CN112418178A - 一种无人机智能检测方法及系统 - Google Patents

一种无人机智能检测方法及系统 Download PDF

Info

Publication number
CN112418178A
CN112418178A CN202011449506.2A CN202011449506A CN112418178A CN 112418178 A CN112418178 A CN 112418178A CN 202011449506 A CN202011449506 A CN 202011449506A CN 112418178 A CN112418178 A CN 112418178A
Authority
CN
China
Prior art keywords
aerial vehicle
unmanned aerial
csi
signal
space
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
CN202011449506.2A
Other languages
English (en)
Other versions
CN112418178B (zh
Inventor
陈隆亮
何骞
徐磊
李娟�
屈阳
王浩
何杰
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.)
Chinese Peoples Armed Police Force Academy
Original Assignee
Chinese Peoples Armed Police Force Academy
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 Chinese Peoples Armed Police Force Academy filed Critical Chinese Peoples Armed Police Force Academy
Priority to CN202011449506.2A priority Critical patent/CN112418178B/zh
Publication of CN112418178A publication Critical patent/CN112418178A/zh
Application granted granted Critical
Publication of CN112418178B publication Critical patent/CN112418178B/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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/11—Complex mathematical operations for solving equations, e.g. nonlinear equations, general mathematical optimization problems
    • G06F17/12—Simultaneous equations, e.g. systems of linear equations
    • 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
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/048—Activation functions
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • General Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Software Systems (AREA)
  • Artificial Intelligence (AREA)
  • Computational Linguistics (AREA)
  • Mathematical Optimization (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Evolutionary Computation (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Pure & Applied Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • Computational Mathematics (AREA)
  • Mathematical Analysis (AREA)
  • Signal Processing (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Operations Research (AREA)
  • Algebra (AREA)
  • Databases & Information Systems (AREA)
  • Radar Systems Or Details Thereof (AREA)
  • Control Of Position, Course, Altitude, Or Attitude Of Moving Bodies (AREA)

Abstract

本发明公开了一种无人机智能检测方法及系统，实现OFDM信号的来源判断及其方位检测，从而实现无人机入侵智能检测。首先是OFDM信号的来源的智能判断。利用无人机的固有震动属性，在接收到无人机发送的OFDM信号后，利用信号中的CSI，通过深度学习神经网络进行震动周期判断，当信号存在周期性的震动时，算法给出当前空间存在无人机的判断。其次是实现入侵检测的OFDM信号的方位检测。设计了圆形天线排列。基于阵列响应和子载波的CSI共同构建系统的虚拟方向矢量，从而使得基于子空间分解的检测算法能够有效地检测OFDM信号的二维方位，在三维空间精确地判断无人机是否进入了非法区域，最终实现无人机入侵检测。

Description

一种无人机智能检测方法及系统
技术领域
本发明涉及信号识别处理技术领域，具体涉及一种无人机智能检测方法及系统。
背景技术
目前，无人机越来越普及，被广泛运用于各行各业。然而，在无人机带来诸多便捷的同时，也存在监管力度不足的问题。每年，由于无人机的错误使用，违规使用等原因造成的财产损失和人身威胁的事件频发。考虑到无人机不仅对某些重要场所如机场、工厂等带来设备安全、人生安全的威胁。因此，一些重要机构甚至是一般住宅都需要实时检测无人机的入侵。现有的无人机检测方法包括雷达检测、机器视觉和音频识别等方法，但上述无人机检测方法采用的设备价格昂贵，且易受环境条件限制，不适合用于一般楼宇或者住宅的无人机检测。
发明内容
本发明提供一种无人机智能检测方法及系统，其目的在于解决一般场合下，特别是超低空环境中准确检测无人机是否存在的问题。
本发明通过下述技术方案实现：
一种无人机智能检测方法，包括以下步骤：
步骤1：获取待测空间中的OFDM信号，根据所述OFDM信号，判断待测空间中是否存在无人机；
步骤2：若待测空间中存在无人机，根据步骤1获取的OFDM信号，检测无人机的二维方位；
步骤3：根据步骤2得到的无人机二维方位检测结果，判断无人机是否进入非法飞行区域。
作为对本发明的进一步描述，步骤1利用天线系统获取待测空间中的OFDM信号，所述天线系统的设计方法为：基于空间直角坐标系，在X轴和Y轴所在的平面上，以原点O为圆心，呈放射状设置N根天线，每根天线之间的夹角为
Figure BDA0002831647390000011
作为对本发明的进一步描述，步骤1判断待测空间中是否存在无人机的方法为：
步骤1.1：通过导频提取OFDM信号中的CSI(信道状态信息)，把在M时刻，第N根天线上的第K子个载波中提取的CSI表示为
Figure BDA0002831647390000012
所述
Figure BDA0002831647390000013
为一个复数，所述天线系统一共可提取K·N·M个CSI，将所述K·N·M个CSI构成复数矢量表示为
Figure BDA0002831647390000014
步骤1.2：构建神经网络模型，利用提取的K·N·M个CSI训练所述神经网络模型；
步骤1.3：当需要进行无人机智能识别时，将实时提取的K·N·M个CSI输入经训练好的神经网络模型，输出判断结果；
步骤1.4：根据步骤1.3的判断结果，判定待测空间中是否存无人机。
作为对本发明的进一步描述，步骤2检测无人机的二维方位的方法为：
步骤2.1：以所述天线系统的圆心O为参考，根据获取的OFDM信号，构建圆形阵列响应矢量
Figure BDA0002831647390000021
所述
Figure BDA0002831647390000022
其中，j为虚数单位，R为圆形阵列的半径，θ为入射信号与X轴的夹角，
Figure BDA0002831647390000023
为入射信号于Z轴的夹角，f为频率，c为光速；
步骤2.2：根据所述圆形阵列，将提取到的同一时刻，N根天线，K个子载波中的CSI重构为复数矢量C，所述
Figure BDA0002831647390000024
步骤2.3：将所述
Figure BDA0002831647390000025
和所述C带入公式
Figure BDA0002831647390000026
计算伪峰谱图，寻找所述伪峰谱图中的最大峰对应的二维角度，即得到无人机的二维方位角度。
作为对本发明的进一步描述，步骤3判断无人机是否进入非法飞行区域的方法为：以非法飞行区域边界线的切线为Y轴，建立空间直角坐标系，利用步骤2所述的方法持续检测无人机的二维方位角，当所述二维方位角在XY平面上的投影角度值为负数时，即可判定非法飞行区域内有无人机入侵。
作为对本发明的进一步改进，在判断非法飞行区域内是否有无人机入侵之前，对待测空间中是否存在无人机作进一步识别确认，方法为：结合步骤2，检测无人机在Z轴上的方位角度值，当天线系统的安装高度与无人机在Z轴上的方位角度值同时满足以下情况时，可进一步确定信号源为无人机信号源：
(1)当天线系统的安装高度为3米至5米时，信号源在Z轴上的方位角度值范围为0°至89°；
(2)当天线系统的安装高度为5米至10米时，信号源在Z轴上的方位角度值范围为-5°至89°；
(3)当天线系统的安装高度为10米至15米时，信号源在Z轴上的方位角度值范围为-8°至89°；
(4)当天线系统的安装高度为15米至20米时，信号源在Z轴上的方位角度值范围为-10°至89°；
(5)当天线系统的安装高度为20米至30米时，信号源在Z轴上的方位角度值范围为-15°至89°。
作为对本发明的进一步描述，神经网络模型为3层神经网络，每一层的激活函数为sigmoid函数；得到的检测结果为一个二维向量Y＝[y1,y2]T，y1,y2∈(0,1)；判断待测空间是否存在无人机的方法为：当y1<y2时，判断得出存在无人机，当y1>y2时，判断得出不存在无人机。
一种无人机智能检测系统，包括：
信号接收模块，用于接收待测空间中的OFDM信号；
信号处理模块，用于提取OFDM信号中的信息，并将提取到的信息转换为向量表示；
模型计算模块，用于训练模型，并对输入模型中的数据进行计算；
方位角计算模块，用于将圆形阵列响应矢量
Figure BDA0002831647390000031
和重构的CSI复数矢量输入公式
Figure BDA0002831647390000032
计算伪峰谱图；
方位角确定模块，用于寻找所述伪峰谱图中的最大峰对应的二维角度，从而确定无人机的二维方位角度；
结果判定模块，用于判定待测空间中是否存在无人机，及无人机是否进入非法飞行区域；
作为对本发明的进一步描述，
所述信号处理模块包括：子载波信号获取单元，用于从接收到的OFDM信号中获取子载波信号；CSI信息提取单元，用于从子载波信号中提取CSI；圆形阵列响应矢量构建单元，用于根据获取的OFDM信号构建圆形阵列响应矢量
Figure BDA0002831647390000033
复数矢量构建单元，用于将CSI转换为向量表示；
所述模型计算模块包括：神经网络模型训练单元，用于利用CSI训练神经网络模型；神经网络模型计算单元，用于将实时提取的CSI输入训练好的神经网络模型，计算无人机存在性的判断结果；
所述结果判定模块包括：无人机存在性确认单元，用于根据神经网络模型的输出结果，判定待测空间中是否存在无人机；无人机入侵判定单元，用于判断无人机是否进入非法飞行区域。
作为对本发明的进一步改进，无人机智能检测系统还包括二次确认模块，用于对待测空间中是否存在无人机进行二次确认。
本发明与现有技术相比，具有如下的优点和有益效果：
1.本发明合理利用无人机固有的震动属性对接收到的信号进行分析，能够有效检测出准确空间中是否有无人机存在；
2.本发明相比现有的采用雷达、机器视觉等方式检测无人存在性的方法相比，原理更简单，容易在低成本器件上实现；
3.本发明适用范围广，能够适用于普通楼宇之间的超低空无人机检测场合。
附图说明
此处所说明的附图用来提供对本发明实施例的进一步理解，构成本申请的一部分，并不构成对本发明实施例的限定。在附图中：
图1为无人机智能检测方法流程图。
图2为无人机信号接收系统设计原理示意图。
图3为神经网络模型结构原理示意图。
图4为无人机入侵检测示意图。
图5为无人机智能检测系统结构示意图。
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白，下面结合实施例和附图，对本发明作进一步的详细说明，本发明的示意性实施方式及其说明仅用于解释本发明，并不作为对本发明的限定。
实施例1，图1示出了一种无人机智能检测方法流程，包括如下步骤：
步骤1，获取待测空间中的OFDM信号，根据所述OFDM信号，判断待测空间中是否存在无人机，包括以下子步骤：
(1.1)设计无人机信号源接收系统，接收无人机发出的OFDM信号。建立图2所示的一个空间坐标系，在X轴和Y轴所在的平面上，以原点O为圆心，呈放射状均匀布置N根天线，每根天线之间的夹角为
Figure BDA0002831647390000041
当无人机信号源在远场发出的OFDM信号以
Figure BDA0002831647390000042
角度射入到天线系统上时，则该无人机信号源接收系统可通过N根天线连续侦测到由无人机信号源发出的OFDM信号，且该OFDM信号的入射方向与X轴的夹角为θ，与Z轴的夹角为
Figure BDA0002831647390000043
此时，利用导频即可从接收到的OFDM信号中获取K个子载波信道状态信息。
(1.2)通过导频提取OFDM信号中的CSI(信道状态信息)，把在M时刻，第N根天线上的第K子个载波中提取的CSI表示为
Figure BDA0002831647390000044
所述
Figure BDA0002831647390000045
为一个复数，所述天线系统一共可提取K·N·M个CSI，将所述K·N·M个CSI构成复数矢量表示为
Figure BDA0002831647390000051
(1.3)构造神经网络模型，利用步骤(2)提取的CSI信道状态信息训练神经网络模型。构造一个如图3所示的具有3层神经网络的神经网络模型，最左边为输入层，中间2层为隐藏层，最右边为输出层，每一层的激活函数为sigmoid函数。将步骤(2)得到的K·N·M个CSI输入到上述神经网络模型中，对该神经网络模型进行训练。
(1.4)将步骤(2)提取到的K·N·M个CSI输入到经步骤(3)训练好的神经网络模型中，输出结果为一个二维向量Y＝[y1,y2]T，y1,y2∈(0,1)。对比y1,y2的值，当y1<y2时，判断得出存在无人机，当y1>y2时，判断得出不存在无人机。
步骤2：若待测空间中存在无人机，根据步骤1获取的OFDM信号，检测无人机的二维方位，包括以下子步骤：
(2.1)以步骤(1.1)建立的空间直角坐标系的圆心为参考，根据接收到的OFDM信号，构造圆形阵列响应矢量
Figure BDA0002831647390000052
其中，j为虚数单位，R为圆形阵列的半径，θ为入射信号与X轴的夹角，
Figure BDA0002831647390000053
为入射信号于Z轴的夹角，f为频率，c为光速。
(2.2)对于该圆形阵列响应矢量，通过导频获取不同子载波的CSI，将同一时刻，所有K个子载波，N根天线的接收的CSI重构成复数矢量
Figure BDA0002831647390000054
(2.3)将步骤(2.1)的
Figure BDA0002831647390000055
变换得到
Figure BDA0002831647390000056
的转置，即
Figure BDA0002831647390000057
将步骤(2.2)重构得到的复数矢量C变换得到C的转置即CT，将
Figure BDA0002831647390000058
即协方差CCT带入公式
Figure BDA0002831647390000059
计算伪峰谱图，式中，U为复数矢量C的特征值分解后的较小特征值对应的特征向量。
(2.4)根据步骤(2.3)计算得出的伪峰谱图，寻找该伪峰谱图的最大峰对应的二维角度，即得到无人机信号源的二维入射角。
步骤3：根据步骤2得到的无人机二维方位检测结果，判断无人机是否进入非法飞行区域，包括以下子步骤：
(3.1)结合步骤2判定的信号源在Z轴上的方位角大小，当无人机信号源接收系统的安装高度与信号源在Z轴上的方位角大小，同时满足以下情况时，进一步确定信号源为无人机信号源：
(3.1.1)当无人机信号源接收系统的安装高度为3-5米时，信号源在Z轴上的方位角度值范围为0°-89°；
(3.1.2)当无人机信号源接收系统的安装高度为5-10米时，信号源在Z轴上的方位角度值范围为-5°-89°；
(3.1.3)当无人机信号源接收系统的安装高度为10-15米时，信号源在Z轴上的方位角度值范围为-8°-89°；
(3.1.4)当无人机信号源接收系统的安装高度为15-20米时，信号源在Z轴上的方位角度值范围为-10°-89°；
(3.1.5)当无人机信号源接收系统的安装高度为20-30米时，信号源在Z轴上的方位角度值范围为-15°-89°。
(3.2)按照步骤2所述的方法，持续检测无人机信号源的二维方位角。
(3.3)根据步骤(3.2)持续检测的无人机信号源的二维方位角，如图4所示，当无人机信号源在XY平面的投影角度小于0度时，则为入侵判定。
实施例2，一种无人机智能检测系统如图5所示，该无人机智能检测系统包括：
信号接收模块，用于接收待测空间中的OFDM信号。
信号处理模块，包括一个子载波信号获取单元和一个CSI信息提取单元，其中，子载波信号获取单元利用导频从N根天线中连续获取的OFDM信号中可获取K个子载波信息，CSI信息提取单元，从每一根天线获取的单个子载波信道状态信息中，可提取出M个CSI，从而共可提取出K·N·M个CSI；该信号处理模块还包括一个圆形阵列响应矢量构建单元和一个复数矢量构建单元，其中，圆形阵列响应矢量构建单元以步骤(1.1)建立的空间直角坐标系的圆心为参考，根据接收到的OFDM信号，构造圆形阵列响应矢量
Figure BDA0002831647390000061
其中，j为虚数单位，R为圆形阵列的半径，θ为入射信号与X轴的夹角，
Figure BDA0002831647390000062
为入射信号于Z轴的夹角，f为频率，c为光速；复数矢量构建模块将提取的CSI转换为向量表示为
Figure BDA0002831647390000071
模型计算模块，包括一个神经网络模型训练单元和一个神经网络模型计算单元。其中，神经网络模型训练单元利用CSI，对如图3所示的具有3层神经网络，每一层激活函数为sigmoid函数的神经网络模型进行训练；神经网络模型计算单元将实时提取的CSI输入经神经网络训练模块训练好的神经网络模型，得到一个二维向量Y＝[y1,y2]T，y1,y2∈(0,1)。
方位角计算模块，用于将圆形阵列响应矢量
Figure BDA0002831647390000072
和重构的CSI复数矢量输入公式
Figure BDA0002831647390000073
计算伪峰谱图。
方位角确定模块，根据方位角计算模块计算得到的伪峰谱图，寻找所述伪峰谱图中的最大峰对应的二维角度，从而确定无人机的二维方位角度。
结果判定模块，包括一个无人机存在性确认单元和一个无人机入侵判定单元。其中，无人机存在性确认单元根据神将网络模型计算单元计算得到的二维向量Y＝[y1,y2]T，判断y1、y2的大小，当y1<y2时，输出当前空间中存在无人机的判定结论，当y1>y2时，输出当前空间中不存在无人机的判定结论；无人机入侵判定单元对方位角确定模块得到的无人机二维方位角度值进行判断，当所述二维方位角度值为负数时，输出无人机进入非法飞行区域的判定结论。
二次确认模块，根据方位角计算模块得到的无人机在Z轴上的方位角大小，当无人机信号源接收系统的安装高度与信号源在Z轴上的方位角大小，同时满足以下情况时，输出待测空间中存在无人机的二次确认结果：
(1)当无人机信号源接收系统的安装高度为3-5米时，信号源在Z轴上的方位角度值范围为0°-89°；
(2)当无人机信号源接收系统的安装高度为5-10米时，信号源在Z轴上的方位角度值范围为-5°-89°；
(3)当无人机信号源接收系统的安装高度为10-15米时，信号源在Z轴上的方位角度值范围为-8°-89°；
(4)当无人机信号源接收系统的安装高度为15-20米时，信号源在Z轴上的方位角度值范围为-10°-89°；
(5)当无人机信号源接收系统的安装高度为20-30米时，信号源在Z轴上的方位角度值范围为-15°-89°。
以上所述的具体实施方式，对本发明的目的、技术方案和有益效果进行了进一步详细说明，所应理解的是，以上所述仅为本发明的具体实施方式而已，并不用于限定本发明的保护范围，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (10)

1.一种无人机入侵智能检测方法，其特征在于，所述检测方法包括如下步骤：
步骤1：获取待测空间中的OFDM信号，根据所述OFDM信号，判断待测空间中是否存在无人机；
步骤2：若待测空间中存在无人机，根据步骤1获取的OFDM信号，检测无人机的二维方位；
步骤3：根据步骤2得到的无人机二维方位检测结果，判断无人机是否进入非法飞行区域。
2.根据权利要求1所述的一种无人机智能检测方法，其特征在于，步骤1利用天线系统获取待测空间中的OFDM信号，所述天线系统的设计方法为：基于空间直角坐标系，在X轴和Y轴所在的平面上，以原点O为圆心，呈放射状设置N根天线，每根天线之间的夹角为
Figure FDA0002831647380000011
3.根据权利要求2所述的一种无人机智能检测方法，其特征在于，步骤1判断待测空间中是否存在无人机的方法为：
步骤1.1：通过导频提取OFDM信号中的CSI(信道状态信息)，把在M时刻，第N根天线上的第K子个载波中提取的CSI表示为
Figure FDA0002831647380000012
所述
Figure FDA0002831647380000013
为一个复数，所述天线系统一共可提取K·N·M个CSI，将所述K·N·M个CSI构成复数矢量表示为
Figure FDA0002831647380000014
步骤1.2：构建神经网络模型，利用提取的K·N·M个CSI训练所述神经网络模型；
步骤1.3：当需要进行无人机智能识别时，将实时提取的K·N·M个CSI输入经训练好的神经网络模型，输出判断结果；
步骤1.4：根据步骤1.3的判断结果，判定待测空间中是否存无人机。
4.根据权利要求2所述的一种无人机智能检测方法，其特征在于，步骤2检测无人机的二维方位的方法为：
步骤2.1：以所述天线系统的圆心O为参考，根据获取的OFDM信号，构建圆形阵列响应矢量
Figure FDA0002831647380000015
所述
Figure FDA0002831647380000016
其中，j为虚数单位，R为圆形阵列的半径，θ为入射信号与X轴的夹角，
Figure FDA0002831647380000017
为入射信号于Z轴的夹角，f为频率，c为光速；
步骤2.2：根据所述圆形阵列，将提取到的同一时刻，N根天线，K个子载波中的CSI重构为复数矢量C，所述
Figure FDA0002831647380000021
步骤2.3：将所述
Figure FDA0002831647380000022
和所述C带入公式
Figure FDA0002831647380000023
计算伪峰谱图，寻找所述伪峰谱图中的最大峰对应的二维角度，即得到无人机的二维方位角度。
5.根据权利要求2所述的一种无人机智能检测方法，其特征在于，步骤3判断无人机是否进入非法飞行区域的方法为：以非法飞行区域边界线的切线为Y轴，建立空间直角坐标系，利用步骤2所述的方法持续检测无人机的二维方位角，当所述二维方位角在XY平面上的投影角度值为负数时，即可判定非法飞行区域内有无人机入侵。
6.根据权利2所述的一种无人机智能检测方法，其特征在于，在判断非法飞行区域内是否有无人机入侵之前，对待测空间中是否存在无人机作进一步识别确认，方法为：结合步骤2，检测无人机在Z轴上的方位角度值，当天线系统的安装高度与无人机在Z轴上的方位角度值同时满足以下情况时，可进一步确定信号源为无人机信号源：
(1)当天线系统的安装高度为3米至5米时，信号源在Z轴上的方位角度值范围为0°至89°；
(2)当天线系统的安装高度为5米至10米时，信号源在Z轴上的方位角度值范围为-5°至89°；
(3)当天线系统的安装高度为10米至15米时，信号源在Z轴上的方位角度值范围为-8°至89°；
(4)当天线系统的安装高度为15米至20米时，信号源在Z轴上的方位角度值范围为-10°至89°；
(5)当天线系统的安装高度为20米至30米时，信号源在Z轴上的方位角度值范围为-15°至89°。
7.根据权利要求3所述的一种无人机智能检测方法，其特征在于，所述神经网络模型为3层神经网络，每一层的激活函数为sigmoid函数；得到的检测结果为一个二维向量Y＝[y1,y2]T，y1,y2∈(0,1)；判断待测空间是否存在无人机的方法为：当y1<y2时，判断得出存在无人机，当y1>y2时，判断得出不存在无人机。
8.一种无人机智能检测系统，其特征在于，包括：
信号接收模块，用于接收待测空间中的OFDM信号；
信号处理模块，用于提取OFDM信号中的信息，并将提取到的信息转换为向量表示；
模型计算模块，用于训练模型，并对输入模型中的数据进行计算；
方位角计算模块，用于将圆形阵列响应矢量
Figure FDA0002831647380000031
和重构的CSI复数矢量输入公式
Figure FDA0002831647380000032
计算伪峰谱图；
方位角确定模块，用于寻找所述伪峰谱图中的最大峰对应的二维角度，从而确定无人机的二维方位角度；
结果判定模块，用于判定待测空间中是否存在无人机，以及无人机是否进入非法飞行区域。
9.根据权利要求8所述的一种无人机智能检测系统，其特征在于，
所述信号处理模块包括：子载波信号获取单元，用于从接收到的OFDM信号中获取子载波信号；CSI信息提取单元，用于从子载波信号中提取CSI；圆形阵列响应矢量构建单元，用于根据获取的OFDM信号构建圆形阵列响应矢量
Figure FDA0002831647380000033
复数矢量构建单元，用于将CSI转换为向量表示；
所述模型计算模块包括：神经网络模型训练单元，用于利用CSI训练神经网络模型；神经网络模型计算单元，用于将实时提取的CSI输入训练好的神经网络模型，计算无人机存在性的判断结果；
所述结果判定模块包括：无人机存在性确认单元，用于根据神经网络模型的输出结果，判定待测空间中是否存在无人机；无人机入侵判定单元，用于判断无人机是否进入非法飞行区域。
10.根据权利要求8或9所述的一种无人机智能检测系统，其特征在于，包括二次确认模块，用于对待测空间中是否存在无人机进行二次确认。
CN202011449506.2A 2020-12-11 2020-12-11 一种无人机智能检测方法及系统 Active CN112418178B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011449506.2A CN112418178B (zh) 2020-12-11 2020-12-11 一种无人机智能检测方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011449506.2A CN112418178B (zh) 2020-12-11 2020-12-11 一种无人机智能检测方法及系统

Publications (2)

Publication Number Publication Date
CN112418178A true CN112418178A (zh) 2021-02-26
CN112418178B CN112418178B (zh) 2023-12-22

Family

ID=74775458

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011449506.2A Active CN112418178B (zh) 2020-12-11 2020-12-11 一种无人机智能检测方法及系统

Country Status (1)

Country Link
CN (1) CN112418178B (zh)

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2017066279A1 (en) * 2015-10-12 2017-04-20 Biao Chen Efficient channel estimation and symbol detection for massive mimo-ofdm
CN107271959A (zh) * 2017-07-05 2017-10-20 江苏先安科技有限公司 基于多天线正交频分复用调制信号的定位方法
IT201700066102A1 (it) * 2017-06-14 2018-12-14 Drb S R L S Sistema di radiofaro
CN109283491A (zh) * 2018-08-02 2019-01-29 哈尔滨工程大学 一种基于矢量探测单元的无人机定位系统
CN111698258A (zh) * 2020-06-18 2020-09-22 上海第二工业大学 一种基于WiFi的环境入侵检测方法和系统

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2017066279A1 (en) * 2015-10-12 2017-04-20 Biao Chen Efficient channel estimation and symbol detection for massive mimo-ofdm
IT201700066102A1 (it) * 2017-06-14 2018-12-14 Drb S R L S Sistema di radiofaro
CN107271959A (zh) * 2017-07-05 2017-10-20 江苏先安科技有限公司 基于多天线正交频分复用调制信号的定位方法
CN109283491A (zh) * 2018-08-02 2019-01-29 哈尔滨工程大学 一种基于矢量探测单元的无人机定位系统
CN111698258A (zh) * 2020-06-18 2020-09-22 上海第二工业大学 一种基于WiFi的环境入侵检测方法和系统

Also Published As

Publication number Publication date
CN112418178B (zh) 2023-12-22

Similar Documents

Publication Publication Date Title
Zhao et al. Classification of small UAVs based on auxiliary classifier Wasserstein GANs
CN108280395B (zh) 一种对低小慢无人机飞控信号的高效识别方法
CN103197302B (zh) 一种适用于穿墙雷达成像的目标位置提取方法
Chen et al. Collaborative spectrum sensing for illegal drone detection: A deep learning-based image classification perspective
CN109901130B (zh) 一种基于Radon变换和改进2DPCA的旋翼无人机检测与识别方法
CN111981910B (zh) 一种基于人工智能的低空防御系统
CN107247262B (zh) 一种机场跑道异物分层检测方法
CN112735473B (zh) 基于声音识别无人机的方法及系统
US20230039196A1 (en) Small unmanned aerial systems detection and classification using multi-modal deep neural networks
CN109061631A (zh) 一种智能安防毫米波相控阵天线雷达报警系统和方法
CN115061113B (zh) 用于雷达的目标检测模型训练方法、装置及存储介质
CN112213697B (zh) 一种基于贝叶斯决策理论用于雷达欺骗干扰识别的特征融合方法
CN112034433A (zh) 一种基于干扰信号重构的穿墙无源移动目标检测方法
CN113567931A (zh) 一种训练样本不足时的双子空间信号检测方法与系统
CN117665807A (zh) 基于毫米波多人零样本的人脸识别方法
CN112418178B (zh) 一种无人机智能检测方法及系统
Liu Unmanned aerial vehicle detection and identification using deep learning
CN114519372B (zh) 基于支持向量机的一维距离像目标识别方法
CN111817794B (zh) 一种基于深度学习的多域协同无人机探测方法及系统
Wang et al. Radar emitter classification based on a multiperspective collaborative clustering method and radar characteristic spectrum
Wang et al. Automatic jamming modulation classification exploiting convolutional neural network for cognitive radar
CN109829385A (zh) 一种精细识别空间目标的光谱模式识别方法
Wang et al. Research on UAV remote control signal recognition based on time-frequency map
CN116125466B (zh) 船舶人员隐藏威胁性物品携带检测方法、装置及电子设备
Gao Unmanned Aircraft Swarm Detection Method Based on RF Features and Unsupervised Learning

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