CN111753803A - 基于模糊聚类和高阶累积量的无人机图传信号识别方法 - Google Patents

基于模糊聚类和高阶累积量的无人机图传信号识别方法 Download PDF

Info

Publication number
CN111753803A
CN111753803A CN202010642829.7A CN202010642829A CN111753803A CN 111753803 A CN111753803 A CN 111753803A CN 202010642829 A CN202010642829 A CN 202010642829A CN 111753803 A CN111753803 A CN 111753803A
Authority
CN
China
Prior art keywords
signal
unmanned aerial
aerial vehicle
signals
fuzzy clustering
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
CN202010642829.7A
Other languages
English (en)
Other versions
CN111753803B (zh
Inventor
黄均安
吕新
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.)
Hangzhou Huayin Technology Co ltd
Original Assignee
Hangzhou Huayin Technology Co ltd
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 Hangzhou Huayin Technology Co ltd filed Critical Hangzhou Huayin Technology Co ltd
Priority to CN202010642829.7A priority Critical patent/CN111753803B/zh
Publication of CN111753803A publication Critical patent/CN111753803A/zh
Application granted granted Critical
Publication of CN111753803B publication Critical patent/CN111753803B/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
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/12—Classification; Matching
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R29/00—Arrangements for measuring or indicating electric quantities not covered by groups G01R19/00 - G01R27/00
    • G01R29/08—Measuring electromagnetic field characteristics
    • G01R29/0864—Measuring electromagnetic field characteristics characterised by constructional or functional features
    • G01R29/0892—Details related to signal analysis or treatment; presenting results, e.g. displays; measuring specific signal features other than field strength, e.g. polarisation, field modes, phase, envelope, maximum value
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • 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

Abstract

本发明公开了基于模糊聚类和高阶累积量的无人机图传信号识别方法，包括以下步骤：a)通过宽带数字接收机接收自由空间中的电磁波信号；b)对接收到的电磁波信号进行数据平滑，降低噪声对有效信号的影响；c)基于模糊聚类检测出数据中的跳变信号；d)设定门限，筛选出可疑的无人机图传信号；e)基于高阶累积量对可以信号进行识别，确定无人机图传信号；f)将无人机图传信号的详细信息进行上报。该方法可以识别出自由空间中存在的无人机图传信号，为无人机反制系统的工作提供了重要的指导作用。

Description

基于模糊聚类和高阶累积量的无人机图传信号识别方法
技术领域
本发明涉及一种基于模糊聚类和高阶累积量的无人机图传信号识别方法。
背景技术
目前，基于无线电的无人机图传信号的识别方法很少且存在一定的问题。有的方案只是解决了如何检测宽带信号，导致了诸如WiFi等众多非常驻信号被检测到，误警率高，增加了后续的工作量；有的方案只是解决了无人机图传信号(OFDM信号)的识别，没有解决如何检测到可疑的无人机图传信号；因此目前没有一套完整且计算量小的无人机图传信号识别方案。
发明内容
本发明的目的在于针对现有技术的不足，提供基于模糊聚类和高阶累积量的无人机图传信号识别方法，识别出自由空间中可能存在的无人机图传信号，为无人机反制系统提供参考。
为了解决上述技术问题，采用如下技术方案：
基于模糊聚类和高阶累积量的无人机图传信号识别方法，其特征在于包括以下步骤：
a)通过宽带数字接收机接收自由空间中的电磁波信号；
b)对接收到的电磁波信号进行数据平滑，降低噪声对有效信号的影响；
c)基于模糊聚类检测出数据中的跳变信号；
d)设定门限，筛选出可疑的无人机图传信号；
e)基于高阶累积量对可以信号进行识别，确定无人机图传信号；
f)将无人机图传信号的详细信息进行上报。
进一步，在所述步骤b)中，对接收到的电磁波信号进行数据平滑的具体步骤如下：
首先在宽带数字接收机进行一级数据平滑，宽带数字接收机采集到的多帧数据进行几何平均，一级数据平滑的定义为：
Figure BDA0002572056410000021
式1-1中，Si是原始采集数据，n为数据帧数，Spre为数据平滑后的信号。
然后对经过一级数据平滑后的数据Spre进行二级平滑，二级平滑的定义为：
Figure BDA0002572056410000022
式1-2中，sampi代表Spre的第i个样本点，num代表平滑点数，len代表Spre的长度，由sampi得到待处理的信号Spro。
进一步，在所述步骤c)中，基于模糊聚类检测出数据中的跳变信号的具体步骤如下：
对步骤b)处理后的信号Spro进行基于模糊聚类的跳变信号检测：首先选择统计量进行直方图分析，所述统计量为局部幅度最大值，定义为：
Spromax＝max{Spro(n)n＝i，...，i+num} (1-3)
然后对Spromax做等间隔的直方图分析，并对直方图分析后的结果进行分析，检测Spro中是否存在跳变信号。
进一步，所述检测Spro中是否存在跳变信号的方法如下：
如果直方图分析结果为平顶型或偏态型图，则Spro信号中不存在跳变信号；
如果直方图分析结果为双峰型图，则Spro信号中存在一个幅度等级的跳变信号；
如果直方图分析结果为多峰型图，则Spro信号存在多个幅度等级的跳变信号。
进一步，在所述步骤(d)中，所述设定门限，筛选出可疑的无人机图传信号的具体步骤如下：
通过设置带宽阈值筛选出可疑的无人机信号，若跳变信号的带宽10≤Sigbw≤20，则认定为可疑的无人机图传信号；否则，此信号不是无人机图传信号。
进一步，在所述步骤(e)中，所述基于高阶累积量对可以信号进行识别的具体步骤如下：无人机图传信号为OFDM信号，可表示为：
Figure BDA0002572056410000031
式1-4中，{cn，k}为符号序列，并且假设它是独立同分布和中心化的；N为载波数；Δf为子载波间的频率间隔；g(t)为脉冲函数；P为信号功率；
{x(t)}为平稳随机过程，则其k阶累积量的定义为：
Ckx(f1，f2，...，fk)＝Cum(x(t)，x(t+f1)，...，x(t+fk)) (1-5)
式1-5中，Cum(·)的含义是对.求累积量，它的p阶混合矩定义方式为：
Mpq＝E{[x(t)p-qx*(t)q]} (1-6)
因此，对于平稳复随机过程x(t)，四阶累积量为：
Figure BDA0002572056410000041
Figure BDA0002572056410000042
OFDM信号高于二阶的累积量都是0，因此利用四阶累积量|C42|将OFDM信号与其他信号进行区别。
进一步，在所述步骤(f)中，将识别出的无人机图传信号的中心频率和带宽等有效信息通过网络传递给后续处理模块。
由于采用上述技术方案，具有以下有益效果：
本发明为基于模糊聚类和高阶累积量的无人机图传信号识别方法，该方法可以识别出自由空间中存在的无人机图传信号，为无人机反制系统的工作提供了重要的指导作用。
首先宽带信号的检测做了数据平滑，可以消除像WiFi这种非常驻信号对无人机图传信号这种常驻信号的影响，降低误警率和计算量；其次采用基于直方图的信号检测算法，可以直观、准确地显示出信号的突变程度；基于这两个方面，从而保证了信号检测的准确性。
附图说明
下面结合附图对本发明作进一步说明：
图1为本发明无人机图传信号识别方法的整体流程框图；
图2为本发明二级平滑后效果图；
图3为本发明图传信号及其直方图分布；
图4为本发明跳频信号及其直方图分布；
图5为本发明跳频信号检测图；
图6为本发明OFDM和其他调制信号的四阶累积量对比图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚明了，下面通过附图及实施例，对本发明进行进一步详细说明。但是应该理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限制本发明的范围。此外，在以下说明中，省略了对公知结构和技术的描述，以避免不必要地混淆本发明的概念。
如图1至图6所示，基于模糊聚类和高阶累积量的无人机图传信号识别方法，其特征在于包括以下步骤：
a)通过宽带数字接收机接收自由空间中的电磁波信号。
b)对接收到的电磁波信号进行数据平滑，降低噪声对有效信号的影响。
首先在宽带数字接收机部分进行一级数据平滑，此级平滑又称作二维的数据平滑，即宽带数字接收机采集到的多帧数据进行几何平均，以消除非常驻信号(WIFI等)的影响，确保采集到的信号只包含无人机图传等常驻信号，一级数据平滑的定义为：
Figure BDA0002572056410000051
式1-1中，Si是原始采集数据，n为数据帧数，在本实施例中，n取20。
Spre为数据平滑后的信号，消除了非常驻信号，并提高了数据的信噪比(Signal-Noise Ratio，SNR)。
然后对经过一级数据平滑后的数据Spre进行二级平滑，此级平滑又称作一维的数据平滑，以增强突变信号在边沿位置的陡峭性，更利于跳变信号的检测，二级平滑的定义为：
Figure BDA0002572056410000052
式1-2中，sampi代表Spre的第i个样本点，num代表平滑点数，len代表Spre的长度，在本实施例中，Spre的长度为400，相邻两个样本的间隔为20KHz，故Spre代表80MHz带宽的信号，由sampi得到待处理的信号Spro。
c)基于模糊聚类检测出数据中的跳变信号。
对步骤b)处理后的信号Spro进行基于模糊聚类的跳变信号检测：首先选择统计量进行直方图分析，本实施例选取的统计量为局部幅度最大值，定义为：
Spromax＝max{Spro(n)n＝i,...,i+num} (1-3)
然后对Spromax做10等间隔的直方图分析，并对直方图分析后的结果进行分析，检测Spro中是否存在跳变信号，即可疑的无人机信号。
进一步，所述检测Spro中是否存在跳变信号的方法如下：大致分为三种情况。
如果直方图分析结果为平顶型或偏态型图，则Spro信号中不存在跳变信号；
如果直方图分析结果为双峰型图，则Spro信号中存在一个幅度等级的跳变信号；
如果直方图分析结果为多峰型图，则Spro信号存在多个幅度等级的跳变信号。(若跳变信号为无人机信号，则空域中存在多架距离不同的无人机)。
d)设定门限，筛选出可疑的无人机图传信号。
目前市面上的无人机的图传信号的带宽几乎都是处在10MHz～20MHz的范围内，所以通过设置带宽阈值筛选出可疑的无人机信号，若跳变信号的带宽10≤Sigbw≤20则认定为可疑的无人机图传信号；否则，此信号不是无人机图传信号。
e)基于高阶累积量对可以信号进行识别，确定无人机图传信号；
无人机图传信号为OFDM信号，可表示为：
Figure BDA0002572056410000071
式1-4中，{cn，k}为符号序列，并且假设它是独立同分布和中心化的；N为载波数；Δf为子载波间的频率间隔；g(t)为脉冲函数；P为信号功率；
{x(t)}为平稳随机过程，则其k阶累积量的定义为：
Ckx(f1，f2，...，fk)＝Cum(x(t)，x(t+f1)，...，x(t+fk)) (1-5)
式1-5中，Cum(·)的含义是对.求累积量，它的p阶混合矩定义方式为：
Mpq＝E{[x(t)p-qx*(t)q]} (1-6)
因此，对于平稳复随机过程x(t)，四阶累积量为：
Figure BDA0002572056410000072
Figure BDA0002572056410000073
OFDM信号高于二阶的累积量都是0，因此利用四阶累积量|C42|将OFDM信号与其他信号进行区别。
f)将无人机图传信号的详细信息进行上报。
进一步，在所述步骤(f)中，将识别出的无人机图传信号的中心频率和带宽等有效信息通过网络传递给后续处理模块。
以上仅为本发明的具体实施例，但本发明的技术特征并不局限于此。任何以本发明为基础，为解决基本相同的技术问题，实现基本相同的技术效果，所作出地简单变化、等同替换或者修饰等，皆涵盖于本发明的保护范围之中。

Claims (7)

1.基于模糊聚类和高阶累积量的无人机图传信号识别方法，其特征在于包括以下步骤：
a)通过宽带数字接收机接收自由空间中的电磁波信号；
b)对接收到的电磁波信号进行数据平滑，降低噪声对有效信号的影响；
c)基于模糊聚类检测出数据中的跳变信号；
d)设定门限，筛选出可疑的无人机图传信号；
e)基于高阶累积量对可以信号进行识别，确定无人机图传信号；
f)将无人机图传信号的详细信息进行上报。
2.根据权利要求1所述的基于模糊聚类和高阶累积量的无人机图传信号识别方法，其特征在于：在所述步骤b)中，对接收到的电磁波信号进行数据平滑的具体步骤如下：
首先在宽带数字接收机进行一级数据平滑，宽带数字接收机采集到的多帧数据进行几何平均，一级数据平滑的定义为：
Figure FDA0002572056400000011
式1-1中，Si是原始采集数据，n为数据帧数，Spre为数据平滑后的信号。
然后对经过一级数据平滑后的数据Spre进行二级平滑，二级平滑的定义为：
Figure FDA0002572056400000012
式1-2中，sampi代表Spre的第i个样本点，num代表平滑点数，len代表Spre的长度，由sampi得到待处理的信号Spro。
3.根据权利要求1所述的基于模糊聚类和高阶累积量的无人机图传信号识别方法，其特征在于：在所述步骤c)中，基于模糊聚类检测出数据中的跳变信号的具体步骤如下：
对步骤b)处理后的信号Spro进行基于模糊聚类的跳变信号检测：首先选择统计量进行直方图分析，所述统计量为局部幅度最大值，定义为：
Spromax＝max{Spro(n)n＝i，...，i+num} (1-3)
然后对Spromax做等间隔的直方图分析，并对直方图分析后的结果进行分析，检测Spro中是否存在跳变信号。
4.根据权利要求3所述的基于模糊聚类和高阶累积量的无人机图传信号识别方法，其特征在于：所述检测Spro中是否存在跳变信号的方法如下：
如果直方图分析结果为平顶型或偏态型图，则Spro信号中不存在跳变信号；
如果直方图分析结果为双峰型图，则Spro信号中存在一个幅度等级的跳变信号；
如果直方图分析结果为多峰型图，则Spro信号存在多个幅度等级的跳变信号。
5.根据权利要求1所述的基于模糊聚类和高阶累积量的无人机图传信号识别方法，其特征在于：在所述步骤(d)中，所述设定门限，筛选出可疑的无人机图传信号的具体步骤如下：
通过设置带宽阈值筛选出可疑的无人机信号，若跳变信号的带宽10≤Sigbw≤20，则认定为可疑的无人机图传信号；否则，此信号不是无人机图传信号。
6.根据权利要求1所述的基于模糊聚类和高阶累积量的无人机图传信号识别方法，其特征在于：在所述步骤(e)中，所述基于高阶累积量对可以信号进行识别的具体步骤如下：无人机图传信号为OFDM信号，可表示为：
Figure FDA0002572056400000031
式1-4中，{cn，k}为符号序列，并且假设它是独立同分布和中心化的；N为载波数；Δf为子载波间的频率间隔；g(t)为脉冲函数；P为信号功率；
{x(t)}为平稳随机过程，则其k阶累积量的定义为：
Ckx(f1，f2，...，fk)＝Cum(x(t)，x(t+f1)，...，x(t+fk)) (1-5)
式1-5中，Cum(·)的含义是对.求累积量，它的p阶混合矩定义方式为：
Mpq＝E{[x(t)p-qx*(t)q]} (1-6)
因此，对于平稳复随机过程x(t)，四阶累积量为：
Figure FDA0002572056400000032
Figure FDA0002572056400000033
OFDM信号高于二阶的累积量都是0，因此利用四阶累积量|C42|将OFDM信号与其他信号进行区别。
7.根据权利要求1所述的基于模糊聚类和高阶累积量的无人机图传信号识别方法，其特征在于：在所述步骤(f)中，将识别出的无人机图传信号的中心频率和带宽等有效信息通过网络传递给后续处理模块。
CN202010642829.7A 2020-07-06 2020-07-06 基于模糊聚类和高阶累积量的无人机图传信号识别方法 Active CN111753803B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010642829.7A CN111753803B (zh) 2020-07-06 2020-07-06 基于模糊聚类和高阶累积量的无人机图传信号识别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010642829.7A CN111753803B (zh) 2020-07-06 2020-07-06 基于模糊聚类和高阶累积量的无人机图传信号识别方法

Publications (2)

Publication Number Publication Date
CN111753803A true CN111753803A (zh) 2020-10-09
CN111753803B CN111753803B (zh) 2023-01-10

Family

ID=72679556

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010642829.7A Active CN111753803B (zh) 2020-07-06 2020-07-06 基于模糊聚类和高阶累积量的无人机图传信号识别方法

Country Status (1)

Country Link
CN (1) CN111753803B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113300986A (zh) * 2021-04-17 2021-08-24 湖南红船科技有限公司 无人机图传信号与热点信号识别方法、介质、计算机设备
CN113507341A (zh) * 2021-07-06 2021-10-15 中交遥感天域科技江苏有限公司 基于无线电频谱识别的无人机侦测方法、系统和存储介质

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2009284383A (ja) * 2008-05-26 2009-12-03 Mega Chips Corp Ｏｆｄｍ受信装置
CN103441974A (zh) * 2013-08-26 2013-12-11 东南大学 一种联合高阶统计量和谱峰特征的调制识别装置及方法
CN103780462A (zh) * 2014-01-22 2014-05-07 中国人民解放军理工大学 基于高阶累积量和谱特征的卫星通信信号调制识别方法
US20180308013A1 (en) * 2017-04-24 2018-10-25 Virginia Tech Intellectual Properties, Inc. Radio signal identification, identification system learning, and identifier deployment
CN110046591A (zh) * 2019-04-22 2019-07-23 桂林电子科技大学 一种基于分数阶小波变换的无人机图传信号与遥控信号识别方法
WO2019161076A1 (en) * 2018-02-19 2019-08-22 Digital Global Systems, Inc. Systems, methods, and devices for unmanned vehicle detection and threat management
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

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2009284383A (ja) * 2008-05-26 2009-12-03 Mega Chips Corp Ｏｆｄｍ受信装置
CN103441974A (zh) * 2013-08-26 2013-12-11 东南大学 一种联合高阶统计量和谱峰特征的调制识别装置及方法
CN103780462A (zh) * 2014-01-22 2014-05-07 中国人民解放军理工大学 基于高阶累积量和谱特征的卫星通信信号调制识别方法
US20180308013A1 (en) * 2017-04-24 2018-10-25 Virginia Tech Intellectual Properties, Inc. Radio signal identification, identification system learning, and identifier deployment
WO2019161076A1 (en) * 2018-02-19 2019-08-22 Digital Global Systems, Inc. Systems, methods, and devices for unmanned vehicle detection and threat management
CN110046591A (zh) * 2019-04-22 2019-07-23 桂林电子科技大学 一种基于分数阶小波变换的无人机图传信号与遥控信号识别方法
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

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
李彦栓等: "基于高阶累积量的OFDM信号调制识别技术", 《电子信息对抗技术》 *
谭晓衡等: "基于高阶累积量和小波变换的调制识别算法", 《系统工程与电子技术》 *
黄均安等: "于子带能量分析的数字接收机数据语音段识别方法研究", 《软件导刊》 *

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113300986A (zh) * 2021-04-17 2021-08-24 湖南红船科技有限公司 无人机图传信号与热点信号识别方法、介质、计算机设备
CN113507341A (zh) * 2021-07-06 2021-10-15 中交遥感天域科技江苏有限公司 基于无线电频谱识别的无人机侦测方法、系统和存储介质
CN113507341B (zh) * 2021-07-06 2022-03-11 中交遥感天域科技江苏有限公司 基于无线电频谱识别的无人机侦测方法、系统和存储介质

Also Published As

Publication number Publication date
CN111753803B (zh) 2023-01-10

Similar Documents

Publication Publication Date Title
US20220252712A1 (en) Human Detection Method and Device, Electronic Apparatus and Storage Medium
US11665664B2 (en) Systems, methods, and devices for electronic spectrum management for identifying signal-emitting devices
CN107911183B (zh) 一种基于实时信号特征分析的无人机识别方法及系统
CN109344772B (zh) 基于谱图和深度卷积网络的超短波特定信号侦察方法
CN111753803B (zh) 基于模糊聚类和高阶累积量的无人机图传信号识别方法
JP2014002085A (ja) 信号処理装置、レーダ装置、信号処理方法、およびプログラム
CN112946630B (zh) 一种基于毫米波雷达的人员计数跟踪方法
WO2023284764A1 (zh) 车内生命体的雷达探测方法、装置及终端设备
CN115601368A (zh) 一种建材装备钣金件缺陷检测方法
CN111046025B (zh) 无人机信号探测方法及装置
CN108399391B (zh) 一种基于信号带宽特征的无人机信号识别的方法及装置
CN108983194B (zh) 一种基于地面监视雷达系统的目标提取及凝聚方法
CN108718223B (zh) 一种非合作信号的盲频谱感知方法
CN109239677B (zh) 一种环境自适应恒虚警检测门限确定方法
CN111025288B (zh) 安防雷达监测装置及系统
CN110068839B (zh) 基于数据统计特性的卫星导航接收机干扰检测方法
CN109283507B (zh) 一种基于时频域特征的雷达目标识别方法及系统
CN109358324B (zh) 基于地面监视雷达谱数据的目标检测方法
Quint et al. Emitter detection and tracking algorithm for a wide band multichannel direction-finding system in the HF-band
CN116260547B (zh) 一种抑制同频干扰的系统及方法
CN114519372B (zh) 基于支持向量机的一维距离像目标识别方法
CN116343273A (zh) 一种基于射频指纹的无人机探测与识别方法
Hinz et al. Scan-by-scan averaging and adjacent detection merging to improve ship detection in HFSWR
CN109620294B (zh) 肿瘤恶性程度鉴定机构
CN117907939A (zh) 一种基于车速的雷达遮挡状态自适应识别方法

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
GR01 Patent grant
GR01 Patent grant