CN113518374B - Wifi干扰下无人机图传信号的射频识别方法 - Google Patents
Wifi干扰下无人机图传信号的射频识别方法 Download PDFInfo
- Publication number
- CN113518374B CN113518374B CN202110394487.6A CN202110394487A CN113518374B CN 113518374 B CN113518374 B CN 113518374B CN 202110394487 A CN202110394487 A CN 202110394487A CN 113518374 B CN113518374 B CN 113518374B
- Authority
- CN
- China
- Prior art keywords
- signal
- image transmission
- wifi
- signals
- value
- 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
Links
Images
Classifications
-
- 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
-
- 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
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D30/00—Reducing energy consumption in communication networks
- Y02D30/70—Reducing energy consumption in communication networks in wireless communication networks
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Signal Processing (AREA)
- Evolutionary Computation (AREA)
- Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Computer Networks & Wireless Communication (AREA)
- Radar Systems Or Details Thereof (AREA)
- Image Analysis (AREA)
Abstract
WIFI干扰下无人机图传信号的射频识别方法,包括:由接收机获取无人机发送的图传信号的数据,该数据中可能混有WIFI信号;将图传信号的数据进行带宽处理;当WIFI信号与图传信号的带宽不同时,先将所获得的图传信号进行FFT变换到频域,经过EMD去噪得到频谱图,再将去噪后的频谱图经过自适应算法估计底噪值,根据底噪值与功率谱设置阈值,大于阈值置1,小于阈值置零,将二值频谱图经过归一化斜度滑动窗,根据脉冲个数估计信号的个数,根据脉冲距离估计信号的带宽与中心频率,若脉冲个数小于0则没有信号,进行下一轮循环;当WIFI信号与图传信号的带宽相同时,提取各信号的特征值,结合机器学习算法来识别图传信号,利用随机森林分类器对信号进行分类。
Description
技术领域
本发明涉及一种无人机图传信号的识别方法,更具体地涉及一种WIFI干扰下无人机图传信号的射频识别方法。
背景技术
随着无人机在民用与军事领域的应用持续快速增长,无人机干扰机场、拍摄隐私、炸弹袭击等事件数见不鲜,这一系列“黑飞”引起的事故告诫人们,对“黑飞”的管制迫在眉睫。现有的无人机探测方法有:雷达探测、声波探测、视频探测与射频探测。雷达探测功耗大,非全天候,且对“低小慢”目标截获概率小,声波探测距离短。视频探测受天气、鸟类等影响。射频探测可以克服以上的限制,距离适中,不受“低小慢”、天气等影响。
目前本领域对无人机信号的射频识别主要有三种方法。第一种方法是识别无人机遥控信号,通过提取遥控信号的跳频周期、跳变时刻、跳频频率等参数来判断该信号是否为无人机的遥控信号,例如通过提取无人机遥控信号的多个特征参数组成的特征向量,训练分类器,区分不同的无人机遥控信号。然而对于某些无人机,当其不飞行时,遥控器依然可以发射出遥控信号,这种方法容易引发错误的警报。第二种方法是识别无人机的MAC地址(Media Access Control Address,媒体存取控制位址),它通过提取WIFI(WirelessFidelity,无线网络技术)无人机发射信号的MAC地址确定是否是无人机,但大部分无人机都不是利用WIFI通信,且不容易建立完整的MAC地址数据库,该方法具有局限性。第三种方法是识别无人机的图传信号,该方法通过检测无人机图传信号的特征识别无人机,例如通过计算接收到信号的带宽来确定是否是有图传信号,或者提出利用四阶累积量来区分图传信号和其他调制的单载波信号,或通过图传信号频谱的滑动峭度、滑动偏度及滑动斜度作为特征,结合机器学习识别图传信号。以上方法推动了图传信号的研究,但是当存在WIFI信号时,由于WIFI信号也是OFDM(Orthogonal frequency-division multiplexing,正交频分复用)信号,同时WIFI信号和无人机的图传信号在频段、带宽以及制式上极其相似,所以上述方法不能使用。
此外,本领域还提出以下方法,例如对接收到的信号做自相关来区分WIFI和图传信号,利用子载波个数来区分WIFI和图传信号,利用通用软件无线电外设平台USRP B210作为接收机,根据WIFI与图传包络不同作为特征值,利用对抗神经网络模型(AuxiliaryClassifier Generative Adversarial Networks AC-WGANs)识别WIFI与图传。上述方法从理论上比较图传与WIFI,可以很好的区分WIFI与图传。然而,由于WIFI与图传都工作在2.4GHz与5.8GHz的ISM频段(IndustrialScientificMedical Band,工业、科学、医学频段),因此在实际环境中,图传与WIFI往往是相互叠加,使得当存在WIFI干扰时,以上方法都不能很好的识别无人机图传信号。
因此,本领域存在着对能够在WIFI干扰下有效地对无人机的图传信号进行射频识别的方法的迫切需要。
发明内容
为了克服上述现有技术的缺点,以及解决针对民用无人机应用在环境中的WIFI干扰会影响图传信号的识别这一问题,本发明的目的在于提供一种WIFI干扰下无人机图传信号的射频识别方法。
根据本发明的一个实施方式提供了一种WIFI干扰下无人机图传信号的射频识别方法,该方法将带宽及机器学习结合进行射频识别。具体地,当WIFI信号与图传带宽不同时,提出先频谱二值化,后滑动窗斜度求带宽的方法识别无人机图传信号。当带宽相同时,提取WIFI与图传信号时、频域等多个特征值作为分类器的输入,结合机器学习算法中的支持向量机(SVM)、决策树(DT)、神经网络(NN)及随机森林(RandF)中的任一种识别图传信号。所述方法可以在WIFI干扰下识别无人机图传信号,且采用随机森林方法效果最好,识别率为100%。
根据本发明的一个实施方式提供了一种WIFI干扰下无人机图传信号的射频识别方法,其特征在于,该方法包括以下步骤:步骤一,通过接收机获取由无人机发送的图传信号的数据,该数据中可能混有WIFI信号;步骤二,将所获取的图传信号的数据进行带宽处理;步骤三,当WIFI信号与图传信号的带宽不同时,先将所获得的图传信号进行FFT变换到频域,然后经过经验模态分解EMD去噪得到频谱图,接着将去噪后的频谱图经过自适应算法估计底噪值,根据底噪值与功率谱设置阈值,大于阈值置1,小于阈值置零,将二值频谱图经过归一化斜度滑动窗,根据脉冲的个数估计信号的个数,若脉冲个数为0,则证明此时没有信号,进行下一轮循环,若脉冲个数不为0,根据脉冲的距离估计信号的带宽与中心频率;步骤四,当WIFI信号与图传信号的带宽相同时,提取WIFI信号、图传信号以及混合信号的时、频域的30个统计值及一个子载波数作为特征值,总共31个特征值,结合机器学习算法中的支持向量机(SVM)、决策树(DT)、神经网络(NN)及随机森林(RandF)中的任一种来识别无人机图传信号,经过多次试验,依次减少特征参数的个数,重新训练分类器并进行分类,在不降低分类准确率的前提下,得到最少的特征参数组成的特征向量,从而剔除掉冗余的特征参数,最终得到重要的特征参数,将该重要的特征参数作为特征向量,利用随机森林分类器对所述WIFI信号、图传信号以及混合信号进行分类从而识别出图传信号。
可选地,根据本发明的另一个实施方式,所述步骤三还包括:
将所述获取的图传信号进行FFT变换到频域后,使用EMD去除接收功率谱噪声,其中假设所采集到的图传信号在FFT变换之后的功率谱函数为s(f),f是信号频率,所述EMD去噪方法是将FFT变换后的图传信号分解为许多的窄带分量,每一分量被称为本征模态函数(Intrinsic Mode Function,IMF),分解结果由若干本征模态函数和一个残余信号组成,即
其中imfi是第i个IMF,f是频率,rn(t)是残余信号,接着去除前三阶IMF,由四阶IMF与残余信号构成滤波后的信号为
将以上公式(2)滤波后的功率值求均值,再将功率高于该均值的频点的对应功率值设为该均值,重复上述过程,直至前后2次均值的差小于某个定值时停止,最后一次均值便是估计的底噪值;
根据所述底噪值与功率谱设置阈值,大于阈值置1,小于阈值置零,当图传信号与WIFI信号在频域交叠时,通过阈值的设定便可以去除WIFI信号。
可选地,根据本发明的另一个实施方式,所述步骤三还包括:
进行带宽补偿以防止所述阈值设定不当导致有信号的地方置零,若所述二值频谱图中两段间隔小于总点数的百分之一,则认为是同一个信号,补偿1;
斜度反应曲线的倾斜程度,二值频谱图经过滑动窗斜度,其第k个滑动窗斜度公式如下
其中,Na为滑动窗点数,fw是频率间隔,f是频率,y(f)是二值化后功率谱值,fk是第k个滑动窗的开始频率,fk+(Na-1)×fw是第k个滑动窗的终止频率,带宽为斜度滑动窗脉冲的距离。
可选地,根据本发明的另一个实施方式,所述步骤四还包括:
所述图传信号和WIFI信号都为OFDM信号,OFDM信号是多载波信号,其自相关函数为
其中,r(n)是接收信号,kn是平移量,E是期望,算符*是取共轭,是接收的OFDM信号的功率值,是高斯白噪声的功率值,N为OFDM符号的有效长度,即有效子载波个数,自相关的最大值便是有效子载波的个数,将有效子载波的个数作为一个特征值用于识别图传信号;
将时频域31个特征值作为分类器的输入,结合机器学习算法中的支持向量机(SVM)、决策树(DT)、神经网络(NN)及随机森林(RandF)中的任一种来识别无人机图传信号。
通过参考附图和以下说明,本发明的其它装置、设备、系统、方法、特征和优点将是明显的。包括在本说明书中的所有的另外的这种系统、方法、特征和优点都在本发明的范围内,且由所附权利要求保护。
附图说明
通过参考附图可更好地理解本发明。图中的构件不应视作按比例绘制,重点应放在示出本发明的原理上。
图1为一个WIFI干扰RF探测场景图的示意图。
图2a为应用根据本发明的实施方式的一种WIFI干扰下无人机图传信号的射频识别方法的一个示例性实施例中采用Tektronix RSA6114A实时频谱仪测得WIFI信号时频图。
图2b为应用根据本发明的实施方式的一种WIFI干扰下无人机图传信号的射频识别方法的一个示例性实施例中采用Tektronix RSA6114A实时频谱仪测得图传信号时频图。
图3为应用根据本发明的实施方式的一种WIFI干扰下无人机图传信号的射频识别方法的一个示例性实施例中的系统信号处理流程图。
图4为应用根据本发明的实施方式的一种WIFI干扰下无人机图传信号的射频识别方法的一个示例性实施例中对频段带宽进行处理的流程图。
图5为应用根据本发明的实施方式的示例性实施例中在户外实测10MHz图传数据的示意图。
图6应用根据本发明的实施方式的示例性实施例中经过EMD去噪后的频谱图。
图7为应用根据本发明的实施方式的示例性实施例中经过二值化处理后的归一化斜度值的图示。
图8为应用根据本发明的实施方式的示例性实施例中的实验布局的示意图。
图9a示出了在应用根据本发明的实施方式的示例性实施例中对于混合信号由于频段的设置不同,实测WIFI与图传混合的第一种情况。
图9b示出了在应用根据本发明的实施方式的示例性实施例中对于混合信号由于频段的设置不同,实测WIFI与图传混合的第二种情况。
图9c示出了在应用根据本发明的实施方式的示例性实施例中对于混合信号由于频段的设置不同,实测WIFI与图传混合的第三种情况。
图10a示出了在应用根据本发明的实施方式的示例性实施例中对分类器进行训练得到的支持向量机分类结果。
图10b示出了在应用根据本发明的实施方式的示例性实施例中对分类器进行训练得到的决策树分类结果。
图10c示出了在应用根据本发明的实施方式的示例性实施例中对分类器进行训练得到的神经网络分类结果。
图10d示出了在应用根据本发明的实施方式的示例性实施例中对分类器进行训练得到的随机森林分类结果。
图11示出了在应用根据本发明的实施方式的示例性实施例中对使用6个比重比较大的特征值时随机森林分类结果。
具体实施方式
下面将参照附图更详细地描述本公开的示例性实施方式。虽然附图中显示了本公开的示例性实施方式,然而应当理解,可以以各种形式实现本公开而不应被这里阐述的实施方式所限制。相反,提供这些实施方式是为了能够更透彻地理解本公开,并且能够将本公开的范围完整的传达给本领域的技术人员。需要注意的是,除非另有说明,本发明使用的技术术语或者科学术语应当为本发明所属领域技术人员所理解的通常意义。
针对这一问题,根据本发明的一个实施方式提出带宽及机器学习结合的射频识别方法。首先,提出先频谱二值化,后滑动窗斜度求带宽的方法识别无人机图传信号,当存在10MHz带宽时判定为无人机。其次,当不存在10MHz带宽时,提取WIFI与图传信号时域、频域等31个特征值作为分类器的输入,结合机器学习算法中的支持向量机(SVM)、决策树(DT)、神经网络(NN)及随机森林(RandF)识别图传信号。
根据本发明的一个实施方式提供了一种WIFI干扰下无人机图传信号的射频识别方法,该方法将带宽及机器学习结合进行射频识别。具体地,当WIFI信号与图传带宽不同时,提出先频谱二值化,后滑动窗斜度求带宽的方法识别无人机图传信号。当带宽相同时,提取WIFI与图传信号时、频域等多个特征值作为分类器的输入,结合机器学习算法中的支持向量机(SVM)、决策树(DT)、神经网络(NN)及随机森林(RandF)中的任一种识别图传信号。所述方法可以在WIFI干扰下识别无人机图传信号,且采用随机森林方法效果最好,识别率为100%。
根据本发明的一个实施方式提供了一种WIFI干扰下无人机图传信号的射频识别方法,其特征在于,该方法包括以下步骤:步骤一,通过接收机获取由无人机发送的图传信号的数据,该数据中可能混有WIFI信号;步骤二,将所获取的图传信号的数据进行带宽处理;步骤三,当WIFI信号与图传信号的带宽不同时,先将所获得的图传信号进行FFT变换到频域,然后经过经验模态分解EMD去噪得到频谱图,接着将去噪后的频谱图经过自适应算法估计底噪值,根据底噪值与功率谱设置阈值,大于阈值置1,小于阈值置零,将二值频谱图经过归一化斜度滑动窗,根据脉冲的个数估计信号的个数,若脉冲个数为0,则证明此时没有信号,进行下一轮循环,若脉冲个数不为0,根据脉冲的距离估计信号的带宽与中心频率;步骤四,当WIFI信号与图传信号的带宽相同时,提取WIFI信号、图传信号以及混合信号的时、频域的30个统计值及一个子载波数作为特征值,总共31个特征值,结合机器学习算法中的支持向量机(SVM)、决策树(DT)、神经网络(NN)及随机森林(RandF)中的任一种来识别无人机图传信号,经过多次试验,依次减少特征参数的个数,重新训练分类器并进行分类,在不降低分类准确率的前提下,得到最少的特征参数组成的特征向量,从而剔除掉冗余的特征参数,最终得到重要的特征参数,将该重要的特征参数作为特征向量,利用随机森林分类器对所述WIFI信号、图传信号以及混合信号进行分类从而识别出图传信号。
可选地,根据本发明的另一个实施方式,所述步骤三还包括:
将所述获取的图传信号进行FFT变换到频域后,使用EMD去除接收功率谱噪声,其中假设所采集到的图传信号在FFT变换之后的功率谱函数为s(f),f是信号频率,所述EMD去噪方法是将FFT变换后的图传信号分解为许多的窄带分量,每一分量被称为本征模态函数(Intrinsic Mode Function,IMF),分解结果由若干本征模态函数和一个残余信号组成,即
其中imfi是第i个IMF,f是频率,rn(t)是残余信号,接着去除前三阶IMF,由四阶IMF与残余信号构成滤波后的信号为
将以上公式(2)滤波后的功率值求均值,再将功率高于该均值的频点的对应功率值设为该均值,重复上述过程,直至前后2次均值的差小于某个定值时停止,最后一次均值便是估计的底噪值;
根据所述底噪值与功率谱设置阈值,大于阈值置1,小于阈值置零,当图传信号与WIFI信号在频域交叠时,通过阈值的设定便可以去除WIFI信号。
可选地,根据本发明的另一个实施方式,所述步骤三还包括:
进行带宽补偿以防止所述阈值设定不当导致有信号的地方置零,若所述二值频谱图中两段间隔小于总点数的百分之一,则认为是同一个信号,补偿1;
斜度反应曲线的倾斜程度,二值频谱图经过滑动窗斜度,其第k个滑动窗斜度公式如下
其中,Na为滑动窗点数,fw是频率间隔,f是频率,y(f)是二值化后功率谱值,fk是第k个滑动窗的开始频率,fk+(Na-1)×fw是第k个滑动窗的终止频率,带宽为斜度滑动窗脉冲的距离。
可选地,根据本发明的另一个实施方式,所述步骤四还包括:
所述图传信号和WIFI信号都为OFDM信号,OFDM信号是多载波信号,其自相关函数为
其中,r(n)是接收信号,kn是平移量,E是期望,算符*是取共轭,是接收的OFDM信号的功率值,是高斯白噪声的功率值,N为OFDM符号的有效长度,即有效子载波个数,自相关的最大值便是有效子载波的个数,将有效子载波的个数作为一个特征值用于识别图传信号;
将时频域31个特征值作为分类器的输入,结合机器学习算法中的支持向量机(SVM)、决策树(DT)、神经网络(NN)及随机森林(RandF)中的任一种来识别无人机图传信号。
以下将结合附图对根据本发明的实施方式的一种WIFI干扰下无人机图传信号的射频识别方法所包括的多级探测系统及方法、带宽处理方法、基于机器学习的图传信号识别进行说明。
表1 各无人机探测方案比较
以下参考附图对应用根据本发明的实施方式的一种WIFI干扰下无人机图传信号的射频识别方法的示例性实施例中的探测系统和方式进行详细说明。
参考图1,示出了无人机图传信号的场景,在这个环境中设置有WIFI、无人机、无人机遥控器和接收机。在本示例性实施例中,该WIFI带宽可以为20MHz或者40MHz,采用常用的IEEE 802.11.n协议,调制方式为OFDM(Orthogonal Frequency Division Multiplexing,正交频分复用技术)。该无人机是图传信号为OFDM的无人机,在该示例性实施例中采用大疆Phantom 4 Pro V2.0型号的无人机,带宽为10MHz或者20MHz。在操作中,通过操作遥控器控制无人机,无人机发射图传信号给遥控器。该示例性实施例中,采用通用软件无线电平台,型号为USRP X310,作为接收机接收WIFI、图传及环境中的噪声。该通用软件无线电平台USRP X310是一个2x2 MIMO SDR平台,频段范围是DC-6GHz,单通道带宽可达200MHz,最大输出功率是20dBm。实际中由于无人机遥控器离接收机较远,且地对地接收损耗较大,接收机往往接收不到或者接收很小的遥控信号,在该示例性实施例中把遥控信号当作背景噪声。
该WIFI与绝大部分民用无人机图传是工作在ISM频段的OFDM信号,且信道自适应。参考图2a和图2b,示出了采用实时频谱仪测得WIFI信号与图传信号时频图,都为时变信号。根据以上分析,则在图1所示场景下可能采集到的信号有:噪声、10MHz图传+噪声、10MHz图传+20MHzWIFI+噪声、20MHz图传+噪声、20MHzWiFI+噪声、20MHz图传+20MHzWIFI+噪声。参考图3,示出了在该示例性实施例中的系统信号处理流程图,采集到的信号先经过带宽处理,根据带宽处理分为3类,分别为:带宽等于0,带宽等于10MHz,及带宽为其他。其中,带宽等于0对应噪声;带宽等于10MHz对应10MHz图传+噪声、10MHz图传+20MHzWIFI+噪声;带宽为其他对应20MHz图传+噪声、20MHzWiFI+噪声、20MHz图传+20MHzWIFI+噪声。
以下参考附图对应用根据本发明的实施方式的一种WIFI干扰下无人机图传信号的射频识别方法的示例性实施例中的带宽处理过程进行详细说明。根据以上分析可知,在该示例性实施方式中,WIFI与图传都工作在2.4GHz与5.8GHz的ISM频段,图传带宽为10MHz或者20MHz的OFDM信号,WIFI带宽为20MHz。这里对图3信号处理的第二类情况,即带宽等于10MHz进行说明。
图4示出了应用根据本发明的实施方式的一种WIFI干扰下无人机图传信号的射频识别方法的示例性实施例中的处理频段带宽的流程图。参考图4,首先,将采集的信号进行FFT变换(fast Fourier transform,快速傅里叶变换)到频域,并经过EMD(经验模态分解)去噪。接着,将去噪后的频谱图通过自适应算法估计底噪,将大于底噪10dB的归为信号部分,用1表示,小于底噪10dB的归为噪声部分,用0表示。接下来,将二值频谱图经过归一化斜度滑动窗,根据脉冲的个数便可以估计信号的个数,若脉冲个数为0,则证明此时没有信号,进行下一轮循环,若脉冲个数不为0,根据脉冲的距离估计信号的带宽与中心频率。
该示例性实施例中,利用EMD去除接收功率谱噪声,假设采集到的信号FFT之后接收的功率谱函数为s(f),f是信号频率。EMD分解方法是将原信号分解为许多的窄带分量,每一分量被称为本征模态函数(Intrinsic Mode Function,IMF),分解结果由若干本征模态函数(IMF)和一个残余信号组成,即
其中imfi是第i个IMF,f是频率,rn(t)是残余信号。这里去除前三阶IMF,由四阶IMF与残余信号构成滤波后的信号为:
图5示出了应用根据本发明的实施方式的一种WIFI干扰下无人机图传信号的射频识别方法的示例性实施例中在户外实测10MHz图传数据,使用10000个采样点,频率范围为2.4-2.5GHz。图6示出了应用根据本发明的实施方式的一种WIFI干扰下无人机图传信号的射频识别方法的示例性实施例中经过EMD去噪后的频谱图,其中EMD去除了频谱毛刺与噪声,使得图像更加光滑。
将公式(2)滤波后的功率值求均值,将高于该均值的频点功率值设为该均值,重复上述过程,直至前后2次均值的差小于某个定值则停止,最后一次均值便是估计的底噪值。
根据底噪值与功率谱设置阈值,大于阈值置1,小于阈值置零。当图传与WIFI信号在频域交叠时,通过阈值的设定便可以去除WIFI信号,实际应用中可根据信号情况自由设定阈值。经过自适应去噪后设置的阈值如图6虚线所示,此时设置的阈值是大于底噪10dB。
为了防止阈值设定不当导致有信号的地方置零,此时需要带宽补偿。若二值化后的图每段间隔小于总点数的百分之一,则认为是一个信号,补偿1。斜度反应曲线的倾斜程度,二值化后的图经过滑动窗斜度,其第k个滑动窗斜度公式如下
其中,Na为滑动窗点数,fw是频率间隔,f是频率,y(f)是二值化后功率谱值,fk是第k个滑动窗的开始频率,fk+(Na-1)×fw是第k个滑动窗的终止频率。带宽为斜度滑动窗脉冲的距离,此方法还可求出信号起止频率。图7是经过二值化处理后的归一化斜度值。从图中看出二值化后的斜度峰值更加尖锐,可以求出图传信号带宽与起止频率。
以下参考附图对应用根据本发明的实施方式的一种WIFI干扰下无人机图传信号的射频识别方法的示例性实施例中的基于机器学习的图传识别过程进行说明。
这里对图3所示的信号处理的第三类情况,即带宽不等于0或者10MHz时的情况进行说明。由于WIFI与图传都是采用OFDM体制,且带宽相同,此时如何区分WIFI与图传信号便是一个难题,特别是当二者在频域重叠时的混合信号。利用四阶累积量、频偏相移特征、带宽、自相关函数等方法以及其他的数学方法无法判断信号里是否含有图传信号。该示例性实施例中,借鉴数据挖掘的思想,通过提取WIFI信号、图传信号以及混合信号时、频域30个统计值及一个子载波数作为特征值,结合机器学习算法来识别无人机图传信号。其特征值如表2所示。
表2 信号序列X={x1,x2,...,xN-1,xN}的16个特征值
由于OFDM信号是多载波信号,其自相关函数为
其中,r(n)是接收信号,kn是平移量,E是期望,算符*是取共轭,是接收的OFDM信号的功率值,是高斯白噪声的功率值,N为OFDM符号的有效长度,即有效子载波个数。因此自相关的最大值便是有效子载波的个数。WIFI信号协议公开带宽是20MHz时子载波个数是52个,无人机的图传信号的子载波个数是在百或千级。因此,该示例性是示例中将有效子载波作为一个特征值识别图传信号。
以下参考附图对应用根据本发明的实施方式的一种WIFI干扰下无人机图传信号的射频识别方法的示例性实施例中的基于机器学习的图传识别实验进行说明。
参考图8,示出了本示例性实施例中的实验设备布局,其中一大疆Phantom 4 ProV2.0型号无人机与路由器作为发射机发射20MHz带宽信号,一根2.4GHz全向天线作为接收天线,通用软件无线电平台USRP X310作为接收机,笔记本电脑Thinkpad L440控制该通用软件无线电平台USRP X310。通过控制接收机与发射机的距离来改变接收信号的强度,测量时USRP的IQ正交采样率为100MHz。由于上文中已对该示例性是示例中10MHz实测图传带宽的情况进行了说明,以下将只对20MHz图传与一个20MHzWIFI信号共存时带宽的测量进行详细描述。测量频段在2400~2420MHz,带宽为20MHz,不同幅度的WIFI数据213组;频段为2425~2445MHz,带宽为20MHz,不同幅度的图传数据208组;频域不重叠、部分重叠,完全重叠3种情况下不同幅度混合信号总共205组。其中随机选择总数据的80%作为训练数据,剩下20%为测试数据。
图9a-9c示出了在应用根据本发明的实施方式的一种WIFI干扰下无人机图传信号的射频识别方法的示例性实施例中,由于频段的设置不同,混合信号出现的三种情况。第一种情况是WIFI信号和无人机的图传信号的频段不重叠,如图9a所示,其中WIFI信号的频段为2400~2420MHz,图传信号的频段为2430~2450MHz。第二种情况是WIFI信号和无人机的图传信号的频段部分重叠,如图9b所示,其中WIFI信号的频段为2400~2420MHz,图传信号的频段为2409~2429MHz。第三种是WIFI信号和无人机的图传信号的频段完全重合,如图9c所示,其中WIFI信号和图传信号的频段均为2400~2420MHz。从图9b与图9c已经分不清是否含有图传信号。
接下来,计算这三类样本的31个特征参数,并将这三类样本作为前述部分所提到的4种分类器的输入,对分类器进行训练,得到的分类结果如图10a-10d所示。
如图所示,随机森林分类器对这三类信号的分类结果最好,准确率可达到100%,其他三种分类器的分类结果也均可以达到96%以上,其误差最主要的还是混合信号和图传信号太过相似造成的。
同样的,经过多次试验,依次减少特征参数的个数,重新训练分类器并进行分类,在不降低分类准确率的前提下,得到最少的特征参数组成的特征向量,从而剔除掉冗余的特征参数。最终得到重要的特征参数主要有第5,10,15,16,29,31这6个特征参数,将这6个特征参数作为特征向量,利用随机森林分类器对这三类信号进行分类,得到的分类准确率如图11所示。
由图11知,使用6个比重比较大的特征值时,RandF(随机森林)的分类准确率不受变化。
本发明的实施方式针对民用无人机应用在2.4GHz与5.8GHz时环境中的WIFI干扰会影响图传信号的识别这一问题,提出带宽及机器学习结合的射频识别方法。当WIFI信号与图传带宽不同时,提出先频谱二值化,后滑动窗斜度求带宽的方法识别无人机图传信号。当带宽相同时,提取WIFI与图传信号时、频域等31个特征值作为分类器的输入,结合机器学习算法中的支持向量机(SVM)、决策树(DT)、神经网络(NN)及随机森林(RandF)识别图传信号。在上述示例性实施例中的仿真与实测结果显示,所述方法可以在WIFI干扰下识别无人机图传信号,且采用随机森林方法效果最好,识别率为100%。
根据特征参数重要性,选取6个主要参数,主要有第5(时域熵),10(时域最大值),15(时域余隙系数),16(有效子载波数),29(频域峰值因子),31(频域余隙系数)这6个特征参数,将这6个特征参数作为特征向量,利用随机森林分类器对这三类信号进行分类,其识别率不变。
应理解,前述仅说明了一些实施方式,可进行改变、修改、增加和/或变化而不偏离所公开的实施方式的范围和实质,该实施方式是示意性的而不是限制性的。此外,所说明的实施方式涉及当前考虑为最实用和最优选的实施方式,其应理解为实施方式不应限于所公开的实施方式,相反地,旨在覆盖包括在该实施方式的实质和范围内的不同的修改和等同设置。此外,上述说明的多种实施方式可与其它实施方式共同应用,如,一个实施方式的方面可与另一个实施方式的方面结合而实现再另一个实施方式。另外,任何给定组件的各独立特征或构件可构成另外的实施方式。
以上各实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述各实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分或者全部技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的范围,其均应涵盖在本发明的权利要求和说明书的范围当中。
Claims (4)
1.一种WIFI干扰下无人机图传信号的射频识别方法,其特征在于,该方法包括以下步骤:
步骤一,通过接收机获取由无人机发送的图传信号的数据,该数据中可能混有WIFI信号;
步骤二,将所获取的图传信号的数据进行带宽处理;
步骤三,当WIFI信号与图传信号的带宽不同时,先将所获得的图传信号进行FFT变换到频域,然后经过经验模态分解EMD去噪得到频谱图,接着将去噪后的频谱图经过自适应算法估计底噪值,根据底噪值与功率谱设置阈值,大于阈值置1,小于阈值置零,将二值频谱图经过归一化斜度滑动窗,根据脉冲的个数估计信号的个数,若脉冲个数为0,则证明此时没有信号,进行下一轮循环,若脉冲个数不为0,根据脉冲的距离估计信号的带宽与中心频率;
步骤四,当WIFI信号与图传信号的带宽相同时,提取WIFI信号、图传信号以及混合信号的时、频域的30个统计值及1个子载波数作为特征值,总共31个特征值,结合机器学习算法中的支持向量机(SVM)、决策树(DT)、神经网络(NN)及随机森林(RandF)中的任一种来识别无人机图传信号,经过多次试验,依次减少特征参数的个数,重新训练分类器并进行分类,在不降低分类准确率的前提下,得到最少的特征参数组成的特征向量,从而剔除掉冗余的特征参数,最终得到重要的特征参数,将该重要的特征参数作为特征向量,利用随机森林分类器对所述WIFI信号、图传信号以及混合信号进行分类从而识别出图传信号。
2.根据权利要求1所述的WIFI干扰下图传信号的射频识别方法,其特征在于,所述步骤三还包括:
将所述获取的图传信号进行FFT变换到频域后,使用EMD去除接收功率谱噪声,其中假设所采集到的图传信号在FFT变换之后的功率谱函数为s(f),f是信号频率,所述经验模态分解EMD去噪方法是将FFT变换之后的图传信号分解为许多的窄带分量,每一分量被称为本征模态函数IMF,分解结果由若干本征模态函数和一个残余信号组成,即
其中imfi是第i个IMF,f是频率,rn(t)是残余信号,接着去除前三阶IMF,由四阶IMF与残余信号构成滤波后的信号为
将以上公式(2)滤波后的功率值求均值,再将功率高于该均值的频点对应的功率值设为该均值,重复上述过程,直至前后2次均值的差小于某个定值时停止,最后一次均值便是估计的底噪值;
根据所述底噪值与功率谱设置阈值,大于阈值置1,小于阈值置零,当图传信号与WIFI信号在频域交叠时,通过阈值的设定便可以去除WIFI信号。
4.根据权利要求1所述的WIFI干扰下图传信号的射频识别方法,其特征在于,所述步骤四还包括:
所述图传信号和WIFI信号都为OFDM信号,OFDM信号是多载波信号,其自相关函数为
其中,r(n)是接收信号,kn是平移量,E是期望,算符*是取共轭,是接收的OFDM信号的功率值,是高斯白噪声的功率值,N为OFDM符号的有效长度,即有效子载波个数,自相关的最大值便是有效子载波的个数,将有效子载波的个数作为一个特征值用于识别图传信号;
将时频域31个特征值作为分类器的输入,结合机器学习算法中的支持向量机(SVM)、决策树(DT)、神经网络(NN)及随机森林(RandF)中的任一种来识别无人机图传信号。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110394487.6A CN113518374B (zh) | 2021-04-13 | 2021-04-13 | Wifi干扰下无人机图传信号的射频识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110394487.6A CN113518374B (zh) | 2021-04-13 | 2021-04-13 | Wifi干扰下无人机图传信号的射频识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113518374A CN113518374A (zh) | 2021-10-19 |
CN113518374B true CN113518374B (zh) | 2023-02-07 |
Family
ID=78062818
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110394487.6A Active CN113518374B (zh) | 2021-04-13 | 2021-04-13 | Wifi干扰下无人机图传信号的射频识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113518374B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114205199B (zh) * | 2021-11-30 | 2023-10-20 | 成都中科合迅科技有限公司 | 一种复杂电磁环境下wifi信号识别的方法 |
CN116684033B (zh) * | 2023-06-25 | 2024-02-02 | 中国人民解放军军事科学院系统工程研究院 | 一种无人机系统灵巧干扰方法及装置 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108768562A (zh) * | 2018-05-07 | 2018-11-06 | 西北工业大学 | 一种基于遥控与图传信号的非法无人机识别方法 |
CN110046591A (zh) * | 2019-04-22 | 2019-07-23 | 桂林电子科技大学 | 一种基于分数阶小波变换的无人机图传信号与遥控信号识别方法 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9678123B2 (en) * | 2015-05-12 | 2017-06-13 | Keysight Technologies, Inc. | System and method for image signal rejection |
US10572830B2 (en) * | 2017-04-24 | 2020-02-25 | Virginia Tech Intellectual Properties, Inc. | Learning and deploying compression of radio signals |
-
2021
- 2021-04-13 CN CN202110394487.6A patent/CN113518374B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108768562A (zh) * | 2018-05-07 | 2018-11-06 | 西北工业大学 | 一种基于遥控与图传信号的非法无人机识别方法 |
CN110046591A (zh) * | 2019-04-22 | 2019-07-23 | 桂林电子科技大学 | 一种基于分数阶小波变换的无人机图传信号与遥控信号识别方法 |
Non-Patent Citations (2)
Title |
---|
Detection and Classification of UAVs Using RF Fingerprints in the Presence of Wi-Fi and Bluetooth Interference;MARTINS EZUMA;《IEEE Open Journal of the Communications Society》;20200130;全文 * |
基于深度学习的无人机信号检测与识别技术研究;郝云飞;《中国优秀硕士学位论文全文数据库》;20191001;全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN113518374A (zh) | 2021-10-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Zhao et al. | Classification of small UAVs based on auxiliary classifier Wasserstein GANs | |
Ezuma et al. | Detection and classification of UAVs using RF fingerprints in the presence of Wi-Fi and Bluetooth interference | |
CN113518374B (zh) | Wifi干扰下无人机图传信号的射频识别方法 | |
WO2018176889A1 (zh) | 一种数字通信信号调制方式自动识别方法 | |
Bhatti et al. | Shared spectrum monitoring using deep learning | |
Xiao et al. | Micro-UAV detection and identification based on radio frequency signature | |
Tekbiyik et al. | Multi–dimensional wireless signal identification based on support vector machines | |
CN108353081A (zh) | 无人机入侵检测和对抗 | |
Ozturk et al. | RF-based low-SNR classification of UAVs using convolutional neural networks | |
CN110046591B (zh) | 一种基于分数阶小波变换的无人机图传信号与遥控信号识别方法 | |
US20210197967A1 (en) | Uas detection and negation | |
US20210168008A1 (en) | Signal detecting device, signal detecting method, control circuit and computer readable storage medium | |
Zuo et al. | Recognition of UAV video signal using RF fingerprints in the presence of WiFi interference | |
Kaplan et al. | Measurement based FHSS–type drone controller detection at 2.4 GHz: An STFT approach | |
CN110087233B (zh) | 一种基于射频指纹的无人机身份认证方法 | |
CN106506427A (zh) | 一种基于folp的stbc‑ofdm信号盲识别方法 | |
CN111901267B (zh) | 基于短时傅里叶变换时频分析的多天线盲调制识别方法 | |
Dabcevic et al. | Cognitive radio as the facilitator for advanced communications electronic warfare solutions | |
Sobolewski et al. | Universal nonhierarchical automatic modulation recognition techniques for distinguishing bandpass modulated waveforms based on signal statistics, cumulant, cyclostationary, multifractal and fourier-wavelet transforms features | |
Wang et al. | Residual learning based RF signal denoising | |
Topal et al. | Identification of smart jammers: Learning based approaches using wavelet representation | |
Shebert et al. | Open set wireless standard classification using convolutional neural networks | |
CN110035025A (zh) | 一种基于直接特征提取的多载波混合信号的检测识别方法 | |
Yildirim et al. | Impact of Interference on OFDM based Radars | |
Dalai et al. | Spectrum sensing for WLAN and WIMAX using energy detection 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 |