CN110868734A - 一种基于频谱数据分析的无人机集群动态拓扑挖掘方法 - Google Patents

一种基于频谱数据分析的无人机集群动态拓扑挖掘方法 Download PDF

Info

Publication number
CN110868734A
CN110868734A CN201911221497.9A CN201911221497A CN110868734A CN 110868734 A CN110868734 A CN 110868734A CN 201911221497 A CN201911221497 A CN 201911221497A CN 110868734 A CN110868734 A CN 110868734A
Authority
CN
China
Prior art keywords
unmanned aerial
aerial vehicle
signal
communication
spectrum
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.)
Granted
Application number
CN201911221497.9A
Other languages
English (en)
Other versions
CN110868734B (zh
Inventor
姚昌华
王修来
李松柏
党随虎
贾永兴
阮朗
潘婷
刘昌坤
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.)
Yangtze Normal University
Original Assignee
Yangtze Normal University
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 Yangtze Normal University filed Critical Yangtze Normal University
Priority to CN201911221497.9A priority Critical patent/CN110868734B/zh
Publication of CN110868734A publication Critical patent/CN110868734A/zh
Application granted granted Critical
Publication of CN110868734B publication Critical patent/CN110868734B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • HELECTRICITY
    • H04ELECTRIC COMMUNICATION TECHNIQUE
    • H04WWIRELESS COMMUNICATION NETWORKS
    • H04W24/00Supervisory, monitoring or testing arrangements
    • H04W24/04Arrangements for maintaining operational condition
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06FELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00Pattern recognition
    • G06F18/20Analysing
    • G06F18/23Clustering techniques
    • G06F18/232Non-hierarchical techniques
    • G06F18/2321Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
    • HELECTRICITY
    • H04ELECTRIC COMMUNICATION TECHNIQUE
    • H04WWIRELESS COMMUNICATION NETWORKS
    • H04W64/00Locating users or terminals or network equipment for network management purposes, e.g. mobility management
    • HELECTRICITY
    • H04ELECTRIC COMMUNICATION TECHNIQUE
    • H04WWIRELESS COMMUNICATION NETWORKS
    • H04W64/00Locating users or terminals or network equipment for network management purposes, e.g. mobility management
    • H04W64/006Locating users or terminals or network equipment for network management purposes, e.g. mobility management with additional information processing, e.g. for direction or speed determination
    • HELECTRICITY
    • H04ELECTRIC COMMUNICATION TECHNIQUE
    • H04WWIRELESS COMMUNICATION NETWORKS
    • H04W4/00Services specially adapted for wireless communication networks; Facilities therefor
    • H04W4/02Services making use of location information
    • H04W4/029Location-based management or tracking services
    • HELECTRICITY
    • H04ELECTRIC COMMUNICATION TECHNIQUE
    • H04WWIRELESS COMMUNICATION NETWORKS
    • H04W84/00Network topologies
    • H04W84/02Hierarchically pre-organised networks, e.g. paging networks, cellular networks, WLAN [Wireless Local Area Network] or WLL [Wireless Local Loop]
    • H04W84/04Large scale networks; Deep hierarchical networks
    • H04W84/06Airborne or Satellite Networks

Landscapes

  • Engineering & Computer Science (AREA)
  • Signal Processing (AREA)
  • Data Mining & Analysis (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Probability & Statistics with Applications (AREA)
  • Control Of Position, Course, Altitude, Or Attitude Of Moving Bodies (AREA)
  • Mobile Radio Communication Systems (AREA)

Abstract

本发明公开了一种基于频谱数据分析的无人机集群动态拓扑挖掘方法,包括如下步骤:在目标区域部署监测站,利用监测站采集目标无人机集群的预设周期的通信信号;从所述通信信号中分离跳频信号及定频信号;基于改进密度峰值聚类算法判断跳频信号对应的无人机的通信关系;计算通信信号源位置;基于无人机的通信关系及通信信号源位置确定无人机的位置。本发明采用聚类分析和定位计算相结合的方法,在不使用雷达的条件下可以实现无人机集群中通信关系的确定以及无人机的定位,实现动态无人机集群拓扑分析,提升对无人机集群的监控能力。

Description

一种基于频谱数据分析的无人机集群动态拓扑挖掘方法
技术领域
本发明涉及无人机集群电磁频谱分析技术领域,具体涉及一种基于频谱数据分析的无人机集群动态拓扑挖掘方法。
背景技术
当前,无人机技术的迅速发展,尤其是小型化、低成本无人机组成的无人机集群,给重点目标带来了巨大挑战。如何应对无人机集群的攻击,首要在于对其拓扑结构的分析,判定其指挥关系,进而为科学的防卫行动指明方向和提供依据。
如何对无人机集群进行拓扑结构分析,又是一个难题。传统的雷达手段存在成本高、低空目标探测难等问题。并且,雷达探测分析无人机集群的拓扑,只是得到了其集合拓扑结构,并不能分析出无人机集群内部之间的指挥通联关系。而获取无人机集群的指挥关系,才是科学防卫行动最需要的信息。
因此,如何在不采用雷达的情况下挖掘无人机集群的内部通信关系并对无人机进行定位成为了本领域技术人员急需解决的问题。
发明内容
针对现有技术存在的上述不足,本发明实际需要解决的问题是:如何在不采用雷达的情况下挖掘无人机集群的内部通信关系并对无人机进行定位。
本发明采用了如下的技术方案:
一种基于频谱数据分析的无人机集群动态拓扑挖掘方法,包括如下步骤:
S1、在目标区域部署监测站,利用监测站采集目标无人机集群的预设周期的通信信号;
S2、从所述通信信号中分离跳频信号及定频信号;
S3、基于改进密度峰值聚类算法判断跳频信号对应的无人机的通信关系;
S4、计算通信信号源位置;
S5、基于无人机的通信关系及通信信号源位置确定无人机的位置。
优选地,步骤S1中:
对于任一监测站,采集的通信信号频谱数据集为X,X={x1,x2,…,xi,…,xn},xi表示第i个频谱,n表示通信信号频谱数据集中的频谱数量,xi表示第i个频谱,xi={fi,Bi,dbmi,t1,i,t2,i},fi表示xi对应的中心频率,Bi表示xi对应的带宽,dbmi表示xi对应的信号电平,t1,i表示xi对应的信号起始时间,t2,i表示xi对应的信号结束时间,P表示X对应的接收功率集合,P={p1,p2,…,pi,…,pn}。
优选地,步骤S2包括:
S201、基于带宽将频谱信号分类,每类频谱信号的带宽相同;
S202、当同类频谱信号中的中心频率相等,并且此类频谱信号对应的接收相等或呈连续性变化,则判断此类频谱信号为定频信号,否则,判断此类频谱信号为跳频信号。
优选地,步骤S3包括:
S301、基于分离出的跳频信号生成跳频信号数据,Y为跳频信号数据集,Y={y1,y2,…,yi,…,yn},yi={fi,Bi,dbmi,t1,i,t2,i,Ti},跳频周期Ti=t2,i-t1,i
S302、对跳频信号数据进行归一化处理得到信号特征数据,Z为信号特征数据集,Z={z1,z2,…,zi,…,zn},
Figure BDA0002300983740000021
S303、计算信号特征数据之间的距离
Figure BDA0002300983740000022
式中,Dij为zi与zj之间的距离,w1,w2,w3均为特征权重;
S304、基于信号特征数据之间的距离对对应的跳频信号数据进行密度峰值聚类
Figure BDA0002300983740000026
Figure BDA0002300983740000023
Figure BDA0002300983740000024
式中,ρi为zi的局部密度,δi为zi与高密度点间的距离δi,dc为截断距离;
基于上式进行密度峰值聚类,得到跳频信号数据通信子集。
优选地,步骤S4包括:
当频谱信号仅被两个监测站采集到时,基于下式确定频谱信号信号源坐标;
Figure BDA0002300983740000025
式中,频谱信号xi的信号源坐标为(x'i,y'i),对应第a个监测站和第b个监测站的接收功率分别为pi,a和pi,b,第a个监测站和第b个监测站的坐标分别为(x”a,y”a)和(x”b,y”b);
当频谱信号被三个以上监测站采集到时,任意选择四个监测站得到方程
Figure BDA0002300983740000031
求解方程得到四组候选信号源坐标,将候选信号源坐标中重合的坐标作为频谱信号的信号源坐标。
优选地,步骤S5包括:
S501、将频谱信号的信号源坐标按照不同类的定频信号以及不同的跳频信号数据通信子集分类;
S502、基于分类后的频谱信号的信号源坐标确定无人机位置。
优选地,步骤S502中:
当同一类频谱信号的信号源坐标集中在预设半径的区域内时,以所述区域的几何中心作为无人机的位置,否则,基于频谱信号的信号起始时间和/或信号结束时间生成无人机轨迹。
综上所述,本发明与现有技术相比具有以下有益效果:
对无人机集群进行拓扑监控和分析,对于重点目标防卫、反恐维稳等具有重要意义。本发明提出基于频谱数据分析的无人机集群动态拓扑挖掘方法,基于对无人机集群的无线电信号监测,采用聚类分析和定位计算相结合的方法,实现动态无人机集群拓扑分析,提升对无人机集群的监控能力。
附图说明
图1为本发明公开的一种基于频谱数据分析的无人机集群动态拓扑挖掘方法的一种具体实施方式的流程图;
图2及图3为无人机集群动态网络拓扑结构示意图;
图4为对动态移动无人机系统进行频谱监测示意图;
图5为本发明具体实例中移动节点的定频通联配对分析结果示意图;
图6为本发明具体实例中聚类中心结果示意图;
图7为本发明具体实例中通联关系发现示意图;
图8为本发明具体实例中定频通信中移动节点轨迹分析结果示意图;
图9为本发明具体实例中跳频通信中移动节点轨迹分析结果示意图;
图10为本发明具体实例中无人机集群动态网络拓扑结构监测分析结果示意图。
具体实施方式
为了使本发明的目的、技术方案和优点更加清楚,下面将结合附图对本发明作进一步的详细描述说明。
如图1所示,一种基于频谱数据分析的无人机集群动态拓扑挖掘方法,包括如下步骤:
S1、如图4所示,在目标区域部署监测站,利用监测站采集目标无人机集群的预设周期的通信信号;
S2、从所述通信信号中分离跳频信号及定频信号;
S3、基于改进密度峰值聚类算法判断跳频信号对应的无人机的通信关系;
S4、计算通信信号源位置;
S5、基于无人机的通信关系及通信信号源位置确定无人机的位置。
本发明采用聚类分析和定位计算相结合的方法,在不使用雷达的条件下可以实现无人机集群中通信关系的确定以及无人机的定位,实现动态无人机集群拓扑分析,提升对无人机集群的监控能力。
具体实施时,步骤S1中:
对于任一监测站,采集的通信信号频谱数据集为X,X={x1,x2,…,xi,…,xn},xi表示第i个频谱,n表示通信信号频谱数据集中的频谱数量,xi表示第i个频谱,xi={fi,Bi,dbmi,t1,i,t2,i},fi表示xi对应的中心频率,Bi表示xi对应的带宽,dbmi表示xi对应的信号电平,t1,i表示xi对应的信号起始时间,t2,i表示xi对应的信号结束时间,P表示X对应的接收功率集合,P={p1,p2,…,pi,…,pn}。
如图2及图3所示,无人机集群各个成员在初始时刻的网络结构布置t1时刻所示,经过一段时间的通信,由于位置部署或者任务需要,节点位置发生变化从而导致通信网络拓扑发生改变,t2时刻,节点的移动使得整个通信网络的物理拓扑结构随着时间动态发生变化。
在本发明中,预设周期大于或等于t1,i表示xi对应的信号起始时间到信号结束时间的时间段,因此同一无人机在一个预设周期内,可能会被采集到的多个频谱,每个频谱的信号起始时间和信号结束时间并不相同。
具体实施时,步骤S2包括:
S201、基于带宽将频谱信号分类,每类频谱信号的带宽相同;
S202、当同类频谱信号中的中心频率相等,并且此类频谱信号对应的接收相等或呈连续性变化,则判断此类频谱信号为定频信号,否则,判断此类频谱信号为跳频信号。
每类定频信号包括两个无人机之间的通信信号。
具体实施时,步骤S3包括:
S301、基于分离出的跳频信号生成跳频信号数据,Y为跳频信号数据集,Y={y1,y2,…,yi,…,yn},yi={fi,Bi,dbmi,t1,i,t2,i,Ti},跳频周期Ti=t2,i-t1,i
S302、对跳频信号数据进行归一化处理得到信号特征数据,Z为信号特征数据集,Z={z1,z2,…,zi,…,zn},
Figure BDA0002300983740000051
S303、计算信号特征数据之间的距离
Figure BDA0002300983740000052
式中,Dij为zi与zj之间的距离,w1,w2,w3均为特征权重;
在本发明中,可设w1=1.5,w2=7,w3=0.001。
S304、基于信号特征数据之间的距离对对应的跳频信号数据进行密度峰值聚类
Figure BDA0002300983740000053
Figure BDA0002300983740000054
Figure BDA0002300983740000055
式中,ρi为zi的局部密度,δi为zi与高密度点间的距离δi,dc为截断距离;
基于上式进行密度峰值聚类,得到跳频信号数据通信子集。
在本发明中,可设截断距离dc=0.0015。每个跳频数据子集中含有一次通信中信号收发方的数据。由此,本发明通过先确定定频信号,再对跳频信号进行聚类,得到了无人机集群中的通信关系。
具体实施时,步骤S4包括:
基于自由空间的路径损耗模型,当两个监测站收到无线电信号时,则信号源在分别以两个监测站为圆心,di为半径的两个圆的交点上,其中di为第i个监测站到信号源的直线距离。半径di满足等式:
Figure BDA0002300983740000061
其中Pi表示第i个监测站接收的信号功率,Pr为信号源发射功率。λ为电磁波波长,Gl为视距方向上发射天线和接收天线的增益之积。
因此,当频谱信号仅被两个监测站采集到时,基于下式确定频谱信号信号源坐标;
Figure BDA0002300983740000062
式中,频谱信号xi的信号源坐标为(x'i,y'i),对应第a个监测站和第b个监测站的接收功率分别为pi,a和pi,b,第a个监测站和第b个监测站的坐标分别为(x”a,y”a)和(x”b,y”b);
当有3个及以上的监测站都能收到该信号时,根据几何原理,平面中的多个圆就会有交点,则未知信号的位置一定在其中某个交点上。当知道信号到监测站的距离后就能画出一个圆,根据多个监测站监测的数据可以画出多个这样的圆。多个圆存在同一交点,求解多个圆的唯一交点即为信号源的坐标。
当频谱信号被三个以上监测站采集到时,任意选择四个监测站得到方程
Figure BDA0002300983740000063
求解方程得到四组候选信号源坐标,将候选信号源坐标中重合的坐标作为频谱信号的信号源坐标。
具体实施时,步骤S5包括:
S501、将频谱信号的信号源坐标按照不同类的定频信号以及不同的跳频信号数据通信子集分类;
S502、基于分类后的频谱信号的信号源坐标确定无人机位置。
具体实施时,步骤S502中:
当同一类频谱信号的信号源坐标集中在预设半径的区域内时,以所述区域的几何中心作为无人机的位置,否则,基于频谱信号的信号起始时间和/或信号结束时间生成无人机轨迹。
当同一类频谱信号的信号源坐标集中在预设半径的区域内时,可以认为无人机在预设周期内位置未发生变动,因此,将所述区域的几何中心作为无人机的位置。
下面通过仿真实例来验证本发明的有效性:
现场设定有5组设备进行通信,其中定频通信和跳频通信的中各有一组产生了移动。每组通信参数设置如表1所示,信号噪声为零均值的高斯白噪声。可以看到在信号频率(f)、信号出现时间(time)和信号电平(dbm)所展示的三维空间中,固定节点的接收功率在一定时间内基本保持不变,而移动节点的功率特征随时间呈规律性的变化。
表1
Figure BDA0002300983740000071
分析结果:
a.定频通信通联关系分析结果
移动节点的定频通联分析结果如图5所示。其中横轴为监测时间(time),纵轴为信号监测频率(f)。结果表明,在目标区域内共有2组定频通联关系,且其中一组定频通信中有节点产生了移动。
b.移动节点跳频通信通联关系分析结果
移动节点的跳频通联聚类分析的结果如6所示。图6是聚类中心结果图,能看出有明显的三个聚类中心。图7中用不同的方式标注了不同簇,显示用本发明提出的聚类方法能够发现目标区域内的三组跳频通信的通联关系。
c.无人机集群动态的网络拓扑结构分析结果
移动节点的轨迹分析结果如图8及图9所示,无人机集群动态的网络拓扑结构分析结果如图10所示。图中虚线代表移动节点的移动轨迹。
以上结果表明,本发明提出的方法能够通过无人机集群频谱信号的聚类分析、信号定位分析,分析出其内部通联逻辑关系,进而得出其网络拓扑结构。通过不间断的跟踪监测与分析,能挖掘出无人机集群动态拓扑结构的演变情况。
上述仿真证明了本发明所提的算法的有效性、合理性。
本发明未涉及部分均与现有技术相同或可采用现有技术加以实现。
最后说明的是,以上实施例仅用以说明本发明的技术方案而非限制,尽管通过参照本发明的优选实施例已经对本发明进行了描述,但本领域的普通技术人员应当理解,可以在形式上和细节上对其作出各种各样的改变,而不偏离所附权利要求书所限定的本发明的精神和范围。

Claims (7)

1.一种基于频谱数据分析的无人机集群动态拓扑挖掘方法,其特征在于,包括如下步骤:
S1、在目标区域部署监测站,利用监测站采集目标无人机集群的预设周期的通信信号;
S2、从所述通信信号中分离跳频信号及定频信号;
S3、基于改进密度峰值聚类算法判断跳频信号对应的无人机的通信关系;
S4、计算通信信号源位置;
S5、基于无人机的通信关系及通信信号源位置确定无人机的位置。
2.如权利要求1所述的基于频谱数据分析的无人机集群动态拓扑挖掘方法,其特征在于,步骤S1中:
对于任一监测站,采集的通信信号频谱数据集为X,X={x1,x2,…,xi,…,xn},xi表示第i个频谱,n表示通信信号频谱数据集中的频谱数量,xi表示第i个频谱,xi={fi,Bi,dbmi,t1,i,t2,i},fi表示xi对应的中心频率,Bi表示xi对应的带宽,dbmi表示xi对应的信号电平,t1,i表示xi对应的信号起始时间,t2,i表示xi对应的信号结束时间,P表示X对应的接收功率集合,P={p1,p2,…,pi,…,pn}。
3.如权利要求2所述的基于频谱数据分析的无人机集群动态拓扑挖掘方法,其特征在于,步骤S2包括:
S201、基于带宽将频谱信号分类,每类频谱信号的带宽相同;
S202、当同类频谱信号中的中心频率相等,并且此类频谱信号对应的接收相等或呈连续性变化,则判断此类频谱信号为定频信号,否则,判断此类频谱信号为跳频信号。
4.如权利要求1所述的基于频谱数据分析的无人机集群动态拓扑挖掘方法,其特征在于,步骤S3包括:
S301、基于分离出的跳频信号生成跳频信号数据,Y为跳频信号数据集,Y={y1,y2,…,yi,…,yn},yi={fi,Bi,dbmi,t1,i,t2,i,Ti},跳频周期Ti=t2,i-t1,i
S302、对跳频信号数据进行归一化处理得到信号特征数据,Z为信号特征数据集,Z={z1,z2,…,zi,…,zn},
Figure FDA0002300983730000011
S303、计算信号特征数据之间的距离
Figure FDA0002300983730000012
式中,Dij为zi与zj之间的距离,w1,w2,w3均为特征权重;
S304、基于信号特征数据之间的距离对对应的跳频信号数据进行密度峰值聚类
Figure FDA0002300983730000021
Figure FDA0002300983730000022
Figure FDA0002300983730000023
式中,ρi为zi的局部密度,δi为zi与高密度点间的距离δi,dc为截断距离;
基于上式进行密度峰值聚类,得到跳频信号数据通信子集。
5.如权利要求2-4任一项所述的基于频谱数据分析的无人机集群动态拓扑挖掘方法,其特征在于,步骤S4包括:
当频谱信号仅被两个监测站采集到时,基于下式确定频谱信号信号源坐标;
Figure FDA0002300983730000024
式中,频谱信号xi的信号源坐标为(x'i,y'i),对应第a个监测站和第b个监测站的接收功率分别为pi,a和pi,b,第a个监测站和第b个监测站的坐标分别为(x”a,y”a)和(x”b,y”b);
当频谱信号被三个以上监测站采集到时,任意选择四个监测站得到方程
Figure FDA0002300983730000025
Figure FDA0002300983730000026
求解方程得到四组候选信号源坐标,将候选信号源坐标中重合的坐标作为频谱信号的信号源坐标。
6.如权利要求5所述的基于频谱数据分析的无人机集群动态拓扑挖掘方法,其特征在于,步骤S5包括:
S501、将频谱信号的信号源坐标按照不同类的定频信号以及不同的跳频信号数据通信子集分类;
S502、基于分类后的频谱信号的信号源坐标确定无人机位置。
7.如权利要求6所述的基于频谱数据分析的无人机集群动态拓扑挖掘方法,其特征在于,步骤S502中:
当同一类频谱信号的信号源坐标集中在预设半径的区域内时,以所述区域的几何中心作为无人机的位置,否则,基于频谱信号的信号起始时间和/或信号结束时间生成无人机轨迹。
CN201911221497.9A 2019-12-03 2019-12-03 一种基于频谱数据分析的无人机集群动态拓扑挖掘方法 Active CN110868734B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911221497.9A CN110868734B (zh) 2019-12-03 2019-12-03 一种基于频谱数据分析的无人机集群动态拓扑挖掘方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911221497.9A CN110868734B (zh) 2019-12-03 2019-12-03 一种基于频谱数据分析的无人机集群动态拓扑挖掘方法

Publications (2)

Publication Number Publication Date
CN110868734A true CN110868734A (zh) 2020-03-06
CN110868734B CN110868734B (zh) 2022-11-01

Family

ID=69658128

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911221497.9A Active CN110868734B (zh) 2019-12-03 2019-12-03 一种基于频谱数据分析的无人机集群动态拓扑挖掘方法

Country Status (1)

Country Link
CN (1) CN110868734B (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111428631A (zh) * 2020-03-23 2020-07-17 中南大学 无人机飞控信号可视化识别分选方法
CN112003642A (zh) * 2020-06-05 2020-11-27 南京信息工程大学 一种基于bso改进的无人机通信组网方法
CN112533221A (zh) * 2020-09-28 2021-03-19 南京航空航天大学 一种联合轨迹规划与频谱决策的无人机抗干扰方法

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105099502A (zh) * 2015-06-30 2015-11-25 中国船舶重工集团公司第七0九研究所 跳频干扰信号对定频接收机的电磁干扰分析方法及系统
US20180081355A1 (en) * 2016-09-19 2018-03-22 Diametrex Limited Radio frequency device detection and intervention
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
CN109872317A (zh) * 2019-02-22 2019-06-11 西南交通大学 一种基于电力设备缺陷识别学习模型的缺陷识别方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105099502A (zh) * 2015-06-30 2015-11-25 中国船舶重工集团公司第七0九研究所 跳频干扰信号对定频接收机的电磁干扰分析方法及系统
US20180081355A1 (en) * 2016-09-19 2018-03-22 Diametrex Limited Radio frequency device detection and intervention
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
CN109872317A (zh) * 2019-02-22 2019-06-11 西南交通大学 一种基于电力设备缺陷识别学习模型的缺陷识别方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
顾晨辉等: "一种跳频信号动态检测方法", 《小型微型计算机系统》 *

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111428631A (zh) * 2020-03-23 2020-07-17 中南大学 无人机飞控信号可视化识别分选方法
CN111428631B (zh) * 2020-03-23 2023-05-05 中南大学 无人机飞控信号可视化识别分选方法
CN112003642A (zh) * 2020-06-05 2020-11-27 南京信息工程大学 一种基于bso改进的无人机通信组网方法
CN112533221A (zh) * 2020-09-28 2021-03-19 南京航空航天大学 一种联合轨迹规划与频谱决策的无人机抗干扰方法
CN112533221B (zh) * 2020-09-28 2022-03-01 南京航空航天大学 一种联合轨迹规划与频谱决策的无人机抗干扰方法

Also Published As

Publication number Publication date
CN110868734B (zh) 2022-11-01

Similar Documents

Publication Publication Date Title
Basak et al. Combined RF-based drone detection and classification
US12087147B2 (en) Systems, methods, and devices for automatic signal detection based on power distribution by frequency over time
US10621443B2 (en) Systems, methods, apparatuses, and devices for identifying, tracking, and managing unmanned aerial vehicles
CN110868734B (zh) 一种基于频谱数据分析的无人机集群动态拓扑挖掘方法
US10025993B2 (en) Systems, methods, apparatuses, and devices for identifying and tracking unmanned aerial vehicles via a plurality of sensors
Basak et al. Drone classification from RF fingerprints using deep residual nets
US10317506B2 (en) Systems, methods, apparatuses, and devices for identifying, tracking, and managing unmanned aerial vehicles
Zhao et al. Classification of small UAVs based on auxiliary classifier Wasserstein GANs
US10025991B2 (en) Systems, methods, apparatuses, and devices for identifying, tracking, and managing unmanned aerial vehicles
CN106680780B (zh) 频谱共享环境下基于射频隐身的雷达最优波形设计方法
CN110166154B (zh) 一种基于神经网络的软件无线电频谱监测识别的方法
CN106717082A (zh) 减轻信号噪声的基于指纹的室内定位
WO2020236328A2 (en) Uas detection and negation
CN104320845A (zh) 一种基于传感器和量子智能计算的主用户定位方法
CN109889975B (zh) 一种基于NB-IoT的终端指纹定位方法
Sahoo et al. Toward advanced UAV communications: Properties, research challenges, and future potential
Campbell et al. Minimising rf detectability for low probability of detection communication
Wang et al. Radio-Frequency Based UAV Sensing Using Novel Hybrid Lightweight Learning Network
CN105717529A (zh) 一种基于无线电信号路测功率值的信源定位方法
Dai et al. Spatial consistency validation on massive SIMO covariance matrices in the geometry-based stochastic channel model QuaDRiGa
Al-Dharrab Detection performance of malicious UAV using massive IoT networks
Ids et al. Spectrum cartography using adaptive radial basis functions: Experimental validation
Zhang et al. Virtual electromagnetic environment modeling based data augmentation for drone signal identification
Ni et al. Connectivity in mobile tactical networks
CN115209424B (zh) 一种基于椭圆覆盖模型的无人机基站分流部署方法

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
CB03 Change of inventor or designer information

Inventor after: Yao Changhua

Inventor after: Li Songbai

Inventor after: Dang Suihu

Inventor before: Yao Changhua

Inventor before: Wang Xiulai

Inventor before: Li Songbai

Inventor before: Dang Suihu

Inventor before: Jia Yongxing

Inventor before: Ruan Lang

Inventor before: Pan Ting

Inventor before: Liu Changkun

CB03 Change of inventor or designer information
GR01 Patent grant
GR01 Patent grant