CN113469125A - 多无人机协同信号识别方法及识别系统 - Google Patents
多无人机协同信号识别方法及识别系统 Download PDFInfo
- Publication number
- CN113469125A CN113469125A CN202110834168.2A CN202110834168A CN113469125A CN 113469125 A CN113469125 A CN 113469125A CN 202110834168 A CN202110834168 A CN 202110834168A CN 113469125 A CN113469125 A CN 113469125A
- Authority
- CN
- China
- Prior art keywords
- unmanned aerial
- aerial vehicle
- data
- network
- training
- 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
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- 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
-
- 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
- G06N3/084—Backpropagation, e.g. using gradient descent
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- General Health & Medical Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Signal Processing (AREA)
- Bioinformatics & Computational Biology (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明公开了一种多无人机协同信号识别方法及识别系统,所述方法包括如下步骤:调制信号识别深度网络训练:基于历史收集的经过标注的调制信号数据集,采用深度神经网络架构,在地面控制站的边缘计算单元训练得到自动调制识别深度网络;深度网络分割与参数加载:地面控制站的网络分割单元根据参与协同调制识别的无人机数量,对训练得到的自动调制识别深度网络的计算任务进行分割,并将分割得到的计算任务和参数加载到每架无人机上;无人机协同调制信号识别与回传;深度网络更新:地面控制站的边缘计算单元利用标注的样本进行自动调制识别深度网络的参数更新,供下次任务执行使用。所述方法及系统具有实时性强、环境适应性好且识别精度高等优点。
Description
技术领域
本发明涉及网络数据通信方法及系统技术领域,尤其涉及一种多无人机协同信号识别方法及系统。
背景技术
在日益复杂的电磁环境下,进行有效的调制信号识别是理解用频环境的重要前提,也是进行有效频谱管理和利用的基础。在远海、岛礁、山地等复杂地形下,基于无人机平台的调制信号识别具有部署快、成本低、机动性好等优势。但是,单架无人机有限的载荷、计算能力、传输带宽和传输距离,使其难以独立完成特定区域调制信号识别的任务。为此,需要多架装载了边缘计算单元的无人机进行协同,共同运行计算复杂度较高的面向调制识别的深度神经网络,实现从信号识别任务区域到地面控制站的端到端识别与连接。
当前,无人机边缘计算期望将无人机作为边缘计算节点,为地面设备提供计算、传输和数据缓存服务。例如:中国发明专利申请“蜂窝网联下多无人机协同移动边缘计算系统资源分配方法”(申请号:201811144945.5,公开号:CN 109067490 A,公开日:2018年12月21日),提出了一种蜂窝网联下多无人机协同移动边缘计算系统资源分配方法,以降低无人机节点的能量消耗;中国发明专利申请“基于双层无人机的移动边缘计算系统的卸载任务分配方法”(申请号:201910525775.3,公开号:CN 110336861 A,公开日:2019年10月15日),采用博弈理论,提出了一种适用高空和低空无人机边缘计算系统的卸载任务分配方法;中国发明专利申请“最大化多无人机架构收益的方法”(申请号:202010566129.4,公开号:CN111884829 A,公开日:2020年11月3日),通过权衡用户的体验质量和运营商的运营成本,采用多维混合自适应粒子群算法最大化多无人机架构收益。但是,当前工作主要集中于传输和计算资源分配,或者架构设计,没有涉及无人机协作进行信号识别的场景。
自动调制识别(Automatic Modulation Recognition, AMR)是非合作通信场景下,实现高效频谱感知、频谱理解和频谱利用的重要前提。传统AMR方法可以分为两类:基于决策理论的似然性方法和基于统计理论的特征提取方法。基于决策理论的似然性方法在分析待识别信号统计特性的基础上,利用概率论、贝叶斯理论计算出信号的似然函数,通过比较通过似然函数得到的检验统计量,实现调制方式的识别。基于统计理论的特征提取方法通过选定特征对信号进行特征提取,然后利用训练好的分类器进行调制识别。但是,这两类方法的精度都严重依赖手工特征提取,以及关于信号的先验知识。
近几年,业界开始将以自动特征提取能力见长的深度神经网络应用于AMR,设计了多种面向自动调制识别的深度神经网络(AMR-oriented Deep Neural Network, ADNN)架构。这些架构通常基于卷积神经网络、循环神经网络或将二者结合进行设计,取得了较高的识别精度,且泛化能力较强。例如:中国发明专利申请“基于深度学习的无线通信调制信号识别方法”(申请号:201710720483.6,公开号:CN 107547460 A,公开日:2018年1月5日),采用深度卷积神经网络,进行通信信号调制识别;中国发明专利申请“基于卷积神经网络的调制信号识别方法”(申请号:201810253650.5,公开号:CN 108616470 A,公开日:2018年10月2日),设计了一种三层卷积神经网络,完成通信信号的自动识别;中国发明专利申请“基于课程学习的调制信号识别方法”(申请号:201910584732.2,授权号:CN 110300078 B,授权日:2021年4月27日),采用课程学习方法训练深度残差网络,完成调制识别;中国发明专利申请“基于深度学习的调制信号识别方法”(申请号:202010046931.0,公开号:CN111259798 A,公开日:2020年6月9日),针对调制信号,采用频域平滑法获取循环谱图,然后构建卷积神经网络进行信号识别;中国发明专利申请“一种基于剪枝残差网络的调制信号识别方法”(申请号:202010885528.7,公开号:CN 111898591 A,公开日:2020年11月6日),引入了剪枝机制,用于压缩调制识别深度网络的参数规模;中国发明专利申请“基于小波变换和卷积长短期记忆神经网络的调制信号识别方法”(申请号:202011238990.4,公开号:CN112418014 A,公开日:2021年2月26日),结合小波变换和长短期记忆网络,以提高复杂环境下识别准确率。但是,当前方法通常参数数量大、处理时间长、传输带宽要求高。在资源受限的无人机平台上,执行复杂的神经网络训练通常训练时间过长甚至无法收敛,或者面临因为供能不足以致训练或推理中断。此外,单架无人机执行调制识别时还面临传输带宽不足、传输距离受限,从而无法实时回传识别结果等问题。
发明内容
本发明所要解决的技术问题是提供一种实时性强、环境适应性好且识别精度高的多无人机协同调制信号识别方法。
为解决上述技术问题,本发明所采取的技术方案是:一种多无人机协同信号识别方法,其特征在于包括如下步骤:
调制信号识别深度网络训练:基于历史收集的经过标注的调制信号数据集,采用深度神经网络架构,在地面控制站的边缘计算单元训练得到自动调制识别深度网络;
深度网络分割与参数加载:地面控制站的网络分割单元根据参与协同调制识别的无人机数量,以及各架无人机的预定位置、计算能力和传输能力,对训练得到的自动调制识别深度网络的计算任务进行分割,并将分割得到的计算任务和参数加载到每架无人机上;
无人机协同调制信号识别与回传:多架无人机到达任务区域后,负责信号采集的无人机进行信号采样,并通过自身的边缘计算单元将采样得到的数据预处理为自动调制识别深度网络可以接受的样本,将该样本存储到自身的存储单元;并通过无线通信信道将其按照预定顺序传递到下一架无人机,该无人机通过自身的边缘计算单元,根据加载的计算任务和参数,对接收到的数据进行处理,然后通过无线通信信道将其按照预定顺序传递到下一架无人机,依次进行,直至将最终识别结果传递给地面控制站;
深度网络更新:无人机群完成协同调制信号识别任务返回后,负责信号采集的无人机将自身存储单元中的信号样本导出到地面控制站的存储单元,后者将导出的数据存储到历史收集的调制信号数据集中,并从导出的数据中挑选部分样本进行标注,地面控制站的边缘计算单元利用标注的样本进行自动调制识别深度网络的参数更新,供下次任务执行使用。
相应的,本发明还公开了一种多无人机协同信号识别系统,其特征在于包括:
调制信号识别深度网络训练模块:用于基于历史收集的经过标注的调制信号数据集,采用深度神经网络架构,在地面控制站的边缘计算单元训练得到自动调制识别深度网络;
深度网络分割与参数加载模块:用于地面控制站的网络分割单元根据参与协同调制识别的无人机数量,以及各架无人机的预定位置、计算能力和传输能力,对训练得到的自动调制识别深度网络的计算任务进行分割,并将分割得到的计算任务和参数加载到每架无人机上;
无人机协同调制信号识别与回传模块:用于多架无人机到达任务区域后,负责信号采集的无人机进行信号采样,并通过自身的边缘计算单元将采样得到的数据预处理为自动调制识别深度网络可以接受的样本,将该样本存储到自身的存储单元;并通过无线通信信道将其按照预定顺序传递到下一架无人机,该无人机通过自身的边缘计算单元,根据加载的计算任务和参数,对接收到的数据进行处理,然后通过无线通信信道将其按照预定顺序传递到下一架无人机,依次进行,直至将最终识别结果传递给地面控制站;
深度网络更新模块:用于无人机群完成协同调制信号识别任务返回后,负责信号采集的无人机将自身存储单元中的信号样本导出到地面控制站的存储单元,后者将导出的数据存储到历史收集的调制信号数据集中,并从导出的数据中挑选部分样本进行标注,地面控制站的边缘计算单元利用标注的样本进行自动调制识别深度网络的参数更新,供下次任务执行使用。
采用上述技术方案所产生的有益效果在于:第一,实时性强,识别与结果回传一体化进行,可以做到端到端实时调制信号识别,无需将采集到的原始信号回传至地面控制站进行处理,节约了传输带宽;第二,环境适应性好,可以灵活地根据无人机的数量、能量供应、计算能力以及无人机间的传输带宽进行自动调制识别深度网络的分割,可以适应不同的传输环境,并适配异构的无人机平台;第三,识别精度高,每次识别任务完成无人机返回后,都根据部分采集的样本以及专家知识标注,进行自动调制识别深度网络的参数更新,可以不断提升识别精度。
附图说明
下面结合附图和具体实施方式对本发明作进一步详细的说明。
图1是本发明实施例所述方法的流程图;
图2是本发明实施例所述方法中调制信号识别深度网络训练步骤的流程图;
图3是采用Resnet作为自动调制识别深度网络时的网络结构示意图;
图4是Res-stack模块的结构示意图;
图5本发明实施例所述方法中深度网络分割与无人机参数加载步骤的流程图;
图6是本发明实施例所述方法中无人机链式部署的示意图;
图7是本发明实施例所述方法中当采用微波链路建立连接时的连接关系示意图;
图8是采用Resnet作为自动调制识别深度网络时的网络分割示意图;
图9是本发明实施例所述方法中无人机协同调制信号识别与回传步骤的流程图;
图10是本发明实施例所述方法中深度网络更新步骤的流程图;
图11是本发明实施例所述系统的原理框图;
图12是本发明实施例所述系统中调制信号识别深度网络训练模块的原理框图;
图13是本发明实施例所述系统中深度网络分割与无人机参数加载模块的原理框图;
图14是本发明实施例所述系统中无人机协同调制信号识别与回传模块的原理框图;
图15是本发明实施例所述系统中深度网络更新模块的原理框图。
具体实施方式
下面结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明的一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
在下面的描述中阐述了很多具体细节以便于充分理解本发明,但是本发明还可以采用其他不同于在此描述的其它方式来实施,本领域技术人员可以在不违背本发明内涵的情况下做类似推广,因此本发明不受下面公开的具体实施例的限制。
如图1所示,本发明实施例公开了一种多无人机协同调制信号识别方法,所述方法包括如下步骤:
S101:调制信号识别深度网络训练:基于历史收集的经过人工或专家系统软件标注的调制信号数据集,采用典型深度神经网络架构,在地面控制站的边缘计算单元训练得到自动调制识别深度网络;
S102:深度网络分割与参数加载:地面控制站的网络分割单元,根据参与协同调制识别的无人机数量,以及各架无人机的预定位置、计算能力和传输能力,对训练得到的自动调制识别深度网络的计算任务进行分割,并将分割得到的计算任务和参数加载到每架无人机上;
S103:无人机协同调制信号识别:多架无人机到达任务区域后,负责信号采集的无人机进行信号采样,并通过自身的边缘计算单元,将采样得到的数据预处理为自动调制识别深度网络可以接受的样本,将该样本存储到自身的存储单元;并通过无线通信信道将其按照预定顺序传递到下一架无人机,该无人机通过自身的边缘计算单元,根据加载的计算任务和参数,对接收到的数据进行处理,然后通过无线通信信道将其按照预定顺序传递到下一架无人机,依次进行,直至将最终识别结果传递给地面控制站;
S104:深度网络更新:无人机群完成协同信号识别任务返回后,负责信号采集的无人机将自身存储单元中的信号样本导出到地面控制站的存储单元,后者将导出的数据存储到历史收集的调制信号数据集,并从导出的数据中挑选部分样本,根据专家知识进行标注,地面控制站的边缘计算单元利用标注的样本进行自动调制识别深度网络的参数更新,供下次任务执行使用。
进一步的,如图2所示,所述调制信号识别深度网络训练的具体方法包括如下步骤:
S1011:训练与验证样本集合选择:从由专家根据领域知识进行标注的调制信号数据集中,按比例抽取训练和测试样本集合;
所述样本是指一条定长的以向量形式表达的数据;例如,可以将信号的幅度与相位信息采用两个相互正交的载波分量表示为IQ两路数据,并将其作为一个样本;也可以将IQ两路数据转换为星座图或频谱图,将其作为一个样本;
所述样本标注是指由专家根据领域知识,通过手工提取特征,对数据中所包含信号的调制方式的判定结果,通常以one-hot形式进行定长编码;所述特征可以包括信号的时域、频域以及其他域的特征;
所述专家既可以是对调制信号比较熟悉的人类专家,也可以是以专家系统形式存在的,采用模式识别方法实现的软件;
所述按比例抽取是指将样本集中一定比例的样本取出,作为训练集或测试集,二者不重叠;比如,抽取70%的样本作为训练集,剩余30%的样本作为测试样本集;
S1012:选择或设计深度神经网络结构:从现有典型深度神经网络结构中选择一种作为自动调制识别深度网络的网络结构,比如VGG、LSTM、Resnet等;或者,设计新型的自动调制识别深度网络结构;
例如,当选择卷积神经网络作为自动调制识别深度网络模型时,可以采用文献“AnImproved Neural Network Pruning Technology for Automatic ModulationClassification in Edge Devices”(IEEE Transactions on Vehicular Technology,第69卷,第5期,2020年5月)所提出的轻量级卷积神经网络模型VTCNN2,当选择循环神经网络作为自动调制识别深度网络模型时,也可以采用文献“一种基于STFT-BiLSTM的通信信号调制方式识别方法”(空军预警学院学报,第34卷,第1期,43-49页,2020年1月)所提出的双向长短期记忆网络模型;
所述新型的自动调制识别深度网络结构可以在现有自动调制识别深度网络的基础上进行设计,也可以结合卷积神经网络、循环神经网络和注意力机制进行设计,从而利用三者的空间特征提取能力、时序特征提取能力和显著特征提取能力,进而更好地实现调制信号识别;
例如,当采用Resnet作为自动调制识别深度网络时,其结构如图3所示,每个方框内的数字表示经过该层操作后,输出数据的维度;首先,将采集到的信号作为维度为128*2的数据输入到网络中,经过Conv1D1层后,进入BN(Batch Normalization)层,进行层标准化,加快网络的训练和收敛速度,并防止过拟合,数据维度变化为64*32;之后,数据进入10个Res-stack模块进行处理,每两个Res-stack层之后是一个Pooling层,通过MaxPooling技术进行数据下采样,核的大小为1*3,步进为2;经过第11个Res-stack模块处理之后,数据维度变为2*32;然后,进入数据展平(Flatten)层,变成1维向量,元素数量为64个,然后进入致密层(Dense),进行维度压缩,形成包含10个元素的1维向量;最后,该向量进入softmax层,得到最终的调制类别;其中,Conv1D1的卷积核大小为(1,1),卷积核数量为32,步进设置为2;
作为Resnet的一个基本模块,Res-stack的结构如图4所示,其中包含2个卷积层,分别是Conv1D2和Conv1D3;2个激活层,均采用ReLU激活函数;2个标准化层(BN);Conv1D2和Conv1D3的卷积核大小分别为(1,1)和(1,3),卷积核的数量为32,步进为1;为了防止梯度消失问题,将每个Res-stack的输入端与输出端进行短接;
当采用卷积神经网络作为自动调制识别深度网络时,所述自动调制识别深度网络的输入神经元数量与训练与验证样本集合选择步骤中的样本的维度相同,当采用循环神经网络作为自动调制识别深度网络时,则将样本向量依次输入即可;
所述自动调制识别深度网络的输出是一个向量,其中只有1个元素值为1,其余都为0,值为1的元素代表输入样本所属的调制类型;
S1013:设定训练超参数:确定网络训练的超参数,比如网络层数、损失函数、卷积核的大小、学习率、训练回合数、正则化参数、样本批量的大小、激活函数种类等;
所述训练超参数的类型与神经网络的结构有关;
所述网络层数取值不宜过大,便于控制神经网络的计算复杂度和参数数量;
所述损失函数通常取交叉熵损失函数;
所述学习率通常取动态学习率,即学习率随着训练轮数的增加而减小;
所述训练回合数不宜过大,从而降低训练时间;
所述样本批量大小不宜过大或过小,比如,样本批量大小取100;
所述激活函数通常取ReLU;
S1014:深度神经网络训练:采用误差反向传播方法,在地面控制站的边缘计算单元训练得到自动调制识别深度网络,得到各个层的神经元连接的参数;
进一步的,如图5所示,所述深度网络分割与参数加载的方法包括如下步骤:
S1021:协同无人机数量及其位置确定:根据信号识别的任务区域位置、地面控制站(或识别结果接收站点)的位置、无人机平均传输带宽和距离、无人机的计算能力,计算完成任务所需的协作无人机的数量,并根据每架无人机的传输距离确定其部署位置;
例如,可以将协同无人机以链式方式部署在任务区域位置和地面控制站(或识别结果接收站点)的位置之间,如图6所示。无人机以相互中继的方式将原始信号边处理边传输,最终将结果输出到地面控制站(或识别结果接收站点),例如,当采用链式部署方案时,可以采用文献“A Cost-Efficient Elastic UAV Relay Network Construction Methodwith Guaranteed QoS”(Ad Hoc Networks,第107卷,2020年10月)所提出的中继网络部署与维护方法;
所述识别结果接收站点可以部署在距离任务区域位置较近的区域,可以以车载等形式存在,从而减少数据回传的距离,识别结果接收站点可以通过光纤、5G、微波等链路连接到地面控制站的传输单元,从而将识别结果最终传递到地面控制站;
例如,图7给出了当采用微波链路建立连接时的连接关系示意图;
所述无人机平均传输距离可以根据无人机的传输功率范围、传播环境、任务持续时间以及飞行距离等信息推断得到;
S1022:深度网络分割:根据无人机数量n将自动调制识别深度网络从输入层至输出层根据计算量大致平均分割为n份,然后从将分割得到的每一份计算任务分配到从任务区域开始直到位于地面控制站(或识别结果接收站点)上空的无人机上,这里的无人机数量不包含负责数据采集的无人机;
例如,当采用图3所示的自动调制识别深度网络时,当n=6时,一种任务分割的可行办法如图8所示,其中采用Resnet开发的调制信号识别深度网络被分割为6个部分,分别分配到6个参与协同信号识别的无人机上,每个无人机负责一部分深度网络的计算任务,且计算与存储需求大致相同;这里,将Res-stack模块作为分割的基本单元;
S1023:无人机计算频率及传输功率确定:根据采样速率和数据样本大小,确定对每个样本所需的处理时间,依据该时间,确定每架无人机在给定时间内完成给定的计算任务所需的计算频率,然后计算每两个相邻无人机在给定时间内完成计算任务间的数据传输所需的传输功率;
所述采样速率是指数据采集的无人机进行无线通信信号采样的速率;
S1024:无人机参数加载:将分割的计算任务加载到每架无人机,并设定其计算频率和传输功率;
进一步的,如图9所示,所述无人机协同调制信号识别与回传的具体方法包括如下步骤:
S1031:无线通信信号采集:无人机到达各自部署位置后,负责数据采集的无人机通过携带的信号接收装置获得无线通信信号;
S1032: 数据预处理:负责数据采集的无人机通过自身加载的边缘计算单元,对采得的信号进行去噪等预处理,得到可以通过自动调制识别深度网络处理的向量数据;
S1033:按序数据传输与处理:将向量化的数据传递到下一架无人机进行神经网络计算,并依照顺序在n架无人机间按顺序逐次进行数据计算和传输操作,各架无人机的边缘计算单元负责计算任务的执行;
S1034:识别结果输出:最后一架无人机的输出向量返回给地面控制站(或识别结果接收站点),该向量中取值为1的元素所对应的调制类型即为最终识别得到的结果;
进一步的,如图10所示,所述深度网络更新的具体方法包括如下步骤:
S1041:采集数据导出:无人机完成识别任务返回后,负责数据采集的无人机将采集的无线通信信号以向量形式导出到地面控制站的边缘计算单元;
S1042:典型数据标注:参考无人机协同信号识别与回传步骤中得到的识别结果,依据专家知识,从导出的无线通信信号样本中选择一部分样本进行类别标注,确定每个所选择样本对应的调制信号类别;
所述选择一部分样本的原则可以是随机选择,也可以是每隔定长时间进行选择,选择的样本数量不宜过多,从而降低标注的工作量;
所述类别标注可由人工根据经验完成,也可以由基于模式识别或传统方法开发的软件完成,或者二者相结合完成;
S1043:神经网络增量训练与更新:通过选择的样本及其标注,对自动调制识别深度网络进行增量训练,并基于训练结果更新神经网络参数,供下次执行任务时使用。
相应的,如图11所示,本发明实施例公开了一种多无人机协同信号识别系统,包括:
调制信号识别深度网络训练模块101:用于基于历史收集的经过标注的调制信号数据集,采用深度神经网络架构,在地面控制站的边缘计算单元训练得到自动调制识别深度网络;
深度网络分割与参数加载模块102:用于地面控制站的网络分割单元根据参与协同调制识别的无人机数量,以及各架无人机的预定位置、计算能力和传输能力,对训练得到的自动调制识别深度网络的计算任务进行分割,并将分割得到的计算任务和参数加载到每架无人机上;
无人机协同调制信号识别与回传模块103:用于多架无人机到达任务区域后,负责信号采集的无人机进行信号采样,并通过自身的边缘计算单元将采样得到的数据预处理为自动调制识别深度网络可以接受的样本,将该样本存储到自身的存储单元;并通过无线通信信道将其按照预定顺序传递到下一架无人机,该无人机通过自身的边缘计算单元,根据加载的计算任务和参数,对接收到的数据进行处理,然后通过无线通信信道将其按照预定顺序传递到下一架无人机,依次进行,直至将最终识别结果传递给地面控制站;
深度网络更新模块104:用于无人机群完成协同调制信号识别任务返回后,负责信号采集的无人机将自身存储单元中的信号样本导出到地面控制站的存储单元,后者将导出的数据存储到历史收集的调制信号数据集中,并从导出的数据中挑选部分样本进行标注,地面控制站的边缘计算单元利用标注的样本进行自动调制识别深度网络的参数更新,供下次任务执行使用。
进一步的,如图12所示,所述调制信号识别深度网络训练模块101包括:
训练与验证样本集合选择模块1011:用于从由专家根据领域知识进行标注的调制信号数据集中,按比例抽取训练和测试样本集合;
选择或设计深度神经网络结构模块1012:用于从典型深度神经网络结构中选择一种作为自动调制识别深度网络的网络结构;或者,用于设计新型的自动调制识别深度网络结构;
设定训练超参数模块1013:用于确定网络训练的超参数,所述训练超参数的类型与神经网络的结构有关;
深度神经网络训练模块1014:用于采用误差反向传播方法,在地面控制站的边缘计算单元训练得到自动调制识别深度网络,得到各个层的神经元连接的参数。
进一步的,如图13所示,所述深度网络分割与参数加载模块102包括:
协同无人机数量及其位置确定模块1021:用于根据信号识别的任务区域位置、地面控制站或识别结果接收站点的位置、无人机平均传输带宽和距离和无人机的计算能力,计算完成任务所需的协作无人机的数量,并根据每架无人机的传输距离确定其部署位置;
深度网络分割模块1022:用于根据无人机数量n将自动调制识别深度网络从输入层至输出层根据计算量平均分割为n份,然后将分割得到的每一份计算任务分配到从任务区域开始直到位于地面控制站或识别结果接收站点上空的无人机上,这里的无人机数量不包含负责数据采集的无人机;
无人机计算频率及传输功率确定模块1023:用于根据采样速率和数据样本大小,确定对每个样本所需的处理时间,依据该时间,确定每架无人机在给定时间内完成给定的计算任务所需的计算频率,然后计算每两个相邻无人机在给定时间内完成计算任务间的数据传输所需的传输功率;所述采样速率是指数据采集的无人机进行无线通信信号采样的速率;
无人机参数加载模块1024:用于将分割的计算任务加载到每架无人机中,并设定其计算频率和传输功率。
进一步的,如图14所示,所述无人机协同调制信号识别与回传模块103包括:
无线通信信号采集模块1031:用于在无人机到达各自部署位置后,负责数据采集的无人机通过携带的信号接收装置获得无线通信信号;
数据预处理模块1032:用于负责数据采集的无人机通过自身加载的边缘计算单元,对采得的信号进行去噪等预处理,得到可以通过自动调制识别深度网络处理的向量数据;
按序数据传输与处理模块1033:用于将向量化的数据传递到下一架无人机进行神经网络计算,并依照顺序在n架无人机间按顺序逐次进行数据计算和传输操作,各架无人机的边缘计算单元负责计算任务的执行;
识别结果输出模块1034:最后一架无人机的输出向量返回给地面控制站或识别结果接收站点,该向量中取值为1的元素所对应的调制类型即为最终识别得到的结果。
进一步的,如图15所示,所述深度网络更新模块104包括:
采集数据导出模块1041:用于无人机完成识别任务返回后,负责数据采集的无人机将采集的无线通信信号以向量形式导出到地面控制站的边缘计算单元;
典型数据标注模块1042:用于参考无人机协同调制信号识别与回传步骤中得到的识别结果,从导出的无线通信信号样本中选择一部分样本进行类别标注,确定每个所选择样本对应的调制信号类别;
神经网络增量训练与更新模块1043:用于通过选择的样本及其标注,对自动调制识别深度网络进行增量训练,并基于训练结果更新神经网络参数,供下次执行任务时使用。
需要说明的是,所述系统与所述方法相对应,系统中的模块的具体实现方法可以参考方法的实现步骤。
综上,所述方法和系统具有如下优点:第一,实时性强,识别与结果回传一体化进行,可以做到端到端实时调制信号识别,无需将采集到的原始信号回传至地面控制站进行处理,节约了传输带宽;第二,环境适应性好,可以灵活地根据无人机的数量、能量供应、计算能力以及无人机间的传输带宽进行自动调制识别深度网络的分割,可以适应不同的传输环境,并适配异构的无人机平台;第三,识别精度高,每次识别任务完成无人机返回后,都根据部分采集的样本以及专家知识标注,进行自动调制识别深度网络的参数更新,可以不断提升识别精度。
Claims (10)
1.一种多无人机协同信号识别方法,其特征在于包括如下步骤:
调制信号识别深度网络训练:基于历史收集的经过标注的调制信号数据集,采用深度神经网络架构,在地面控制站的边缘计算单元训练得到自动调制识别深度网络;
深度网络分割与参数加载:地面控制站的网络分割单元根据参与协同调制识别的无人机数量,以及各架无人机的预定位置、计算能力和传输能力,对训练得到的自动调制识别深度网络的计算任务进行分割,并将分割得到的计算任务和参数加载到每架无人机上;
无人机协同调制信号识别与回传:多架无人机到达任务区域后,负责信号采集的无人机进行信号采样,并通过自身的边缘计算单元将采样得到的数据预处理为自动调制识别深度网络可以接受的样本,将该样本存储到自身的存储单元;并通过无线通信信道将其按照预定顺序传递到下一架无人机,该无人机通过自身的边缘计算单元,根据加载的计算任务和参数,对接收到的数据进行处理,然后通过无线通信信道将其按照预定顺序传递到下一架无人机,依次进行,直至将最终识别结果传递给地面控制站;
深度网络更新:无人机群完成协同调制信号识别任务返回后,负责信号采集的无人机将自身存储单元中的信号样本导出到地面控制站的存储单元,后者将导出的数据存储到历史收集的调制信号数据集中,并从导出的数据中挑选部分样本进行标注,地面控制站的边缘计算单元利用标注的样本进行自动调制识别深度网络的参数更新,供下次任务执行使用。
2.如权利要求1所述的多无人机协同信号识别方法,其特征在于,所述调制信号识别深度网络训练的方法具体包括如下步骤:
训练与验证样本集合选择:从由专家根据领域知识进行标注的调制信号数据集中,按比例抽取训练和测试样本集合;
选择或设计深度神经网络结构:从典型深度神经网络结构中选择一种作为自动调制识别深度网络的网络结构;或者,设计新型的自动调制识别深度网络结构;
设定训练超参数:确定网络训练的超参数,所述训练超参数的类型与神经网络的结构有关;
深度神经网络训练:采用误差反向传播方法,在地面控制站的边缘计算单元训练得到自动调制识别深度网络,得到各个层的神经元连接的参数。
3.如权利要求1所述的多无人机协同信号识别方法,其特征在于,所述深度网络分割与参数加载的方法具体包括如下步骤:
协同无人机数量及其位置确定:根据信号识别的任务区域位置、地面控制站或识别结果接收站点的位置、无人机平均传输带宽和距离和无人机的计算能力,计算完成任务所需的协作无人机的数量,并根据每架无人机的传输距离确定其部署位置;
深度网络分割:根据无人机数量n将自动调制识别深度网络从输入层至输出层根据计算量平均分割为n份,然后将分割得到的每一份计算任务分配到从任务区域开始直到位于地面控制站或识别结果接收站点上空的无人机上,这里的无人机数量不包含负责数据采集的无人机;
无人机计算频率及传输功率确定:根据采样速率和数据样本大小,确定对每个样本所需的处理时间,依据该时间,确定每架无人机在给定时间内完成给定的计算任务所需的计算频率,然后计算每两个相邻无人机在给定时间内完成计算任务间的数据传输所需的传输功率;所述采样速率是指负责数据采集的无人机进行无线通信信号采样的速率;
无人机参数加载:将分割的计算任务加载到每架无人机中,并设定其计算频率和传输功率。
4.如权利要求1所述的多无人机协同信号识别方法,其特征在于,所述无人机协同调制信号识别与回传的具体方法包括如下步骤:
无线通信信号采集:无人机到达各自部署位置后,负责数据采集的无人机通过携带的信号接收装置获得无线通信信号;
数据预处理:负责数据采集的无人机通过自身加载的边缘计算单元,对采得的信号进行去噪预处理,得到可以通过自动调制识别深度网络处理的向量数据;
按序数据传输与处理:将向量化的数据传递到下一架无人机进行神经网络计算,并依照顺序在n架无人机间按顺序逐次进行数据计算和传输操作,各架无人机的边缘计算单元负责计算任务的执行;
识别结果输出:最后一架无人机的输出向量返回给地面控制站或识别结果接收站点,该向量中取值为1的元素所对应的调制类型即为最终识别得到的结果。
5.如权利要求1所述的多无人机协同信号识别方法,其特征在于,所述深度网络更新的具体方法包括如下步骤:
采集数据导出:无人机完成识别任务返回后,负责数据采集的无人机将采集的无线通信信号以向量形式导出到地面控制站的边缘计算单元;
典型数据标注:参考无人机协同调制信号识别与回传步骤中得到的识别结果,从导出的无线通信信号样本中选择一部分样本进行类别标注,确定每个所选择样本对应的调制信号类别;
神经网络增量训练与更新:通过选择的样本及其标注,对自动调制识别深度网络进行增量训练,并基于训练结果更新神经网络参数,供下次执行任务时使用。
6.一种多无人机协同信号识别系统,其特征在于包括:
调制信号识别深度网络训练模块:用于基于历史收集的经过标注的调制信号数据集,采用深度神经网络架构,在地面控制站的边缘计算单元训练得到自动调制识别深度网络;
深度网络分割与参数加载模块:用于地面控制站的网络分割单元根据参与协同调制识别的无人机数量,以及各架无人机的预定位置、计算能力和传输能力,对训练得到的自动调制识别深度网络的计算任务进行分割,并将分割得到的计算任务和参数加载到每架无人机上;
无人机协同调制信号识别与回传模块:用于多架无人机到达任务区域后,负责信号采集的无人机进行信号采样,并通过自身的边缘计算单元将采样得到的数据预处理为自动调制识别深度网络可以接受的样本,将该样本存储到自身的存储单元;并通过无线通信信道将其按照预定顺序传递到下一架无人机,该无人机通过自身的边缘计算单元,根据加载的计算任务和参数,对接收到的数据进行处理,然后通过无线通信信道将其按照预定顺序传递到下一架无人机,依次进行,直至将最终识别结果传递给地面控制站;
深度网络更新模块:用于无人机群完成协同调制信号识别任务返回后,负责信号采集的无人机将自身存储单元中的信号样本导出到地面控制站的存储单元,后者将导出的数据存储到历史收集的调制信号数据集中,并从导出的数据中挑选部分样本进行标注,地面控制站的边缘计算单元利用标注的样本进行自动调制识别深度网络的参数更新,供下次任务执行使用。
7.如权利要求6所述的多无人机协同信号识别系统,其特征在于,所述调制信号识别深度网络训练模块包括:
训练与验证样本集合选择模块:用于从由专家根据领域知识进行标注的调制信号数据集中,按比例抽取训练和测试样本集合;
选择或设计深度神经网络结构模块:用于从典型深度神经网络结构中选择一种作为自动调制识别深度网络的网络结构;或者,用于设计新型的自动调制识别深度网络结构;
设定训练超参数模块:用于确定网络训练的超参数,所述训练超参数的类型与神经网络的结构有关;
深度神经网络训练模块:用于采用误差反向传播方法,在地面控制站的边缘计算单元训练得到自动调制识别深度网络,得到各个层的神经元连接的参数。
8.如权利要求6所述的多无人机协同信号识别系统,其特征在于,所述深度网络分割与参数加载模块包括:
协同无人机数量及其位置确定模块:用于根据信号识别的任务区域位置、地面控制站或识别结果接收站点的位置、无人机平均传输带宽和距离和无人机的计算能力,计算完成任务所需的协作无人机的数量,并根据每架无人机的传输距离确定其部署位置;
深度网络分割模块:用于根据无人机数量n将自动调制识别深度网络从输入层至输出层根据计算量平均分割为n份,然后将分割得到的每一份计算任务分配到从任务区域开始直到位于地面控制站或识别结果接收站点上空的无人机上,这里的无人机数量不包含负责数据采集的无人机;
无人机计算频率及传输功率确定模块:用于根据采样速率和数据样本大小,确定对每个样本所需的处理时间,依据该时间,确定每架无人机在给定时间内完成给定的计算任务所需的计算频率,然后计算每两个相邻无人机在给定时间内完成计算任务间的数据传输所需的传输功率;所述采样速率是指负责数据采集的无人机进行无线通信信号采样的速率;
无人机参数加载模块:用于将分割的计算任务加载到每架无人机中,并设定其计算频率和传输功率。
9.如权利要求6所述的多无人机协同信号识别系统,其特征在于,所述无人机协同调制信号识别与回传模块包括:
无线通信信号采集模块:用于在无人机到达各自部署位置后,负责数据采集的无人机通过携带的信号接收装置获得无线通信信号;
数据预处理模块:用于负责数据采集的无人机通过自身加载的边缘计算单元,对采得的信号进行去噪预处理,得到可以通过自动调制识别深度网络处理的向量数据;
按序数据传输与处理模块:用于将向量化的数据传递到下一架无人机进行神经网络计算,并依照顺序在n架无人机间按顺序逐次进行数据计算和传输操作,各架无人机的边缘计算单元负责计算任务的执行;
识别结果输出模块:最后一架无人机的输出向量返回给地面控制站或识别结果接收站点,该向量中取值为1的元素所对应的调制类型即为最终识别得到的结果。
10.如权利要求6所述的多无人机协同信号识别系统,其特征在于,所述深度网络更新模块包括:
采集数据导出模块:用于无人机完成识别任务返回后,负责数据采集的无人机将采集的无线通信信号以向量形式导出到地面控制站的边缘计算单元;
典型数据标注模块:用于参考无人机协同调制信号识别与回传步骤中得到的识别结果,从导出的无线通信信号样本中选择一部分样本进行类别标注,确定每个所选择样本对应的调制信号类别;
神经网络增量训练与更新模块:用于通过选择的样本及其标注,对自动调制识别深度网络进行增量训练,并基于训练结果更新神经网络参数,供下次执行任务时使用。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110834168.2A CN113469125B (zh) | 2021-07-20 | 2021-07-20 | 多无人机协同信号识别方法及识别系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110834168.2A CN113469125B (zh) | 2021-07-20 | 2021-07-20 | 多无人机协同信号识别方法及识别系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113469125A true CN113469125A (zh) | 2021-10-01 |
CN113469125B CN113469125B (zh) | 2022-07-19 |
Family
ID=77881974
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110834168.2A Active CN113469125B (zh) | 2021-07-20 | 2021-07-20 | 多无人机协同信号识别方法及识别系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113469125B (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114548146A (zh) * | 2022-01-10 | 2022-05-27 | 电子科技大学 | 一种基于多任务网络的调制信号分类与带宽估计方法 |
CN114815904A (zh) * | 2022-06-29 | 2022-07-29 | 中国科学院自动化研究所 | 基于注意力网络的无人集群对抗方法、装置及无人设备 |
CN115604061A (zh) * | 2022-08-30 | 2023-01-13 | 电子科技大学(Cn) | 一种基于外部注意力机制的射频信号调制方式识别方法 |
CN117118495A (zh) * | 2023-08-23 | 2023-11-24 | 中国科学院微小卫星创新研究院 | 天基通算一体化网络系统、遥感数据在轨处理方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110832408A (zh) * | 2017-07-03 | 2020-02-21 | 深圳市大疆创新科技有限公司 | 通过飞行器的基于神经网络的图像目标跟踪 |
CN110958680A (zh) * | 2019-12-09 | 2020-04-03 | 长江师范学院 | 面向能量效率的无人机群多智能体深度强化学习优化方法 |
CN112180985A (zh) * | 2020-10-26 | 2021-01-05 | 中国人民解放军国防科技大学 | 一种支持多无人机集群控制的小型机载协同控制系统 |
CN112528912A (zh) * | 2020-12-19 | 2021-03-19 | 扬州大学 | 基于边缘计算的作物生长监测嵌入式系统及方法 |
US20210101680A1 (en) * | 2019-10-04 | 2021-04-08 | Northeastern University | Wireless Charging of Unmanned Aerial Vehicles |
CN112818788A (zh) * | 2021-01-25 | 2021-05-18 | 电子科技大学 | 一种基于无人机集群的分布式卷积神经网络分层匹配方法 |
-
2021
- 2021-07-20 CN CN202110834168.2A patent/CN113469125B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110832408A (zh) * | 2017-07-03 | 2020-02-21 | 深圳市大疆创新科技有限公司 | 通过飞行器的基于神经网络的图像目标跟踪 |
US20210101680A1 (en) * | 2019-10-04 | 2021-04-08 | Northeastern University | Wireless Charging of Unmanned Aerial Vehicles |
CN110958680A (zh) * | 2019-12-09 | 2020-04-03 | 长江师范学院 | 面向能量效率的无人机群多智能体深度强化学习优化方法 |
CN112180985A (zh) * | 2020-10-26 | 2021-01-05 | 中国人民解放军国防科技大学 | 一种支持多无人机集群控制的小型机载协同控制系统 |
CN112528912A (zh) * | 2020-12-19 | 2021-03-19 | 扬州大学 | 基于边缘计算的作物生长监测嵌入式系统及方法 |
CN112818788A (zh) * | 2021-01-25 | 2021-05-18 | 电子科技大学 | 一种基于无人机集群的分布式卷积神经网络分层匹配方法 |
Non-Patent Citations (3)
Title |
---|
HUAN LU ET AL.: "a cost-efficient elastic UAV relay network construction method with guaranteed QoS", 《AD HOC NETWORK》 * |
TIANYANG LI ET AL.: "a UAV swarm sensing oriented distributed computing cooperation scheme", 《2021 IEEE 6TH INTERNATIONAL CONFERENCE ON COMPUTER AND COMMUNICATION SYSTEM》 * |
高杨等: "基于态势感知一致性的UAV集群分布式协同性能分析", 《宇航学报》 * |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114548146A (zh) * | 2022-01-10 | 2022-05-27 | 电子科技大学 | 一种基于多任务网络的调制信号分类与带宽估计方法 |
CN114815904A (zh) * | 2022-06-29 | 2022-07-29 | 中国科学院自动化研究所 | 基于注意力网络的无人集群对抗方法、装置及无人设备 |
CN115604061A (zh) * | 2022-08-30 | 2023-01-13 | 电子科技大学(Cn) | 一种基于外部注意力机制的射频信号调制方式识别方法 |
CN115604061B (zh) * | 2022-08-30 | 2024-04-09 | 电子科技大学 | 一种基于外部注意力机制的射频信号调制方式识别方法 |
CN117118495A (zh) * | 2023-08-23 | 2023-11-24 | 中国科学院微小卫星创新研究院 | 天基通算一体化网络系统、遥感数据在轨处理方法 |
CN117118495B (zh) * | 2023-08-23 | 2024-05-28 | 中国科学院微小卫星创新研究院 | 天基通算一体化网络系统、遥感数据在轨处理方法 |
Also Published As
Publication number | Publication date |
---|---|
CN113469125B (zh) | 2022-07-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113469125B (zh) | 多无人机协同信号识别方法及识别系统 | |
CN114362367B (zh) | 面向云边协同的输电线路监测系统和方法、识别系统和方法 | |
CN114611705A (zh) | 数据处理方法、机器学习的训练方法及相关装置、设备 | |
CN110070183A (zh) | 一种弱标注数据的神经网络模型训练方法及装置 | |
CN114154545B (zh) | 强互干扰条件下无人机测控信号智能识别方法 | |
CN113242066B (zh) | 一种多小区大规模mimo通信智能功率分配方法 | |
CN113485212B (zh) | 宽带卫星信号智能识别系统 | |
CN113567159A (zh) | 一种基于边云协同的刮板输送机状态监测及故障诊断方法 | |
CN112929849A (zh) | 一种基于强化学习的可靠车载边缘计算卸载方法 | |
CN112115830A (zh) | 一种基于比特域特征提取的目标分布式融合识别方法 | |
CN114374981A (zh) | 一种通信无人机的节能按需预部署方法 | |
Wang et al. | Federated convolutional auto-encoder for optimal deployment of UAVs with visible light communications | |
CN111770133B (zh) | 一种多体慧联云控平台 | |
Sun et al. | Semantic-driven computation offloading and resource allocation for uav-assisted monitoring system in vehicular networks | |
CN112395952A (zh) | 一种用于铁轨缺陷检测的无人机 | |
CN114170560B (zh) | 一种基于深度强化学习的多设备边缘视频分析系统 | |
CN116663644A (zh) | 一种多压缩版本的云边端dnn协同推理加速方法 | |
CN114401063B (zh) | 基于轻量化模型的边缘设备协同频谱智能监测方法和系统 | |
CN116436980A (zh) | 一种实时视频任务端网边协同调度方法及装置 | |
CN113780371A (zh) | 基于边缘计算与深度学习的绝缘子状态边缘识别方法 | |
CN112232430A (zh) | 神经网络模型测试方法、装置、存储介质及电子装置 | |
CN117932312B (zh) | 基于时空注意力网络和对比损失的无线电定位识别系统 | |
CN111914923B (zh) | 一种基于聚类特征提取的目标分布式识别方法 | |
CN116647376B (zh) | 一种基于声纹信息的水声网络节点身份认证方法 | |
CN118381921B (zh) | 一种机巡图像高质量压缩管理方法、系统、介质及设备 |
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 |