CN113177514B - 无人机信号检测方法、装置及计算机可读存储介质 - Google Patents

无人机信号检测方法、装置及计算机可读存储介质 Download PDF

Info

Publication number
CN113177514B
CN113177514B CN202110553890.9A CN202110553890A CN113177514B CN 113177514 B CN113177514 B CN 113177514B CN 202110553890 A CN202110553890 A CN 202110553890A CN 113177514 B CN113177514 B CN 113177514B
Authority
CN
China
Prior art keywords
signal
unmanned aerial
aerial vehicle
sequence
segment
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
CN202110553890.9A
Other languages
English (en)
Other versions
CN113177514A (zh
Inventor
丁学科
黄钟
李镇兵
胡莹
顾晓乐
李敏聪
万群
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.)
Zhejiang Bosiden Technology Co ltd
Original Assignee
Zhejiang Bosiden 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 Zhejiang Bosiden Technology Co ltd filed Critical Zhejiang Bosiden Technology Co ltd
Priority to CN202110553890.9A priority Critical patent/CN113177514B/zh
Publication of CN113177514A publication Critical patent/CN113177514A/zh
Application granted granted Critical
Publication of CN113177514B publication Critical patent/CN113177514B/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
    • G06F18/23—Clustering techniques
    • G06F18/232—Non-hierarchical techniques
    • G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G06F18/232—Non-hierarchical techniques
    • G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
    • G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
    • 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
    • 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
    • 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)
  • Data Mining & Analysis (AREA)
  • Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Biophysics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Probability & Statistics with Applications (AREA)
  • Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Evolutionary Biology (AREA)
  • Computational Linguistics (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Traffic Control Systems (AREA)
  • Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)

Abstract

一种无人机信号检测方法、装置及计算机可读存储介质，该方法包括：对归一化处理后的无人机信号样本进行能量‑时频域分析，得到时域能量变化谱图；基于时域能量变化谱图对无人机信号样本进行门限阈值分选，以得到有效信号片段和噪声片段；采用滑窗法对有效信号片段进行切片处理，以得到多个等长的信号序列片段；提取各个信号序列片段的特征数据，并对特征数据进行聚类分析，以得到多个不相关的信号子集；对每一种信号类型的无人机信号样本均进行上述步骤，并将得到的信号子集添加至特征库中，以及利用特征库对分类模型进行训练；利用训练好的分类模型对待检测无人机信号进行进行信号类型检测。

Description

无人机信号检测方法、装置及计算机可读存储介质
技术领域
本发明涉及信号处理领域，特别是涉及一种无人机信号检测方法、装置及计算机可读存储介质。
背景技术
微弱信号不仅仅指幅值比较小的信号，更一般的情况是指信号被强噪声所掩盖的情形，即所谓的低噪比的情况。微弱信号的检测技术重点在于检测待测的信号中是否存在已知的一些设备信号。近年来，微型无人机数量激增，除了业余爱好者的娱乐用途外，无人机被用于商业用途或者军事用途的趋势也越来越明显。即使微型无人机有着许多有益的民用应用，也存在着对于公共安全的相关风险，比如近年来不时报导的微型无人机违法进入诸如核电厂或者机场等敏感区域。所以无人机信号的检测算法无论对于商业还是军事上都有着比较重大的意义而且也是现实中迫切的需求。无人机信号的常规发射功率为100mW(20dBm)，当无人机信号经过一段距离的路径损耗后，频谱上已不能发现无人机信号，信噪比小于0dB。此时，需要找到一种合适的信号侦测方法，提取噪声之下的信号，从而达到微弱信号侦测识别的目的。
到目前为止，已经有几种不同的用于无人机检测和分类的技术。传统的基于雷达的技术已经广泛用于检测和识别飞机，但是很难这种技术很难直接用于微型无人机的信号检测中来。基于视频和图像的技术一般只适用于短距离的情况下的情形，过长的距离会导致目标分辨率的急速下降进而导致算法性能的急速下降。当然还有一些技术是通过基于射频指纹技术来解决的。目前的微型无人机的射频识别技术主要集中于时域技术上。这种技术在有些场景中可能不会很有效，主要在于射频的时域识别基于这样的一个假设：即信号在起点处突然出现变化。但是当信号的起始时刻变化是比较平缓的时候，这种假设就不符合实际的情况了。因此时域技术可能会延迟信号的瞬态检测，在最坏的情况下，在低信噪比的情况下错过待检测的目标。
发明内容
鉴于上述状况，有必要针对现有技术中无人机信号侦测识别效果差的问题，提供一种无人机信号检测方法、装置及计算机可读存储介质。
一种无人机信号检测方法，包括：
将一信号类型的无人机信号样本进行归一化处理；
对归一化处理后的无人机信号样本进行能量-时频域分析，得到时域能量变化谱图；
基于所述时域能量变化谱图对所述无人机信号样本进行门限阈值分选，以得到所述无人机信号样本中的有效信号片段和噪声片段；
采用滑窗法对所述有效信号片段进行切片处理，以得到多个等长的信号序列片段；
提取各个所述信号序列片段的特征数据，并对所述特征数据进行聚类分析，以得到多个不相关的信号子集；
对每一种信号类型的无人机信号样本均进行上述步骤，以得到各个信号类型的无人机信号样本对应的信号子集，并将得到的信号子集添加至信号分类的特征库中，以及利用所述特征库对分类模型进行训练；
利用训练好的分类模型对待检测无人机信号进行进行信号类型检测。
进一步的，上述无人机信号检测方法，其中，所述特征数据包括：时序信号特征、峰值相位特征、频域率特征、信号峰度、信号偏度和自相关系数。
进一步的，上述无人机信号检测方法，其中，所述时序信号特征的提取步骤包括：
确定所述信号序列片段中各个时序信号的实部和虚部，并将确定的实部和虚部作为所述时序信号特征。
进一步的，上述无人机信号检测方法，其中，所述峰值相位特征的提取步骤包括：
将所述信号序列片段中的各个时序信号转换为相位信号和幅度信号，将所述相位信号和幅度信号作为峰值相位特征，其中，所述相位信号的计算公式为：
Figure BDA0003076365300000031
所述幅度信号的计算公式为：
Figure BDA0003076365300000032
其中，n＝0,...,N-1，
Figure BDA0003076365300000033
代表相位信号，san代表的是幅度信号，sqn，sin分别代表时序上的Q路的信号和I路的信号。
进一步的，上述无人机信号检测方法，其中，所述频域率特征的提取步骤包括：
将所述信号序列片段中各个时序信号的实部时序信号和虚部时序信号分别进行傅里叶变换，对于所述实部时序信号以及所述虚部时序信号分别取其傅里叶变换后的实部和虚部，并作为频域率特征。
进一步的，上述无人机信号检测方法，其中，所述信号峰度g2的计算公式为：
Figure BDA0003076365300000034
其中，m4是四阶样本中心矩，m2是二阶中心矩，sin是所述信号序列片段中第n个I路信号的幅度值，
Figure BDA0003076365300000035
是所述信号序列片段中I路信号的平均幅度值，N为信号长度。
进一步的，上述无人机信号检测方法，其中，所述对所述特征数据进行聚类分析，以得到多个不相关的信号子集的步骤包括：
采用k-means算法对所述特征数据进行聚类，以将所述特征数据聚类为多个不相关的信号子集。
进一步的，上述无人机信号检测方法，其中，所述利用训练好的分类模型对待检测无人机信号进行进行信号类型检测的步骤包括：
对待检测无人机信号进行归一化处理，并采用滑窗法对归一化的所述待检测无人机信号进行切片处理，得到多个待检测信号序列片段，滑窗的长度等于所述信号序列片段的长度；
对所述待检测信号片段进行特征提取，并将提取的特征输入至训练好的分类模型中，根据所述分类模型输出的概率分布确定所述待检测无人机信号中含有的信号类型。
本发明还公开了一种无人机信号检测装置，所述无人机信号检测装置包括存储器和处理器，所述存储器存储有程序，所述程序被所述处理器执行时实现上述任一所述的方法。
本发明还公开了一种计算机可读存储介质，其上存储有程序，所述程序被处理器执行时实现上述任一所述的方法。
本发明中，对接收的无人机信号进行噪声分离，以得到所述无人机信号样本中的有效信号片段和噪声片段，该有效信号片段即为噪声分离后的信号。通过该方法可以有效的降低噪声干扰，提高信号分类效果，并且采用聚类分析方法将信号分成多个不相关的信号子集，利用各信号类型的无人机信号的信号子集进行模型训练，以得到分类效率高和准确性高的信号类型检测模型。通过该训练后的模型实时对输入的待检测无人机信号进行类型检测，避免出现延迟信号的瞬态检测的情况，即使在低信噪比的情况下也不会错过待检测的目标。
附图说明
图1为本发明第一实施例中的无人机信号检测方法的流程图；
图2为本发明实施例中无人机信号检测装置的结构示意图。
具体实施方式
下面详细描述本发明的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，仅用于解释本发明，而不能理解为对本发明的限制。
参照下面的描述和附图，将清楚本发明的实施例的这些和其他方面。在这些描述和附图中，具体公开了本发明的实施例中的一些特定实施方式，来表示实施本发明的实施例的原理的一些方式，但是应当理解，本发明的实施例的范围不受此限制。相反，本发明的实施例包括落入所附加权利要求书的精神和内涵范围内的所有变化、修改和等同物。
请参阅图1，为本发明实施例中的无人机信号检测方法，包括步骤S11～S17。
步骤S11，将一信号类型的无人机信号样本进行归一化处理。
对无人机信号进行归一化处理主要目的是保证在不同的条件下，背景噪声的信号能量在同一个尺度下。假设输入信号为x(t)，无人机信号功率归一化的公式如下所示：
Figure BDA0003076365300000051
步骤S12，对归一化处理后的无人机信号样本进行能量-时频域分析，得到时域能量变化谱图。
步骤S13，基于所述时域能量变化谱图对所述无人机信号样本进行门限阈值分选，以得到所述无人机信号样本中的有效信号片段和噪声片段。
得到归一化的信号之后，接下来需要分离信号中的噪声和有效信号。这里我们使用了一种适应阈值的能量-时频域算法，该算法可以高效的区分噪声以及有效信号。为了在能量-时频域中表示原始的时序的无人机信号，我们采用计算能量-时频域图来得到原始的时序无人机信号在能量-时频域的表示。这里利用离散时间短时傅立叶变换(STFT)的来得到能量-时频域图，计算方法如下：
Figure BDA0003076365300000061
公式中x[t]为离散的信号序列，w[]为滑动的窗口函数，w为频率。
能量-时频域图能够同时反应信号在时序和频率域的变化，其是一个二维矩阵，时间轴代表信号能量随时间t变化,另一个轴w表示信号能量随频率的变化。通过对能量-时频图在频率的轴上进行求和，我们就可以得到信号能量在时序上的变化，如下所示：
Figure BDA0003076365300000062
对于一个混合噪声片段的时域能量变化图，有效信号所在的能量要高于背景噪声的能量。通过对Spectrogram(t)信号进行门限阈值分选,就可以得到有效的信号片段和噪声片段对应的时间t。利用t对原始信号进行截取就可以得到对应噪声信号片段Ni(t)和有效信号片段Si(t)，这里i代表在时序上可以视为连续的一个较长的信号片段。具体的设置门限阈值为thrnoise，Spectrogram(t)＞thrnoise代表x(t)为有效信号，否则为噪声信号。这里计算信号Spectrogram(t)中最大值和最小值的平均数作为thrnoise。
经过归一化处理和有效信号片段提取的这两个步骤之后，对于原始信号x(t)，就可以分为以下两个信号噪声N(t)和有效信号S(t)序列，如：
N1(t)，N2(t)，N3(t)，...，Ni(t)；S1(t)，S2(t)，S3(t)，....，Si(t)。
步骤S14，采用滑窗法对所述有效信号片段进行切片处理，以得到多个等长的信号序列片段。
得到有效的信号片段后，S1(t)，S2(t)，S3(t)，....，Si(t)在大多数的情况下这些信号片段并不是等长的，为了方便后续处理信号格式的统一性，需要对每个信号片段进行切片，得到等长的信号序列片段。我们采用滑窗法对信号进行切片，定义frameSize作为每个信号切片的长度，也即窗口的大小。滑窗每次滑动的步长为FrameSize/2，利用该窗口在每个信号片段Si(t)上进行滑动，当前窗口中的信号切片作为一个信号样本。通过切片后我们可以得到如下的信号序列
Figure BDA0003076365300000071
样本，其中fi代表每个信号得到的等长的信号切片数目。
步骤S15，提取各个所述信号序列片段的特征数据，并对所述特征数据进行聚类分析，以得到多个不相关的信号子集。
对所有的等长的信号片段序列进行特征提取，以提取得打特征数据，该特征数据包括时序信号特征、峰值相位特征、频域率特征、信号峰度、信号偏度和自相关系数。
其中，该时序信号特征的提取步骤包括：
确定所述信号序列片段中各个信号的实部和虚部，并将确定的实部和虚部作为所述时序信号特征。
设信号序列片段长度为N。由于接收到的无人机信号一般是I/Q两路正交信号，可以表示为一个复数信号sin+i*sqn。信号序列片段中的时序信号的实部信号和虚部信号这两个部分构成了时序信号特征，总共的维度为2*N。
频率域特征就是将原始的时域的特征通过傅里叶变换转到频率域的特征。对于信号的实部信号和虚部信号都分别进行傅里叶变换，由于一个时序信号变换后的信号成为一个复数信号，所以对于实部时序信号取其傅里叶变换后的实部，虚部时序信号取其傅里叶变换后的虚部。故对于频率域特征总共的维度也为2*N。
信号峰度，又称峰态系数。表征概率密度分布曲线在平均值处峰值高低的特征数。直观看来，峰度反映了峰部的尖度。样本的峰度是和正态分布相比较而言统计量，如果峰度大于三，峰的形状比较尖，比正态分布峰要陡峭。反之亦然。对于长度为N的信号Si，其信号峰度g2计算公式为：
Figure BDA0003076365300000081
其中，m4是四阶样本中心矩，m2是二阶中心矩，sin是所述信号序列片段中第n个I路信号的幅度值，
Figure BDA0003076365300000082
是所述信号序列片段中I路信号的平均幅度值，N为信号长度。
信号偏度(skewness)也称为偏态、偏态系数，是统计数据分布偏斜方向和程度的度量，是统计数据分布非对称程度的数字特征。其表征概率分布密度曲线相对于平均值不对称程度的特征数。直观看来就是密度函数曲线尾部的相对长度。定义上偏度是样本的三阶标准化矩，定义式如下，其中k2，k3分别表示二阶和三阶中心矩：
Figure BDA0003076365300000091
自相关系数度量的是同一事件在两个不同时期之间的相关程度，形象的讲就是度量自己过去的行为对自己现在的影响。非正式地来说，它就是两次观察之间的相似度对它们之间的时间差的函数。它是找出重复模式(如被噪声掩盖的周期信号)，或识别隐含在信号谐波频率中消失的基频的数学工具。它常用于信号处理中，用来分析函数或一系列值，如时域信号。
基于上述提取的特征数据进行无监督的聚类，将所有的信号片段序列根据其聚类的结果分为几种不同的信号簇。每个信号簇代表不同的信号子类型。
具体实施时，采用k-means对信号片段序列进行无监督聚类。其算法思想为从以所有的特征数据形成的本集中随机选取k个样本作为簇中心，并计算所有样本与这k个“簇中心”特征的距离，对于每一个样本，将其划分到与其距离最近的“簇中心”所在的簇中，对于新的簇计算各个簇的新的“簇中心”。然后重复上述步骤，直到算法收敛，即k个簇类中心分布不会发生太大变化。kmeans算法的关键步骤有三点：簇个数k的选择，各个样本点到“簇中心”的距离，根据新划分的簇，更新“簇中心”。其中簇个数k的选择是一个超参数，不同的k的选取对于算法结果影响很大。
为了自适应的决定簇个数k，即每个无人机信号中子信号类型的数目，我们采用了轮廓系数作为最佳聚类簇个数的选取。轮廓系数的具体定义如下:使用平均类内距离和每个样本的平均最近簇距离来计算得到，它是一种非监督式评估指标。其最高值为1，最差值为-1，0附近的值表示重叠的聚类，负值通常表示样本已被分配到错误的集群。轮廓法即使用轮廓系数(silhouette coefficient)来确定最佳的K值的选取，选择使系数较大所对应的k值。
对同一个类型的无人机信号进行有监督聚类后，假设最佳的聚类中心的值为K。该类型的无人机信号共含有K个子信号类型，用S1，S2，S3，...，Sk代表每个子信号类型的信号样本集合。
实际情况下这K个子信号类型样本数据数量的分布是不平衡的，也是就存在所谓数据不平衡的问题，一个子信号类型可能会有很多的样本，而一些子信号类型却含有很少的样本数目。这里我们结合了样本过采样和欠采样的技术对数据进行平衡，给定一个数字NK，作为平衡后每个子信号类型样本的数目，对于样本数据多余NK的子信号类型，随机抽样NK个样本作为该子类型平衡后的样本。对于样本数据少于NK的子信号类型K，假设其实际的信号样本数据为|Sk|。可以很容易计算得到增强的倍数为NK/|Sk|，所以对于每个样本需要过采样N倍。实际中不是直接对该信号过采样，而是在该信号时域的周围进行采样，假设有一个样本
Figure BDA0003076365300000101
其对应的信号时序时间为t_startki，t_endki给定一个很小范围中的随机数R，实际过采样的样本为t_startki+R，t_endki+R，重复N-1次这个过程就可以得到实际过采样的样本。
步骤S16，对每一种信号类型的无人机信号样本均进行上述步骤，以得到各个信号类型的无人机信号样本对应的信号子集，并得到的信号子集添加至信号分类的特征库中，并利用所述特征库对分类模型进行训练。
无人机信号的类型有多种，为了提高模型分类的准确性，将尽可能多类型的无人机信号进行上述步骤S11～S15的处理，每一种类型的无人机信号经过上述步骤处理后均得到对应的信号子集。将各类型无人机信号的信号子集添加至信号分类的特征库中，并利用该特征库对分类模型进行训练。
当每次特征库更新的时候都需要更新一次分类模型。对于分类模型的实现初始方案中采用了三层的二维卷积神经网络。分类模型其分类的数目为子信号类型的数量。每次训练的时候，需要获取特征库中的所有信号子集的特征，然后进行训练。
步骤S17，利用训练好的分类模型对待检测无人机信号进行进行信号类型检测。
当模型训练步骤完成之后，就可以利用该模型对输入的待检测无人机信号进行分类，主要包括如下步骤：
对待检测无人机信号进行归一化处理，并采用滑窗法对归一化的所述待检测无人机信号进行切片处理，得到多个待检测信号序列片段，滑窗的长度等于所述信号序列片段的长度；
对所述待检测信号片段进行特征提取，并将提取的特征输入至训练好的分类模型中，根据所述分类模型输出的概率分布确定所述待检测无人机信号中含有的信号类型。
采用滑窗法进行切片过程中，滑窗的长度为每个训练样本的帧长度，每次判断一帧。滑窗移动的步长为滑窗长度的一半。采用训练过程中同样的特征提取算法，提取每个滑窗中的样本特征，利用DNN的分类判断模型对于每个特征进行判断。
需要说明的是，在该分类模型中直接分类的代表的结果为每个无人机信号的子信号类型，而不是原始的无人机的整个信号类型。此时分类模型的训练时每个无人机的子信号类型上，实现的时候保存每个子信号类型和原始类型的映射。进行根据预测时候模型的输出得到子信号类型，然后根据保存的映射表将其转为对应的实际信号类型。
可以理解的，在本发明的其他实施例中，在实际模型训练时，还可额外的加入了噪声类型的训练，用于对噪声的分类。至于噪声样本特征的则是在每个信号样本中噪声的等长片段进行随机抽样得到的。
本发明中，对接收的无人机信号进行噪声分离，以得到所述无人机信号样本中的有效信号片段和噪声片段，该有效信号片段即为噪声分离后的信号。通过该方法可以有效的降低噪声干扰，提高信号分类效果，并且采用聚类分析方法将信号分成多个不相关的信号子集，利用各信号类型的无人机信号的信号子集进行模型训练，以得到分类效率高和准确性高的信号类型检测模型。通过该训练后的模型实时对输入的待检测无人机信号进行类型检测，避免出现延迟信号的瞬态检测的情况，即使在低信噪比的情况下也不会错过待检测的目标。
本发明另一方面还提出一种无人机信号检测装置，请参阅图2，所示为本发明第三实施例当中的无人机信号检测装置，包括处理器10、存储器20以及存储在存储器上并可在处理器上运行的计算机程序30，所述处理器10执行所述计算机程序30时实现如上述的无人机信号检测方法。
其中，所述无人机信号检测装置可以为但不限于电脑、服务器等计算机设备。处理器10在一些实施例中可以是一中央处理器(Central Processing Unit,CPU)、控制器、微控制器、微处理器或其他数据处理芯片，用于运行存储器20中存储的程序代码或处理数据。
其中，存储器20至少包括一种类型的可读存储介质，所述可读存储介质包括闪存、硬盘、多媒体卡、卡型存储器(例如，SD或DX存储器等)、磁性存储器、磁盘、光盘等。存储器20在一些实施例中可以是无人机信号检测装置的内部存储单元，例如该无人机信号检测装置的硬盘。存储器20在另一些实施例中也可以是无人机信号检测装置的外部存储装置，例如无人机信号检测装置上配备的插接式硬盘，智能存储卡(Smart Media Card,SMC)，安全数字(Secure Digital,SD)卡，闪存卡(Flash Card)等。进一步地，存储器20还可以既包括无人机信号检测装置的内部存储单元也包括外部存储装置。存储器20不仅可以用于存储安装于无人机信号检测装置的应用软件及各类数据，还可以用于暂时地存储已经输出或者将要输出的数据。
可选地，该无人机信号检测装置还可以包括用户接口、网络接口、通信总线等，用户接口可以包括显示器(Display)、输入单元比如键盘(Keyboard)，可选的用户接口还可以包括标准的有线接口、无线接口。可选地，在一些实施例中，显示器可以是LED显示器、液晶显示器、触控式液晶显示器以及OLED(Organic Light-Emitting Diode，有机发光二极管)触摸器等。其中，显示器也可以适当的称为显示屏或显示单元，用于显示在无人机信号检测装置中处理的信息以及用于显示可视化的用户界面。网络接口可选的可以包括标准的有线接口、无线接口(如WI-FI接口)，通常用于在该装置与其他电子装置之间建立通信连接。通信总线用于实现这些组件之间的连接通信。
需要指出的是，图2示出的结构并不构成对无人机信号检测装置的限定，在其它实施例当中，该无人机信号检测装置可以包括比图示更少或者更多的部件，或者组合某些部件，或者不同的部件布置。
本发明实施例所提供的无人机信号检测装置，其实现原理及产生的技术效果和前述方法实施例相同，为简要描述，装置实施例部分未提及之处，可参考前述方法实施例中相应内容。
本发明还提出一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如上述的无人机信号检测方法。
本领域技术人员可以理解，在流程图中表示或在此以其他方式描述的逻辑和/或步骤，例如，可以被认为是用于实现逻辑功能的可执行指令的定序列表，可以具体实现在任何计算机可读介质中，以供指令执行系统、装置或装置(如基于计算机的系统、包括处理器的系统或其他可以从指令执行系统、装置或装置取指令并执行指令的系统)使用，或结合这些指令执行系统、装置或装置而使用。就本说明书而言，“计算机可读介质”可以是任何可以包含、存储、通信、传播或传输程序以供指令执行系统、装置或装置或结合这些指令执行系统、装置或装置而使用的装置。
计算机可读介质的更具体的示例(非穷尽性列表)包括以下：具有一个或多个布线的电连接部(电子装置)，便携式计算机盘盒(磁装置)，随机存取存储器(RAM)，只读存储器(ROM)，可擦除可编辑只读存储器(EPROM或闪速存储器)，光纤装置，以及便携式光盘只读存储器(CDROM)。另外，计算机可读介质甚至可以是可在其上打印所述程序的纸或其他合适的介质，因为可以例如通过对纸或其他介质进行光学扫描，接着进行编辑、解译或必要时以其他合适方式进行处理来以电子方式获得所述程序，然后将其存储在计算机存储器中。
应当理解，本发明的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中，多个步骤或方法可以用存储在存储器中且由合适的指令执行系统执行的软件或固件来实现。例如，如果用硬件来实现，和在另一实施方式中一样，可用本领域公知的下列技术中的任一项或它们的组合来实现：具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路，具有合适的组合逻辑门电路的专用集成电路，可编程门阵列(PGA)，现场可编程门阵列(FPGA)等。
在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不一定指的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
以上所述实施例仅表达了本发明的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对本发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形和改进，这些都属于本发明的保护范围。因此，本发明专利的保护范围应以所附权利要求为准。

Claims (4)

1.一种无人机信号检测方法，其特征在在于，包括：
将一信号类型的无人机信号样本进行归一化处理；
对归一化处理后的无人机信号样本进行能量-时频域分析，得到时域能量变化谱图；
基于所述时域能量变化谱图对所述无人机信号样本进行门限阈值分选，以得到所述无人机信号样本中的有效信号片段和噪声片段；
采用滑窗法对所述有效信号片段进行切片处理，以得到多个等长的信号序列片段；
提取各个所述信号序列片段的特征数据，并对所述特征数据进行聚类分析，以得到多个不相关的信号子集，所述特征数据包括：时序信号特征、峰值相位特征、频率域特征、信号峰度、信号偏度和自相关系数；
对每一种信号类型的无人机信号样本均进行上述步骤，以得到各个信号类型的无人机信号样本对应的信号子集，并将得到的信号子集添加至信号分类的特征库中，以及利用所述特征库对分类模型进行训练；
利用训练好的分类模型对待检测无人机信号进行进行信号类型检测；
其中，时域能量变化谱图计算公式为：
Figure QLYQS_1
，其中，/>
Figure QLYQS_2
为离散的信号序列，/>
Figure QLYQS_3
为滑动的窗口函数，/>
Figure QLYQS_4
为频率；
所述基于所述时域能量变化谱图对所述无人机信号样本进行门限阈值分选，以得到所述无人机信号样本中的有效信号片段和噪声片段的步骤包括：
通过对时域能量变化谱图在频率的轴上进行求和，得到信号能量在时序上的变化，计算公式为：
Figure QLYQS_5
；
通过对
Figure QLYQS_6
信号进行门限阈值分选，得到有效的信号片段和噪声片段对应的时间t；
利用t对原始信号进行截取得到对应噪声信号片段
Figure QLYQS_7
和有效信号片段/>
Figure QLYQS_8
，其中i代表在时序上视为连续的一个较长的信号片段；
所述时序信号特征的提取步骤包括：
确定所述信号序列片段中各个时序信号的实部和虚部，并将确定的实部和虚部作为所述时序信号特征；
所述峰值相位特征的提取步骤包括：
将所述信号序列片段中的各个时序信号转换为相位信号和幅度信号，将所述相位信号和幅度信号作为峰值相位特征，其中，所述相位信号的计算公式为：
Figure QLYQS_9
；
所述幅度信号的计算公式为：
Figure QLYQS_10
；
其中，
Figure QLYQS_11
，/>
Figure QLYQS_12
代表相位信号，/>
Figure QLYQS_13
代表的是幅度信号，/>
Figure QLYQS_14
，/>
Figure QLYQS_15
分别代表时序上的Q路的信号和I路的信号；
所述频率域特征的提取步骤包括：
将所述信号序列片段中各个时序信号的实部时序信号和虚部时序信号分别进行傅里叶变换，对于实部时序信号取其傅里叶变换后的实部，虚部时序信号取其傅里叶变换后的虚部，并将取得的实部和虚部作为频率域特征；
所述信号峰度
Figure QLYQS_16
的计算公式为：
Figure QLYQS_17
；
其中，m4是四阶样本中心矩，m2是二阶中心矩，
Figure QLYQS_18
是所述信号序列片段中第n个I路信号的幅度值，/>
Figure QLYQS_19
是所述信号序列片段中I路信号的平均幅度值，N为信号长度；
信号
Figure QLYQS_20
的信号偏度表示为/>
Figure QLYQS_21
，其中/>
Figure QLYQS_22
分别表示二阶和三阶中心矩；
所述对所述特征数据进行聚类分析，以得到多个不相关的信号子集的步骤包括：
采用k-means算法对所述特征数据进行聚类，以将所述特征数据聚类为多个不相关的信号子集。
2.如权利要求1所述的无人机信号检测方法，其特征在于，所述利用训练好的分类模型对待检测无人机信号进行进行信号类型检测的步骤包括：
对待检测无人机信号进行归一化处理，并采用滑窗法对归一化的所述待检测无人机信号进行切片处理，得到多个待检测信号序列片段，滑窗的长度等于所述信号序列片段的长度；
对所述待检测信号序列片段进行特征提取，并将提取的特征输入至训练好的分类模型中，根据所述分类模型输出的概率分布确定所述待检测无人机信号中含有的信号类型。
3.一种无人机信号检测装置，其特征在于，所述无人机信号检测装置包括存储器和处理器，所述存储器存储有程序，所述程序被所述处理器执行时实现如权利要求1-2任一所述的方法。
4.一种计算机可读存储介质，其上存储有程序，其特征在于，所述程序被处理器执行时实现如权利要求1－2任一所述的方法。
CN202110553890.9A 2021-05-20 2021-05-20 无人机信号检测方法、装置及计算机可读存储介质 Active CN113177514B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110553890.9A CN113177514B (zh) 2021-05-20 2021-05-20 无人机信号检测方法、装置及计算机可读存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110553890.9A CN113177514B (zh) 2021-05-20 2021-05-20 无人机信号检测方法、装置及计算机可读存储介质

Publications (2)

Publication Number Publication Date
CN113177514A CN113177514A (zh) 2021-07-27
CN113177514B true CN113177514B (zh) 2023-06-16

Family

ID=76929534

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110553890.9A Active CN113177514B (zh) 2021-05-20 2021-05-20 无人机信号检测方法、装置及计算机可读存储介质

Country Status (1)

Country Link
CN (1) CN113177514B (zh)

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104641688A (zh) * 2012-11-02 2015-05-20 富士通株式会社 用于小区搜索和测量的方法、装置和系统
EP3456246A1 (en) * 2017-09-19 2019-03-20 Tata Consultancy Services Limited A cascaded binary classifier for identifying rhythms in a single-lead electrocardiogram (ecg) signal
CN112183199A (zh) * 2020-08-24 2021-01-05 中国科学院信息工程研究所 一种基于Fish-SVC的2.4GHz频段信号识别方法及系统

Family Cites Families (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN100563287C (zh) * 2006-11-01 2009-11-25 华为技术有限公司 一种多路语音信号的混音方法及装置
CN101315396B (zh) * 2007-05-28 2013-09-25 吴伟 基于小波变换系数求和的信号频率分量能量变化测量方法
CN102360519B (zh) * 2011-07-29 2013-04-03 电子科技大学 一种分布式光纤围栏入侵检测与定位的方法
CN106650806B (zh) * 2016-12-16 2019-07-26 北京大学深圳研究生院 一种用于行人检测的协同式深度网络模型方法
CN109617839B (zh) * 2018-11-21 2021-03-02 重庆邮电大学 一种基于卡尔曼滤波算法的莫尔斯信号检测方法
CN109738887B (zh) * 2018-12-17 2023-01-17 武汉理工大学 一种适用于微动干扰场景的目标人体运动状态识别方法
CN110737023B (zh) * 2019-10-17 2021-04-16 北京矿冶科技集团有限公司 一种矿用微震监测信号的处理方法
CN111929654B (zh) * 2020-08-14 2024-04-26 上海雷骥电子科技有限公司 一种基于微多普勒技术的杂波抑制方法
CN112741638B (zh) * 2021-01-05 2022-04-08 北京航空航天大学 一种基于eeg信号的医疗诊断辅助系统
CN112348006A (zh) * 2021-01-11 2021-02-09 湖南星空机器人技术有限公司 一种无人机信号识别方法、系统、介质及设备

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104641688A (zh) * 2012-11-02 2015-05-20 富士通株式会社 用于小区搜索和测量的方法、装置和系统
EP3456246A1 (en) * 2017-09-19 2019-03-20 Tata Consultancy Services Limited A cascaded binary classifier for identifying rhythms in a single-lead electrocardiogram (ecg) signal
CN112183199A (zh) * 2020-08-24 2021-01-05 中国科学院信息工程研究所 一种基于Fish-SVC的2.4GHz频段信号识别方法及系统

Also Published As

Publication number Publication date
CN113177514A (zh) 2021-07-27

Similar Documents

Publication Publication Date Title
Chen et al. Automatic ransomware detection and analysis based on dynamic API calls flow graph
Wong et al. Clustering learned CNN features from raw I/Q data for emitter identification
CN104347068B (zh) 音频信号处理装置和方法以及监控系统
CN105654098B (zh) 一种高光谱遥感图像的分类方法及其系统
US20200097775A1 (en) Systems and methods for detecting and classifying anomalous features in one-dimensional data
CN110444011B (zh) 交通流高峰识别方法、装置、电子设备及存储介质
CN111291824B (zh) 时间序列的处理方法、装置、电子设备和计算机可读介质
CN104795064A (zh) 低信噪比声场景下声音事件的识别方法
CN112732748B (zh) 一种基于自适应特征选择的非侵入式家电负荷识别方法
CN112329713A (zh) 网络流量异常在线检测方法、系统、计算机设备及存储介质
Li et al. A deep convolutional network for multitype signal detection and classification in spectrogram
CN108710797A (zh) 一种基于熵信息分布的恶意文档检测方法
CN108090462A (zh) 一种基于盒维数的辐射源指纹特征提取方法
CN112632609A (zh) 异常检测方法、装置、电子设备及存储介质
CN110767248B (zh) 一种抗变调干扰的音频指纹提取方法
CN115600194A (zh) 一种基于XGBoost和LGBM的入侵检测方法、存储介质及设备
Shabanifard et al. Forensic detection of image manipulation using the Zernike moments and pixel‐pair histogram
JP4760614B2 (ja) 信号識別装置の学習データの選択方法
CN113962324A (zh) 图片检测方法、装置、存储介质及电子设备
CN113177514B (zh) 无人机信号检测方法、装置及计算机可读存储介质
Xu et al. Learning based spectrum hole detection for cognitive radio communication
CN110808067A (zh) 基于二值多频带能量分布的低信噪比声音事件检测方法
CN115049843A (zh) 一种对抗样本生成方法、装置、电子设备及存储介质
CN115079150A (zh) 基于软件无线电的无人机检测方法、系统及相关设备
Ghafoor et al. Robust palmprint identification using efficient enhancement and two‐stage matching technique

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