CN113259029A - 一种适用于无人机信号的实时自动检测识别方法 - Google Patents
一种适用于无人机信号的实时自动检测识别方法 Download PDFInfo
- Publication number
- CN113259029A CN113259029A CN202110487167.5A CN202110487167A CN113259029A CN 113259029 A CN113259029 A CN 113259029A CN 202110487167 A CN202110487167 A CN 202110487167A CN 113259029 A CN113259029 A CN 113259029A
- Authority
- CN
- China
- Prior art keywords
- signal
- frequency
- time
- signals
- unmanned aerial
- 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
-
- 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
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- 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
- H04B17/318—Received signal strength
-
- 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
- H04B17/336—Signal-to-interference ratio [SIR] or carrier-to-interference ratio [CIR]
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W24/00—Supervisory, monitoring or testing arrangements
- H04W24/08—Testing, supervising or monitoring using real traffic
-
- 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
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/12—Classification; Matching
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Signal Processing (AREA)
- Computer Networks & Wireless Communication (AREA)
- Theoretical Computer Science (AREA)
- Electromagnetism (AREA)
- Quality & Reliability (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mobile Radio Communication Systems (AREA)
Abstract
本发明公开了一种适用于无人机信号的实时自动检测识别方法,将无人机信号分为特定体制和WiFi体制两类,其步骤包括:采用针对特定体制信号的信号接收设备,输出其全频段频谱数据和IQ数据流;采用功率谱对消方法进行降噪处理,再剔除随机噪声信号;进行特征参数提取,将其与数据库中的参数进行匹配分类和识别;对WiFi体制无人机信号进行检测识别,通过解析得到的WiFi体制无人机信号的MAC地址与已知的无人机厂商MAC地址进行匹配识别,从而实现对使用WiFi体制信号的无人机的检测。本发明通过对无人机信号体制进行合理分类,可同时实现对特定体制和WiFi体制无人机信号的实时识别,减少了无人机信号漏检概率。
Description
技术领域
本发明属于数字信号处理领域,尤其涉及一种适用于无人机信号的实时自动检测识别方法。
背景技术
在现有的无人机识别和检测技术中,基于主动雷达探测器、声阵列识别、红外光谱识别和视觉识别等的无人机信号监测算法已经被提出,但是,当无人机目标距离较远时,主动雷达和视觉识别检测系统通常难以区分无人机和鸟类,而声学阵列无人机识别方法的实际有效探测范围较小,红外光谱无人机识别方法容易受到其他热源的干扰。
根据所采用的信号体制,无人机信号可分为特定体制和WiFi体制两大类。特定体制信号主要包括大疆公司的Ocusync体制、Lightbridge体制和控制信号使用的跳频体制,这类无人机信号具有固定的信号特征参数,可通过提取信号持续时间、信号强度、中心频率、带宽等外部信号特征实现。WiFi体制则被大部分无人机厂商作为图传信号使用,而在无人机工作频段,存在大量的WiFi设备,因此无法通过信号特征参数识别方法实现无人机信号的检测识别。以上两方面问题是无人机信号检测识别时必须全面考虑的内容。
目前,无人机监测系统尚不能从多种干扰信号中有效判别无人机,本发明旨在解决由无人机信号体制不同而引起的识别范围受限问题,从而为后续无人机干扰、驱离提供基础。
发明内容
针对由无人机信号体制不同而引起的无人机识别范围受限问题,本发明提供了一种适用于无人机信号的实时自动检测识别方法,通过划分目前无人机信号存在的体制类型,针对不同的信号采用不同的信号识别方法,该过程对不同信号体制的无人机可实现实时的自动检测识别。这种无人机信号检测识别方法,针对特定体制无人机信号的自动检测识别,利用频谱搜索,结合分段搜索方式实现特定体制信号的搜索检测,对检测到的无人机信号进行降噪预处理,通过对预处理后的数据进一步的特征提取,实现特定体制无人机信号自动检测识别;针对WiFi体制无人机信号自动检测识别,利用WiFi信号处理模块解析MAC地址,测量信号载噪比,MAC地址用于已知无人机类型的识别,载噪比变化情况用于未知无人机类型的识别。
本发明公开了一种适用于无人机信号的实时自动检测识别方法,根据无人机所使用信号的信号特征,将其分为特定体制和WiFi体制两类信号。特定体制信号包括图传信号使用的Ocusync体制、Lightbridge体制和控制信号使用的跳频体制,WiFi体制作信号为图传信号使用,其步骤包括:
S1,采用针对特定体制信号的信号接收设备,输出所接收的特定体制信号的全频段频谱数据和IQ数据流,并对IQ数据流进行快速傅里叶变换,获得接收信号的频谱信息数据,所述的频谱信息具体包括:接收信号强度、接收信号持续时间、接收信号的时间和接收信号底噪功率值,并根据获取到的全频段频谱数据,设置信号搜索门限,信号搜索门限的计算公式为:
其中,C为信号搜索门限,tstart、tend分别为特定体制信号起始和终止时刻,fstart、fend分别为特定体制信号起始和终止频率,fdata(t,f)为特定体制信号的时频幅度值,n0为特定体制信号的时频幅度值的总个数。
将接收信号频谱幅度值与信号搜索门限比较,对大于信号搜索门限的接收信号,记录下其所对应的幅度值、频率点。
其中,fsignal为检测到的大于信号搜索门限的所有接收信号。
所述的针对特定体制信号的信号接收设备,具备扫频处理和IQ数据处理功能,其所输出的IQ数据流的最大采样率40MHz,最大带宽为27MHz。
S2,对步骤S1所输出的特定体制信号的IQ数据流,采用功率谱对消方法进行降噪处理,对IQ数据流中每个子带宽的信号的功率谱分别与整个IQ数据流信号的平均功率谱进行相减,再对得到的结果进行累加求和。然后通过设置去噪门限,对功率谱对消处理后的数据进行二次处理,以剔除随机噪声信号。
所述的步骤S2,其具体包括:
假定信号接收设备接收到的特定体制信号包括三部分:定频信号、跳频信号、白噪声,其用公式表示为:
将每一段数据的功率谱与整段数据的平均功率谱相减,再累加求和,从而使得定频信号功率被对消,跳频功率保持不变;
定义参数功率对消比δ为,
其中,p1表示特定体制信号数据均分为L段后的每段信号平均功率,p2表示功率谱对消处理后的功率,设置对消比门限μ,对消比门限μ的取值由待检测信号的信噪比、接收数据分段数、FFT的长度来决定的,若δ>μ,则接收到的特定体制信号为跳频信号,反之则为定频信号。
对IQ数据流进行功率谱对消处理后,采用短时傅里叶变换将其时域信息和频谱信息作为时频信号,用于步骤S3的特征参数提取。
所述的采用短时傅里叶变换将其时域信息和频谱信息作为时频信号,其具体包括,假设上述功率谱对消处理后的信号为s(t),短时傅里叶变换后的信号STFT(s(t))为,
对应的时频功率谱SPEC(t,f)表示为,
SPEC(t,f)=|STFT(s(t))|2,
其中w*(τ-t)为窗函数,通过窗函数把信号分段处理,将s(t)在窗函数的范围内的信号作为平稳信号,通过改变t的值来滑动窗函数ω(t)的位置,以此得到每个窗函数内的傅里叶变换,将每个窗函数内的傅里叶变换按时间顺序拼接在一起,得到s(t)的时频信号STFT(s(t))。
假设时频信号STFT(s(t))的二维离散时频数据是tfrsp(m,n),m代表频率序号,n代表时间序号,相应的频率序号m和时间序号n时的二维能量门限为M(m,n),则通过二维能量门限设置后的二维离散时频数据tfrsp′(m,n)为:
二维能量门限M(m,n)的计算方法为,对于一定的去噪权值a0,对二维离散时频数据进行累加并取平均:
其中,a0为去噪权值,Nt为时间轴累计的能量的时间序号值数量,Nf为频率轴累计的能量的频率序号值数量,即为短时傅里叶变换的长度。设置持续时间门限th1和th2,对通过二维能量门限设置后的二维离散时频数据序列,持续时间小于th1的二维离散时频数据为突发干扰,持续时间大于th2的二维离散时频数据为定频干扰,对突发干扰和定频干扰直接剔除,得到的二维离散时频数据用于步骤S3的特征参数提取。
S3,对特定体制信号进行特征参数提取,对提取得到的特征参数,将其与数据库中的参数进行匹配分类和识别,并且将识别的结果传送给显示单元,最终完成对特定体制信号的检测识别。所述特征参数包括信号占空比、持续时间、信号强度、信号中心频率和信号带宽。
所述的特征参数提取,具体包括:利用特定体制信号与噪声之间存在的突变,提取跳频信号;对步骤S2处理后得到的二维离散时频数据,按照其时间轴上的前后两个值依次求差值,若该差值超过预设阈值则说明信号能量存在跳变,差值对应的时间轴位置即为跳频信号的出现位置。
当步骤S2处理后的二维离散时频数据序列在时间上不连续时,对其在时间轴上进行信号补零操作,对其时间轴上的前后两个二维离散时频数据序列值依次求差值,得到的差分序列进行去毛刺处理,以去除非常大的突变异常数据。
所述的特征参数提取,其具体包括,对于时间序号固定n=T,在频率轴上从左到右依次对前后两个二维离散时频数据序列值进行求差计算,得到差分序列difffreq,
difffreq=tfrsp′(m,T)-tfrsp′(m-1,T),m=1,2,3,...,Nf,
设定差分序列频率门限为Fth,当差分序列difffreq大于Fth时,此时对应的频率序号值mfL为信号左边界值,当差分序列difffreq小于-Fth时,此时对应的频率序号值mfR为信号的右边界值,信号带宽为B=mfR-mfL;
在时间域上,对于频率序号固定m=F,计算差分序列difftime,
difftime=tfrsp′(F,n)-tfrsp′(F,n-1),n=1,2,3,...,Nt,
并设定差分序列时间门限Tth,当差分序列difftime大于Tth时,此时对应的时间序号值ntstart为信号起始时间,当差分序列difftime小于-Tth时,此时对应的频率序号值ntstop为信号结束时间,信号持续时间为nthold=ntstop-ntstart。
所述的显示单元,用于提供人机交互界面,并显示无人机分类识别结果。
S4,对WiFi体制无人机信号进行检测识别,对空间中所有的无人机、无线基站发射的WiFi信号进行接收、解调、译码处理,并对每帧信号的MAC头字段进行解析,提取并保存每帧信号的MAC地址、载噪比。
S5,每帧WiFi体制无人机信号的MAC地址共6字节,前3字节用于标识WiFi模块的生产商,根据前3字节确定无人机的生产厂商,根据已知数据库查表确定该无人机厂商MAC地址,通过解析得到的WiFi体制无人机信号的MAC地址与已知的无人机厂商MAC地址进行匹配识别,从而实现对使用WiFi体制信号的无人机的检测。
S6,如果已知数据库中不含有解析得到的无人机厂商MAC地址,通过WiFi信号帧的载噪比变化情况来区分无人机、无线基站的WiFi信号。通过统计一段时间内同一MAC地址对应的WiFi信号的载噪比变化,判别其载噪比变化统计值,当其载噪比变化统计值超过判决门限时,则说明该信号为无人机WiFi信号,当其载噪比变化统计值未超过判决门限时,则说明该信号为无线基站WiFi信号,从而实现对WiFi体制无人机信号的检测识别。
本发明的有益效果为:
本发明通过对无人机信号体制进行合理分类,可同时实现对特定体制和WiFi体制无人机信号的实时识别;利用特定体制信号接收设备,可以实时获取侦察频段全景信号,实时性高和便捷;通过利用全景频谱数据,采用频谱搜索、分段搜索手段,实现特定体制无人机信号的快速检测,减少对接收机实时带宽依赖;通过利用预处理模块,减小定频、突发信号干扰影响,提高了无人机的识别概率;通过特征提取、分类检测单元,可对所有突发信号进行提取,并通过扩充数据库的方式,增加无人机的识别种类;通过检测空间中所有WiFi信号,提取设备MAC地址,增加了WiFi体制无人机信号的接收范围;通过实时监测WiFi信号的载噪比,根据其变化范围辅助无人机识别,减少了无人机信号漏检概率。
附图说明
图1为本发明方法的总体流程图;
图2为特定体制无人机信号的自动检测识别的功能框图;
图3为特定体制无人机信号自动检测识别工作流程图;
图4为WiFi体制无人机信号的自动检测识别流程图。
具体实施方式
下面结合附图和具体实例对本发明进一步详细说明。
本发明公开了一种适用于无人机信号的实时自动检测识别方法,根据无人机所使用信号的信号特征,将其分为特定体制和WiFi体制两类信号。特定体制信号包括图传信号使用的Ocusync体制、Lightbridge体制和控制信号使用的跳频体制,WiFi体制作信号为图传信号使用,其步骤包括:
S1,采用针对特定体制信号的信号接收设备,输出所接收的特定体制信号的全频段频谱数据和IQ数据流,并对IQ数据流进行快速傅里叶变换,获得接收信号的频谱信息数据,所述的频谱信息具体包括:接收信号强度、接收信号持续时间、接收信号的时间和接收信号底噪功率值,并根据获取到的全频段频谱数据,设置信号搜索门限,信号搜索门限的计算公式为:
其中,C为信号搜索门限,tstart、tend分别为特定体制信号起始和终止时刻,fstart、fend分别为特定体制信号起始和终止频率,fdata(t,f)为特定体制信号的时频幅度值,n0为特定体制信号的时频幅度值的总个数。C是时频平均的结果。
将接收信号频谱幅度值与信号搜索门限比较,对大于信号搜索门限的接收信号,记录下其所对应的幅度值、频率点。
其中,fsignal为检测到的大于信号搜索门限的所有接收信号。
对于检测到的大于信号搜索门限的所有接收信号,使用步骤S3对其参数提取和识别;或者采用分段搜索,以固定频率步进方式将整个信号分为若干个相同子带宽的信号,依次对每个子带宽的信号使用步骤S3进行参数提取和识别,从而实现对2.4G或5.8G频带范围内所有信号的检测。
所述的针对特定体制信号的信号接收设备,具备扫频处理和IQ数据处理功能,其所输出的IQ数据流的最大采样率40MHz,最大带宽为27MHz。
S2,对步骤S1所输出的特定体制信号的IQ数据流,采用功率谱对消方法进行降噪处理,对IQ数据流中每个子带宽的信号的功率谱分别与整个IQ数据流信号的平均功率谱进行相减,再对得到的结果进行累加求和。即定频信号功率被抵消,跳频信号的平均功率保持不变。然后通过设置去噪门限,对功率谱对消处理后的数据进行二次处理,以剔除随机噪声信号。功率谱对消降噪处理和降噪后的二次处理称为数据预处理。
所述的步骤S2,其具体包括:
假定信号接收设备接收到的特定体制信号包括三部分:定频信号、跳频信号、白噪声,其用公式表示为:
假设在这整段数据中,m0个定频信号是一直存在的,而由于跳频信号的频率是不断变化的,不可能存在于整段数据中,整段数据的平均功率谱等于每一段数据的功率谱所以对整段数据求平均功率谱,只剩下定频信号功率谱。根据这个特性,将每一段数据的功率谱与整段数据的平均功率谱相减,再累加求和,从而使得定频信号功率被对消,跳频功率保持不变;
定义参数功率对消比δ为,
其中,p1表示特定体制信号数据均分为L段后的每段信号平均功率,p2表示功率谱对消处理后的功率,设置对消比门限μ,对消比门限μ的取值由待检测信号的信噪比、接收数据分段数、FFT的长度来决定的,若δ>μ,则接收到的特定体制信号为跳频信号,反之则为定频信号。
对IQ数据流进行功率谱对消处理后,采用短时傅里叶变换将其时域信息和频谱信息作为时频信号,用于步骤S3的特征参数提取。
所述的采用短时傅里叶变换将其时域信息和频谱信息作为时频信号,其具体包括,假设上述功率谱对消处理后的信号为s(t),短时傅里叶变换后的信号STFT(s(t))为,
对应的时频功率谱SPEC(t,f)表示为,
SPEC(t,f)=|STFT(s(t))|2,
其中w*(τ-t)为窗函数,通过窗函数把信号分段处理,将s(t)在窗函数的范围内的信号作为平稳信号,通过改变t的值来滑动窗函数ω(t)的位置,以此得到每个窗函数内的傅里叶变换,将每个窗函数内的傅里叶变换按时间顺序拼接在一起,得到s(t)的时频信号STFT(s(t)),反应了信号频谱特性随时间变换的情况。
在实际的对接收信号进行时频分析的时候,会存在许多随机噪声点,根据随机噪声的幅度通常要弱于无人机信号的特点,通过设置去噪门限,对对消处理后的数据实现二次处理。假设时频信号STFT(s(t))的二维离散时频数据是tfrsp(m,n),m代表频率序号,n代表时间序号,相应的频率序号m和时间序号n时的二维能量门限为M(m,n),二维门限值也是随着坐标的不同而变化的,则通过二维能量门限设置后的二维离散时频数据tfrsp′(m,n)为:
二维能量门限M(m,n)的计算方法为,对于一定的去噪权值a0,对二维离散时频数据进行累加并取平均:
其中,a0为去噪权值,Nt为时间轴累计的能量的时间序号值数量,Nf为频率轴累计的能量的频率序号值数量,即为短时傅里叶变换的长度。设置持续时间门限th1和th2,对通过二维能量门限设置后的二维离散时频数据序列,持续时间小于th1的二维离散时频数据为突发干扰,持续时间大于th2的二维离散时频数据为定频干扰,对突发干扰和定频干扰直接剔除,得到的二维离散时频数据用于步骤S3的特征参数提取。
S3,对特定体制信号进行特征参数提取,对提取得到的特征参数,将其与数据库中的参数进行匹配分类和识别,并且将识别的结果传送给显示单元,最终完成对特定体制信号的检测识别。所述特征参数包括信号占空比、持续时间、信号强度、信号中心频率和信号带宽。
所述的特征参数提取,具体包括:利用特定体制信号与噪声之间存在的突变,提取跳频信号;对步骤S2处理后得到的二维离散时频数据,按照其时间轴上的前后两个值依次求差值,若该差值超过预设阈值则说明信号能量存在跳变,差值对应的时间轴位置即为跳频信号的出现位置。
当步骤S2处理后的二维离散时频数据序列在时间上不连续时,对其在时间轴上进行信号补零操作,对其时间轴上的前后两个二维离散时频数据序列值依次求差值,得到的差分序列进行去毛刺处理,以去除非常大的突变异常数据。
所述的特征参数提取,其具体包括,对于时间序号固定n=T,在频率轴上从左到右依次对前后两个二维离散时频数据序列值进行求差计算,得到差分序列difffreq,
difffreq=tfrsp′(m,T)-tfrsp′(m-1,T),m=1,2,3,...,Nf,
设定差分序列频率门限为Fth,当差分序列difffreq大于Fth时,此时对应的频率序号值mfL为信号左边界值,当差分序列difffreq小于-Fth时,此时对应的频率序号值mfR为信号的右边界值,信号带宽为B=mfR-mfL;
在时间域上,对于频率序号固定m=F,计算差分序列difftime,
difftime=tfrsp′(F,n)-tfrsp′(F,n-1),n=1,2,3,...,Nt,
并设定差分序列时间门限Tth,当差分序列difftime大于Tth时,此时对应的时间序号值ntstart为信号起始时间,当差分序列difftime小于-Tth时,此时对应的频率序号值ntstop为信号结束时间,信号持续时间为nthold=ntstop-ntstart。
所述的显示单元,用于提供人机交互界面,并显示无人机分类识别结果。
S4,对WiFi体制无人机信号进行检测识别,利用WiFi探测设备对空间中所有的无人机、无线基站发射的WiFi信号进行接收、解调、译码处理,并对每帧信号的MAC头字段进行解析,提取并保存每帧信号的MAC地址、载噪比。
S5,每帧WiFi体制无人机信号的MAC地址共6字节,前3字节用于标识WiFi模块的生产商,根据前3字节确定无人机的生产厂商,根据已知数据库查表确定该无人机厂商MAC地址,通过解析得到的WiFi体制无人机信号的MAC地址与已知的无人机厂商MAC地址进行匹配识别,从而实现对使用WiFi体制信号的无人机的检测。
S6,如果已知数据库中不含有解析得到的无人机厂商MAC地址,通过WiFi信号帧的载噪比变化情况来区分无人机、无线基站的WiFi信号。由于无线基站不具备移动性且作用范围有限,信号载噪比的变化范围也较小。然而无人机具有较强的移动性,信号载噪比变化大。通过统计一段时间内同一MAC地址对应的WiFi信号的载噪比变化,判别其载噪比变化统计值,当其载噪比变化统计值超过判决门限时,则说明该信号为无人机WiFi信号,当其载噪比变化统计值未超过判决门限时,则说明该信号为无线基站WiFi信号,从而实现对WiFi体制无人机信号的检测识别。
图1为本发明所述无人机信号自动检测识别方法的总体流程图,本发明主要采用以下四类设备实现:
一是针对特定体制信号的信号接收设备,其包括识别设备端,信号接收设备具备扫频处理和IQ数据处理功能,可实现对全景频谱数据的输出和IQ数据流的输出,IQ数据流最大采样率40MHz,最大带宽27MHz。
二是WiFi信号处理设备,可对空间的全部WiFi信号进行接收处理和帧解析,包括控制帧、管理帧和数据帧,工作在2.4GHz和5.8GHz频段,并将MAC地址、信号载噪比进行上报,可上报至识别软件。
三是特定体制无人机信号自动检测识别设备,对获取的全景频谱数据和IQ数据进行处理,利用软件处理算法对频谱数据进行信号检测,对IQ数据进行预处理、特征提取和分类识别,最终实现特定体制无人机信号自动检测识别,该部分可用识别软件实现。
四是WiFi体制无人机信号自动检测识别设备,利用MAC地址匹配识别已知无人机类型,利用载噪比变化范围识别未知无人机类型,该部分可用识别软件实现。
进一步地,根据图2所示的特定体制无人机信号的自动检测识别的功能框图,对特定体制无人机信号自动检测识别过程进行详细介绍。所述的全景频谱数据,即为全频段频谱数据。本发明中,对特定体制无人机信号的检测识别,利用频谱搜索单元、分段搜索单元、数据采集单元、数据预处理单元、特征提取单元和分类检测单元来实现,其中频谱搜索单元利用全景频谱数据实现,其他功能单元利用IQ数据流实现。
频谱搜索单元利用获取到的频谱数据,设置信号搜索门限,包括信噪比、带宽、频带范围等参数,在频谱上检测到信号后指定接收机对相应频段数据进行自动识别处理,减小了对接收机实时带宽的依赖;
对于分段搜索单元,由于频谱搜索容易受到干扰信号影响,在频谱搜索基础上,分段搜索单元通过分段搜索的方法,以频率步进的方式分段依次进行信号自动识别,实现对2.4G或5.8G频带范围内所有信号的自动检测;
数据采集单元获取接收机输出的IQ数据流并进行快速傅里叶变换FFT,获得接收信号的频谱信息数据,所述的频谱信息具体包括:接收信号强度、接收信号持续时间、接收信号的时间戳和接收信号底噪功率值,并且将具有频谱信息的FFT数据传送给数据预处理单元;
数据预处理单元,对数据采集单元获取的FFT数据进行降噪处理,其采用的主要降噪手段为功率频谱对消,功率谱对消可去除定频干扰信号。
功率谱对消主要原理为每段数据的功率谱与整段数据的平均功率谱相减累加求和,定频信号被取消,跳频信号功率几乎不变,定义参数功率对消比:δ=P1/P2,P1表示分段后的功率,P2表示功率谱对消后的信号功率,设置门限μ,其具体取值根据窗函数、信号信噪比、接收数据分段数、FFT长度进行设置,若参数功率对消比超过门限值,则判别接收信号为跳频信号,若参数功率对消比未超过门限值,则判别接收信号为定频信号。
功率谱对消方法步骤如下,
将接收数据分段;计算每一段数据的功率谱及整段数据的平均功率谱;计算原信号功率谱,并与整段数据的平均功率谱相减;计算功率对消比,并与设定的门限比较判断;对数据进行降噪处理后,将时域信息和频谱信息以时频图方式,传送给特征提取单元。
所述的特征提取单元,对时频图预处理,去除干扰信号。所述的预处理,其具体包括:设置合适的去噪门限,去除噪声干扰,去噪门限th=(所有的点能量值之和/点个数)*权值;设置持续时间门限th1和th2,持续时间小于th1的为突发干扰,持续时间大于th2的为定频干扰;对不符合门限的点直接剔除。
利用降噪和预处理后的数据进行特征参数提取,主要提取的参数包括占空比、持续时间、信号强度、信号中心频率和信号带宽。所述的特征参数提取,其具体包括:
利用信号与噪声之间存在的突变提取跳频信号:对预处理后的时频图依次计算信号能量突变位置,计算时利用差分序列,即对时频序列的前后两个值依次求差值,差值跳变则说明信号能量存在跳变;
对时频脊线补零:得到的信号有可能会有不连续的情况,需要补零。对差分序列去毛刺处理,去除异常数据;
在频率域上计算差分序列可得到信号的左右边界值,即信号带宽;在时间域上计算差分序列可得到信号的上下边界值,即信号持续时间;
利用连续两次搜到相同信号之间的时间间隔、信号持续时间计算占空比;
根据搜索到的信号左右边界值可计算信号中心频率。
分类识别单元,根据特征提取单元提取的特征与数据库参数进行匹配分类识别,并且将分类识别结果传送给显示单元。
显示单元,用于提供交互界面,从而显示无人机分类识别结果。
进一步地,结合图3所示的本发明特定体制无人机信号自动检测识别工作流程图,其具体步骤包括:
a)选择执行频谱搜索或分段搜索方法;
b)当执行频谱搜索方法时,分析整个频段上的信号分布情况取出所有满足阈值的信号,根据各个频段参数情况(带宽、信号强度等)设置数据采集参数;
c)当执行分段搜索方法时,以步进的形式设置数据采集频率参数,进行数据采集;
d)数据采集:按照设置的频率参数,获取接收机输出的IQ数据流并进行快速傅里叶变换FFT,以获得频域特征数据;
e)数据预处理:对数据采集单元获取的频域特征数据进行降噪处理,将处理后的数据生成时频图;
f)特征提取:对时频图进行预处理降噪,并提取占空比、持续时间、信号强度、信号中心频率、信号带宽等特征参数;
g)分类检测:根据特征提取单元提取的特征与数据库参数进行匹配分类检测,并输出分类检测结果;
h)显示结果:将结果显示到GUI界面上,继续执行频谱搜索或分段搜索。
对于WiFi体制无人机信号的检测识别,下面结合附图4和具体实例对本发明进一步详细说明。
无人机进行航拍过程中,会实时发送图传信号、遥测信号到遥控器或手机,其信号体制除特定体制外,大多采用WiFi体制。无人机和遥控器内均有一个WiFi模块,其中一方作为接入点,另一方作为工作站或无线基站,任一方发送的每帧信号中都包含设备的MAC地址。本发明通过MAC地址、载噪比变化范围来检测识别无人机。具体实施步骤如下:
步骤一:启动WiFi信号处理模块和分析软件,持续接收空间的全部WiFi信号,并进行帧解析,提取源MAC地址和BSSID,BSSID为AP的MAC地址,并测量信号载噪比,将MAC地址及其信号载噪比上报至识别软件。
步骤二:识别软件持续统计每个MAC地址对应信号载噪比的变化值。
步骤三:软件数据库中存储已知无人机厂商的MAC地址前3字节。将一个MAC地址的前3字节与数据库中的MAC地址前3字节进行匹配,若匹配成功,说明检测出WiFi体制无人机,进行结果显示,并继续对下一个MAC地址重复此步骤。若MAC地址匹配失败,则需判断该MAC地址是属于WiFi体制无人机,还是属于路由器或其他WiFi设备。
步骤四:由于无人机具有很强的移动性,WiFi信号处理模块测量的信号载噪比变化范围大;而路由器位置固定,与其相连的WiFi设备也只能在有限的范围内移动,信号载噪比不变或变化范围相对较小。因此,若一段时间内该MAC地址对应的信号载噪比的变化范围超过设定的门限值时,说明该MAC地址属于WiFi体制无人机,进而实现WiFi体制无人机的检测识别。若未超过检测门限值,说明该信号并非无人机信号。跳转至步骤三,继续对下一MAC地址进行匹配识别。手动控制WiFi信号处理模块和分析软件,停止无人机检测。
Claims (9)
1.一种适用于无人机信号的实时自动检测识别方法,其特征在于,根据无人机所使用信号的信号特征,将其分为特定体制和WiFi体制两类信号,特定体制信号包括图传信号使用的Ocusync体制、Lightbridge体制和控制信号使用的跳频体制,WiFi体制作信号为图传信号使用,其步骤包括:
S1,采用针对特定体制信号的信号接收设备,输出所接收的特定体制信号的全频段频谱数据和IQ数据流,并对IQ数据流进行快速傅里叶变换,获得接收信号的频谱信息数据;
S2,对步骤S1所输出的特定体制信号的IQ数据流,采用功率谱对消方法进行降噪处理,对IQ数据流中每个子带宽的信号的功率谱分别与整个IQ数据流信号的平均功率谱进行相减,再对得到的结果进行累加求和;然后通过设置去噪门限,对功率谱对消处理后的数据剔除随机噪声信号;
对IQ数据流进行功率谱对消处理后,采用短时傅里叶变换将其时域信息和频谱信息作为时频信号,然后通过设置去噪门限,对功率谱对消处理后的信号剔除随机噪声信号后,得到的信号用于步骤S3的特征参数提取;
S3,对特定体制信号进行特征参数提取,对提取得到的特征参数,将其与数据库中的参数进行匹配分类和识别,并且将识别的结果传送给显示单元,最终完成对特定体制信号的检测识别;所述特征参数包括信号占空比、持续时间、信号强度、信号中心频率和信号带宽;
S4,对WiFi体制无人机信号进行检测识别,对空间中所有的无人机、无线基站发射的WiFi信号进行接收、解调、译码处理,并对每帧信号的MAC头字段进行解析,提取并保存每帧信号的MAC地址、载噪比;
S5,每帧WiFi体制无人机信号的MAC地址共6字节,前3字节用于标识WiFi模块的生产商,根据前3字节确定无人机的生产厂商,根据已知数据库查表确定该无人机厂商MAC地址,通过解析得到的WiFi体制无人机信号的MAC地址与已知的无人机厂商MAC地址进行匹配识别,从而实现对使用WiFi体制信号的无人机的检测;
S6,如果已知数据库中不含有解析得到的无人机厂商MAC地址,通过WiFi信号帧的载噪比变化情况来区分无人机、无线基站的WiFi信号;通过统计一段时间内同一MAC地址对应的WiFi信号的载噪比变化,判别其载噪比变化统计值,当其载噪比变化统计值超过判决门限时,则说明该信号为无人机WiFi信号,当其载噪比变化统计值未超过判决门限时,则说明该信号为无线基站WiFi信号,从而实现对WiFi体制无人机信号的检测识别。
2.如权利要求1所述的适用于无人机信号的实时自动检测识别方法,其特征在于,
步骤S1所述的频谱信息具体包括:接收信号强度、接收信号持续时间、接收信号的时间和接收信号底噪功率值,并根据获取到的全频段频谱数据,设置信号搜索门限,信号搜索门限的计算公式为:
其中,C为信号搜索门限,tstart、tend分别为特定体制信号起始和终止时刻,fstart、fend分别为特定体制信号起始和终止频率,fdata(t,f)为特定体制信号的时频幅度值,n0为特定体制信号的时频幅度值的总个数;
将接收信号频谱幅度值与信号搜索门限比较,对大于信号搜索门限的接收信号,记录下其所对应的幅度值、频率点;
其中,fsignal为检测到的大于信号搜索门限的所有接收信号。
3.如权利要求1所述的适用于无人机信号的实时自动检测识别方法,其特征在于,
所述的针对特定体制信号的信号接收设备,具备扫频处理和IQ数据处理功能,其所输出的IQ数据流的最大采样率40MHz,最大带宽为27MHz。
4.如权利要求1所述的适用于无人机信号的实时自动检测识别方法,其特征在于,
所述的步骤S2,其具体包括:
假定信号接收设备接收到的特定体制信号包括三部分:定频信号、跳频信号、白噪声,其用公式表示为:
将每一段数据的功率谱与整段数据的平均功率谱相减,再累加求和,从而使得定频信号功率被对消,跳频功率保持不变;
定义参数功率对消比δ为,
其中,p1表示特定体制信号数据均分为L段后的每段信号平均功率,p2表示功率谱对消处理后的功率,设置对消比门限μ,对消比门限μ的取值由待检测信号的信噪比、接收数据分段数、FFT的长度来决定的,若δ>μ,则接收到的特定体制信号为跳频信号,反之则为定频信号。
5.如权利要求1或4所述的适用于无人机信号的实时自动检测识别方法,其特征在于,
步骤S2所述的采用短时傅里叶变换将其时域信息和频谱信息作为时频信号,其具体包括,假设上述功率谱对消处理后的信号为s(t),短时傅里叶变换后的信号STFT(s(t))为,
对应的时频功率谱SPEC(t,f)表示为,
SPEC(t,f)=|STFT(s(t))|2,
其中w*(τ-t)为窗函数,通过窗函数把信号分段处理,将s(t)在窗函数的范围内的信号作为平稳信号,通过改变t的值来滑动窗函数ω(t)的位置,以此得到每个窗函数内的傅里叶变换,将每个窗函数内的傅里叶变换按时间顺序拼接在一起,得到s(t)的时频信号STFT(s(t));
假设时频信号STFT(s(t))的二维离散时频数据是tfrsp(m,n),m代表频率序号,n代表时间序号,相应的频率序号m和时间序号n时的二维能量门限为M(m,n),则通过二维能量门限设置后的二维离散时频数据tfrsp′(m,n)为:
二维能量门限M(m,n)的计算方法为,对于一定的去噪权值a0,对二维离散时频数据进行累加并取平均:
其中,a0为去噪权值,Nt为时间轴累计的能量的时间序号值数量,Nf为频率轴累计的能量的频率序号值数量,即为短时傅里叶变换的长度;设置持续时间门限th1和th2,对通过二维能量门限设置后的二维离散时频数据序列,持续时间小于th1的二维离散时频数据为突发干扰,持续时间大于th2的二维离散时频数据为定频干扰,对突发干扰和定频干扰直接剔除,得到的二维离散时频数据用于步骤S3的特征参数提取。
6.如权利要求1所述的适用于无人机信号的实时自动检测识别方法,其特征在于,
步骤S3所述的特征参数提取,具体包括:利用特定体制信号与噪声之间存在的突变,提取跳频信号;对步骤S2处理后得到的二维离散时频数据,按照其时间轴上的前后两个值依次求差值,若该差值超过预设阈值则说明信号能量存在跳变,差值对应的时间轴位置即为跳频信号的出现位置。
7.如权利要求1所述的适用于无人机信号的实时自动检测识别方法,其特征在于,
所述的步骤S3,步骤S2处理后的二维离散时频数据序列在时间上不连续时,对其在时间轴上进行信号补零操作,对其时间轴上的前后两个二维离散时频数据序列值依次求差值,得到的差分序列进行去毛刺处理,以去除非常大的突变异常数据。
8.如权利要求1所述的适用于无人机信号的实时自动检测识别方法,其特征在于,
步骤S3所述的特征参数提取,其具体包括,对于时间序号固定n=T,在频率轴上从左到右依次对前后两个二维离散时频数据序列值进行求差计算,得到差分序列difffreq,
difffreq=tfrsp′(m,T)-tfrsp′(m-1,T),m=1,2,3,...,Nf,
设定差分序列频率门限为Fth,当差分序列difffreq大于Fth时,此时对应的频率序号值mfL为信号左边界值,当差分序列difffreq小于-Fth时,此时对应的频率序号值mfR为信号的右边界值,信号带宽为B=mfR-mfL;
在时间域上,对于频率序号固定m=F,计算差分序列difftime,
difftime=tfrsp′(F,n)-tfrsp′(F,n-1),n=1,2,3,...,Nt,
并设定差分序列时间门限Tth,当差分序列difftime大于Tth时,此时对应的时间序号值ntstart为信号起始时间,当差分序列difftime小于-Tth时,此时对应的频率序号值ntstop为信号结束时间,信号持续时间为nthold=ntstop-ntstart;
9.如权利要求1所述的适用于无人机信号的实时自动检测识别方法,其特征在于,
所述的显示单元,用于提供人机交互界面,并显示无人机分类识别结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110487167.5A CN113259029B (zh) | 2021-05-04 | 2021-05-04 | 一种适用于无人机信号的实时自动检测识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110487167.5A CN113259029B (zh) | 2021-05-04 | 2021-05-04 | 一种适用于无人机信号的实时自动检测识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113259029A true CN113259029A (zh) | 2021-08-13 |
CN113259029B CN113259029B (zh) | 2022-03-22 |
Family
ID=77223572
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110487167.5A Active CN113259029B (zh) | 2021-05-04 | 2021-05-04 | 一种适用于无人机信号的实时自动检测识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113259029B (zh) |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114189310A (zh) * | 2021-12-07 | 2022-03-15 | 中国人民解放军32802部队 | 基于信号侦察和预测的无人机测控信号精准干扰方法 |
CN114280367A (zh) * | 2021-12-26 | 2022-04-05 | 湖南华诺星空电子技术有限公司 | 一种复杂电磁环境下无人机信号频点检测方法 |
CN114280368A (zh) * | 2021-12-28 | 2022-04-05 | 成都爱科特科技发展有限公司 | 一种复杂环境下突发信号检测方法及检测系统 |
CN114841211A (zh) * | 2022-05-17 | 2022-08-02 | 西安电子科技大学 | 基于频域数据增强扩充的无人机时频图谱数据库构建方法 |
CN115979068A (zh) * | 2023-01-17 | 2023-04-18 | 北京瑞达恩科技股份有限公司 | 要地无人反制系统及方法 |
CN117237833A (zh) * | 2023-11-16 | 2023-12-15 | 浙江凡双科技股份有限公司 | 基于自动门限提取的快速无人机图传信号识别方法及装置 |
CN114841211B (zh) * | 2022-05-17 | 2024-09-24 | 西安电子科技大学 | 基于频域数据增强扩充的无人机时频图谱数据库构建方法 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104158611A (zh) * | 2014-08-20 | 2014-11-19 | 西安电子科技大学 | 基于频谱分析的无线信号干扰检测系统及方法 |
GB2520695A (en) * | 2013-11-27 | 2015-06-03 | Trl Technology Ltd | Scheme for identification of MTMF signals |
WO2016197648A1 (zh) * | 2015-06-10 | 2016-12-15 | 南京大学 | 一种基于无线信号的动作检测和识别的方法 |
CN107911183A (zh) * | 2017-11-23 | 2018-04-13 | 成都中星世通电子科技有限公司 | 一种基于实时信号特征分析的无人机识别方法及系统 |
US20190228667A1 (en) * | 2016-07-28 | 2019-07-25 | Panasonic Intellectual Property Management Co., Ltd. | Unmanned aerial vehicle detection system and unmanned aerial vehicle detection method |
CN110751087A (zh) * | 2019-10-17 | 2020-02-04 | 湖南波尔坤雷信息科技有限公司 | 一种基于eof的无人机信号识别系统和方法 |
US20200117881A1 (en) * | 2017-12-18 | 2020-04-16 | SZ DJI Technology Co., Ltd. | Target detection method and device, unmanned aerial vehicle, and agricultural unmanned aerial vehicle |
CN111239676A (zh) * | 2019-12-10 | 2020-06-05 | 重庆邮电大学 | 一种基于软件无线电的无人机探测与测向方法 |
-
2021
- 2021-05-04 CN CN202110487167.5A patent/CN113259029B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
GB2520695A (en) * | 2013-11-27 | 2015-06-03 | Trl Technology Ltd | Scheme for identification of MTMF signals |
CN104158611A (zh) * | 2014-08-20 | 2014-11-19 | 西安电子科技大学 | 基于频谱分析的无线信号干扰检测系统及方法 |
WO2016197648A1 (zh) * | 2015-06-10 | 2016-12-15 | 南京大学 | 一种基于无线信号的动作检测和识别的方法 |
US20190228667A1 (en) * | 2016-07-28 | 2019-07-25 | Panasonic Intellectual Property Management Co., Ltd. | Unmanned aerial vehicle detection system and unmanned aerial vehicle detection method |
CN107911183A (zh) * | 2017-11-23 | 2018-04-13 | 成都中星世通电子科技有限公司 | 一种基于实时信号特征分析的无人机识别方法及系统 |
US20200117881A1 (en) * | 2017-12-18 | 2020-04-16 | SZ DJI Technology Co., Ltd. | Target detection method and device, unmanned aerial vehicle, and agricultural unmanned aerial vehicle |
CN110751087A (zh) * | 2019-10-17 | 2020-02-04 | 湖南波尔坤雷信息科技有限公司 | 一种基于eof的无人机信号识别系统和方法 |
CN111239676A (zh) * | 2019-12-10 | 2020-06-05 | 重庆邮电大学 | 一种基于软件无线电的无人机探测与测向方法 |
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114189310A (zh) * | 2021-12-07 | 2022-03-15 | 中国人民解放军32802部队 | 基于信号侦察和预测的无人机测控信号精准干扰方法 |
CN114189310B (zh) * | 2021-12-07 | 2022-06-21 | 中国人民解放军32802部队 | 基于信号侦察和预测的无人机测控信号精准干扰方法 |
CN114280367A (zh) * | 2021-12-26 | 2022-04-05 | 湖南华诺星空电子技术有限公司 | 一种复杂电磁环境下无人机信号频点检测方法 |
CN114280367B (zh) * | 2021-12-26 | 2022-10-14 | 湖南华诺星空电子技术有限公司 | 一种复杂电磁环境下无人机信号频点检测方法 |
CN114280368A (zh) * | 2021-12-28 | 2022-04-05 | 成都爱科特科技发展有限公司 | 一种复杂环境下突发信号检测方法及检测系统 |
CN114280368B (zh) * | 2021-12-28 | 2023-08-11 | 成都爱科特科技发展有限公司 | 一种复杂环境下突发信号检测方法及检测系统 |
CN114841211A (zh) * | 2022-05-17 | 2022-08-02 | 西安电子科技大学 | 基于频域数据增强扩充的无人机时频图谱数据库构建方法 |
CN114841211B (zh) * | 2022-05-17 | 2024-09-24 | 西安电子科技大学 | 基于频域数据增强扩充的无人机时频图谱数据库构建方法 |
CN115979068A (zh) * | 2023-01-17 | 2023-04-18 | 北京瑞达恩科技股份有限公司 | 要地无人反制系统及方法 |
CN117237833A (zh) * | 2023-11-16 | 2023-12-15 | 浙江凡双科技股份有限公司 | 基于自动门限提取的快速无人机图传信号识别方法及装置 |
CN117237833B (zh) * | 2023-11-16 | 2024-01-30 | 浙江凡双科技股份有限公司 | 基于自动门限提取的快速无人机图传信号识别方法及装置 |
Also Published As
Publication number | Publication date |
---|---|
CN113259029B (zh) | 2022-03-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113259029B (zh) | 一种适用于无人机信号的实时自动检测识别方法 | |
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 | |
CN108768562B (zh) | 一种基于遥控与图传信号的非法无人机识别方法 | |
CN112684251B (zh) | 一种基于功率谱模版的目标信号频域检测方法 | |
CN109947238B (zh) | 一种基于wifi的非合作式手势识别的方法 | |
US8447540B2 (en) | Method for detecting, identifying and locating partial discharges occurring in a discharge site along an electric apparatus | |
CN110519003B (zh) | 一种基于信号特征差异的无人机上下行通信链路识别方法及装置 | |
JP2002538442A (ja) | レーダーおよび通信帯域の信号を検出するためのシステムと方法 | |
CN110675395A (zh) | 输电线路智能在线监测方法 | |
CN110138468B (zh) | 多节点软件无线电平台的Lora信号监测系统及方法 | |
CN105072067A (zh) | 一种低信噪比下突发信号的检测方法 | |
CN114696922B (zh) | 一种适用于无人机通信的跳频信号检测方法 | |
CN107886526A (zh) | 基于时域滤波的序列图像弱小目标检测方法 | |
CN112019999A (zh) | 一种轨道交通无线网络的干扰检测与定位方法 | |
KR20200047086A (ko) | 클라우드 데이터 처리 gnss 재밍 감시 방법 및 시스템 | |
CN114025379A (zh) | 一种宽带多信号检测方法、装置和设备 | |
CN114095102A (zh) | 一种基于时频分析的无人机遥控信号识别方法 | |
CN108155959B (zh) | 一种复杂网络环境下无人机测控信号检测方法 | |
CN111046025A (zh) | 无人机信号探测方法及装置 | |
CN112883895B (zh) | 基于自适应加权pca的非法电磁信号检测方法及其实现系统 | |
CN104993884A (zh) | 手持数字监测测向系统及其监测方法 | |
CN112134635B (zh) | 一种基于宽带频谱的快速信号侦测方法 | |
CN112929141A (zh) | 一种基于图传信号匹配的无人机检测识别方法和系统 | |
CN109347580B (zh) | 一种已知占空比的自适应门限信号检测方法 | |
CN111753803A (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 |
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 |