CN111800216B - 一种针对于黑飞无人机反制电磁波形的生成系统及方法 - Google Patents

一种针对于黑飞无人机反制电磁波形的生成系统及方法 Download PDF

Info

Publication number
CN111800216B
CN111800216B CN202010475968.5A CN202010475968A CN111800216B CN 111800216 B CN111800216 B CN 111800216B CN 202010475968 A CN202010475968 A CN 202010475968A CN 111800216 B CN111800216 B CN 111800216B
Authority
CN
China
Prior art keywords
module
aerial vehicle
unmanned aerial
neural network
network model
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
CN202010475968.5A
Other languages
English (en)
Other versions
CN111800216A (zh
Inventor
白迪
崔勇强
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.)
South Central Minzu University
Original Assignee
South Central University for Nationalities
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 South Central University for Nationalities filed Critical South Central University for Nationalities
Priority to CN202010475968.5A priority Critical patent/CN111800216B/zh
Publication of CN111800216A publication Critical patent/CN111800216A/zh
Application granted granted Critical
Publication of CN111800216B publication Critical patent/CN111800216B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04K—SECRET COMMUNICATION; JAMMING OF COMMUNICATION
    • H04K3/00—Jamming of communication; Counter-measures
    • H04K3/20—Countermeasures against jamming
    • H04K3/22—Countermeasures against jamming including jamming detection and monitoring
    • 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
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04K—SECRET COMMUNICATION; JAMMING OF COMMUNICATION
    • H04K3/00—Jamming of communication; Counter-measures
    • H04K3/20—Countermeasures against jamming
    • H04K3/25—Countermeasures against jamming based on characteristics of target signal or of transmission, e.g. using direct sequence spread spectrum or fast frequency hopping
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04K—SECRET COMMUNICATION; JAMMING OF COMMUNICATION
    • H04K3/00—Jamming of communication; Counter-measures
    • H04K3/80—Jamming or countermeasure characterized by its function
    • H04K3/84—Jamming or countermeasure characterized by its function related to preventing electromagnetic interference in petrol station, hospital, plane or cinema

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Signal Processing (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Computing Systems (AREA)
  • Biomedical Technology (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Biophysics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Computational Linguistics (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Remote Sensing (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Chemical & Material Sciences (AREA)
  • Electromagnetism (AREA)
  • Oil, Petroleum & Natural Gas (AREA)
  • Public Health (AREA)
  • Selective Calling Equipment (AREA)

Abstract

本发明提供一种针对于黑飞无人机反制电磁波形的生成系统及方法，所述系统包括监测模块、链路特征识别模块、以及干扰处置模块，其中，所述监测模块用于接收无人机与遥控之间的电磁波信号，并输入至链路特征识别模块；所述链路特征识别模块用于从截获的电磁波信号中盲识别出无人机所使用的数据链的调制、帧格式、编码、以及信号带宽；所述干扰处置模块用于根据识别结果再生得到干扰波形，并发送至空气中，对无人机进行反制。本发明的有益效果：可快速识别无人机使用的通信链路层的四项基本参数，并基于此再生出高信噪比、与真是波形高度相似的干扰波形信号，可做到以假乱真，提高干扰效率，同时降低干扰功率，延长了器件使用寿命。

Description

一种针对于黑飞无人机反制电磁波形的生成系统及方法
技术领域
本发明涉及无人机反制技术领域，尤其涉及一种针对于黑飞无人机反制电磁波形的生成系统及方法。
背景技术
近几年来，无人机产业持续快速增长，2014年至2018年，全球旋翼无人机市场规模每年增长20％左右，在各大电商平台及商场内，人们最少花费两千元左右，即可购买一台到手即飞、具备航拍等功能的无人机。然而，当无人机入门门槛不断降低时，无人机黑飞事件却呈高发态势。无人机未经许可进入机场空域、公共场地及敏感区域时，会存在危害公共安全及国家安全的风险。
目前，常用的无人机反制手段中，大功率电磁压制干扰效率低、次生灾害严重，已不是最优选择，取而代之的是产生与目标高度逼真的小功率干扰波形信号对目标无人机进行有的放矢的灵巧干扰。无人机通信数据链波形主要受调制方式、帧格式、编码方式、信号带宽四个因素影响，而在非合作情况下，上述四种波形参数难以获取，给高逼真的干扰波形的生成造成了一定难度。
发明内容
有鉴于此，本发明提供了一种针对于黑飞无人机反制电磁波形的生成系统及方法，以无源监测软件无线电平台为基础，通过截获目标无人机的波形信号构建相应的深度学习模型，并对其通信链路层所使用的调制方式、编码方式、帧格式、信号带宽四个波形参数进行识别，最后基于识别结果，再生优化干扰波形，对目标无人机信号进行绿色、安全的小功率灵巧干扰。
本发明提供一种针对于黑飞无人机反制电磁波形的生成系统，包括：监测模块，用于接收无人机与遥控之间的电磁波信号，并输入至链路特征识别模块；所述链路特征识别模块，用于从截获的电磁波信号中盲识别出无人机所使用的数据链的调制、帧格式、编码、以及信号带宽；干扰处置模块，用于根据识别结果再生得到干扰波形，并发送至空气中，对无人机进行反制。
进一步地，所述监测模块包括由监测天线阵列、滤波器和低噪声放大器组成的第一射频前端，以及第一射频收发器；其中，所述监测天线阵列用于接收无人机与遥控之间的电磁波信号，所述电磁波信号经第一射频前端中的滤波器滤波以及低噪声放大器放大后，通过第一射频收发器进行下变频处理，得到时域IQ数据，并发送至链路特征识别模块。
进一步地，所述链路特征识别模块包括：信号带宽测量模块，用于对接收的时域IQ数据进行时域预处理和滤波后，利用FFT变换提取信号频谱特征，然后基于信号带宽测量算法得到电磁波信号的时域带宽；调制特征识别模块，用于通过第一神经网络模型从所述时域IQ数据中识别出电磁波信号的调制方式，进而对时域IQ数据进行解调，得到比特序列；帧格式识别模块，用于通过第二神经网络模型对所述比特序列进行帧格式识别，以提取载荷信息；编码类型识别模块，用于通过第三神经网络模型对载荷信息进行编码方式的识别。
进一步地，所述第一神经网络模型的输入由时域IQ数据得到，采用多层一维CNN网络进行特征提取，然后利用全连接网络层对特征进行融合，经各层的激活函数后输出调制方式对应的标签值，并采用SGD优化函数对模型进行优化训练，直至模型的损失函数loss收敛，得到训练完成的第一神经网络模型；所述第二神经网络模型以及所述第三神经网络模型的结构与所述第一神经网络模型相同，所述第二神经网络模型的输入为调制特征识别模块解调得到的比特序列，输出为帧同步字长度M；所述第三神经网络模型的输入为帧格式识别模块提取的载荷信息，输出为编码方式的标签值。
进一步地，所述干扰处置模块包括由指令开关模块、伪码生成模块、编码模块、封帧模块以及调制模块组成的干扰波形再生模块，以及由数模转换器、第二射频收发器、功率放大器及天线组成的第二射频前端；其中，所述指令开关模块与上位机连接，并根据来自上位机的指令进行动作，当指令为启动干扰时，所述指令开关模块控制伪码生成模块根据系统预设的生成多项式以及链路特征识别模块中得到的信号带宽的识别结果，生成一定带宽的比特序列；编码模块根据编码方式的识别结果对所述一定带宽的比特序列进行编码，得到载荷信息序列，封帧模块根据帧格式的识别结果对所述载荷信息进行进一步封装，得到完整的比特序列；调制模块根据调制类型的识别结果对所述完整的比特序列进行调制，生成与无人机的通信链路一致的符号序列；所述符号序列归一化后经数模转换器进行数模转换、第二射频收发器进行上变频处理、功率放大器放大，最后通过天线输出至空气中，对无人机进行干扰。
本发明还提供一种针对于黑飞针对于黑飞无人机反制电磁波形的生成方法，采用上述无人机反制电磁波形的生成系统，包括以下步骤：
S1、监测天线阵列接收无人机与遥控之间的电磁波信号，所述电磁波信号经第一射频前端中的滤波器滤波以及低噪声放大器放大后，通过第一射频收发器进行下变频处理，得到时域IQ数据，并发送至链路特征识别模块；
S2、信号带宽测量模块对时域IQ数据进行时域预处理以及滤波后，利用FTT变换提取信号频谱特征，然后根据信号带宽测量算法得到信号的时域带宽；
S3、调制特征识别模块通过第一神经网络模型从时域IQ数据中识别出电磁波信号的调制方式，进而对时域IQ数据进行解调，得到比特序列；帧格式识别模块通过第二神经网络模型，对解调的比特序列进行帧格式识别，以提取载荷信息；编码类型识别模块通过第三神网络模型对载荷信息进行编码方式的识别，得到最终的识别结果；
S4、干扰处置模块的指令开关模块接收上位机的指令，当指令为启动干扰时，指令开关模块控制伪码生成模块根据生成多项式和信号带宽的识别结果生成一定带宽的比特序列，编码模块根据编码方式的识别结果对所述比特序列进行编码，得到载荷信息序列，封帧模块则根据帧格式的识别结果对所述载荷信息序列进行进一步的封装，得到完整的比特序列，调制模块根据调制类型的识别结果对所述完整的比特序列进行调制，得到与目标无人机通信链路一致的符号序列；
S5、所述符号序列归一化经数模转换器进行数模转换、第二射频收发器进行上变频处理以及功率放大器放大，最后通过天线输出至空气中，对无人机进行有效干扰。
进一步地，所述步骤S3中，截取长度为k的时域IQ数据，形成一维向量数据为：
a＝{a1,a2,Λ,ak}，
其中，a1,a2,Λ,ak表示对应时刻的IQ数据，根据数据a的实部和虚部构造k×2大小的矩阵：
Figure GDA0003066240430000051
其中，Re(a)表示a的实部，Im(a)表示a的虚部；按照时序截取多个时域IQ数据，得到一系列矩阵{A1,A2,Λ,Aj}，并输入至第一神经网络模型，得到无人机的通信链路层的调制方式信息，j表示矩阵数目。
进一步地，所述步骤S3中，将解调得到的比特序列输入至第二神经网络模型，所述第二神经网络模型输出帧同步码长度M，然后利用数学统计方法识别帧同步码S，基于所述帧同步码长度M以及所述帧同步码S，利用帧结构分析算法，识别帧长L，从而完成每一帧中特征参数的识别。
进一步地，将提取得到的载荷信息输入至第三神经网络模型，输出编码方式的识别结果。
本发明提供的技术方案带来的有益效果是：本发明可快速识别无人机使用的通信链路层的四项基本参数，并基于此再生出高信噪比、与真是波形高度相似的干扰波形信号，可做到以假乱真，提高干扰效率，同时降低干扰功率，延长了器件使用寿命。
附图说明
图1是本发明实施例一提供的无人机反制电磁波形的生成系统的结构图；
图2是本发明实施例一提供的无人机反制电磁波形的生成系统的布置示例图；
图3是本发明实施例一提供的信号带宽测量模块的结构图；
图4是本发明实施例一提供的调制特征识别模块、帧格式识别模块、以及编码类型识别模块的流程图；
图5是本发明实施例一提供的第一神经网络模型的结构图；
图6是本发明实施例一提供的干扰处置模块的结构图；
图7是本发明实施例一提供的帧格式示例图；
图8是本发明实施例二提供的系统结构框图。
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，下面将结合附图对本发明实施方式作进一步地描述。
请参考图1，本发明的实施例提供了一种针对于黑飞无人机反制电磁波形的生成系统，包括监测模块1、链路特征识别模块2以及干扰处置模块3，其中，监测模块1接收无人机4与遥控5之间的电磁波信号，并输入至链路特征识别模块2；所述链路特征识别模块2从截获的电磁波信号中盲识别出无人机4所使用的数据链的调制、帧格式、编码、以及信号带宽四项基本参数，干扰处置模块3根据识别结果再生得到高逼真、高信噪比的干扰波形，并发送至空气中，对无人机4进行有力反制。请参考图2，其为本实施例中所提供的无人机反制电磁波形的生成系统的覆盖范围的水平剖面图，正方形区域为限飞区域，三角形区域为系统的部署地点，其保护范围为图2中圆形区域，优选地，本实施共布置三套系统，每套系统覆盖水平120°区域(图2中A、B、C区域)，垂直90°区域(图2中未显示)。监测模块1包括由监测天线阵列101、滤波器102、低噪声放大器(LNA)103组成的第一射频前端，以及第一射频收发器104；其中，监测天线阵列101接收无人机4与遥控5之间的电磁波信号，所述电磁波信号经第一射频前端中的滤波器102滤波以及低噪声放大器103放大后，通过第一射频收发器104进行下变频处理，得到时域IQ数据(同相正交数据，In-phaseandquadraturedata)，并发送至链路特征识别模块2。
链路特征识别模块2包括调制特征识别模块201、帧格式识别模块202、编码类型识别模块203、以及信号带宽测量模块204，其中：请参考图3，信号带宽测量模块204对接收的时域IQ数据进行时域预处理以及滤波后，利用FFT变换提取信号频谱特征，然后基于信号带宽测量算法得到电磁波信号的时域带宽，所述FFT变换的频率点数根据硬件资源数量及测量需求合理选择；
请参考图4，调制特征识别模块201通过第一神经网络模型从所述时域IQ数据中识别出电磁波信号的调制方式，进而对时域IQ数据进行解调，得到比特序列；帧格式识别模块202通过第二神经网络模型对所述比特序列进行帧格式识别，以提取载荷信息；编码类型识别模块203通过第三神经网络模型对载荷信息进行编码方式的识别，由此得到包含信号带宽、调制方式、帧格式、编码方式四种特征的识别结果。
图5，所述第一神经网络模型的输入由时域IQ数据得到，采用多层一维CNN网络进行特征提取，然后利用全连接网络层对特征进行融合，选择合适的激活函数，输出调制方式对应的标签值，并采用SGD优化函数对模型进行优化训练，直至模型的损失函数loss收敛，得到训练完成的第一神经网络模型。所述第二神经网络模型以及第三神经网络模型的结构与所述第一神经网络模型相同，所述第二神经网络模型的输入为调制特征识别模块201解调得到的比特序列，输出为帧同步字长度M；所述第三神经网络模型的输入为帧格式识别模块202提取的载荷信息，输出为编码方式的标签值。利用仿真或实测数据完成所述第一神经网络模型、所述第二神经网络模型、所述第三神经网络模型的训练。
请参考图6，干扰处置模块3包括由指令开关模块、伪码生成模块、编码模块、封帧模块、调制模块组成的干扰波形再生模块，以及由数模转换器(digitalanalog，DA))、第二射频收发器、功率放大器(PowerAmplifier，PA，简称为功放))、天线组成的第二射频前端；其中，指令开关模块与上位机连接，并根据来自上位机的指令进行动作，当指令为启动干扰时，所述指令开关模块控制伪码生成模块根据系统预设的生成多项式以及链路特征识别模块2中得到的信号带宽的识别结果，生成一定带宽的比特序列；编码模块根据编码方式的识别结果对所述一定带宽的比特序列进行编码，得到载荷信息序列，封帧模块根据帧格式的识别结果对所述载荷信息进行进一步封装，得到完整的比特序列；调制模块根据调制类型的识别结果对所述完整的比特序列进行调制，生成与无人机4的通信链路一致的符号序列；所述符号序列归一化后经数模转换器进行数模转换、第二射频收发器进行上变频处理、功率放大器放大，最后通过天线输出至空气中，对无人机4进行有效干扰。
本发明的实施例还提供了一种针对于黑飞针对于黑飞无人机反制电磁波形的生成方法，包括以下步骤：
S1、监测天线阵列101接收无人机4与遥控5之间的电磁波信号，所述电磁波信号经第一射频前端中的滤波器102滤波以及低噪声放大器103放大后，通过第一射频收发器104进行下变频处理，得到时域IQ数据，并发送至链路特征识别模块2。
S2、信号带宽测量模块205对时域IQ数据进行时域预处理以及滤波后，利用FTT变换提取信号频谱特征，然后根据信号带宽测量算法得到信号的时域带宽，其中，所述FTT的频率点数根据硬件资源数量以及测量需求合理选择。
S3、调制特征识别模块201通过第一神经网络模型从时域IQ数据中识别出电磁波信号的调制方式，进而对时域IQ数据进行解调，得到比特序列；帧格式识别模块202通过第二神经网络模型，对解调的比特序列进行帧格式识别，以提取载荷信息；编码类型识别模块203通过第三神经网络模型对载荷信息进行编码方式的识别，得到最终的识别结果。
具体地，步骤S3包括以下步骤：
S301、截取长度为k的时域IQ数据，形成一维向量数据为：
a＝{a1,a2,Λ,ak}，
优选地，k取256、512等，a1,a2,Λ,ak表示对应时刻的IQ数据，根据数据a的实部和虚部构造k×2大小的矩阵：
Figure GDA0003066240430000101
其中，Re(a)表示a的实部，Im(a)表示a的虚部；按照时序截取多个时域IQ数据，得到一系列矩阵{A1,A2,Λ,Aj}，并输入至第一神经网络模型，得到无人机的通信链路层的调制方式信息，j表示矩阵数目。
S302、根据调制方式信息，对时域IQ数据进行解调得到比特序列，并输入至第二神经网络模型，所述第二神经网络模型输出帧同步码长度M，然后利用数学统计方法识别帧同步码S，基于所述帧同步码长度M以及所述帧同步码S，利用帧结构分析算法，识别帧长L，从而完成每一帧中特征参数的识别。
需要说明的是，信号一帧接一帧地在信道上传输，每帧的长度为L个符号；请参考图7，每帧传送的数据分为两个部分，一部分是帧同步码S，另一部分为载荷，即图中的D(n-1)、D(n)、D(n+1)，n表示时序，发送端将数据分为长度为N的载荷，与长度为M的帧同步码S一起被打包成长度为L的帧后送入信道；在接收端，帧同步字码S是周期性重复出现的，而载荷数据D则每一帧是不同的。在非合作通信的情况下，帧长L、帧同步字码S及其长度M均未知，且是影响帧同步能否实现的关键参数。基于上述原理，帧同步最显著的特性即是帧同步字码S的周期性和重复性，因此，在进行帧同步信息盲识别时，可利用此特性，首先搜索到信息流上周期出现的片段，确定其重复周期，便可估算出帧同步码长度M，并在此基础上通过对数据进行遍历搜索，并使用统计方法提取帧同步码S，随后利用帧结构分析算法，识别帧长L等其他帧特征参数，完成对帧特征的识别。
S303、将步骤S302提取得到的载荷数据D输入至第三神经网络模型，得到编码方式的识别结果。
S4、干扰处置模块3的指令开关模块接收上位机的指令，当指令为启动干扰时，指令开关模块控制伪码生成模块根据生成多项式和信号带宽的识别结果生成一定带宽的比特序列，编码模块根据编码方式的识别结果对所述比特序列进行编码，得到载荷信息序列，封帧模块则根据帧格式的识别结果对所述载荷信息序列进行进一步的封装，得到完整的比特序列，调制模块根据调制类型的识别结果对所述完整的比特序列进行调制，得到与目标无人机通信链路一致的符号序列。
S5、所述符号序列归一化经数模转换器进行数模转换、第二射频收发器进行上变频处理以及功率放大器放大，最后通过天线输出至空气中，对无人机进行有效干扰。
实施例二
请参考图8，本实施提供的无人机反制电磁波形的生成系统中，第一射频收发器以及第二射频收发器采用一体化射频收发器，所述一体化射频收发器采用ADRV9009芯片，其频率覆盖75MHz-6000MHz，包含两个接收通道、两个发送通道，每个接收与发送通道对应一组天线，每组天线水平覆盖120°区域，垂直45°区域，故而双通道天线可实现垂直90°区域的覆盖；本实施例中天线采用对数周期天线，频率覆盖75MHz-000MHz，LNA和PA为对应的频率。
链路特征识别模块以及干扰处置模块中的干扰波形再生模块利用一个多功能综合处理板实现，具体地，所述多功能综合处理板采用XILINX公司的ZCU102处理芯片，通过在ZCU102上构建PYNQ开发环境，并搭建深度学习软件架构，实现对链路特征信息的识别以及干扰波形的再生。
在本文中，所涉及的前、后、上、下等方位词是以附图中零部件位于图中以及零部件相互之间的位置来定义的，只是为了表达技术方案的清楚及方便。应当理解，所述方位词的使用不应限制本申请请求保护的范围。
在不冲突的情况下，本文中上述实施例及实施例中的特征可以相互结合。
以上所述仅为本发明的较佳实施例，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (5)

1.一种针对于黑飞无人机反制电磁波形的生成系统，针对于黑飞无人机，其特征在于，包括：监测模块，用于接收无人机与遥控之间的电磁波信号，并输入至链路特征识别模块；所述链路特征识别模块，用于从截获的电磁波信号中盲识别出无人机所使用的数据链的调制、帧格式、编码、以及信号带宽；干扰处置模块，用于根据识别结果再生得到干扰波形，并发送至空气中，对无人机进行反制；
所述监测模块包括由监测天线阵列、滤波器和低噪声放大器组成的第一射频前端，以及第一射频收发器；其中，所述监测天线阵列用于接收无人机与遥控之间的电磁波信号，所述电磁波信号经第一射频前端中的滤波器滤波以及低噪声放大器放大后，通过第一射频收发器进行下变频处理，得到时域IQ数据，并发送至链路特征识别模块；
所述链路特征识别模块包括：信号带宽测量模块，用于对接收的时域IQ数据进行时域预处理和滤波后，利用FFT变换提取信号频谱特征，然后基于信号带宽测量算法得到电磁波信号的时域带宽；调制特征识别模块，用于通过第一神经网络模型从所述时域IQ数据中识别出电磁波信号的调制方式，进而对时域IQ数据进行解调，得到比特序列；帧格式识别模块，用于通过第二神经网络模型对所述比特序列进行帧格式识别，以提取载荷信息；编码类型识别模块，用于通过第三神经网络模型对载荷信息进行编码方式的识别；
所述第一神经网络模型的输入由时域IQ数据得到，采用多层一维CNN网络进行特征提取，然后利用全连接网络层对特征进行融合，经各层的激5活函数后输出调制方式对应的标签值，并采用SGD优化函数对模型进行优化训练，直至模型的损失函数loss收敛，得到训练完成的第一神经网络模型；所述第二神经网络模型以及所述第三神经网络模型的结构与所述第一神经网络模型相同，所述第二神经网络模型的输入为调制特征识别模块解调得到的比特序列，输出为帧同步字长度M；所述第三神经网络模型的输入为帧格式识别模块提取的载荷信息，输出为编码方式的标签值；
所述干扰处置模块包括由指令开关模块、伪码生成模块、编码模块、封帧模块以及调制模块组成的干扰波形再生模块，以及由数模转换器、第二射频收发器、功率放大器、天线组成的第二射频前端；其中，所述指令开关模块与上位机连接，并根据来自上位机的指令进行动作，当指令为启动干扰时，所述指令开关模块控制伪码生成模块根据系统预设的生成多项式以及链路特征识别模块中得到的信号带宽的识别结果，生成一定带宽的比特序列；编码模块根据编码方式的识别结果对所述一定带宽的比特序列进行编码，得到载荷信息序列，封帧模块根据帧格式的识别结果对所述载荷信息进行进一步封装，得到完整的比特序列；调制模块根据调制类型的识别结果对所述完整的比特序列进行调制，生成与无人机的通信链路一致的符号序列；所述符号序列归一化后经数模转换器进行数模转换、第二射频收发器进行上变频处理以及功率放大器放大，最后通过天线输出至空气中，对无人机进行干扰。
2.一种针对于黑飞针对于黑飞无人机反制电磁波形的生成方法，针对于黑飞无人机，采用如权利要求1所述的针对于黑飞无人机反制电磁波形的生成系统，其特征在于，包括以下步骤：
S1、监测天线阵列接收无人机与遥控之间的电磁波信号，所述电磁波信号经第一射频前端中的滤波器滤波以及低噪声放大器放大后，通过第一射频收发器进行下变频处理，得到时域IQ数据，并发送至链路特征识别模块；
S2、信号带宽测量模块对时域IQ数据进行时域预处理以及滤波后，利用FTT变换提取信号频谱特征，然后根据信号带宽测量算法得到信号的时域带宽；
S3、调制特征识别模块通过第一神经网络模型从时域IQ数据中识别出电磁波信号的调制方式，进而对时域IQ数据进行解调，得到比特序列；帧格式识别模块通过第二神经网络模型，对解调的比特序列进行帧格式识别，以提取载荷信息；编码类型识别模块通过第三神经网络模型对载荷信息进行编码方式的识别，得到最终的识别结果；
S4、干扰处置模块的指令开关模块接收上位机的指令，当指令为启动干扰时，指令开关模块控制伪码生成模块根据生成多项式和信号带宽的识别结果生成一定带宽的比特序列，编码模块根据编码方式的识别结果对所述比特序列进行编码，得到载荷信息序列，封帧模块则根据帧格式的识别结果对所述载荷信息序列进行进一步的封装，得到完整的比特序列，调制模块根据调制类型的识别结果对所述完整的比特序列进行调制，得到与目标无人机通信链路一致的符号序列；
S5、所述符号序列归一化经数模转换器进行数模转换、第二射频收发器进行上变频处理以及功率放大器放大，最后通过天线输出至空气中，对无人机进行有效干扰。
3.根据权利要求2所述的针对于黑飞无人机反制电磁波形的生成方法，其特征在于，所述步骤S3中，截取长度为k的时域IQ数据，形成一维向量数据为：
a＝{a1，a2，…，ak}，
其中，a1，a2，…，ak表示对应时刻的IQ数据，根据数据a的实部和虚部构造k×2大小的矩阵：
Figure FDA0003066240420000041
其中，Re(a)表示a的实部，Im(a)表示a的虚部；按照时序截取多个时域IQ数据，得到一系列矩阵{A1，A2，…，Aj}，并输入至第一神经网络模型，得到无人机的通信链路层的调制方式信息，j表示矩阵数目。
4.根据权利要求3所述的针对于黑飞无人机反制电磁波形的生成方法，其特征在于，所述步骤S3中，将解调得到的比特序列输入至第二神经网络模型，所述第二神经网络模型输出帧同步码长度M，然后利用数学统计方法识别帧同步码S，基于所述帧同步码长度M以及所述帧同步码S，利用帧结构分析算法，识别帧长L，从而完成每一帧中特征参数的识别。
5.根据权利要求4所述的针对于黑飞无人机反制电磁波形的生成方法，其特征在于，将提取得到的载荷信息输入至第三神经网络模型，输出编码方式的识别结果。
CN202010475968.5A 2020-05-29 2020-05-29 一种针对于黑飞无人机反制电磁波形的生成系统及方法 Active CN111800216B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010475968.5A CN111800216B (zh) 2020-05-29 2020-05-29 一种针对于黑飞无人机反制电磁波形的生成系统及方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010475968.5A CN111800216B (zh) 2020-05-29 2020-05-29 一种针对于黑飞无人机反制电磁波形的生成系统及方法

Publications (2)

Publication Number Publication Date
CN111800216A CN111800216A (zh) 2020-10-20
CN111800216B true CN111800216B (zh) 2021-07-20

Family

ID=72806554

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010475968.5A Active CN111800216B (zh) 2020-05-29 2020-05-29 一种针对于黑飞无人机反制电磁波形的生成系统及方法

Country Status (1)

Country Link
CN (1) CN111800216B (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112367142A (zh) * 2020-10-29 2021-02-12 黄凯 一种干扰信号生成装置
CN113193880B (zh) * 2021-04-21 2022-02-25 北京航空航天大学 一种基于时间调制阵列的无人机反向散射通信方法
CN114358064B (zh) * 2021-12-23 2022-06-21 中国人民解放军海军工程大学 一种基于深度支持向量数据描述的干扰检测装置及方法

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8526395B2 (en) * 2009-09-04 2013-09-03 L-3 Communications Corporation Using code channel overrides to suppress CDMA wireless devices
CN107181560A (zh) * 2017-07-17 2017-09-19 江苏中戎帝晓曼安防科技有限公司 一种全天候自动探测和干扰无人机的反制系统
CN107220606A (zh) * 2017-05-22 2017-09-29 西安电子科技大学 基于一维卷积神经网络的雷达辐射源信号的识别方法
CN108737043A (zh) * 2017-04-19 2018-11-02 卫艳琴 一种载波生成方法及装置
CN110084094A (zh) * 2019-03-06 2019-08-02 中国电子科技集团公司第三十八研究所 一种基于深度学习的无人机目标识别分类方法
CN110231594A (zh) * 2019-05-23 2019-09-13 北京航空航天大学 一种无人机干扰反制系统
US10588021B2 (en) * 2015-09-28 2020-03-10 Genghiscomm Holdings, LLC Unmanned aerial vehicle intrusion detection and countermeasures

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8526395B2 (en) * 2009-09-04 2013-09-03 L-3 Communications Corporation Using code channel overrides to suppress CDMA wireless devices
US10588021B2 (en) * 2015-09-28 2020-03-10 Genghiscomm Holdings, LLC Unmanned aerial vehicle intrusion detection and countermeasures
CN108737043A (zh) * 2017-04-19 2018-11-02 卫艳琴 一种载波生成方法及装置
CN107220606A (zh) * 2017-05-22 2017-09-29 西安电子科技大学 基于一维卷积神经网络的雷达辐射源信号的识别方法
CN107181560A (zh) * 2017-07-17 2017-09-19 江苏中戎帝晓曼安防科技有限公司 一种全天候自动探测和干扰无人机的反制系统
CN110084094A (zh) * 2019-03-06 2019-08-02 中国电子科技集团公司第三十八研究所 一种基于深度学习的无人机目标识别分类方法
CN110231594A (zh) * 2019-05-23 2019-09-13 北京航空航天大学 一种无人机干扰反制系统

Also Published As

Publication number Publication date
CN111800216A (zh) 2020-10-20

Similar Documents

Publication Publication Date Title
CN111800216B (zh) 一种针对于黑飞无人机反制电磁波形的生成系统及方法
Azari et al. Coexistence of terrestrial and aerial users in cellular networks
Ureten et al. Wireless security through RF fingerprinting
Zhao et al. Classification of small UAVs based on auxiliary classifier Wasserstein GANs
Tekbiyik et al. Multi–dimensional wireless signal identification based on support vector machines
US20160006499A1 (en) Apparatus and method for prediction of radio interference
CN110705450A (zh) 被动式无人机探测装置
CN104378320A (zh) 一种基于单通道盲源分离的抗干扰通信方法及接收装置
Gul et al. Secure industrial iot systems via rf fingerprinting under impaired channels with interference and noise
CN114189310A (zh) 基于信号侦察和预测的无人机测控信号精准干扰方法
CN111555837A (zh) 一种超短波通信自适应干扰方法及系统
CN113904743B (zh) 一种无人机中继系统的安全通信资源优化设计方法
CN111795611B (zh) 一种低复杂度无人机调制方式盲识别及其反制方法、系统
CN104717035A (zh) 一种基于d2d通信的蜂窝网络的干扰对齐方法
CN111698054B (zh) 一种基于同步信号相干干扰的5g手机干扰器
CN117560104A (zh) 一种混合交通中可解释性机器学习辅助的信道模型的构建方法
KR102243150B1 (ko) 멀티 패턴 안티 드론 재밍 시스템 및 방법
CN101685123B (zh) 功率放大器非线性对通信系统宽带干扰影响的计算方法
CN113740819B (zh) 一种s模式应答机旁瓣抑制测试方法及装置
CN113891286A (zh) 无人机辅助通信系统的保密通信性能优化装置及方法
Nguyen et al. Outage probability analysis for SWIPT systems with nonlinear energy harvesting model
Lin et al. A c-v2x platform using transportation data and spectrum-aware sidelink access
Wu et al. Target recognition for satellite communication by employing higher‐order statistics
CN106888061B (zh) 一种智能无线电监测装置和方法
Yang et al. SNR estimation of UAV control signal based on convolutional neural network

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