fpga的实时频谱分析方法 |
-
2019
- 2019-10-17 CN CN201910990611.8A patent/CN110751087B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US9772818B2 (en) * | 2011-01-21 | 2017-09-26 | The United States Of America As Represented By The Secretary Of The Navy | Event detection system having multiple sensor systems in cooperation with an impact detection system |
| CN109792484A (zh) * | 2016-09-23 | 2019-05-21 | 高通股份有限公司 | 无人自主飞行器中的图像处理 |
| CN107358252A (zh) * | 2017-06-09 | 2017-11-17 | 清华大学 | 一种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 |
| CN109375205A (zh) * | 2018-09-28 | 2019-02-22 | 清华大学 | 基于字典学习的多种类无人机场景识别方法及装置 |
| CN110307982A (zh) * | 2019-06-19 | 2019-10-08 | 电子科技大学 | 基于CNN和Adaboost的轴承故障分类方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN110751087A (zh) | 2020-02-04 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110751087B (zh) | 一种基于eof的无人机信号识别系统和方法 | |
| CN107563355B (zh) | 基于生成对抗网络的高光谱异常检测方法 | |
| Zhao et al. | Band-subset-based clustering and fusion for hyperspectral imagery classification | |
| Manolakis et al. | Detection algorithms in hyperspectral imaging systems: An overview of practical algorithms | |
| Keshava | A survey of spectral unmixing algorithms | |
| Broadwater et al. | Hybrid detectors for subpixel targets | |
| CN105224872B (zh) | 一种基于神经网络聚类的用户异常行为检测方法 | |
| CN101908138B (zh) | 基于噪声独立成分分析的合成孔径雷达图像目标识别方法 | |
| Cao et al. | Automatic band selection using spatial-structure information and classifier-based clustering | |
| CN107798345B (zh) | 基于块对角与低秩表示的高光谱伪装目标检测方法 | |
| Gupta et al. | Change detection in landsat images using unsupervised learning and RBF-based clustering | |
| CN111680579B (zh) | 一种自适应权重多视角度量学习的遥感图像分类方法 | |
| CN110276746B (zh) | 一种鲁棒性遥感图像变化检测方法 | |
| Ma et al. | Hyperspectral anomaly detection based on low-rank representation with data-driven projection and dictionary construction | |
| Xia et al. | Band selection for hyperspectral imagery: A new approach based on complex networks | |
| CN111460943A (zh) | 一种遥感影像地物分类方法及系统 | |
| Murtagh et al. | Decision boundaries using Bayes factors: the case of cloud masks | |
| Li et al. | Using improved ICA method for hyperspectral data classification | |
| Zhang et al. | Sparse unmixing based on adaptive loss minimization | |
| Arai | Maximum likelihood classification based on classified result of boundary mixed pixels for high spatial resolution of satellite images | |
| Klein et al. | Quantifying uncertainty in machine learning for hyperspectral target detection and identification | |
| Zhan et al. | Robust regression-based Markov random field for hyperspectral image classification | |
| CN106033545B (zh) | 行列式点过程的波段选择方法 | |
| Dong et al. | Symmetric information–theoretic metric learning for target detection in hyperspectral imagery | |
| Goldberg | A performance characterization of kernel-based algorithms for anomaly detection in hyperspectral imagery |
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 | ||
| CP03 | Change of name, title or address |
Address after: Room 101-402, building 1, 8 Xingkang South Road, Changsha high tech Development Zone, Changsha City, Hunan Province, 410221 Patentee after: Hunan kunlei Technology Co.,Ltd. Address before: Room a754, headquarters building, Changsha Zhongdian Software Park, 39 Jianshan Road, Changsha hi tech Development Zone, Changsha City, Hunan Province, 410000 Patentee before: HUNAN BOER KUNLEI INFORMATION TECHNOLOGY Co.,Ltd. |
|
| CP03 | Change of name, title or address |