CN111428631B - 无人机飞控信号可视化识别分选方法 - Google Patents

无人机飞控信号可视化识别分选方法 Download PDF

Info

Publication number
CN111428631B
CN111428631B CN202010208111.7A CN202010208111A CN111428631B CN 111428631 B CN111428631 B CN 111428631B CN 202010208111 A CN202010208111 A CN 202010208111A CN 111428631 B CN111428631 B CN 111428631B
Authority
CN
China
Prior art keywords
time
unmanned aerial
aerial vehicle
frequency
flight control
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
CN202010208111.7A
Other languages
English (en)
Other versions
CN111428631A (zh
Inventor
奎晓燕
冯健男
朱守中
夏佳志
杜华坤
康松林
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.)
Central South University
Original Assignee
Central South 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 Central South University filed Critical Central South University
Priority to CN202010208111.7A priority Critical patent/CN111428631B/zh
Publication of CN111428631A publication Critical patent/CN111428631A/zh
Application granted granted Critical
Publication of CN111428631B publication Critical patent/CN111428631B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G06F18/232—Non-hierarchical techniques
    • G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
    • G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/12—Computing arrangements based on biological models using genetic models
    • G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/02—Preprocessing
    • G06F2218/04—Denoising
    • 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
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T10/00—Road transport of goods or passengers
    • Y02T10/10—Internal combustion engine [ICE] based vehicles
    • Y02T10/40—Engine management systems

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Theoretical Computer Science (AREA)
  • Biophysics (AREA)
  • Health & Medical Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • General Physics & Mathematics (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Genetics & Genomics (AREA)
  • Probability & Statistics with Applications (AREA)
  • Physiology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Biomedical Technology (AREA)
  • Computational Linguistics (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了一种无人机飞控信号可视化识别分选方法，包括获取待分析的无人机飞控信号；对信号进行时频分析、图像去噪并提取信号参数；对信号参数进行聚类分析和时频图重构，从而得到最终的无人机飞控信号可视化识别分选结果。本发明针对反无人机侦查瓶颈问题进行技术设计，使用信号时频分析、图像遗传算法分割去噪、图像连通区域标记特征提取、基于核密度估计的密度峰值聚类分析及时频图像重构等多种算法技术，实现对无人机飞控信号的检测识别，而且实施极为方便，能够有效避免其他侦察手段的不足，可以有效帮助指挥人员及时、准确、直观地进行射频跳频信号分析识别分选，为操作人员对信号性质的研判提供有力支撑。

Description

无人机飞控信号可视化识别分选方法
技术领域
本发明属于数字信号处理领域，具体涉及一种无人机飞控信号可视化识别分选方法。
背景技术
随着经济技术的发展和人们生活水平的提高，无人机已经广泛应用于人们的人们的生产和生活之中，给人们的生产和生活带来了无尽的便利。随着无人机市场的快速打开，无人机产业得到了迅猛发展。但是近年来，无人机“滥飞”、“黑飞”事故频发，伤人毁物，甚至可能被恐怖分子利用，造成重大安全隐患。因此建立并完善相应的防控体系，及时探测发现可疑目标，通过适当手段进行驱离、防范控制，才能有效确保重要场所和设施的安全。
在实施反无人机行动时，首先要对无人机进行探测跟踪和预警，反无人机系统借助各种手段发现目标无人机，为后续的反无人机作战行动提供重要的信息情报支援。从工作原理上可将无人机探测方式分为主动和被动两种，主动探测方式主要包括雷达和光电，被动探测方式主要包括射频侦测、声学探测等。鉴于无人机与地面操控设备之间，需要通过不断的发射或者接收无线信号来实现飞行控制，很难有效规避射频被动探测，因此基于无人机飞控信号的检测识别已成为反无人机研究领域一个重要研究方向。
为提高通信的抗干扰能力，小型民用无人机飞控信号通常采用跳频扩频技术实现，通过载波频率的变化，无人机能够在不同的信道通信，大大降低了复杂电磁环境对通信的干扰，增加了被发现、干扰的难度。因此对无人机飞行控制信号的侦测识别，技术难点就体现在了对跳频扩频无线信号的检测识别分选上。
无人机飞控跳频信号的识别分选，国内外已有一些研究成果。
基于跳频信号自相关性的跳频信号参数估计，方法简单且运算较少，但不适用于存在干扰的情况。
基于盲源分离的跳频信号分选的算法，可以实现对多个跳频信号的盲分离，但该类方法适用于信噪比较高的情况，在信噪比比较低的条件下较难实现。
基于优化初始聚类中心K-Means算法的跳频信号分选方法，通过搜索参数统计直方图峰值预估类数目及聚类中心位置，减少了K-Means聚类算法对初始参数的依赖，但预分箱数仍需凭借经验预设。
基于K调和均值的KHM聚类算法的跳频信号分选方法，使用已经得到的跳频信号的信息来进行分选，分选结果对初始化的中心不敏感，效果较好但不能解决样本点在某种程度上存在着“既可以属于类A也可以属于类B”的问题，导致分选结果差强人意。
因此，现有技术虽然很多，但是这些方法有的抗干扰性差，有的需要先验知识的支撑，有的则需要提前设定各种初始参数，并且对初始参数敏感，受限制较多。
发明内容
本发明的目的在于提供一种可靠性高、实用性好且能够高效完成从含有多种成分的混合信号中识别分选无人机飞控信号的无人机飞控信号可视化识别分选方法。
本发明提供的这种无人机飞控信号可视化识别分选方法，包括如下步骤：
S1.获取待分析的无人机飞控信号；
S2.对步骤S1获取的信号进行时频分析；
S3.对步骤S2获取的信号进行图像去噪；
S4.对步骤S3获取的去噪后的时频图像，提取信号参数；
S5.对步骤S4获取的信号参数，进行聚类分析；
S6.对步骤S5获取的聚类分析结果，进行时频图重构，从而得到最终的无人机飞控信号可视化识别分选结果。
步骤S2所述的对步骤S1获取的信号进行时频分析，具体为对步骤S1获取的信号，采用离散短时傅里叶变换进行时频分析。
步骤S3所述的对步骤S2获取的信号进行图像去噪，具体为采用遗传算法进行图像去噪。
步骤S4所述的对步骤S3获取的去噪后的数据，提取信号参数，具体为针对步骤S3获取的去噪后的时频图像，采用连通区域标记算法进行参数的提取。
步骤S5所述的对步骤S4获取的信号参数进行聚类分析，具体为对步骤S4获取的信号参数，采用基于核密度估计的密度峰值聚类算法(基于核密度估计的CFSFPD算法)进行聚类分析。
步骤S5所述的对步骤S4获取的信号参数进行聚类分析，具体为采用如下步骤进行聚类分析：
A.根据获取的信号数据集，计算窗宽参数h；
B.根据步骤A得到的窗宽参数h，计算每个数据点的核密度估计值，作为局部密度ρ；
C.根据距离度量，计算数据集的距离矩阵T；
D.根据步骤B得到的局部密度ρ和步骤C得到距离矩阵T，计算数据点的相对距离δ；
E.计算ρ与δ的乘积的对数值记为γ；
F.绘制ρ-δ决策图以及γ图，并选取聚类中心；
G.分配剩余数据点到高于当前数据点密度的最近数据点的类中，从而完成聚类分析。
为了避免驻留时间接近跳频信号的干扰信号被错误聚类，还要根据起始时刻做再次筛选，将不符合该类中数据点起始时刻等差序列规律的数据点，划到分新的类别中。
所述的为了避免驻留时间接近跳频信号的干扰信号被错误聚类，还要根据起始时刻做再次筛选，将不符合该类中数据点起始时刻等差序列规律的数据点，划到分新的类别中，具体为采用如下步骤进行划分：
a.将某个聚类中的数据点按照起始时刻升序排列；
b.计算相邻数据点起始时间差值dtij和平均时间差T；
c.判断|dtij-T|是否在设定的误差范围内：将超出设定的误差范围的数据点移出该类，并设置新的聚类标号；
d.处理完所有数据后，再人工判断新的聚类是未划分的跳频还是噪声干扰项。
步骤S6所述的对步骤S5获取的聚类分析结果，进行时频图重构，具体为对原始的时频矩阵进行操作，保留被聚类为同一类信号的频率分量，去除其余的频率分量，得到重构的时频矩阵。
本发明提供的这种无人机飞控信号可视化识别分选方法，针对反无人机侦查瓶颈问题进行技术设计，使用信号时频分析、图像遗传算法分割去噪、图像连通区域标记特征提取、基于核密度估计的密度峰值聚类分析及时频图像重构等多种算法技术，实现对无人机飞控信号的检测识别；本发明方法能够满足全天候、全地形、便携可搬移、便携快布式的部署要求，能够有效避免雷达、音频、光电侦察手段的各种短板不足，可以有效帮助指挥人员及时、准确、直观地进行射频跳频信号分析识别分选，为操作人员对信号性质的研判提供有力支撑。
附图说明
图1为本发明方法的方法流程示意图。
图2为本发明方法中的短时傅里叶变换结果示意图。
图3为本发明方法中的遗传算法去噪效果示意图。
图4为本发明方法中的连通区域标记效果示意图。
图5为本发明方法中的信号数据原始分布示意图。
图6为本发明方法中的ρ-δ决策图示意图。
图7为本发明方法中的γ决策图示意图。
图8为本发明方法中的聚类后数据分布示意图。
图9为本发明方法中的经过提取和矩阵重构后得到的时频图示意图。
具体实施方式
如图1所示为本发明方法的方法流程示意图：本发明提供的这种无人机飞控信号可视化识别分选方法，包括如下步骤：
S1.获取待分析的无人机飞控信号；
S2.对步骤S1获取的信号进行时频分析；具体为对步骤S1获取的信号，采用离散短时傅里叶变换进行时频分析；
跳频信号是一种典型的非平稳信号，而时频分析作为分析时变非平稳信号的有力工具，可以有效表征信号频率随时间的变化关系，提供信号时间域与频率域的联合分布信息，清晰地显示出时间域内难以得到的信号特征；常用的时频分析方法有短时傅里叶变换、Gabor展开、小波变换、维格纳-威尔分布(WVD)、科恩(Cohen)类等；短时傅里叶变换作为最常用的时频分析方法之一，计算量较小、实时性强，不会产生交叉项干扰，符合反无人机侦测的实时性、准确性要求，因此本方案的时频分析采用该方法实现；
短时傅里叶变换的计算公式为：
Figure BDA0002421868590000061
其中z(t)为源信号，g(t)为窗函数；
在实际操作中，通常需要对信号进行离散化，得到离散STFT的表达式：
Figure BDA0002421868590000062
其中短时傅里叶变换结果如图2所示；
S3.对步骤S2获取的信号进行图像去噪；具体为采用遗传算法进行图像去噪；
接收机在真实环境中接入的往往是混杂着各种噪声的混合信号，很难获取到清晰的时频图，因此在开始信号特征参数提取之前，需要对接入信号进行预处理；通常的做法是对时频变换后的矩阵进行截断处理，将背景噪声所在时频区间置零，减少对后续参数提取操作的影响；
遗传算法是一种用于解决最优化问题的随机搜索算法；算法借用了生物学“优胜劣汰，适者生存”的进化理论，操作中对表示可行解的个体编码施加选择、交叉、变异等遗传操作，这个过程将导致种群像自然进化一样，后生代种群比前代更加适应于环境，末代种群中的最优个体经过解码，可以作为问题近似最优解；
在操作过程中，遗传算法需要重点考虑以下两个问题：一是怎样编码个体的特征染色体，即可能的问题解；二是怎样定义适应度函数，即评估问题解的方法；
本发明中，将染色体编码为一个L*n位的向量，其中L是灰度的级数，n是所用阈值的个数；初始种群K个染色体随机产生；
适应度函数定义为：F(fitness,i)＝SBetween_objects/SWitnin_objects；其中SBetween_objects表示类间方差，SWitnin_objects表示类内方差；
Figure BDA0002421868590000071
其中mi为阈值thsld_i所分割的像素的平均值，Pi为分割i的概率，mg为图像的全局平均值，Si为分割i的方差，Sg为图像的全局方差；
Figure BDA0002421868590000072
Figure BDA0002421868590000073
确定了适应度函数之后，就可以对每一个体的适应度进行数值度量，适应度高的被选中进行交叉突变到下一代的概率大，适应度低的个体被选中的概率小；这样既可以保证种群向着最适宜解的方向进化，又避免陷入局部最优解；最终经过数十次迭代，即可获得最优的n个解作为图像分割的阈值，完成图像的去噪，其具体效果如图3所示；
S4.对步骤S3获取的去噪后的时频图像，提取信号参数；具体为针对步骤S3获取的去噪后的数据，采用连通区域标记算法进行参数的提取；
如图4所示，针对处理得到的跳频信号时频图，我们采用连通区域标记算法进行参数的提取；基于区域生长思想，使用8邻连通法对经过形态学处理后的二值化时频矩阵进行标记，得到与时频矩阵相同大小的标记矩阵；而后基于该标记矩阵，使用最小矩形边框标识出所有的连通区域，每个矩形边框由左上角坐标、横向长度、纵向长度四维向量记录；可以从中对应地提取到信号的起止时间、跳频周期、带宽及中心频点等特征参数；
S5.对步骤S4获取的信号参数，进行聚类分析；具体为根据步骤S4获取的信号参数，对信号采用基于核密度估计的密度峰值聚类算法(基于核密度估计的CFSFPD算法)进行聚类分析；
首先，CFSFDP算法是一种典型的基于密度的聚类算法，核心思想是对聚类中心点的构造选取；算法认为聚类中心点应同时具有两个特点：一是自身密度大，其周围都是密度更低的点；二是相对距离大，其与密度更大数据点之间的距离相对更大；为了准确的表征这两个特点，算法定义了ρi和δi两个量，其中ρi表示数据点i的密度，δi表示数据点i与更高密度点之间的距离；
局部密度ρi：指与数据点i的距离小于截断距离dc的数据点的个数，表示为
Figure BDA0002421868590000081
其中
Figure BDA0002421868590000082
dij＝dist(Xi,Xj)表示数据点Xi和Xj之间的距离；
相对距离δi：指局部密度大于ρi的数据点中，与数据点i之间距离的最小值，即
Figure BDA0002421868590000083
特别的，数据集中密度最大点的δ距离，等于该点与距离其最远的那个点之间的距离；
在计算完每个数据点的ρ和δ值之后，算法将原始数据集映射到由ρ和δ组成的二维特征空间中，构造出聚类中心的决策图；ρ和δ值都较大的数据点被选择成为聚类中心，而对于决策图数据点区分不明显，难以直接判断聚类中心点的情况，则根据下式进行评估确定，γ值越大的点越有可能是聚类中心；
γi＝lg(ρi*δi)
剩余数据点则被分配到有更高密度的最近邻所属的类簇中，完成聚类操作；
CFSFDP作为一种基于密度的聚类方法，通过密度峰值来识别聚类中心，克服了DBSCAN中类间密度差别大、邻域范围设定困难的问题，具有较强的鲁棒性；但该算法中的截断距离dc需要人为指定，最终的聚类效果受该参数影响较大，不合理的截断距离会造成聚类结果的巨大偏差，因此如何选取合适的截断距离，是CFSFDP算法需要解决的一个关键问题；
为了解决截断距离dc的选取问题，本发明使用一种基于核密度估计的K-CFSFDP算法；该算法使用数据集的核密度估计代替原算法的局部密度计算方法，规避了截断距离dc的人工选取问题；由于核密度估计属于无参估计，且核密度估计值能够更好的反应数据集本来的的密度分布特征，可以有效降低人工选取截断距离对聚类结果带来的偶然因素影响，因此得到的聚类结果更加准确；
在核密度估计中，假设数据集中的样本点x1,x2,...,xn为取值于R的独立分布随机变量，其服从的分布密度函数为f(x)，x∈R；定义函数：
Figure BDA0002421868590000091
其中
Figure BDA0002421868590000101
为密度函数f(x)的核密度估计；
Figure BDA0002421868590000102
为核函数；h为窗宽或光滑参数，n为样本数量；
采用高斯核函数来评估密度：
Figure BDA0002421868590000103
虽然高斯核函数的窗宽参数h会影响估计的有效性，但该参数可以通过数学方法来优化选择，使用积分均方误差(MISE)的评估方法，可以得到h的有效值：
Figure BDA0002421868590000104
其中n为数据点数量，
Figure BDA0002421868590000105
为样本标准差；
信号预处理得到的参数种类较多，不能将所有属性参数放在一起聚类，需要根据跳频信号的性质特点，进行进一步选择；信号功率受接收机元器件状态及信道传输环境影响，参数稳定较差；信号中心频率按照伪随机序列不断变换，在较短的接收时间内无法获得序列规律；而驻留时长、起始时刻、带宽以及到达角的测量结果则较为稳定，因此信号的聚类分选一般使用这几个参数；
因此，在具体实施时，采用如下步骤进行聚类分析：
A.根据获取的信号参数，计算窗宽参数
Figure BDA0002421868590000106
B.根据步骤A得到的窗宽参数h，计算每个数据点的核密度估计
Figure BDA0002421868590000107
作为局部密度ρ；
C.根据距离度量，计算数据集的距离矩阵T；
D.根据步骤B得到的局部密度ρ和步骤C得到距离矩阵T，计算每个数据点的相对距离
Figure BDA0002421868590000108
E.计算ρ与δ的乘积的对数值记为γ；
F.绘制ρ-δ决策图以及γ图，并选取聚类中心；
G.分配剩余数据点到高于当前数据点密度的最近数据点的类中，从而完成聚类分析；
此外，为了避免驻留时间接近跳频信号的干扰信号被错误聚类，还要根据起始时刻做再次筛选，将不符合该类中数据点起始时刻等差序列规律的数据点，划到分新的类别中；具体为采用如下步骤进行划分：
a.将某个聚类中的数据点按照起始时刻升序排列；
b.计算相邻数据点起始时间差值dtij和平均时间差T；
c.判断|dtij-T|是否在设定的误差范围内：将超出设定的误差范围的数据点移出该类，并设置新的聚类标号；
d.处理完所有数据后，再人工判断新的聚类是未划分的跳频还是噪声干扰项；
上述的具体操作过程，其示意图如图5～8所示；
S6.对步骤S5获取的聚类分析结果，进行视频图重构，从而得到最终的无人机飞控信号可视化识别分选结果；具体为对原始的时频矩阵进行操作，保留被聚类为同一类信号的频率分量，去除其余的频率分量，得到重构的时频矩阵；
在该步骤中，对聚类分析得到的各类信号进行时频图重构，对聚类的准确性进行进一步判断，帮助操作人员对信号的最终属性研判提供可视化支撑；
该步骤主要是对原始的时频矩阵进行操作，保留被聚类为同一类信号的频率分量，去除其余的频率分量，得到重构的时频矩阵。图9的(a)～(d)表示经过提取和矩阵重构后得到的时频图。

Claims (7)

1.一种无人机飞控信号可视化识别分选方法，包括如下步骤：
S1.获取待分析的无人机飞控信号；
S2.对步骤S1获取的信号进行时频分析；
S3.对步骤S2获取的信号进行图像去噪；
S4.对步骤S3获取的去噪后的时频图像，提取信号参数；
S5.对步骤S4获取的信号参数，进行聚类分析；具体为对步骤S4获取的信号参数，采用基于核密度估计的密度峰值聚类算法进行聚类分析，具体包括如下步骤：
A.根据获取的信号数据集，计算窗宽参数h；
B.根据步骤A得到的窗宽参数h，计算每个数据点的核密度估计值，作为局部密度ρ；
C.根据距离度量，计算数据集的距离矩阵T；
D.根据步骤B得到的局部密度ρ和步骤C得到距离矩阵T，计算数据点的相对距离δ；
E.计算ρ与δ的乘积的对数值记为γ；
F.绘制ρ-δ决策图以及γ图，并选取聚类中心；
G.分配剩余数据点到高于当前数据点密度的最近数据点的类中，从而完成聚类分析；
S6.对步骤S5获取的聚类分析结果，进行时频图重构，从而得到最终的无人机飞控信号可视化识别分选结果。
2.根据权利要求1所述的无人机飞控信号可视化识别分选方法，其特征在于步骤S2所述的对步骤S1获取的信号进行时频分析，具体为对步骤S1获取的信号，采用离散短时傅里叶变换进行时频分析。
3.根据权利要求2所述的无人机飞控信号可视化识别分选方法，其特征在于步骤S3所述的对步骤S2获取的信号进行图像去噪，具体为采用遗传算法进行图像去噪。
4.根据权利要求3所述的无人机飞控信号可视化识别分选方法，其特征在于步骤S4所述的对步骤S3获取的去噪后的数据，提取信号参数，具体为针对步骤S3获取的去噪后的数据，采用连通区域标记算法进行参数的提取。
5.根据权利要求4所述的无人机飞控信号可视化识别分选方法，其特征在于为了避免驻留时间接近跳频信号的干扰信号被错误聚类，还要根据起始时刻做再次筛选，将不符合该类中数据点起始时刻等差序列规律的数据点，划到分新的类别中。
6.根据权利要求5所述的无人机飞控信号可视化识别分选方法，其特征在于所述的为了避免驻留时间接近跳频信号的干扰信号被错误聚类，还要根据起始时刻做再次筛选，将不符合该类中数据点起始时刻等差序列规律的数据点，划到分新的类别中，具体为采用如下步骤进行划分：
a.将某个聚类中的数据点按照起始时刻升序排列；
b.计算相邻数据点起始时间差值dtij和平均时间差T；
c.判断|dtij-T|是否在设定的误差范围内：将超出设定的误差范围的数据点移出该类，并设置新的聚类标号；
d.处理完所有数据后，再人工判断新的聚类是未划分的跳频还是噪声干扰项。
7.根据权利要求6所述的无人机飞控信号可视化识别分选方法，其特征在于步骤S6所述的对步骤S5获取的聚类分析结果，进行时频图重构，具体为对原始的时频矩阵进行操作，保留被聚类为同一类信号的频率分量，去除其余的频率分量，得到重构的时频矩阵。
CN202010208111.7A 2020-03-23 2020-03-23 无人机飞控信号可视化识别分选方法 Active CN111428631B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010208111.7A CN111428631B (zh) 2020-03-23 2020-03-23 无人机飞控信号可视化识别分选方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010208111.7A CN111428631B (zh) 2020-03-23 2020-03-23 无人机飞控信号可视化识别分选方法

Publications (2)

Publication Number Publication Date
CN111428631A CN111428631A (zh) 2020-07-17
CN111428631B true CN111428631B (zh) 2023-05-05

Family

ID=71549232

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010208111.7A Active CN111428631B (zh) 2020-03-23 2020-03-23 无人机飞控信号可视化识别分选方法

Country Status (1)

Country Link
CN (1) CN111428631B (zh)

Families Citing this family (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112084907B (zh) * 2020-08-27 2022-12-09 西安交通大学 一种时频图特征数据点抓取与处理方法、存储介质及设备
CN113271161B (zh) * 2021-05-17 2022-06-03 湖南坤雷科技有限公司 一种电磁信号的筛选方法及装置
CN113541729B (zh) * 2021-07-12 2022-06-07 电子科技大学 一种基于时频矩阵的时频图去噪方法
CN113553777B (zh) * 2021-09-18 2021-11-30 中国人民解放军国防科技大学 反无人机蜂群的防空部署方法、装置、设备和介质
CN115426002B (zh) * 2022-06-15 2023-07-11 成都中星世通电子科技有限公司 基于时频分析的跳频信号检测与参数估计方法及系统
CN116628429B (zh) * 2023-07-26 2023-10-10 青岛远度智能科技有限公司 一种无人机平稳升降智能控制方法

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105069760A (zh) * 2015-08-28 2015-11-18 哈尔滨工程大学 一种基于f型双链量子遗传算法的小波阈值图像去噪方法
CN107368599A (zh) * 2017-07-26 2017-11-21 中南大学 高维数据的可视化分析方法及其分析系统
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
CN110334591A (zh) * 2019-05-24 2019-10-15 西华大学 一种基于聚类分析的无人机跳频信号检测及识别方法
CN110868734A (zh) * 2019-12-03 2020-03-06 长江师范学院 一种基于频谱数据分析的无人机集群动态拓扑挖掘方法

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108353081B (zh) * 2015-09-28 2021-01-19 13部门有限公司 遥控载具的检测和对抗的装置及方法、存储介质
TWI657011B (zh) * 2017-11-30 2019-04-21 財團法人工業技術研究院 無人機、無人機控制系統及控制方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105069760A (zh) * 2015-08-28 2015-11-18 哈尔滨工程大学 一种基于f型双链量子遗传算法的小波阈值图像去噪方法
CN107368599A (zh) * 2017-07-26 2017-11-21 中南大学 高维数据的可视化分析方法及其分析系统
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
CN110334591A (zh) * 2019-05-24 2019-10-15 西华大学 一种基于聚类分析的无人机跳频信号检测及识别方法
CN110868734A (zh) * 2019-12-03 2020-03-06 长江师范学院 一种基于频谱数据分析的无人机集群动态拓扑挖掘方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
夏佳志 ; 张亚伟 ; 张健 ; 蒋广 ; 李瑞 ; 陈为 ; .一种基于子空间聚类的局部相关性可视分析方法.计算机辅助设计与图形学学报.2016,(11),第48-55页. *

Also Published As

Publication number Publication date
CN111428631A (zh) 2020-07-17

Similar Documents

Publication Publication Date Title
CN111428631B (zh) 无人机飞控信号可视化识别分选方法
CN110516609B (zh) 一种基于图像多特征融合的火灾视频检测及预警方法
CN108510467B (zh) 基于深度可变形卷积神经网络的sar图像目标识别方法
CN107527009B (zh) 一种基于yolo目标检测的遗留物检测方法
Huang et al. A new building extraction postprocessing framework for high-spatial-resolution remote-sensing imagery
Cheriyadat Unsupervised feature learning for aerial scene classification
CN107358258B (zh) 基于nsct双cnn通道和选择性注意机制的sar图像目标分类
CN108171119B (zh) 基于残差网络的sar图像变化检测方法
CN109858438B (zh) 一种基于模型拟合的车道线检测方法
CN104182985A (zh) 遥感图像变化检测方法
CN110659374A (zh) 一种基于神经网络提取车辆特征值及属性的以图搜图方法
CN111091071B (zh) 基于探地雷达双曲波拟合的地下目标检测方法及系统
CN110310263B (zh) 一种基于显著性分析和背景先验的sar图像居民区检测方法
CN117763186A (zh) 遥感图像检索方法、系统、计算机设备及存储介质
CN109271902B (zh) 复杂背景下基于时域经验模态分解的红外弱小目标检测方法
CN106951924B (zh) 基于AdaBoost算法的地震相干体图像断层自动识别方法及系统
CN117475236A (zh) 用于矿产资源勘探的数据处理系统及其方法
CN109829511B (zh) 基于纹理分类的下视红外图像中云层区域检测方法
Wang et al. A novel filter-based anomaly detection framework for hyperspectral imagery
CN109558771B (zh) 海上船舶的行为状态识别方法、装置、设备及存储介质
CN107341456B (zh) 一种基于单幅户外彩色图像的天气晴阴分类方法
Sheikh et al. Noise tolerant classification of aerial images into manmade structures and natural-scene images based on statistical dispersion measures
CN113963270A (zh) 一种高分遥感影像建筑物检测方法
Denisova et al. Application of superpixel segmentation and morphological projector for structural changes detection in remote sensing images
Kanth et al. Change Detection in Multispectral Satellite Images using Histogram based Thresholding Technique

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