CN113300986A - 无人机图传信号与热点信号识别方法、介质、计算机设备 - Google Patents
无人机图传信号与热点信号识别方法、介质、计算机设备 Download PDFInfo
- Publication number
- CN113300986A CN113300986A CN202110414728.9A CN202110414728A CN113300986A CN 113300986 A CN113300986 A CN 113300986A CN 202110414728 A CN202110414728 A CN 202110414728A CN 113300986 A CN113300986 A CN 113300986A
- Authority
- CN
- China
- Prior art keywords
- signal
- unmanned aerial
- aerial vehicle
- correlation
- signals
- 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
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L25/00—Baseband systems
- H04L25/02—Details ; arrangements for supplying electrical power along data transmission lines
- H04L25/03—Shaping networks in transmitter or receiver, e.g. adaptive shaping networks
- H04L25/03828—Arrangements for spectral shaping; Arrangements for providing signals with specified spectral properties
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L1/00—Arrangements for detecting or preventing errors in the information received
- H04L1/20—Arrangements for detecting or preventing errors in the information received using signal quality detector
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Physics & Mathematics (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Power Engineering (AREA)
- Quality & Reliability (AREA)
- Radar Systems Or Details Thereof (AREA)
Abstract
本发明属于无人机信号检测和识别技术领域,公开了一种无人机图传信号与热点信号识别方法、介质、计算机设备,信号输入,将中频信号进行降采样后输入模型进行计算;信号延迟相关检测,在时域上对信号进行延时相关处理,并提前其伪码周期;谱峰检测,信号时域上延时相关归一化后进行谱峰搜索,根据设定自适应检测明显,提前大于检测明显的谱峰值;非零相关点是否存在谱峰,检测信号延时相关谱在非零点时是否存在谱峰,作为无人机图传信号和WiFi热点信号的识别特征;识别置信度评价体系对识别结果进行评价。本发明在复杂电磁环境中提取和识别出无人机图传信号,实现了区域无人机动向的掌控,消除了“黑飞”提供技术支撑。
Description
技术领域
本发明属于无人机信号检测和识别技术领域,尤其涉及一种无人机图传信 号与热点信号识别方法、介质、计算机设备。
背景技术
目前,民用无人机大都采用WiFi图传技术进行视频信息传输。WiFi图传技 术即通过WiFi信号实现无人机与遥控器之间的通信功能,信号通常符合具体的 WiFi协议。该技术在市场得到了广泛应用,可以支持2.4&5.8GHz双频段工作, 其中以2.4GHz频段居多。另一方面基于WiFi体制的无人机大多采用了IEEE 802.11a/g的标准协议,实现了数据的高速传输,同时具有较好的抗衰落性能。 现阶段大疆公司在WiFi图传技术上做了些许改进后应用于大疆Spark系列无人 机。相比之下,应用WiFi图传技术的无人机价格通常比较低廉,但有效控制距 离较近,在郊外开阔环境在一公里左右,在复杂电磁环境的市区中飞行距离在三百米左右。市场上常见WiFi体制的无人机包括Parrot、Phantom3S、 Phantom3SE、大疆Saprk等。采用WiFi体制的无人机在数据传输上带来极大的 便利,但是该类信号同生活中常用的WiFi热点信号工作频率范围相同;同时 WiFi图传技术的无人机信号在时频、频域上不存在明显固定特征,因此对无人 机信号检测与识别的难度较大,对后续信号处理算法提出了更高的要求。
通过上述分析,现有技术存在的问题及缺陷为:现有技术中采用WiFi体制 的无人机进行数据传输过程中,由于该类信号同生活中常用的WiFi热点信号工 作频率范围相同;WiFi图传技术的无人机信号在时频、频域上不存在明显固定 特征,无法对无人机信号进行检测与识别。
解决以上问题及缺陷的难度为:无人机信号的探测识别技术是应对无人机 黑飞滥用的关键技术之一。受电磁频谱管控等限制,民用无人机遥控和图传信 号的频段与wifi信号的频段高度重合,信号调制采用OFDM模式。实际信号监 测环境中会接收到多类辐射源(无人机、wifi发射器等)的混合信号,截获的信号 在时域、频域上相互交叠。因此当无人机信号混杂在wifi信号中时,不能通过 接收信号判断无人机信号存在,传统信号处理方法无法从复杂电磁环境中分离 出无人机图传信号,更不可能实现对无人机的识别和定位等。
解决以上问题及缺陷的意义为:本发明提出基于信号频域特征的无人机信 号提取和识别方法、系统,可以通过提取各类辐射源频域特征,建立样本比对 数据库,将截获到的无人机图传信号提取出来。本发明的意义:一是本发明基 于频域维度进行变换处理,有效解决了因远距离传输导致信号能量衰减被噪声 “淹没”的问题;二是受到发射机影响,不同发射机的频域调制特征具有一定 的差异性,因此可基于其差异性完成对不同目标的分选和分离,避免了不同目 标信号因采用调制模式相同而难以识别的问题。有效解决在复杂电磁环境中对 于无人机信号的检测、分选、识别和无人机的定位问题。
发明内容
针对现有技术存在的问题,本发明提供了一种无人机图传信号与热点信号 识别方法、介质、计算机设备。针对当前市面上采取无人机图传信号与WiFi热 点信号的检测识别,本发明基于无源探测被动的接收两类信号,提取信号时域 延迟相关特征进行识别,完成无人机图传信号和WiFi热点信号的识别与分离。 本发明在复杂电磁环境中提取和识别出无人机图传信号,实现了区域无人机动 向的掌控,消除了“黑飞”提供技术支撑。
本发明是这样实现的,一种无人机图传信号与热点信号识别方法,所述无 人机图传信号与热点信号识别方法,包括:
步骤一,信号输入,将中频信号进行降采样后输入模型进行计算;将射频 信号进行解调和A/D采样后在基频上处理,降低的射频处理的难度,保留了信 号中频采样的特征点;
步骤二,信号延迟相关检测,在时域上对信号进行延时相关处理,并提前 其伪码周期;该步骤完成对采样信号的延迟自相关变换,为提取不同时延自相 关的峰值奠定基础;
步骤三,谱峰检测,信号时域上延时相关归一化后进行谱峰搜索,根据设 定自适应检测门限,提前大于检测明显的谱峰值;谱峰检测程序基于牛顿迭代 法,完成对全局变量的搜索,检测出数值序列的峰值点,检测精度较高,收敛 速度快;
步骤四,非零相关点是否存在谱峰,检测信号延时相关谱在非零点时是否 存在谱峰,作为无人机图传信号和WiFi热点信号的识别特征;基于无人机图传 信号采用OFDM调制的特点,针对其前导序列特有的数据结构进行延迟自相关 检测,剔除零延时相关(即信号的自相关)的峰值,检测信号延时相关谱在非 零点时是否存在谱峰并记录其谱峰的时刻点,作为重要的识别特征;
步骤五,识别置信度评价体系根据信号信噪比、脉冲宽度等参数进行考量, 得到信号多因子加权量化值,对算法识别结果进行评价。该步骤主要采用“联 合多参量”识别比对算法完成对目标的识别过程,并给出识别置信度。
进一步,所述步骤一中,中频信号进行降采样后输入模型进行计算具体过 程为:
首先基于无人机图传信号与其他干扰信号中频特征的差异,对中频信号进 行包络检测和包络提取,其次进行快速傅里叶变换处理,提取各脉冲信号的中 频特征;然后对已提取的中频特征信号进行改进的模糊C均值聚类,基于欧式 距离对各簇信号进行去野值处理,剔除干扰的杂散信号;
所述中频信号包络检测和包络提取具体为:
脉冲信号包络检测是基于信号幅度大于噪声幅度,进行包络提取,对接收 的信号s(t)进行包络提取:
其中,As(t)为信号s(t)的包络;
所述快速傅里叶变换和提取信号中频特征具体为:
利用信号功率谱分布刻画信号中频特征,不需要知道无人机传输信号的调 制方式和波特率先验参数,也不需要同步信息和训练序列,且无关于信号的包 络特性,进行加窗处理,得到加窗后的信号功率谱分布函数,抑制噪声和信号 突变的能力更强;
设接收机接收到的信号为y(t),即:
y(t)=s(t)+n(t);
式中,s(t)为无人机传输信号,其功率为S;n(t)为高斯白噪声;
信号功率谱分布于fL和fH之间,即Bw=fH-fL;对频带内的信号加汉明窗进 行功率谱求解,得S(f),S(f)刻画了信号各频率点与信号功率之间的关系;
所述改进的模糊C均值聚类和基于欧式距离的去野值处理具体为:
采用改进的模糊C均值数据聚类对数据进行处理;
对每个对象和每个簇赋予一个权值,指明对象属于该簇的程度,就是最小 化目标函数J(m),即误差的平方和(SSE),如下:
其中m是聚类的簇数;i,j是类标号;表示样本属于j类的隶属度,i表示第i个 样本,x是具有d维特征的一个样本,是j簇的中心,也具有d维度,||*||是任意表 示距离的度量,模糊c是一个不断迭代计算隶属度和簇中心的过程,直到达到 最优,其中:
迭代的终止条件为:
其中k是迭代步数,∈是误差阈值,当达到迭代终止条件时,认为隶属度不变 了,已经达到比较优状态了,局部最优或全局最优,该过程收敛于目标J(m)的局 部最小值。
进一步,所述步骤三中,信号时域上延时相关归一化后进行谱峰搜索进行 信号时域延迟相关特征提取和谱峰搜索,具体过程为:
通过对载波信号进行编码,通过发射端调制和接收端解调,用以码元的转 译获取信息;
WiFi体制无人机信号与WiFi热点信号这两类信号均采用OFDM信号调制 方式,并采用了IEEE 802.11a/g的标准协议;这两类信号所传输的信息是不同的, 两者编码方式不一致,通过对这两类信号进行时域相关检测完成两类信号的识 别;
时域相关检测利用信号自身的强自相关性、信号与噪声的弱相关性的特点, 从复杂背景噪声中完成对信号中相关数据结构的检测,从而确定相关数据结构 的长度等属性,完成对于信号的识别。
进一步,所述信号时域上延时相关归一化后进行谱峰搜索进行信号时域延 迟相关特征提取和谱峰搜索,具体过程为:
s(t)为高斯信道下接收机接受到的信号,x(t)为目标信号,n(t)为传输信道中 的高斯白噪声,τ为信号延迟时间;对延时相乘信号进行积分,得:
信号和噪声是不相关的,既Rnx(τ)=Rxn(τ)=0,则有:
R(τ)=Rx(τ)+Rn(τ);
根据关于编码序列相关性的分析,Rx(τ)具有很强的相关性,在τ=kTs处有峰 值出现,Ts为信号强相关结构的长度。
进一步,所述当τ≠kTs(k=0,1,2,…,n)时,信号的自相关函数值Rx(τ)很小,此时R(τ)主要由信号背景噪声的相关函数Rn(τ)而定,即Rx(τ)和信号信噪比有关。
进一步,所述当τ=kTs(k=0,1,2,…,n)时,信号的相关函数因为数据结构不同是其具有周期性,周期为kTs;随着k的增大,接收信号R(τ)将随着k的不断增大而逐 渐变小,即非零延时点的谱峰随着k的增大,谱峰高度逐渐减小。
进一步,所述WiFi体制无人机信号与WiFi热点信号虽然在频域上和数据 结构组成上都采用IEEE 802.11a/g的标准协议,两者在编码方式上存在差异;无 人机图传信号为实现数据保密、同步解调和接收识别,在局部数据采取特殊的 编码方式,因此信号瞬时频率是不同的,信号瞬时频率提取后对应的数据主要 包括同步解调数据、识别引导数据和图传信号数据;
信号瞬时频率的不同体现在了信号时域波形的变化上,通过对信号在时域 上进行延时相关处理,提取其延迟相关特征,完成对上述两类信号的识别:
对各类信号进行延时自相关发现,无人机图传信号和WiFi热点信号差异较 大;联系到无人机信号的编码方式,非零时延时自相关的时延定义为伪码周期 值,该特征可作为区分无人机图传信号与WiFi热点信号。
进一步,所述步骤四中,若在非零相关点除存在大于明显的谱峰,则说明 该信号为无人机图传信号,否则为WiFi热点信号。
进一步,所述步骤五中,信号加权量化值越大,识别置信度越高,否则越 低。
本发明的另一目的在于提供一种接收用户输入程序存储介质,所存储的计 算机程序使电子设备执行所述无人机图传信号与热点信号识别方法包括下列步 骤:
步骤一,信号输入,将中频信号进行降采样后输入模型进行计算;
步骤二,信号延迟相关检测,在时域上对信号进行延时相关处理,并提前 其伪码周期;
步骤三,谱峰检测,信号时域上延时相关归一化后进行谱峰搜索,根据设 定自适应检测明显,提前大于检测明显的谱峰值;
步骤四,非零相关点是否存在谱峰,检测信号延时相关谱在非零点时是否 存在谱峰,作为无人机图传信号和WiFi热点信号的识别特征;
步骤五,识别置信度评价体系根据信号信噪比、脉冲宽度等参数进行考量, 得到信号多因子加权量化值,对算法识别结果进行评价。
本发明的另一目的在于提供一种存储在计算机可读介质上的计算机程序产 品,包括计算机可读程序,供于电子装置上执行时,提供用户输入接口以实施 所述的无人机图传信号与热点信号识别方法。
结合上述的所有技术方案,本发明所具备的优点及积极效果为:目前民用 无人机信号基于2.4GHZ和5.8GHZ频段进行数据传输,该频段上同时包括WiFi 等其他电磁信号,且部分民用无人机采用WiFi图传技术进行视频信息传输。因 此对WiFi热点信号和无人机图传信号的识别是数据处理的首要解决的问题。本 发明主要针对当下对WiFi热点信号和无人机图传信号的识别问题。基于信号在 数据结构和瞬时频率上表现的差异,提出时域延迟相关检测算法,设定自适应 检测明显检测在非零相关点是否存在峰值,实现了对于WiFi热点信号和无人机 图传信号的识别。本发明适应复杂电磁环境下WiFi热点信号、大疆系列无人机 和小米系列无人机图传信号的识别,对信噪比较低的信号具有较高的识别正确 率(信噪比优于-2dB时可以获得90%以上的识别正确率),剔除非无人机图传 信号等干扰信号,对侦收的数据进行有效的“提纯和过滤”,为后续参数估计提供 了“高质量”的脉冲信号,具有较强的实际工程应用能力,同时可满足实际环境中 测试的需求。本发明在信噪比大于-2dB时,对于WiFi热点信号和无人机图传信 号的识别正确率可达到90%以上;在信噪比大于0dB时,其正确识别率可达到 95%以上。测试可知,本发明对信噪比较低的信号具有较好的识别能力,可满足 实际环境中测试的需求。
附图说明
图1是本发明实施例提供的无人机图传信号与热点信号识别方法流程图。
图2是本发明实施例提供的基于时域延时相关的无人机图传信号与热点信 号识别处理结构图。
图3是本发明实施例提供的时域检测算法结构图。
图4是本发明实施例提供的无人机信号瞬时频率对应数据结构图。
图5是本发明实施例提供的WiFi热点信号时域延迟相关关系图。
图6是本发明实施例提供的无人机图传信号时域延迟相关关系图。
图7是本发明实施例提供的WiFi热点信号示意图。
图8是本发明实施例提供的大疆“MavicAir”图传信号示意图。
图9是本发明实施例提供的大疆“MavicMini”图传信号示意图。
图10是本发明实施例提供的大疆“骁”图传信号示意图。
图11是本发明实施例提供的大疆“P4A”图传信号示意图。
图12是本发明实施例提供的大疆P3A无人机示意图。
图13是本发明实施例提供的大疆P4V2.0无人机示意图。
图14是本发明实施例提供的小米系列某型无人机图传信号示意图。
图15是本发明实施例提供的各信噪比下算法识别正确率测试结果示意图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合实施例, 对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅仅用以 解释本发明,并不用于限定本发明。
针对现有技术存在的问题,本发明提供了一种无人机图传信号与热点信号 识别方法、介质、计算机设备,下面结合附图对本发明作详细的描述。
本发明提供的无人机图传信号与热点信号识别方法业内的普通技术人员还 可以采用其他的步骤实施,图1的本发明提供的无人机图传信号与热点信号识 别方法仅仅是一个具体实施例而已。
如图1所示,本发明实施例提供的无人机图传信号与热点信号识别方法, 包括:
S101:信号输入,将中频信号进行降采样后输入模型进行计算。
S102:信号延迟相关检测,在时域上对信号进行延时相关处理,并提前其 伪码周期。
S103:谱峰检测,信号时域上延时相关归一化后进行谱峰搜索,根据设定 自适应检测明显,提前大于检测明显的谱峰值。
S104:非零相关点是否存在谱峰,检测信号延时相关谱在非零点时是否存 在谱峰,作为无人机图传信号和WiFi热点信号的识别特征。
S105:识别置信度评价体系根据信号信噪比、脉冲宽度等参数进行考量, 得到信号多因子加权量化值,对算法识别结果进行评价。
本发明实施例提供的S101中,中频信号进行降采样后输入模型进行计算具 体过程为:
首先基于无人机图传信号与其他干扰信号中频特征的差异,对中频信号进 行包络检测和包络提取,其次进行快速傅里叶变换处理,提取各脉冲信号的中 频特征;然后对已提取的中频特征信号进行改进的模糊C均值聚类,基于欧式 距离对各簇信号进行去野值处理,剔除干扰的杂散信号,
所述中频信号包络检测和包络提取具体为:
脉冲信号包络检测是基于信号幅度大于噪声幅度,进行包络提取,对接收 的信号s(t)进行包络提取:
其中,As(t)为信号s(t)的包络;
所述快速傅里叶变换和提取信号中频特征具体为:
利用信号功率谱分布刻画信号中频特征,不需要知道无人机传输信号的调 制方式和波特率等先验参数,也不需要同步信息和训练序列,且无关于信号的 包络特性,进行加窗处理,得到加窗后的信号功率谱分布函数,抑制噪声和信 号突变的能力更强。
设接收机接收到的信号为y(t),即:
y(t)=s(t)+n(t);
式中,s(t)为无人机传输信号,其功率为S;n(t)为高斯白噪声;
信号功率谱分布于fL和fH之间,即Bw=fH-fL;对频带内的信号加汉明窗进 行功率谱求解,得S(f),S(f)刻画了信号各频率点与信号功率之间的关系。
所述改进的模糊C均值聚类和基于欧式距离的去野值处理具体为:
采用改进的模糊C均值数据聚类对数据进行处理;
对每个对象和每个簇赋予一个权值,指明对象属于该簇的程度,就是最小 化目标函数J(m),即误差的平方和(SSE),如下:
其中m是聚类的簇数;i,j是类标号;表示样本属于j类的隶属度,i表示第i个 样本,x是具有d维特征的一个样本,是j簇的中心,也具有d维度,||*||是任意表 示距离的度量,模糊c是一个不断迭代计算隶属度和簇中心的过程,直到达到 最优,其中:
迭代的终止条件为:
其中k是迭代步数,∈是误差阈值,当达到迭代终止条件时,认为隶属度不变 了,已经达到比较优状态了,局部最优或全局最优,该过程收敛于目标J(m)的局 部最小值。
本发明实施例提供的S103中,信号时域上延时相关归一化后进行谱峰搜索 进行信号时域延迟相关特征提取和谱峰搜索,具体过程为:
通过对载波信号进行编码,通过发射端调制和接收端解调,用以码元的转 译获取信息;
WiFi体制无人机信号与WiFi热点信号这两类信号均采用OFDM信号调制 方式,并采用了IEEE 802.11a/g的标准协议;这两类信号所传输的信息是不同的, 两者编码方式不一致,通过对这两类信号进行时域相关检测完成两类信号的识 别。
时域相关检测利用信号自身的强自相关性、信号与噪声的弱相关性的特点, 从复杂背景噪声中完成对信号中相关数据结构的检测,从而确定相关数据结构 的长度等属性,完成对于信号的识别。
其中,s(t)为高斯信道下接收机接受到的信号,x(t)为目标信号,n(t)为传输 信道中的高斯白噪声,τ为信号延迟时间。对延时相乘信号进行积分,得:
信号和噪声是不相关的,既Rnx(τ)=Rxn(τ)=0,则有:
R(τ)=Rx(τ)+Rn(τ);
根据关于编码序列相关性的分析,Rx(τ)具有很强的相关性,在τ=kTs处有峰 值出现,Ts为信号强相关结构的长度。
根据上式可以得出以下结论:
1.当τ≠kTs(k=0,1,2,…,n)时,信号的自相关函数值Rx(τ)很小,此时R(τ)主要由信号背景噪声的相关函数Rn(τ)而定,即Rx(τ)和信号信噪比有关。
2.当τ=kTs(k=0,1,2,…,n)时,信号的相关函数因为数据结构不同是其具有周期 性,周期为kTs。随着k的增大,接收信号R(τ)将随着k的不断增大而逐渐变小,即 非零延时点的谱峰随着k的增大,谱峰高度逐渐减小。
外场测试中发现,WiFi体制无人机信号与WiFi热点信号虽然在频域上和数 据结构组成上都采用IEEE 802.11a/g的标准协议,两者在编码方式上存在差异; 无人机图传信号为实现数据保密、同步解调和接收识别,在局部数据采取特殊 的编码方式,因此信号瞬时频率是不同的,信号瞬时频率提取后对应的数据主 要包括同步解调数据、识别引导数据和图传信号数据。
信号瞬时频率的不同体现在了信号时域波形的变化上,通过对信号在时域 上进行延时相关处理,提取其延迟相关特征,完成对上述两类信号的识别:
对各类信号进行延时自相关发现,无人机图传信号和WiFi热点信号差异较 大;联系到无人机信号的编码方式,非零时延时自相关的时延定义为伪码周期 值,该特征可作为区分无人机图传信号与WiFi热点信号。
本发明实施例提供的S104中,若在非零相关点除存在大于明显的谱峰,则 说明该信号为无人机图传信号,否则为WiFi热点信号。
本发明实施例提供的S105中,信号加权量化值越大,识别置信度越高,否 则越低。
下面结合具体实施例对本发明的技术方案作进一步的描述。
本发明实施例提供的基于时域延时相关的无人机图传信号与热点信号识别 处理结构如图2所示:
(1)信号输入,将中频信号进行降采样后输入模型进行计算。
(2)信号延迟相关检测,在时域上对信号进行延时相关处理,并提前其伪 码周期。
(3)谱峰检测,信号时域上延时相关归一化后进行谱峰搜索,根据设定自 适应检测明显,提前大于检测明显的谱峰值。
(4)非零相关点是否存在谱峰,检测信号延时相关谱在非零点时是否存在 谱峰,以此作为无人机图传信号和WiFi热点信号的识别特征。若在非零相关点 除存在大于明显的谱峰,则说明该信号为无人机图传信号,否则为WiFi热点信 号。
(5)识别置信度评价体系,算法的识别正确率在任何条件下都难以达到百 分之百,尤其对于复杂电磁环境的外场测试。本发明的识别置信度评价体系根 据信号信噪比、脉冲宽度等参数进行考量,得到信号多因子加权量化值,对算 法识别结果进行评价。信号加权量化值越大,识别置信度越高,否则越低。
本发明实施例提供的信号时域延迟相关特征提取和谱峰搜索具体过程为:
信息的传输是通过对载波信号进行编码,通过发射端调制和接收端解调, 实现对于码元的转译获取信息。WiFi体制无人机信号与WiFi热点信号这两类信 号均采用OFDM信号调制方式,并采用了IEEE 802.11a/g的标准协议。这两类 信号所传输的信息是不同的,两者编码方式不一致导致两类信号时域上延迟相 关特性的不同。因此可以通过对这两类信号进行时域相关检测完成两类信号的 识别。
时域相关检测是一种经典的常规信号处理方法,它充分利用信号自身的强 自相关性、信号与噪声的弱相关性的特点,能够从复杂背景噪声中完成对信号 中相关数据结构的检测,从而确定相关数据结构的长度等属性,完成对于信号 的识别。
其中,s(t)为高斯信道下接收机接受到的信号,x(t)为目标信号,n(t)为传输 信道中的高斯白噪声,τ为信号延迟时间。对延时相乘信号进行积分,得:
信号和噪声是不相关的,既Rnx(τ)=Rxn(τ)=0,则有:
R(τ)=Rx(τ)+Rn(τ);
根据关于编码序列相关性的分析,Rx(τ)具有很强的相关性,在τ=kTs处有峰 值出现,Ts为信号强相关结构的长度。根据上式可以得出以下结论:
1.当τ≠kTs(k=0,1,2,…,n)时,信号的自相关函数值Rx(τ)很小,此时R(τ)主要由信号背景噪声的相关函数Rn(τ)而定,即Rx(τ)和信号信噪比有关。
2.当τ=kTs(k=0,1,2,…,n)时,信号的相关函数因为数据结构不同是其具有周期 性,周期为kTs。随着k的增大,接收信号R(τ)将随着k的不断增大而逐渐变小,即 非零延时点的谱峰随着k的增大,谱峰高度逐渐减小。
外场测试中发现,WiFi体制无人机信号与WiFi热点信号虽然在频域上和数 据结构组成上都采用IEEE 802.11a/g的标准协议,但是两者在编码方式上存在差 异。无人机图传信号为实现数据保密、同步解调和接收识别,在局部数据采取 特殊的编码方式,因此信号瞬时频率是不同的,信号瞬时频率提取后对应的数 据结构图4所示,主要包括同步解调数据、识别引导数据和图传信号数据。
信号瞬时频率的不同体现在了信号时域波形的变化上,因此可以通过对信 号在时域上进行延时相关处理,提取其延迟相关特征,完成对上述两类信号的 识别,如图5-6所示:
对各类信号进行延时自相关发现,无人机图传信号和WiFi热点信号差异较 大。联系到无人机信号的编码方式,非零时延时自相关的时延定义为伪码周期 值。该特征可作为区分无人机图传信号与WiFi热点信号。
其中,中频信号进行降采样后输入模型进行计算具体过程为:
首先基于无人机图传信号与其他干扰信号中频特征的差异,对中频信号进 行包络检测和包络提取,其次进行快速傅里叶变换处理,提取各脉冲信号的中 频特征;然后对已提取的中频特征信号进行改进的模糊C均值聚类,基于欧式 距离对各簇信号进行去野值处理,剔除干扰的杂散信号;
所述中频信号包络检测和包络提取具体为:
脉冲信号包络检测是基于信号幅度大于噪声幅度,进行包络提取,对接收 的信号s(t)进行包络提取:
其中,As(t)为信号s(t)的包络;
所述快速傅里叶变换和提取信号中频特征具体为:
利用信号功率谱分布刻画信号中频特征,不需要知道无人机传输信号的调 制方式和波特率先验参数,也不需要同步信息和训练序列,且无关于信号的包 络特性,进行加窗处理,得到加窗后的信号功率谱分布函数,抑制噪声和信号 突变的能力更强;
设接收机接收到的信号为y(t),即:
y(t)=s(t)+n(t);
式中,s(t)为无人机传输信号,其功率为S;n(t)为高斯白噪声;
信号功率谱分布于fL和fH之间,即Bw=fH-fL;对频带内的信号加汉明窗进 行功率谱求解,得S(f),S(f)刻画了信号各频率点与信号功率之间的关系;
所述改进的模糊C均值聚类和基于欧式距离的去野值处理具体为:
采用改进的模糊C均值数据聚类对数据进行处理;
对每个对象和每个簇赋予一个权值,指明对象属于该簇的程度,就是最小 化目标函数J(m),即误差的平方和(SSE),如下:
其中m是聚类的簇数;i,j是类标号;表示样本属于j类的隶属度,i表示第i个 样本,x是具有d维特征的一个样本,是j簇的中心,也具有d维度,||*||是任意表 示距离的度量,模糊c是一个不断迭代计算隶属度和簇中心的过程,直到达到 最优,其中:
迭代的终止条件为:
其中k是迭代步数,∈是误差阈值,当达到迭代终止条件时,认为隶属度不变 了,已经达到比较优状态了,局部最优或全局最优,该过程收敛于目标J(m)的局 部最小值。
下面结合实验对本发明技术方案产生的技术效果进行验证。
实验过程
实验目的:验证算法在复杂电磁环境中对于WiFi热点信号同无人机图传信 号(包括wifi体制的无人机和非wifi体制的无人机)的识别能力。
实验数据:外场采集无人机图传信号数据和WiFi热点信号数据,采集数据 情况如下表所示:
表1信号时域延迟相关关系
分析可知:WiFi热点信号的时域延迟相关在非零点无较强相关性,表现在 相关图上在非零点没有明显谱峰;对于“大疆”系列无人机(包括WiFi体制无人 机和非WiFi体制无人机),其图传信号的时域延迟相关在非零点有较强相关性, 表现在相关图上在非零点有明显谱峰;对于“小米”系列无人机,其图传信号的时 域延迟相关特性与WiFi热点信号、“大疆”系列无人机均有所不同,可有效的从 复杂的电磁环境中将其鉴别。为检验本发明在复杂电磁环境中对于上述信号的 识别能力,对上述信号进行加噪处理,分别在不同信噪比下对算法的识别能力 检验,在各个信噪比下进行1000次蒙特卡洛实验,取识别正确率的平均值作为 在该信噪比下算法的识别正确率。具体识别结果如图15所示:
该算法在信噪比大于-2dB时,对于WiFi热点信号和无人机图传信号的识别 正确率可达到90%以上;在信噪比大于0dB时,其正确识别率可达到95%以上。 测试可知,该算法对信噪比较低的信号具有较好的识别能力,可满足实际环境 中测试的需求。
结论:本发明主要针对当下对WiFi热点信号和无人机图传信号的识别问题。 基于信号在数据结构和瞬时频率上表现的差异,提出时域延迟相关检测算法, 设定自适应检测明显检测在非零相关点是否存在峰值,实现对于WiFi热点信号 和无人机图传信号的识别。本发明适应复杂电磁环境下WiFi热点信号、大疆系 列无人机和小米系列无人机图传信号的识别,对信噪比较低的信号具有较高的 识别正确率(信噪比优于-2dB时可以获得90%以上的识别正确率),可满足实 际环境中测试的需求。
应当注意,本发明的实施方式可以通过硬件、软件或者软件和硬件的结合 来实现。硬件部分可以利用专用逻辑来实现;软件部分可以存储在存储器中, 由适当的指令执行系统,例如微处理器或者专用设计硬件来执行。本领域的普 通技术人员可以理解上述的设备和方法可以使用计算机可执行指令和/或包含在 处理器控制代码中来实现,例如在诸如磁盘、CD或DVD-ROM的载体介质、诸 如只读存储器(固件)的可编程的存储器或者诸如光学或电子信号载体的数据载 体上提供了这样的代码。本发明的设备及其模块可以由诸如超大规模集成电路 或门阵列、诸如逻辑芯片、晶体管等的半导体、或者诸如现场可编程门阵列、 可编程逻辑设备等的可编程硬件设备的硬件电路实现,也可以用由各种类型的 处理器执行的软件实现,也可以由上述硬件电路和软件的结合例如固件来实现。
以上所述,仅为本发明的具体实施方式,但本发明的保护范围并不局限于 此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,凡在本发明 的精神和原则之内所作的任何修改、等同替换和改进等,都应涵盖在本发明的 保护范围之内。
Claims (10)
1.一种无人机图传信号与热点信号识别方法,其特征在于,所述无人机图传信号与热点信号识别方法,包括:
信号输入,将中频信号进行降采样后输入模型进行计算;
信号延迟相关检测,在时域上对信号进行延时相关处理,并提前其伪码周期;
谱峰检测,信号时域上延时相关归一化后进行谱峰搜索,根据设定自适应检测明显,提前大于检测明显的谱峰值;
非零相关点是否存在谱峰,检测信号延时相关谱在非零点时是否存在谱峰,作为无人机图传信号和WiFi热点信号的识别特征;
识别置信度评价体系根据信号信噪比、脉冲宽度等参数进行考量,得到信号多因子加权量化值,对识别结果进行评价。
2.如权利要求1所述无人机图传信号与热点信号识别方法,其特征在于,所述频信号进行降采样后输入模型进行计算具体过程为:
首先基于无人机图传信号与其他干扰信号中频特征的差异,对中频信号进行包络检测和包络提取,其次进行快速傅里叶变换处理,提取各脉冲信号的中频特征;然后对已提取的中频特征信号进行改进的模糊C均值聚类,基于欧式距离对各簇信号进行去野值处理,剔除干扰的杂散信号;
所述中频信号包络检测和包络提取具体为:
脉冲信号包络检测是基于信号幅度大于噪声幅度,进行包络提取,对接收的信号s(t)进行包络提取:
其中,As(t)为信号s(t)的包络;
所述快速傅里叶变换和提取信号中频特征具体为:
利用信号功率谱分布刻画信号中频特征,不需要知道无人机传输信号的调制方式和波特率先验参数,也不需要同步信息和训练序列,且无关于信号的包络特性,进行加窗处理,得到加窗后的信号功率谱分布函数,抑制噪声和信号突变的能力更强;
设接收机接收到的信号为y(t),即:
y(t)=s(t)+n(t);
式中,s(t)为无人机传输信号,其功率为S;n(t)为高斯白噪声;
信号功率谱分布于fL和fH之间,即Bw=fH-fL;对频带内的信号加汉明窗进行功率谱求解,得S(f),S(f)刻画了信号各频率点与信号功率之间的关系;
所述改进的模糊C均值聚类和基于欧式距离的去野值处理具体为:
采用改进的模糊C均值数据聚类对数据进行处理;
对每个对象和每个簇赋予一个权值,指明对象属于该簇的程度,就是最小化目标函数J(m),即误差的平方和(SSE),如下:
其中m是聚类的簇数;i,j是类标号;表示样本属于j类的隶属度,i表示第i个样本,x是具有d维特征的一个样本,是j簇的中心,也具有d维度,||*||是任意表示距离的度量,模糊c是一个不断迭代计算隶属度和簇中心的过程,直到达到最优,其中:
迭代的终止条件为:
其中k是迭代步数,∈是误差阈值,当达到迭代终止条件时,认为隶属度不变了,已经达到比较优状态了,局部最优或全局最优,该过程收敛于目标J(m)的局部最小值。
3.如权利要求1所述无人机图传信号与热点信号识别方法,其特征在于,所述信号时域上延时相关归一化后进行谱峰搜索进行信号时域延迟相关特征提取和谱峰搜索,具体过程为:
通过对载波信号进行编码,通过发射端调制和接收端解调,用以码元的转译获取信息;
WiFi体制无人机信号与WiFi热点信号这两类信号均采用OFDM信号调制方式,并采用了IEEE 802.11a/g的标准协议;这两类信号所传输的信息是不同的,两者编码方式不一致,通过对这两类信号进行时域相关检测完成两类信号的识别;
时域相关检测利用信号自身的强自相关性、信号与噪声的弱相关性的特点,从复杂背景噪声中完成对信号中相关数据结构的检测,从而确定相关数据结构的长度等属性,完成对于信号的识别。
5.如权利要求4所述无人机图传信号与热点信号识别方法,其特征在于,所述当τ≠kTs(k=0,1,2,…,n)时,信号的自相关函数值Rx(τ)很小,此时R(τ)主要由信号背景噪声的相关函数Rn(τ)而定,即Rx(τ)和信号信噪比有关;
当τ=kTs(k=0,1,2,…,n)时,信号的相关函数因为数据结构不同是其具有周期性,周期为kTs;随着k的增大,接收信号R(τ)将随着k的不断增大而逐渐变小,即非零延时点的谱峰随着k的增大,谱峰高度逐渐减小。
6.如权利要求3所述无人机图传信号与热点信号识别方法,其特征在于,所述WiFi体制无人机信号与WiFi热点信号虽然在频域上和数据结构组成上都采用IEEE 802.11a/g的标准协议,两者在编码方式上存在差异;无人机图传信号为实现数据保密、同步解调和接收识别,在局部数据采取特殊的编码方式,因此信号瞬时频率是不同的,信号瞬时频率提取后对应的数据主要包括同步解调数据、识别引导数据和图传信号数据;
信号瞬时频率的不同体现在了信号时域波形的变化上,通过对信号在时域上进行延时相关处理,提取其延迟相关特征,完成对上述两类信号的识别:
对各类信号进行延时自相关发现,无人机图传信号和WiFi热点信号差异较大;联系到无人机信号的编码方式,非零时延时自相关的时延定义为伪码周期值,该特征可作为区分无人机图传信号与WiFi热点信号。
7.如权利要求1所述无人机图传信号与热点信号识别方法,其特征在于,若在非零相关点除存在大于明显的谱峰,则说明该信号为无人机图传信号,否则为WiFi热点信号。
8.如权利要求1所述无人机图传信号与热点信号识别方法,其特征在于,所述信号加权量化值越大,识别置信度越高,否则越低。
9.一种接收用户输入程序存储介质,所存储的计算机程序使电子设备执行权利要求1~8任意一项所述无人机图传信号与热点信号识别方法包括下列步骤:
步骤一,信号输入,将中频信号进行降采样后输入模型进行计算;
步骤二,信号延迟相关检测,在时域上对信号进行延时相关处理,并提前其伪码周期;
步骤三,谱峰检测,信号时域上延时相关归一化后进行谱峰搜索,根据设定自适应检测明显,提前大于检测明显的谱峰值;
步骤四,非零相关点是否存在谱峰,检测信号延时相关谱在非零点时是否存在谱峰,作为无人机图传信号和WiFi热点信号的识别特征;
步骤五,识别置信度评价体系根据信号信噪比、脉冲宽度等参数进行考量,得到信号多因子加权量化值,对算法识别结果进行评价。
10.一种存储在计算机可读介质上的计算机程序产品,包括计算机可读程序,供于电子装置上执行时,提供用户输入接口以实施如权利要求1~8任意一项所述的无人机图传信号与热点信号识别方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110414728.9A CN113300986B (zh) | 2021-04-17 | 2021-04-17 | 无人机图传信号与热点信号识别方法、介质、计算机设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110414728.9A CN113300986B (zh) | 2021-04-17 | 2021-04-17 | 无人机图传信号与热点信号识别方法、介质、计算机设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113300986A true CN113300986A (zh) | 2021-08-24 |
CN113300986B CN113300986B (zh) | 2022-06-24 |
Family
ID=77318798
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110414728.9A Active CN113300986B (zh) | 2021-04-17 | 2021-04-17 | 无人机图传信号与热点信号识别方法、介质、计算机设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113300986B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114389623A (zh) * | 2022-03-23 | 2022-04-22 | 湖南华诺星空电子技术有限公司 | 一种穿越机识别驱离方法、系统及存储介质 |
CN115754469A (zh) * | 2023-01-05 | 2023-03-07 | 湖南红船科技有限公司 | 无人机微弱信号检测提取方法、系统、设备、介质及终端 |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102984025A (zh) * | 2012-11-23 | 2013-03-20 | 华为技术有限公司 | 网关设备虚拟隧道性能的测试方法、装置及系统 |
CN109104257A (zh) * | 2018-07-04 | 2018-12-28 | 北京邮电大学 | 一种无线信号检测方法及装置 |
CN109587089A (zh) * | 2018-12-12 | 2019-04-05 | 北航(四川)西部国际创新港科技有限公司 | 一种提升无人机信号识别准确度的方法 |
CN110334591A (zh) * | 2019-05-24 | 2019-10-15 | 西华大学 | 一种基于聚类分析的无人机跳频信号检测及识别方法 |
KR20200007727A (ko) * | 2018-07-13 | 2020-01-22 | 한국전자통신연구원 | 무인기 CNPC 인접대역의 무인기 임무용 통신 Waveform 장치 및 방법 |
CN111652183A (zh) * | 2020-06-19 | 2020-09-11 | 桂林电子科技大学 | 基于图传信号多特征融合的无人机检测与识别方法 |
CN111753803A (zh) * | 2020-07-06 | 2020-10-09 | 杭州画印科技有限公司 | 基于模糊聚类和高阶累积量的无人机图传信号识别方法 |
CN111860126A (zh) * | 2020-06-04 | 2020-10-30 | 北京航空航天大学 | 一种多节点协同无人机通信信号检测方法 |
CN111881984A (zh) * | 2020-07-30 | 2020-11-03 | 北京环境特性研究所 | 一种基于深度学习的目标检测方法和装置 |
CN112101461A (zh) * | 2020-09-16 | 2020-12-18 | 北京邮电大学 | 一种基于hrtf-pso-fcm的无人机侦察视觉信息可听化方法 |
-
2021
- 2021-04-17 CN CN202110414728.9A patent/CN113300986B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102984025A (zh) * | 2012-11-23 | 2013-03-20 | 华为技术有限公司 | 网关设备虚拟隧道性能的测试方法、装置及系统 |
CN109104257A (zh) * | 2018-07-04 | 2018-12-28 | 北京邮电大学 | 一种无线信号检测方法及装置 |
KR20200007727A (ko) * | 2018-07-13 | 2020-01-22 | 한국전자통신연구원 | 무인기 CNPC 인접대역의 무인기 임무용 통신 Waveform 장치 및 방법 |
CN109587089A (zh) * | 2018-12-12 | 2019-04-05 | 北航(四川)西部国际创新港科技有限公司 | 一种提升无人机信号识别准确度的方法 |
CN110334591A (zh) * | 2019-05-24 | 2019-10-15 | 西华大学 | 一种基于聚类分析的无人机跳频信号检测及识别方法 |
CN111860126A (zh) * | 2020-06-04 | 2020-10-30 | 北京航空航天大学 | 一种多节点协同无人机通信信号检测方法 |
CN111652183A (zh) * | 2020-06-19 | 2020-09-11 | 桂林电子科技大学 | 基于图传信号多特征融合的无人机检测与识别方法 |
CN111753803A (zh) * | 2020-07-06 | 2020-10-09 | 杭州画印科技有限公司 | 基于模糊聚类和高阶累积量的无人机图传信号识别方法 |
CN111881984A (zh) * | 2020-07-30 | 2020-11-03 | 北京环境特性研究所 | 一种基于深度学习的目标检测方法和装置 |
CN112101461A (zh) * | 2020-09-16 | 2020-12-18 | 北京邮电大学 | 一种基于hrtf-pso-fcm的无人机侦察视觉信息可听化方法 |
Non-Patent Citations (1)
Title |
---|
张璇: "对小型无人机的无源侦察和定位方法研究", 《中国优秀硕士学位论文全文数据库工程科技Ⅱ辑》 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114389623A (zh) * | 2022-03-23 | 2022-04-22 | 湖南华诺星空电子技术有限公司 | 一种穿越机识别驱离方法、系统及存储介质 |
CN115754469A (zh) * | 2023-01-05 | 2023-03-07 | 湖南红船科技有限公司 | 无人机微弱信号检测提取方法、系统、设备、介质及终端 |
Also Published As
Publication number | Publication date |
---|---|
CN113300986B (zh) | 2022-06-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109274621B (zh) | 基于深度残差网络的通信协议信号识别方法 | |
CN108764077B (zh) | 一种基于卷积神经网络的数字信号调制分类方法 | |
Koçkaya et al. | Spectrum sensing in cognitive radio networks: threshold optimization and analysis | |
CN113300986B (zh) | 无人机图传信号与热点信号识别方法、介质、计算机设备 | |
CN109490826B (zh) | 一种基于无线电波场强rssi的测距与位置定位方法 | |
CN111832462B (zh) | 一种基于深度神经网络的跳频信号检测与参数估计方法 | |
CN105429719B (zh) | 基于功率谱和多尺度小波变换分析强干扰信号检测方法 | |
CN111541511B (zh) | 复杂电磁环境下基于目标检测的通信干扰信号识别方法 | |
CN101764786B (zh) | 基于聚类算法的mqam信号识别方法 | |
CN110099019A (zh) | 基于深度学习的LoRa调制信号检测方法 | |
CN109640262B (zh) | 一种基于混合指纹的定位方法及系统、设备、存储介质 | |
CN114025379B (zh) | 一种宽带多信号检测方法、装置和设备 | |
CN105721080A (zh) | 一种频谱感知方法及装置 | |
CN115150744A (zh) | 一种大型会议场馆室内信号干扰源定位方法 | |
CN105429913B (zh) | 基于特征值的多电平检测与识别方法 | |
CN113191224A (zh) | 一种无人机信号提取和识别方法、系统 | |
CN103076595B (zh) | 一种多元离散雷达辐射源信号的异常类型识别方法 | |
CN108718223B (zh) | 一种非合作信号的盲频谱感知方法 | |
Chen et al. | Unlocking signal processing with image detection: a frequency hopping detection scheme for complex EMI environments using STFT and CenterNet | |
CN105244040A (zh) | 一种音频信号一致性对比方法 | |
Bryan et al. | Geolocation of multiple noncooperative emitters using received signal strength: Sparsity, resolution, and detectability | |
CN112596024B (zh) | 一种基于环境背景无线射频信号的运动识别方法 | |
CN101807961B (zh) | 基于双谱对角切片实现频谱感知的方法 | |
CN112953659A (zh) | 一种信道状态信息csi幅度指纹优化方法 | |
Wang et al. | A novel CSI-based ranging model for indoor localization using Kalman filter |
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 |