CN111860126A - 一种多节点协同无人机通信信号检测方法 - Google Patents
一种多节点协同无人机通信信号检测方法 Download PDFInfo
- Publication number
- CN111860126A CN111860126A CN202010500867.9A CN202010500867A CN111860126A CN 111860126 A CN111860126 A CN 111860126A CN 202010500867 A CN202010500867 A CN 202010500867A CN 111860126 A CN111860126 A CN 111860126A
- Authority
- CN
- China
- Prior art keywords
- node
- unmanned aerial
- original data
- signal
- data set
- 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
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
- G06F2218/08—Feature extraction
-
- 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
- G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
- G06F18/24155—Bayesian classification
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04B—TRANSMISSION
- H04B17/00—Monitoring; Testing
- H04B17/30—Monitoring; Testing of propagation channels
- H04B17/309—Measuring or estimating channel quality parameters
-
- 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
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D30/00—Reducing energy consumption in communication networks
- Y02D30/70—Reducing energy consumption in communication networks in wireless communication networks
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- Signal Processing (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Probability & Statistics with Applications (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Quality & Reliability (AREA)
- Electromagnetism (AREA)
- Computer Networks & Wireless Communication (AREA)
- Control Of Position, Course, Altitude, Or Attitude Of Moving Bodies (AREA)
Abstract
本发明公开了一种多节点协同无人机通信信号检测方法,属于信号检测技术领域。具体过程为:首先,针对多个无人机,提取每个无人机通信信号的能量、信噪比、空间位置等特征构建特征向量,作为数据集。将特征向量基于先验知识与聚类算法结合,得到每种特征向量的稳定收敛的聚类中心;然后将各聚类中心点所在的特征集合离散化,输入贝叶斯网络的概率预测模型,输出各聚类类别的分类概率值;同时,基于深度神经网络计算各节点的重要度权重;最后,融合各节点的分类概率与各节点的重要度实现多节点协同检测。本发明理论依据充分,相比于传统的多节点检测算法可以获得更好的检测效果,具有较高的应用价值。
Description
技术领域
本发明属于信号检测技术领域,具体是指一种多节点协同无人机通信信号检测方法。
背景技术
随着人工智能技术与特征提取技术的不断发展,在信号特征已知的情况下,单节点智能信号检测可以达到很好的效果。但是在实际的应用场景中,无人机通信工作环境复杂,经常会出现阴影遮蔽导致的节点提取特征能力下降,接收信号信噪比过低,不能充分地对信号进行认知,或者由于出现多径效应等其他干扰,在进行信号检测时会受到影响。
目前主流的多节点协同检测算法主要分为三个层面:数据层,特征层和决策层。
数据层算法主要从信号本身出发,相对关键信息损失较小,在数据充足或者通信质量较高的情况下表现优异,但由于发送端与接收端需要将信号完整的进行处理与运算,数据传输量与计算量过大,因此很多情况下信道带宽不能满足通信传输需求,因此应用场景相对局限。
基于特征层的协同检测方法首先对接收到的信号进行特征提取,相比数据层可以提升运算速度,减小计算量,对提取后的特征矩阵进行检测,节点间数据传输量也会有很大程度的减小,但决策结果很大程度的取决于特征选择上,如果特征选择不当,检测准确率也会急剧下降。
基于决策层的协同检测算法核心思想是各个节点单独输出检测结果,通过数据中心进行数据融合,设计合理高效的协同算法提升算法的鲁棒性与检测准确率,相比于基于数据层和特征层的算法大大减小运算量与数据传输量,所需信道带宽较小,可以满足大多数场景通信系统的带宽需求。但缺点是不能很好的适应各种环境,且原有数据中的关键信息损失过多,会对判决结果造成一定的影响。
发明内容
本发明针对上述问题,提出了一种多节点协同无人机通信信号检测方法,基于贝叶斯-深度学习的并行网络结构,通过特征提取和融合计算有效地解决多节点检测的问题,提高检测准确率。
所述的多节点协同无人机通信信号检测方法,具体步骤如下:
步骤一,针对多个无人机,提取每个无人机通信信号的多维度特征并构建特征向量,作为数据集。
将每个无人机分别作为一个节点,针对节点i信号的多维度特征包括:能量特征、信噪比特征、空间特征以及功率谱峰特征;特征向量表达式为:F=(Eni,snri,cali,di);
snri表示第i个无人机的信噪比特征指数;
具体计算过程为:
首先,遍历节点i通信信号的整个功率谱,将所有峰值谱线构建成一个待测试谱线子集A,对集合A中的数值降序排列后形成集合Asorted;
然后,构建节点i通信信号可能的谱峰个数集合B,集合B中所有的元素为待测信号可能的谱峰个数,根据调制信号类型确定;
对集合B进行遍历,针对当前选取的元素Bl,对集合Asorted中最大的Bl个元素求和,并记为在集合Asorted中去除刚才的Bl个元素,在剩下的元素中再次取最大的Bl个元素求和记为此时定义功率谱峰特征指数cali即为元素Bl确定时的谱峰突出指数。
通过遍历集合B,对集合B中每个元素分别计算各自对应的指数cal,选择功率谱峰特征指数cal最大值作为节点i的功率谱峰特征指数;
di为节点i的空间特征指数,表示该节点到信号源的距离,计算公式如下:
x0,y0,z0为信号源的坐标;xi,yi,zi为节点i的空间坐标。
步骤二、将所有无人机的特征向量基于先验知识与聚类算法结合,得到每种特征向量的稳定收敛的聚类中心;
具体步骤如下:
步骤201、根据已有的先验知识,对能量特征、信噪比特征、空间特征以及功率谱峰特征进行初步划分;
具体为:
首先,针对各无人机节点的每种特征,分别组成各特征对应的原始数据集;
能量特征组成一个原始数据集C1,信噪比特征组成一个原始数据集C2,空间特征组成一个原始数据集C3,功率谱峰特征组成一个原始数据集C4;
然后,将每个原始数据集中的特征分别进行数字编号,同时初始设置各原始数据集的聚类类别,以及各聚类类别的中心点。
编号顺序为正整数:1,2,…,m;
原始数据集C1的聚类类别设为j1个,中心点集合为L1={L(1),L(2),L(3)...L(j1)};
原始数据集C2的聚类类别设为j2个,中心点集合为L2={L(1),L(2),L(3)...L(j2)};
原始数据集C3的聚类类别设为j3个,中心点集合为L3={L(1),L(2),L(3)...L(j3)};
原始数据集C4的聚类类别设为j4个,中心点集合为L4={L(1),L(2),L(3)...L(j4)};具体取值根据各特征性质决定。
步骤202、针对原始数据集C1,依次选择该原始数据集中的特征作为当前特征,分别计算当前特征与各聚类类别中心点之间的欧几里得距离dis_clu;
初始的聚类类别中心点随机设定,聚类类别的种类人为根据实际需要设定。
步骤203、选择最小的距离dis_clu对应的聚类中心点即为当前特征所划分的类别。
步骤204、当原始数据集C1中的所有特征都分别划分到各自所属的聚类类别后,迭代更新所有聚类中心点;
步骤205、判断各新的聚类中心点与原来的聚类中心点之间的距离是否都小于设定阈值,如果是,则中心点位置趋于稳定收敛,结束迭代过程,进入步骤206;否则,返回步骤202重新迭代;
步骤206、选择原始数据集C2,重复步骤202到步骤205,直至结束迭代过程,后同理选择原始数据集C3和C4,完成各聚类中心的稳定收敛;
步骤三、将稳定收敛的各聚类中心点所在的特征集合离散化,输入贝叶斯网络,使用联结树传递法计算贝叶斯网络输出各聚类类别的分类概率值。
步骤四、针对各个无人机节点,根据各节点的特征向量所属的聚类类别概率值,组成各节点的分类概率集合;
针对节点i输出的分类概率集合CPnode_i如下:
CPnode_i={pclass_1,pclass_2,...,pclass_n}
其中,pclass_n表示节点i的第n个特征划分的聚类类别对应的概率值;
步骤五、构建基于深度神经网络的节点重要度计算模型,计算每个节点的重要度权重;
重要度权重是指经过评分函数计算得到的原始权重与标签值的靠近程度。
原始权重代表该网络的输出在label空间中的分布情况,输出越靠近某一个标签值,就意味着这个检测节点的检测结果可信度越高,该节点的重要度也就越高。
节点i的评分函数val表示如下:
其中,x为节点i的原始权重;k=1……n,labelk为节点i的第k个聚类类别对应的标签值。
检测节点i的深度神经网络的输出值为Ci,其评分值经过评分函数计算后分别为:
因此检测节点i对整个系统的重要度权重weighti的计算表达式如下:
步骤六、融合各个节点的分类概率与节点重要度权重,得到多节点协同检测结果;
计算公式如下:
针对T个无人机节点,第t类的分类输出概率为:
同理,计算T个无人机节点其他类的输出概率,最终求出max(P1,P2,...,Pt),最大值所对应的标签label即为最终的信号协同检测分类结果。
本发明与现有技术相比,具有以下优势:
(1)一种多节点协同无人机通信信号检测方法,提取无人机通信信号的能量特征、信噪比特征、空间特征以及功率谱峰特征,可以从各个维度完整地对信号进行描述。
(2)一种多节点协同无人机通信信号检测方法,贝叶斯网络可以更好的刻画信号特征之间的依赖关系,通过联结树传递法实现最大后验概率的计算。
(3)一种多节点协同无人机通信信号检测方法,深度神经网络可以对信号的特征之间的关系进行进一步的挖掘,通过评分函数可以更精确地计算检测节点重要度。
附图说明
图1为本发明的一种多节点协同无人机通信信号检测方法整体原理图;
图2为本发明一种多节点协同无人机通信信号检测方法的流程图;
图3为本发明的提取信号功率谱峰特征的谱峰个数识别算法流程图;
图4为本发明的提取信号空间特征的定位算法流程图;
图5为本发明的机载天线测向原理示意图;
图6为本发明的基于联结树推理法的贝叶斯网络后验概率计算流程图;
图7为本发明的基于卷积神经网络的节点重要度计算网络结构图。
具体实施方式
为了便于本领域普通技术人员理解和实施本发明,下面结合附图对本发明作进一步的详细和深入描述。
本发明一种多节点协同无人机通信信号检测方法,如图1所示,首先根据先验知识构建无人机通信信号的数据集,即每个无人机检测节点进行多维度特征提取,分别提取信号的信噪比、能量、空间位置等特征构建特征向量,每条信号对应一个特征向量。
其中,无人机空间位置特征数据是通过对各节点的相位差数据进行计算,得到各节点偏航角和俯仰角,总体输入到定位算法得到信号源的位置,构成空间位置特征数据。
然后构建数据融合网络建立部分,将特征向量输入至网络结构中,其中贝叶斯网络输出针对某一个节点每种信号分类的概率,深度学习网络输出该节点的重要度,融合两个网络的计算结果得到最终的多节点判决结果,实现了节点分类概率与节点重要度相融合的多节点协同检测。
本发明一种多节点协同无人机通信信号检测方法,如图2所示,具体包括以下步骤:
步骤一,针对多个无人机,提取每个无人机通信信号的多维度特征并构建特征向量,作为数据集。
将每个无人机分别作为一个节点,对于接收到的无人机节点i的通信信号,分别提取信号的能量特征、信噪比特征、空间特征以及功率谱峰特征;特征向量表达式为:F=(Eni,snri,cali,di);
snri表示第i个无人机的信噪比特征指数;
如图3所示,具体计算过程为:
首先,遍历节点i通信信号的整个功率谱,将所有峰值谱线构建成一个待测试谱线子集A,对集合A中的数值降序排列后形成集合Asorted;
然后,构建节点i通信信号可能的谱峰个数集合B,集合B中所有的元素为待测信号可能的谱峰个数,根据调制信号类型确定;
对集合B进行遍历,针对当前选取的元素Bl,对集合Asorted中最大的Bl个元素求和,并记为在集合Asorted中去除刚才的Bl个元素,在剩下的元素中再次取最大的Bl个元素求和记为此时定义功率谱峰特征指数cali即为元素Bl确定时的谱峰突出指数。
通过遍历集合B,对集合B中每个元素分别计算各自对应的指数cal,选择功率谱峰特征指数cal最大值作为节点i的功率谱峰特征指数,对应的Bl即为信号谱峰个数;
对于节点i,提取的空间特征di为该节点到信号源的距离,其表达式如下:
x0,y0,z0为信号源的坐标;xi,yi,zi为节点i的空间坐标。
具体计算过程如下:
假设本实施例中的多节点检测中有三个检测节点,基于相位差的定位算法流程如图4所示。对于每一个检测节点来说,基于相位差的定向过程是一个相对独立的算法,其基本原理是利用无人机机载天线测量得到入侵信号的相位差数据,根据相位差数据计算得到入侵信号来波方向相对于各无人机的角度估计值。无人机机载天线为二维单基线相位干涉仪,测向的原理如图5所示,由此得到每个节点的测向角度。
针对三个无人机在空间中的位置建立空间直角坐标系。假设节点1的坐标为(x1,y1,z1),可以把测向直线理解为经过(x1,y1,z1)坐标的一条直线,设该直线的方向向量为(a1,b1,c1),由于节点1经过相位差计算得到的偏航角度为θ1',俯仰角度为因此根据三角函数公式:
tanθ1'=a1/b1
x=x1+tanθ1'*t
y=y1+t
其中,t为坐标系中直线参数。同理可表示节点2和节点3的测向直线方程。
由于受到噪声干扰,每个节点对信号源方向的判断会有一定的误差,理论上三条直线不能相交于空间中的某一个点,因此如果需要实现空间定位功能,需找在空间中到一个点,使该点最接近信号源的真实位置。
构造距离函数d1,其表达式为:
消参后得到的d1仅与x0,y0,z0三个未知变量相关,节点2和节点3同理可构造距离函数d2和d3,对3个距离函数求和进一步构造融合距离函数dis,其物理意义为空间中到三条测向直线距离之和。对函数dis进行求导,最终得到dis函数的最小值,设为distancemin,该距离所对应的参数x0,y0,z0即为信号源的定位结果;定位完成后,计算节点i的空间特征di。
步骤二、将所有无人机的特征向量基于先验知识与聚类算法结合,得到每种特征向量的稳定收敛的聚类中心;
具体步骤如下:
步骤201、根据已有的先验知识,对能量特征、信噪比特征、空间特征以及功率谱峰特征进行初步划分;
具体为:
首先,针对各无人机节点的每种特征,分别组成各特征对应的原始数据集;
能量特征组成一个原始数据集C1,信噪比特征组成一个原始数据集C2,空间特征组成一个原始数据集C3,功率谱峰特征组成一个原始数据集C4;
然后,将每个原始数据集中的特征分别进行数字编号,同时初始设置各原始数据集的聚类类别,以及各聚类类别的中心点。
编号顺序为正整数:1,2,…,m;
原始数据集C1的聚类类别设为j1个,中心点集合为L1={L(1),L(2),L(3)...L(j1)};
原始数据集C2的聚类类别设为j2个,中心点集合为L2={L(1),L(2),L(3)...L(j2)};
原始数据集C3的聚类类别设为j3个,中心点集合为L3={L(1),L(2),L(3)...L(j3)};
原始数据集C4的聚类类别设为j4个,中心点集合为L4={L(1),L(2),L(3)...L(j4)};具体取值根据各特征性质决定。
步骤202、针对原始数据集C1,依次选择该原始数据集中的特征作为当前特征,分别计算该特征与各聚类类别中心点之间的欧几里得距离dis_clu;
初始的聚类类别中心点随机设定,聚类类别的种类人为根据实际需要设定。
欧几里得表达式如下所示:
C1(p)是原始数据集C1中的第p个特征;
步骤203、针对每个特征,选择最小的距离dis_clu对应的聚类中心点即为各特征所划分的类别。
步骤204、当原始数据集C1中的所有特征都分别划分到各自所属的聚类类别后,迭代更新所有聚类中心点;
步骤205、判断各新的聚类中心点与原来的聚类中心点之间的距离是否小于设定阈值,如果是,则中心点位置趋于稳定收敛,结束迭代过程,进入步骤206;否则,返回步骤202重新迭代;
步骤206、选择原始数据集C2,重复步骤202到步骤205,直至结束迭代过程,后同理选择原始数据集C3和C4,完成各聚类中心的稳定收敛;
步骤三、将稳定收敛的各聚类中心点所在的特征集合离散化,输入贝叶斯网络,使用联结树传递法计算贝叶斯网络输出输出信号属于每个聚类类别的分类概率值。
由于无人机通信信号经过特征提取后得到的向量F中,特征数据全部都是原始参数,因此首先需要对数据预处理,转化成适合贝叶斯网络输入的数据,而后利用蒙特卡洛-马尔科夫链抽样算法进行贝叶斯网络结构构建。
蒙特卡洛-马尔科夫链算法基于蒙特卡洛抽样模型,通过逐渐优化接受-拒绝抽样参数,使抽样结果最终收敛。抽样过程定义为网络各个节点之间的因果关系的建立、删除、方向变换等过程,根据上一轮的抽样结果计算当前的抽样结果,与接受-拒绝比的阈值比较决定是否保留当前的抽样操作。
假设Y表示抽样样本,上一轮的抽样结果为Yt-1,当前的抽样样本为Ycur,假设进行蒙特卡洛抽样之前先验概率为Q(Y*|Yt-1),Ycur被接受的概率为B(Ycur|Yt-1),因此核心问题转化成计算B(Ycur|Yt-1)的问题。根据转移概率计算公式,从样本Yt-1到Ycur的转移概率为Q(Y*|Yt-1)*B(Ycur|Yt-1),当抽样结果最终收敛,达到平稳分布时,则有:
P(Yt-1)Q(Ycur|Yt-1)B(Ycur|Yt-1)=P(Y*)Q(Yt-1|Ycur)B(Yt-1|Ycur)
因此,接受-拒绝比的阈值为:
由于多节点协同检测的过程中,贝叶斯网络最终的输出为各个类别的概率值而非直接依靠概率大小分类,因此使用如图6所示的联结树推理法计算各类别的后验概率。
首先建立贝叶斯网络道德图,遍历网络节点,将拥有共同子节点的两节点连接后,去掉原有节点依赖关系中的方向,得到贝叶斯网络的道德图BM。然后三角剖分道德图BM,复制BM为BM',找到道德图BM中与其他节点联系最小的节点V,在BM'和BM中依次链接与V直接链接的节点,得到一个完全子图。删除BM'中已经连接过的节点,继续寻找与其他节点联系最小的点,循环迭代直到BM'为空。
在得到所有完全子图后,对每一个子图建立clique连接树,对于节点V来说,计算该节点的条件概率表和证据节点Ve,然后初始化clique树的势函数,根据证据节点的信息更新势函数,得到全局一致的连结树之后,根据下公式计算更新后的结点的后验概率P(V/Ve)。
步骤四、针对各个无人机节点,根据各节点的特征向量所属的聚类类别概率值,组成各节点的分类概率集合;
假设待分类信号种类数为n,那么最终节点j输出的分类概率集合CPnode_j如下:
CPnode_j={pclass_1,pclass_2,...,pclass_n}
其中,pclass_n表示通过联结树传递法计算的贝叶斯网络输出的节点j的第n个特征划分的聚类类别对应的概率值;
步骤五、构建基于深度神经网络的节点重要度计算模型,计算每个节点的重要度;
由于不同节点的检测结果对整个检测系统的贡献是不一样的,因此需要一个参数来描述每一个检测节点分别相对于整个分类系统的重要度。
构建计算重要度的基于卷积神经网络的深度学习模型,对信号的特征之间的关系进行深层次挖掘,网络模型如图7所示,采用卷积层-池化层-卷积层-池化层-全连接层的结构,最终输出经过评分函数计算得到输出原始权重Ci。
原始权重代表该网络的输出在label空间中的分布情况,如果输出越靠近某一个标签值,就意味着这个检测节点的检测结果可信度越高,对整个系统的影响也就越大。因此构建了一个评分函数,用来描述网络的输出值与标签值的靠近程度,当权重计算网络的输出结果与某一个标签的距离很近时,该节点的评分值就会很高。
节点i的评分函数val表示如下:
其中,x为节点i的原始权重;k=1……n,labelk为节点i的第k个聚类类别对应的标签值。
由于函数表达式中可能会出现不连续点,因此对原始函数进行采样后平滑处理,得到连续函数。假设n为6,label值为0、1、2、3、4、5,检测节点i的深度神经网络的输出值为Ci,其评分值经过评分函数计算后分别为:
因此检测节点i对整个系统的重要度weighti的计算表达式如下:
重要度是指经过评分函数计算得到的原始权重与标签值的靠近程度。
步骤六、融合各个节点的分类概率与节点重要度权重,得到多节点协同检测结果;
利用贝叶斯-深度学习并行网络结构实现对信号的多节点协同检测,通过贝叶斯网络输出该信号属于每种类别的概率值,深度学习网络输出当前检测节点的重要度,综合各个节点的分类概率与重要度可得协同检测结果。实验结果可以看出,相比于传统的多节点检测算法,本算法可以发掘无人机通信信号深层次的特征及联系,可以获得更好的检测效果。
假设检测系统中共有三个检测节点和六个待分类别,三个节点经过贝叶斯网络的分类输出概率分别为深度学习网络输出当前检测节点的重要度的值分别为weight1,weight2,weight3,Pi表示多节点协同检测的输出参数,则第一类的分类输出概率为:
其他五类的输出概率同理可得,最终求出max(P1,P2,P3,P4,P5,P6),最大值所对应的标签label即为最终的信号协同检测分类结果。
Claims (4)
1.一种多节点协同无人机通信信号检测方法,其特征在于:具体步骤如下:
步骤一,针对多个无人机,提取每个无人机通信信号的多维度特征并构建特征向量,作为数据集;
将每个无人机分别作为一个节点,针对节点i信号的多维度特征包括:能量特征、信噪比特征、空间特征以及功率谱峰特征;特征向量表达式为:F=(Eni,snri,cali,di);
snri表示第i个无人机的信噪比特征指数;
具体计算过程为:
首先,遍历节点i通信信号的整个功率谱,将所有峰值谱线构建成一个待测试谱线子集A,对集合A中的数值降序排列后形成集合Asorted;
然后,构建节点i通信信号可能的谱峰个数集合B,集合B中所有的元素为待测信号可能的谱峰个数,根据调制信号类型确定;
对集合B进行遍历,针对当前选取的元素Bl,对集合Asorted中最大的Bl个元素求和,并记为在集合Asorted中去除刚才的Bl个元素,在剩下的元素中再次取最大的Bl个元素求和记为此时定义功率谱峰特征指数cali即为元素Bl确定时的谱峰突出指数;
通过遍历集合B,对集合B中每个元素分别计算各自对应的指数cal,选择功率谱峰特征指数cal最大值作为节点i的功率谱峰特征指数;
di为节点i的空间特征指数,表示该节点到信号源的距离,计算公式如下:
x0,y0,z0为信号源的坐标;xi,yi,zi为节点i的空间坐标;
步骤二、将所有无人机的特征向量基于先验知识与聚类算法结合,得到每种特征向量的稳定收敛的聚类中心;
步骤三、将稳定收敛的各聚类中心点所在的特征集合离散化,输入贝叶斯网络,使用联结树传递法计算贝叶斯网络输出各聚类类别的分类概率值;
步骤四、针对各个无人机节点,根据各节点的特征向量所属的聚类类别概率值,组成各节点的分类概率集合;
针对节点i输出的分类概率集合CPnode_i如下:
CPnode_i={pclass_1,pclass_2,...,pclass_n}
其中,pclass_n表示节点i的第n个特征划分的聚类类别对应的概率值;
步骤五、构建基于深度神经网络的节点重要度计算模型,计算每个节点的重要度权重;
重要度权重是指经过评分函数计算得到的原始权重与标签值的靠近程度;
节点i的评分函数val表示如下:
其中,x为节点i的原始权重;k=1……n,labelk为节点i的第k个聚类类别对应的标签值。
检测节点i的深度神经网络的输出值为Ci,其评分值经过评分函数计算后分别为:
因此检测节点i对整个系统的重要度权重weighti的计算表达式如下:
步骤六、融合各个节点的分类概率与节点重要度权重,得到多节点协同检测结果。
2.一种多节点协同无人机通信信号检测方法,其特征在于:所述的步骤二具体步骤如下:
步骤201、根据已有的先验知识,对能量特征、信噪比特征、空间特征以及功率谱峰特征进行初步划分;
具体为:
首先,针对各无人机节点的每种特征,分别组成各特征对应的原始数据集;
能量特征组成一个原始数据集C1,信噪比特征组成一个原始数据集C2,空间特征组成一个原始数据集C3,功率谱峰特征组成一个原始数据集C4;
然后,将每个原始数据集中的特征分别进行数字编号,同时初始设置各原始数据集的聚类类别,以及各聚类类别的中心点;
编号顺序为正整数:1,2,…,m;
原始数据集C1的聚类类别设为j1个,中心点集合为L1={L(1),L(2),L(3)...L(j1)};
原始数据集C2的聚类类别设为j2个,中心点集合为L2={L(1),L(2),L(3)...L(j2)};
原始数据集C3的聚类类别设为j3个,中心点集合为L3={L(1),L(2),L(3)...L(j3)};
原始数据集C4的聚类类别设为j4个,中心点集合为L4={L(1),L(2),L(3)...L(j4)};
具体取值根据各特征性质决定;
步骤202、针对原始数据集C1,依次选择该原始数据集中的特征作为当前特征,分别计算当前特征与各聚类类别中心点之间的欧几里得距离dis_clu;
初始的聚类类别中心点随机设定,聚类类别的种类人为根据实际需要设定;
步骤203、选择最小的距离dis_clu对应的聚类中心点即为当前特征所划分的类别;
步骤204、当原始数据集C1中的所有特征都分别划分到各自所属的聚类类别后,迭代更新所有聚类中心点;
步骤205、判断各新的聚类中心点与原来的聚类中心点之间的距离是否都小于设定阈值,如果是,则中心点位置趋于稳定收敛,结束迭代过程,进入步骤206;否则,返回步骤202重新迭代;
步骤206、选择原始数据集C2,重复步骤202到步骤205,直至结束迭代过程,后同理选择原始数据集C3和C4,完成各聚类中心的稳定收敛。
3.一种多节点协同无人机通信信号检测方法,其特征在于:所述的步骤三具体步骤如下:
首先,建立贝叶斯网络道德图,遍历网络节点,将拥有共同子节点的两节点连接后,去掉原有节点依赖关系中的方向,得到贝叶斯网络的道德图BM;
然后,三角剖分道德图BM,复制道德图BM为BM',找到道德图BM中与其他节点联系最小的节点V,在BM'和道德图BM中依次链接与V直接链接的节点,得到一个完全子图;删除BM'中已经连接过的节点,继续寻找与其他节点联系最小的点,循环迭代直到BM'为空。
在得到所有完全子图后,对每一个子图建立clique连接树,对于节点V来说,计算该节点的条件概率表和证据节点Ve,然后初始化clique树的势函数,根据证据节点的信息更新势函数,得到全局一致的连结树之后,根据下公式计算更新后的结点的分类概率值P(V/Ve):
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010500867.9A CN111860126B (zh) | 2020-06-04 | 2020-06-04 | 一种多节点协同无人机通信信号检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010500867.9A CN111860126B (zh) | 2020-06-04 | 2020-06-04 | 一种多节点协同无人机通信信号检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111860126A true CN111860126A (zh) | 2020-10-30 |
CN111860126B CN111860126B (zh) | 2022-10-25 |
Family
ID=72985064
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010500867.9A Active CN111860126B (zh) | 2020-06-04 | 2020-06-04 | 一种多节点协同无人机通信信号检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111860126B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112902969A (zh) * | 2021-02-03 | 2021-06-04 | 重庆大学 | 一种无人机在数据收集过程中的路径规划方法 |
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 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20170161638A1 (en) * | 2015-08-12 | 2017-06-08 | Bae Systems Information And Electronic Systems Integration Inc. | Generic probabilistic approximate computational inference model for streaming data processing |
CN109523011A (zh) * | 2018-11-06 | 2019-03-26 | 哈尔滨工业大学(深圳) | 一种面向多无人机协同探测的多传感器自适应管理方法 |
-
2020
- 2020-06-04 CN CN202010500867.9A patent/CN111860126B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20170161638A1 (en) * | 2015-08-12 | 2017-06-08 | Bae Systems Information And Electronic Systems Integration Inc. | Generic probabilistic approximate computational inference model for streaming data processing |
CN109523011A (zh) * | 2018-11-06 | 2019-03-26 | 哈尔滨工业大学(深圳) | 一种面向多无人机协同探测的多传感器自适应管理方法 |
Non-Patent Citations (1)
Title |
---|
董方昊 等: ""具有精英策略的深度强化学习无人机集群通信网络拓扑设计"", 《空军工程大学学报(自然科学版)》 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112902969A (zh) * | 2021-02-03 | 2021-06-04 | 重庆大学 | 一种无人机在数据收集过程中的路径规划方法 |
CN112902969B (zh) * | 2021-02-03 | 2023-08-01 | 重庆大学 | 一种无人机在数据收集过程中的路径规划方法 |
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 |
Also Published As
Publication number | Publication date |
---|---|
CN111860126B (zh) | 2022-10-25 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Zhang et al. | Adaptive structural fingerprints for graph attention networks | |
CN108696331B (zh) | 一种基于生成对抗网络的信号重构方法 | |
Arslan et al. | Use of relaxation methods in sampling-based algorithms for optimal motion planning | |
Jin et al. | Gralsp: Graph neural networks with local structural patterns | |
CN111860126B (zh) | 一种多节点协同无人机通信信号检测方法 | |
CN107016464B (zh) | 基于动态贝叶斯网络的威胁估计方法 | |
Pierre et al. | Assigning cells to switches in cellular mobile networks using taboo search | |
CN112311608B (zh) | 一种多层异质网络空间节点表征方法 | |
CN114386466B (zh) | 一种用于脉冲星搜寻中候选体信号挖掘的并行的混合聚类方法 | |
CN101901251A (zh) | 基于马尔科夫过程亚稳性的复杂网络簇结构分析和识别方法 | |
CN112163636A (zh) | 基于孪生神经网络的电磁信号辐射源的未知模式识别方法 | |
Xie et al. | Virtual Adversarial Training-Based Semisupervised Specific Emitter Identification. | |
Budel et al. | Random hyperbolic graphs in $ d+ 1$ dimensions | |
Gajawada et al. | Optimal clustering method based on genetic algorithm | |
Li et al. | Mask-gvae: Blind denoising graphs via partition | |
Sun et al. | Attention-based graph neural networks: a survey | |
Chen et al. | Optimization and evaluation of multidetector deep neural network for high-accuracy Wi-Fi fingerprint positioning | |
Liu et al. | Hierarchical agglomerative clustering and LSTM-based load prediction for dynamic spectrum allocation | |
CN111209611A (zh) | 一种基于双曲几何的有向网络空间嵌入方法 | |
CN115001935A (zh) | 一种大规模网络的层级化布局方法 | |
Feng et al. | An effective clustering algorithm using adaptive neighborhood and border peeling method | |
Hasan et al. | Piecemeal Clustering: A Self-Driven Data Clustering Algorithm | |
Cui et al. | A new adaptive track correlation method for multiple scenarios | |
Chen et al. | Optimisation for image salient object detection based on semantic‐aware clustering and CRF | |
Zhang et al. | On convergence rate for multi-agent consensus: a community detection algorithm |
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 | ||
CB03 | Change of inventor or designer information |
Inventor after: Wang Yufeng Inventor after: Ding Wenrui Inventor after: Xie Wanyin Inventor after: Luo Daizhe Inventor before: Ding Wenrui Inventor before: Xie Wanyin Inventor before: Luo Daizhe |
|
GR01 | Patent grant | ||
GR01 | Patent grant |