CN111709329B - 一种基于深度学习的无人机测控信号高速识别方法 - Google Patents

一种基于深度学习的无人机测控信号高速识别方法 Download PDF

Info

Publication number
CN111709329B
CN111709329B CN202010481250.7A CN202010481250A CN111709329B CN 111709329 B CN111709329 B CN 111709329B CN 202010481250 A CN202010481250 A CN 202010481250A CN 111709329 B CN111709329 B CN 111709329B
Authority
CN
China
Prior art keywords
signal
unmanned aerial
aerial vehicle
signals
time
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
CN202010481250.7A
Other languages
English (en)
Other versions
CN111709329A (zh
Inventor
戴幻尧
王建路
徐少坤
周波
尹江辉
王雷钢
吴晓朝
王岩
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.)
UNIT 63892 OF PLA
Original Assignee
UNIT 63892 OF PLA
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 UNIT 63892 OF PLA filed Critical UNIT 63892 OF PLA
Priority to CN202010481250.7A priority Critical patent/CN111709329B/zh
Publication of CN111709329A publication Critical patent/CN111709329A/zh
Application granted granted Critical
Publication of CN111709329B publication Critical patent/CN111709329B/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
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
    • 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
    • G06F2218/02—Preprocessing
    • 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
    • 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)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Software Systems (AREA)
  • Mathematical Physics (AREA)
  • Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Computing Systems (AREA)
  • Molecular Biology (AREA)
  • General Health & Medical Sciences (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开一种基于深度学习的无人机测控信号高速识别方法，其包括以下顺序步骤：信号接收机采集无人机测控信号，对信号进行高速采样和中频处理，并转化为二进制数据；分割二进制数据成若干个时间段的信号，作为上行遥控信号和下行图像信号训练识别的大量数据样本；对遥控信号和图像信号的数据样本进行短时傅里叶变换，获得上、下行信号的二维时频图像；将二维时频图像送入卷积神经网络进行深度学习，获得二维时频图像的训练模型；对于未知的无人机测控信号，只需获得该测控信号的中频数据，通过上述步骤操作，即可识别出无人机的型号，并判断出测控信号是上行信号还是下行信号。本发明识别率得到了极大提高，能够实现对无人机的检测和识别。

Description

一种基于深度学习的无人机测控信号高速识别方法
技术领域
本发明涉及无人机技术领域，尤其是涉及一种基于深度学习的无人机测控信号高速识别方法。
背景技术
近年来，伴随着无人机在低空化和小型化上的技术突破，各类民用无人机在世界范围内掀起发展热潮。无人机在物流运输、地质勘查、影视拍摄、农林作业、巡逻监测、应急救援等方面的应用需求快速增长，吸引越来越多的科技企业参与到新兴的无人机产业。与此同时，消费级民用微型无人机，由于其操作简便、价格亲民、新鲜感和娱乐性强等特点，普遍为大众所接受与追捧，购买用户与日俱增。在未来，无人机的应用领域必然更加广阔，市场无法估量。
然而随着行业的发展，无人机给许多行业带来了便利的同时也带来了不好的现象，无人机“黑飞”引来的安全事故在全国乃至世界各国都多次发生，比如无人机扰航、走私和扰乱敏感地带，严重的威胁了国防和公共安全。直接表明了无人机监管技术的缺陷和漏洞，已引发了社会各界关注和担忧，对其进行有效管控的需求非常迫切。然而，我国在管理无人机行业上相对滞后，主要体现在：操作者缺少体系的培训，规范无人机研制、销售、使用的相关法律不尽完善，探测监控管理技术手段不成熟。
面对“黑飞”无人机，不仅要设定规范、制定政策做到“不让飞”，还要在技术层面上研究反制手段实现“不敢飞”。对无人机进行反制，目前主要依靠高功率的电磁干扰破坏无人机的测控链路。无人机的测控链路包括上行链路和下行链路。其中，上行链路信号主要用于飞行控制指令等信息传递，即遥控信号；下行链路信号主要用于无人机状态参数、视频图像等信息传输。上行和下行链路的工作频率不一致，信号样式也不一致，这两种信号特征差异为无人机的探测和识别提供了一种可能性。在反制无人机的过程中，高功率的电磁干扰主要的干扰对象是上行链路的控制指令信号，如果不能对上行链路的工作频点进行精准的扫频压制干扰，到达无人机的电磁干扰信号的等效辐射功率就不够，就无法起到反制无人机的效果。因此，针对电磁压制干扰的技术手段，最首要的问题就是感知无人机的上行和下行链路信号，并区分上行和下行链路。对无人机型号、上行和下行链路信号进行准确识别，有利于无人机监管组织判断区域中检测到的无人机是否是已知的无人机，来决定是否需要对其进行监控反制。
目前，对无人机进行探测定位的技术方法主要包括有源雷达探测定位方法、光电探测识别跟踪方法、被动声探测定位方法、以及无线电被动探测，上述各方法分别通过探测无人机的雷达目标回波、无人机红外图像特征、无人机电机发出的声音进行探测，不能够侦测和判断到无人机的上下行链路信号，因此没有办法精确引导高功率电磁干扰反制无人机，只能根据无人机可能工作的5～6个频率点循环发射，同时进行电磁干扰，因此干扰信号功率难以集中，干扰反制的效果并不理想；而且这类设备通常价格非常昂贵，性价比低。
发明内容
为解决上述问题，本发明的目的是提供一种基于深度学习的无人机测控信号高速识别方法。
为实现上述发明目的，本发明采用如下技术方案：
一种基于深度学习的无人机测控信号高速识别方法，其包括以下步骤：
S1、信号接收机采集无人机测控信号，对信号进行高速采样和中频处理，并转化为二进制数据；
S2、对步骤S1中得到的二进制数据进行分割，分割成若干个时间段的信号，作为上行遥控信号和下行图像信号训练识别的大量数据样本；
S3、对步骤S2中得到的遥控信号和图像信号的数据样本进行短时傅里叶变换，获得上、下行信号样本数据精细的二维时频图像；
S4、将步骤S3中得到的二维时频图像送入卷积神经网络进行深度学习，获得所述二维时频图像的训练模型；
S5、对于任意未知的无人机测控信号，只需要获得该测控信号的中频数据，通过步骤S2～S4的操作，即可识别出无人机的型号，并能判断出无人机测控信号是上行链路信号还是下行链路信号。
进一步地，上述的步骤S1中，信号接收机将对采集到的中频信号需要根据信号的中心频率对其进行下变频处理，将无人机中频信号处理为数字基带信号；所述信号接收机包括信号采集终端、信号处理模块和A/D转换器，信号处理模块包括依次连接的低噪声场效应管放大器、第一混频器、通道模块，通道模块为2个，且每个通道模块依次连接的低噪声功率放大器、滤波器、第二混频器、正交零中频处理器，无人机的遥控信号和图传信号由信号采集终端采集后，进入信号处理模块中，首先馈入低噪声场效应管放大器，接着再通过第一混频器进行混频，分别将遥控信号和图传信号下变频到预置中频，然后两个中频信号分别送入两个完全相同的通道模块，在每个通道模块中经放大、滤波、混频、正交零中频处理后，输入至A/D转换器中，经模数变换后，获得3～5秒时间段内的无人机遥控信号和图像信号的中频二进制数据。
进一步地，上述的步骤S2中，对步骤S1中所得的数字基带信号绘制包络，然后对包络波形进行分割；具体操作方法为：选取适当大小的时间窗口，用时间窗口截取无人机中频信号，得到当前时间段对应的待处理信号的切片，并存储在数据库中；从当前的时间窗口开始，按照预置的时间步长移动时间窗口，再进行截取、存储，循环操作多次，构建连续时间窗，得到各型无人机的短时脉冲信号切片，其中，上述的连续时间窗由2000～3000个所述时间窗口构成，即能够获得一个型号无人机的遥控信号和图像信号各2000～3000个时间样本。
进一步地，上述的步骤S3中，对步骤S2中所得分割后的信号通过短时傅里叶变换处理转化为时频图，作为神经网络输入值的基础信号，使得神经网络能够对各型无人机测控信号的特征进行自主学习，从而判别待测信号属于哪类无人机的测控信号，实现对无人机型号的识别。
进一步地，上述的步骤S4中，卷积神经网络由多层卷积网络层、全连接层和分离器组成，多层卷积网络层依次级联，每层卷积网络层由依次相连的卷积层和池化层组成；分别将经过步骤S3中时频变换的遥控信号和图传信号的多个时频图像样本进行标记，标记内容为无人机的型号、上行、下行三个关键信息，并送入卷积神经网络进行训练；上述的原始时频图像样本输入第一层卷积网络层的卷积层进行滤波和非线性变换后，得到图像局部范围的特征；然后把卷积层处理后获取的数据特征送入池化层对特征做汇聚统计，即下采样；下一层卷积网络层重复上述操作，以此类推，将汇聚统计后的数据输入到全连接层，全连接层对接收到的数据特征进行整合处理，最后，全连接层输出的结果输入至分类器中进行分类识别；获得所述二维时频图像的训练模型。
由于采用如上所述的技术方案，本发明具有如下优越性：
该基于深度学习的无人机测控信号高速识别方法，其是一套丰富的、基于联接主义的建模方法，能够建立起原始数据内在的丰富关系和结构，从接收的无人机信号数据中自主地学习时频特征，挖掘出信号的最实质的特征，用大数据来提升统计估计的准确度；另外，短时傅里叶变换处理后的无人机信号时频图像不仅关注了全局特征，更是利用了非常重要的局部特征，将局部特征抽取的算法融入到了神经网络中，图像本身的局部数据存在关联性，而这种局部关联性的特征是其他算法无法提取的，因此特征更分明，用于分类识别的效果明显，识别率得到了极大提高，快速稳定，能够实现对无人机的检测和识别，最终实现对无人机的监管。
附图说明
图1是本发明基于深度学习的无人机测控信号高速识别方法的流程图；
图2是信号接收机的结构示意图；
图3是无人机信号数据分割图；
图4是一实施例中一段分割后信号的时频图；
图5是本发明中的卷积神经网络一实施例的结构示意图；
图6是图5中的卷积神经网络的卷积层5×5的卷积核图；
图7是图5中的卷积层输出的特征图；
图8是混淆矩阵图。
具体实施方式
下面结合附图和实施例对本发明的技术方案作进一步详细说明。
如图1所示，一种基于深度学习的无人机测控信号高速识别方法，其包括以下步骤：
S1、信号接收机采集无人机测控信号，对信号进行高速采样和中频处理，并转化为二进制数据；
S2、对步骤S1中得到的二进制数据进行分割，分割成若干个时间段的信号，作为上行遥控信号和下行图像信号训练识别的大量数据样本；
S3、对步骤S2中得到的遥控信号和图像信号的数据样本进行短时傅里叶变换，获得上、下行信号样本数据精细的二维时频图像；
S4、将步骤S3中得到的二维时频图像送入卷积神经网络进行深度学习，获得所述二维时频图像的训练模型；
S5、对于任意未知的无人机测控信号，只需要获得该测控信号的中频数据，通过步骤S2～S4的操作，即可识别出无人机的型号，并能判断出无人机测控信号是上行链路信号还是下行链路信号。
上述的步骤S1中，信号接收机将对采集到的中频信号需要根据信号的中心频率对其进行下变频处理，将无人机中频信号处理为数字基带信号，还能够降低信号的速率，并将干扰的谐波分量滤除掉。
如图2所示，所述信号接收机包括信号采集终端、信号处理模块和A/D转换器，信号处理模块包括依次连接的低噪声场效应管放大器、第一混频器、通道模块和A/D转换器，通道模块为2个，且每个通道模块依次连接的低噪声功率放大器、滤波器、第二混频器、正交零中频处理器，无人机的遥控信号和图传信号由信号采集终端采集后，进入信号处理模块中，首先馈入低噪声场效应管放大器，接着再通过第一混频器进行混频，分别将遥控信号和图传信号下变频到预置中频，然后两个中频信号分别送入两个完全相同的通道模块，在每个通道模块中经放大、滤波、混频、正交零中频处理后，输入至A/D转换器中，经模数变换后，获得3～5秒时间段内的无人机遥控信号和图像信号的中频二进制数据。
得到各型无人机大量的脉冲信号作为训练深度神经网络的数据集，能够更准确地提取各型无人机图传信号的特征。
上述的步骤S2中，对步骤S1中所得的基带信号绘制包络，然后对包络波形进行分割；具体操作方法为：选取适当大小的时间窗口，用时间窗口截取无人机中频信号，得到当前时间段对应的待处理信号的切片，并存储在数据库中；从当前的时间窗口开始，按照预置的时间步长移动时间窗口，再进行截取、存储，循环操作多次，构建连续时间窗，得到各型无人机的短时脉冲信号切片，其中，上述的连续时间窗由2000～3000个所述时间窗口构成，即能够获得一个型号无人机的遥控信号和图像信号各2000～3000个时间样本。
如图3所示，横轴代表时间，纵轴代表信号的强度大小，一个长度为5秒的采样数据，按照2ms的时间窗口、0.1ms的时间步长进行分割，按照上述操作，进行循环切割，就能够获得一个型号无人机的遥控信号和图像信号各2500个时间样本，一共5000个。
上述的步骤S3中，对步骤S2中所得分割后的信号通过短时傅里叶变换处理转化为时频图，作为神经网络输入值的基础信号，使得神经网络能够对各型无人机测控信号的特征进行自主学习，从而判别待测信号属于哪类无人机的测控信号，实现对无人机型号的识别。
短时傅里叶变换的数学公式如下：
Figure BDA0002517479740000071
上式中，x(n)表示输入的时域信号，w(i)表示在进行时频分析时所使用的窗函数种类，通常使用的是hamming窗，N对应选取的窗函数的长度，n为时刻点，k为离散频率点。
短时傅里叶变换是最常用的一种时频分析方法，它通过时间窗口内的一段信号来表示某一时刻的信号特征。在短时傅里叶变换过程中，窗的长度决定频谱图的时间分辨率和频率分辨率，窗长越长，截取的信号越长，傅里叶变换后频率分辨率越高。
分割后的信号通过短时傅里叶变换，能够获得至少5000个图像，并对这些图像进行标记，标明5000个图像中那些是大疆3无人机的上行信号，哪些是大疆3无人机的下行信号。例如，时频图像1是大疆3无人机的上行信号，标记为sigup1_DJ3，若时频图像200是大疆4无人机的下行信号，就可以标记为sigdown_DJ4，图4就是实测的一实施例中的无人机的图传信号的时频图像，从图中看出，在这段采样时间内，存在2个信号，两个信号的带宽和持续时间是不同的。
上述的步骤S4中，卷积神经网络由多层卷积网络层、全连接层和分离器组成，多层卷积网络层依次级联，每层卷积网络层由依次相连的卷积层和池化层组成；如图5所示，在本实施例中，采用两层卷积网络层；卷积核如图6所示；分别将经过步骤S3中时频变换的遥控信号和图传信号的多个时频图像样本进行标记，标记内容为无人机的型号、上行、下行三个关键信息，并送入卷积神经网络进行训练；上述的原始时频图像样本输入第一卷积层中做卷积运算，经滤波和非线性变换后，得到图像局部范围的特征，如图7所示；然后把第一卷积层处理后获取的数据特征送入池化层通过非线性函数进行池化，对特征做汇聚统计，即下采样；第二卷积层和第二池化层重复上述操作，依此类推，汇聚统计后的数据输入到全连接层，全连接层对接收到的数据特征进行整合处理，最后，全连接层输出的结果输入至softmax分类器或SVM多分类器中进行分类识别；获得所述二维时频图像的训练模型。
原始的时频图样本经多层卷积网络层中的卷积层、池化层，以及全连接层，能够把原始数据向最终目标进行拟合。
通过深度学习的卷积神经网络训练出了对于无人机信号的模型，基于上述深度学习的模型，就能够用来识别未知的无人机信号。
对于新的未知无人机，再返回步骤S1中对无人机遥控信号和图传信号进行下变频和采样，通过步骤S2进行数据分割，步骤S3进行时频分析，步骤S4将待识别的时频图像数据，送入卷积神经网络深度学习，进行预测识别，经识别后输出无人机的型号，并判别出无人机信号是上行信号还是下行信号的。在图8中，根据数据分析和机器学习后给出的分类预测结果，以矩阵形式将数据集中的记录按照真实的类别与分类模型作出的分类判断两个标准进行汇总；给出了对精灵3图传信号，精灵3测控信号，精灵4图传信号，Topgun图传信号,Topgun测控信号的识别结果。从图中看出，识别正确概率达到了95％以上，对精灵3图传信号和Topgun测控信号的正确识别率达到了100％。
以上所述仅为本发明的较佳实施例，而非对本发明的限制，在不脱离本发明的精神和范围的情况下，凡依本发明申请专利范围所作的均等变化与修饰，皆应属本发明的专利保护范围之内。

Claims (5)

1.一种基于深度学习的无人机测控信号高速识别方法，其特征是：其包括以下步骤：
S1、信号接收机采集无人机测控信号，对信号进行高速采样和中频处理，并转化为二进制数据；
S2、对步骤S1中得到的二进制数据进行分割，分割成若干个时间段的信号，作为上行遥控信号和下行图像信号训练识别的大量数据样本；
S3、对步骤S2中得到的遥控信号和图像信号的数据样本进行短时傅里叶变换，获得上、下行信号样本数据精细的二维时频图像；
S4、将步骤S3中得到的二维时频图像送入卷积神经网络进行深度学习，获得所述二维时频图像的训练模型；
S5、对于任意未知的无人机测控信号，只需要获得该测控信号的中频数据，通过步骤S2～S4的操作，即可识别出无人机的型号，并能判断出无人机测控信号是上行链路信号还是下行链路信号。
2.根据权利要求1所述的基于深度学习的无人机测控信号高速识别方法，其特征是：其步骤S1中，信号接收机将对采集到的中频信号需要根据信号的中心频率对其进行下变频处理，将无人机中频信号处理为数字基带信号；所述信号接收机包括信号采集终端、信号处理模块和A/D转换器，信号处理模块包括依次连接的低噪声场效应管放大器、第一混频器、通道模块，通道模块为2个，且每个通道模块依次连接的低噪声功率放大器、滤波器、第二混频器、正交零中频处理器，无人机的遥控信号和图传信号由信号采集终端采集后，进入信号处理模块中，首先馈入低噪声场效应管放大器，接着再通过第一混频器进行混频，分别将遥控信号和图传信号下变频到预置中频，然后两个中频信号分别送入两个完全相同的通道模块，在每个通道模块中经放大、滤波、混频、正交零中频处理后，输入至A/D转换器中，经模数变换后，获得3～5秒时间段内的无人机遥控信号和图像信号的中频二进制数据。
3.根据权利要求1所述的基于深度学习的无人机测控信号高速识别方法，其特征是：其步骤S2中，对步骤S1中所得的数字基带信号绘制包络，然后对包络波形进行分割；具体操作方法为：选取适当大小的时间窗口，用时间窗口截取无人机中频信号，得到当前时间段对应的待处理信号的切片，并存储在数据库中；从当前的时间窗口开始，按照预置的时间步长移动时间窗口，再进行截取、存储，循环操作多次，构建连续时间窗，得到各型无人机的短时脉冲信号切片，其中，上述的连续时间窗由2000～3000个所述时间窗口构成，即能够获得一个型号无人机的遥控信号和图像信号各2000～3000个时间样本。
4.根据权利要求1所述的基于深度学习的无人机测控信号高速识别方法，其特征是：其步骤S3中，对步骤S2中所得分割后的信号通过短时傅里叶变换处理转化为时频图，作为神经网络输入值的基础信号，使得神经网络能够对各型无人机测控信号的特征进行自主学习，从而判别待测信号属于哪类无人机的测控信号，实现对无人机型号的识别。
5.根据权利要求1所述的基于深度学习的无人机测控信号高速识别方法，其特征是：其步骤S4中，卷积神经网络由多层卷积网络层、全连接层和分离器组成，多层卷积网络层依次级联，每层卷积网络层由依次相连的卷积层和池化层组成；分别将经过步骤S3中时频变换的遥控信号和图传信号的多个时频图像样本进行标记，标记内容为无人机的型号、上行、下行三个关键信息，并送入卷积神经网络进行训练；上述的原始时频图像样本输入第一层卷积网络层的卷积层进行滤波和非线性变换后，得到图像局部范围的特征；然后把卷积层处理后获取的数据特征送入池化层对特征做汇聚统计，即下采样；下一层卷积网络层重复上述操作，以此类推，将汇聚统计后的数据输入到全连接层，全连接层对接收到的数据特征进行整合处理，最后，全连接层输出的结果输入至分类器中进行分类识别；获得所述二维时频图像的训练模型。
CN202010481250.7A 2020-05-31 2020-05-31 一种基于深度学习的无人机测控信号高速识别方法 Active CN111709329B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010481250.7A CN111709329B (zh) 2020-05-31 2020-05-31 一种基于深度学习的无人机测控信号高速识别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010481250.7A CN111709329B (zh) 2020-05-31 2020-05-31 一种基于深度学习的无人机测控信号高速识别方法

Publications (2)

Publication Number Publication Date
CN111709329A CN111709329A (zh) 2020-09-25
CN111709329B true CN111709329B (zh) 2023-04-28

Family

ID=72538405

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010481250.7A Active CN111709329B (zh) 2020-05-31 2020-05-31 一种基于深度学习的无人机测控信号高速识别方法

Country Status (1)

Country Link
CN (1) CN111709329B (zh)

Families Citing this family (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112564849A (zh) * 2020-12-01 2021-03-26 国网辽宁省电力有限公司营口供电公司 一种多型号无人机的识别及诱捕方法
CN113095137B (zh) * 2021-03-10 2023-12-29 南京大学 一种基于机器学习的信号特征识别装置和方法
CN114244450B (zh) * 2021-12-03 2022-05-06 北京蓝玛星际科技有限公司 一种信号识别方法、装置、电子设备及存储介质
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
CN117200932A (zh) * 2023-09-28 2023-12-08 中国南方电网有限责任公司超高压输电公司电力科研院 基于神经网络的无人机频射信号的识别方法和系统

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107979554B (zh) * 2017-11-17 2019-10-08 西安电子科技大学 基于多尺度卷积神经网络的无线电信号调制识别方法
WO2019161076A1 (en) * 2018-02-19 2019-08-22 Digital Global Systems, Inc. Systems, methods, and devices for unmanned vehicle detection and threat management
US20190306675A1 (en) * 2018-03-29 2019-10-03 Intel Corporation Detecting and mitigating drone interference
WO2020032778A1 (ko) * 2018-08-10 2020-02-13 엘지전자 주식회사 무선 통신 시스템에서 하향링크 제어 정보를 수신하는 방법 및 이를 위한 장치
CN111160167A (zh) * 2019-12-18 2020-05-15 北京信息科技大学 基于s变换深度卷积神经网络的主轴故障分类识别方法

Also Published As

Publication number Publication date
CN111709329A (zh) 2020-09-25

Similar Documents

Publication Publication Date Title
CN111709329B (zh) 一种基于深度学习的无人机测控信号高速识别方法
CN108460341B (zh) 基于集成深度卷积网络的光学遥感图像目标检测方法
CN108280395B (zh) 一种对低小慢无人机飞控信号的高效识别方法
Ozturk et al. RF-based low-SNR classification of UAVs using convolutional neural networks
CN102749616B (zh) 一种基于模糊聚类的宙斯盾系统信号分选方法
CN112068111A (zh) 一种基于多传感器信息融合的无人机目标侦测方法
US11915602B2 (en) Drone detection, classification, tracking, and threat evaluation system employing field and remote identification (ID) information
CN108768562B (zh) 一种基于遥控与图传信号的非法无人机识别方法
CN108055094A (zh) 一种无人机操作手频谱特征识别与定位方法
CN110598730A (zh) 基于决策树的航迹关联算法
WO2024139631A1 (zh) 一种基于神经网络的无人机目标检测方法
CN106169070A (zh) 基于协作表示的通信辐射源个体识别方法及系统
CN108711172A (zh) 基于细粒度分类的无人机识别与定位方法
Zhang et al. Radar compound jamming cognition based on a deep object detection network
CN111046025B (zh) 无人机信号探测方法及装置
CN110441743B (zh) 一种基于ENet全卷积网络的气象杂波抑制方法
Sinha et al. Estimation of Doppler profile using multiparameter cost function method
CN109815773A (zh) 一种基于视觉的低慢小航空器探测方法
CN115809422B (zh) 一种基于svm的无人机rf信号识别方法及系统
CN109669170A (zh) 一种降低无人机信号探测系统误警率的方法
CN113074718B (zh) 一种定位方法、装置、设备及存储介质
Li et al. Ship velocity estimation via images acquired by an unmanned aerial vehicle-based hyperspectral imaging sensor
Wang et al. Research on UAV remote control signal recognition based on time-frequency map
CN117572091B (zh) 一种机载侦测高性能小型化告警系统
Raeth et al. Finding events automatically in continuously sampled data streams via anomaly detection

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