CN113919400B - 一种无人机目标信号识别方法 - Google Patents

Abstract

本发明属于射频指纹识别技术领域，具体涉及一种无人机目标信号识别方法。本发明的基本思路是基于接货者信号发射器中的独特结构，改进双谱特征分类办法，在进行双谱操作前加入粗提取步骤，结合双谱的细分类特性对信号分别进行行模糊分类和精确定位。本发明克服了由于模型类比增加带来的低效结果，将复杂数据做了拆分处理，使提取步骤时长只随模型种类增加呈现线性变化规则，提高全过程模式识别分类的效率，同时终端计算量也有所减少，释放存储及计算负担。

Description

一种无人机目标信号识别方法

技术领域

本发明属于射频指纹识别技术领域，具体涉及一种无人机目标信号识别方法。

背景技术

随着物联网的迅猛发展和智能手机的普及，网购和外卖用户基数呈爆炸式增长。尤其在高校，外卖和快递配送需求更为突出。然而目前的外卖快递配送情况却不尽如人意。

经过调研发现，目前高校外卖物流配送存在的突出问题有：

高校用户群体用餐时间相对集中且用餐量大，每到饭点各条马路便被围得水泄不通，这不仅给骑手保证送餐准时带来了巨大压力，同时也给校园交通安全带了了巨大的隐患。各类外卖配送时发生的交通安全事故屡见不鲜。

在送餐高峰，外卖员经常会有多个订单需要配送，有的送餐员往往会将外卖放置到一个指定的地方收取外卖。这种模式虽然节省了配送时间，但这个过程也往往会有外卖被偷窃或拿错的情况发生。这种情况下引发的纠纷，也往往是由外卖员承担赔偿责任。

出于安全、隐私、政策等各方面因素考虑，外卖无法直接送到寝室内部，许多同学往往需要上下几楼出寝室取外卖，造成不便。现在由于疫情管控，外卖更是无法入校，许多同学只得走出校门取餐，极其不便。

近年来，各大平台纷纷推出无人物流服务，顺丰已建成使用小规模无人快递分类，饿了么开辟了第一批无人机送餐航线，uber计划2021年在美国部分地区使用无人机送餐。徐英凯、马杰、高俊杰等人也对物流无人机的一些方面做了优化。利用物流无人机技术，可以较好地解决外面配送的瓶颈。

当无人机技术得到稳定发展后，随之而来的识别准确性和安全性的优化考虑却并未提上日程。尤其当配送对象是具有较高价值的物品或较高保密性的文件等，安全性和识别准确性成了制约物流无人机发展的最大因素。

射频指纹应用于身份识别较好的办法是选取选择双谱作为分类特征，选择双谱就是将双谱中具有最强类可分离度的双谱作为信号的特征参数。该法对于多种类模型分类性能良好，但特征提取时长及计算量随模型数目增多出现非线性爆炸增长，工作效率下降趋势明显，这种办法仅适用于电台模型少于8种的情况。双谱选择特征办法在理论层具有良好区分结果，但实际过程中却缺乏了可操作性。为匹配现代社会系统减负和实时配送要求，双谱方法在实际应用层还有待提升。

发明内容

本发明的目的，就是针对上述问题，提出一种无人机目标信号识别方法，从而实现对接货者信号源的精确识别。本发明的基本思路是基于接货者信号发射器中的独特结构，改进双谱特征分类办法，在进行双谱操作前加入粗提取步骤，结合双谱的细分类特性对信号分别进行行模糊分类和精确定位。

本发明的技术方案是：

一种无人机目标信号识别方法，包括以下步骤：

S1、通过接收机采集目标端发射的射频信号，将接收到的信号定义为初始信号；

S2、对初始信号通过时频谱特征提取器进行初始特征提取，将初始特征按照relief分类方法进行降维处理，获得特征向量集；

S3、将特征向量集输入训练好的第一分类器，得到初分类结果，根据初分类结果将同种类的特征合并为单独集合，将获得的结果定义为模糊分类集合，并根据初始信号，获取模糊分类集合对应的原始信号，定义为模糊分类信号；

所述第一分类器的获取方法为：

采集多种通信辐射源个体的射频信号，定义为初始训练信号；

采用时频谱特征提取器对初始训练信号进行特征提取，获得时频特征，将时频特征按照relief分类方法进行降维处理，具体计算特征权重W(A)：

其中A表示选定特征种类，R表示训练集中某随机样本，H表示与R同类的k最近邻样本，M表示与R不同类的k最近邻样本，p(C)表示该类别比，p(Class(R))表示随机选取的某样本的类别比；

将获得的权重进行排序，按设置阈值过滤，过滤后获得剩余不超过10个特征的向量集，将通信辐射源个体依次编号为1，2，3，…,n并进行标记，n为总数量，将获得的向量集和对应标签送入初始化第一分类器，第一分类器以概率神经网络为设置基础，对每个信号归属每一种类的概率进行总和排序，采用竞争传递函数，找寻输出中最大概率的所属类别，在监督学习的条件下，分类器参数不断迭代优化，最终获得训练好的第一分类器；

S4、对模糊分类信号通过双谱特征提取器进行特征提取，获得双谱特征信号；

S5、将双谱特征信号送入训练好的第二分类器进行分类，完成对信号所属目标的判断；

所属第二分类器的获取方法为：

采用步骤S3中获得的初始训练信号，通过双谱特征提取器得到双谱特征，将通信辐射源个体依次编号为1，2，3，…,n并进行标记，同时对通信辐射源个体进行赋值，赋值为10m，m为通信辐射源个体编号，m＝1，2，3，…,n，将双谱特征和赋值模型送入第二分类器进行参数训练，第二分类器采用径向基网络函数，将低维模式输入下的数据映射到高维空间中，结果误差为：

其中，c_max是所选取中心之间的最大距离。

本发明的有益效果为：本发明克服了由于模型类比增加带来的低效结果，将复杂数据做了拆分处理，使提取步骤时长只随模型种类增加呈现线性变化规则，提高全过程模式识别分类的效率，同时终端计算量也有所减少，释放存储及计算负担。

附图说明

图1为模型训练流程示意图；

图2为信号识别流程示意图；

图3为模拟电台信号发射过程图；

图4为relief权重分类结果。

具体实施方式

下面结合附图对本发明技术方案进行详细描述：

本发明中的分类器可以为预先训练好的分类器，如图1所示，分类器参数训练方法为：

总和所有可能进行分类的信号，并对通信辐射源个体的射频信号进行采集，获得初始信号ALL_SIG0；

采用时频谱特征提取器对初始信号ALL_SIG0进行初步特征提取，考虑到模型产生的信号会经过放大器调制，再经调制器产生幅度、相位畸变，我们初步选择了时域和频域的最大值、最小值、中位数、平均数、峰值、整流平均值、方差、标准差、峭度、偏度、均方根，以及功率谱的最大值、最小值、中位数、平均值、占用带宽共27项特征。而模型间产生信号指纹参数的变化覆盖并不全面，因此结果还应按照relief分类方法进行降维处理结果。

relief分类方法结果为特征权重，计算方式如下：

其中A表示选定特征种类，R表示训练集中某随机样本，H表示与R同类的k最近邻样本,M表示与R不同类的k最近邻样本，p(C)表示该类别比，p(Class(R))表示随机选取的某样本的类别比。

权重结果排序处理，按设置阈值过滤，剩余不超过10个特征的向量集ALL_SIG1。将电台模型依次编号1，2，3，…,n(n为模型种类总量)并进行标记。将剩余精简特征集ALL_SIG1和对应标签送入初始化分类器i。分类器i以概率神经网络为设置基础，对每个信号归属每一种类的概率进行总和排序，采用竞争传递函数，找寻输出中最大概率的所属类别，在监督学习的条件下，分类器参数不断迭代优化，最终达到最佳性能状态。

同时初始信号ALL_SIG0送入ii号特征器中提取双谱特征得到ALL_SIG2，沿用上述编号方式，并对电台模型进行赋值，赋值为10m(m为电台模型编号，m＝1，2，3，…,n)。同样将ALL_SIG2和赋值模型送入ii号分类器进行参数训练，ii号分类器采用径向基网络函数，将低维模式输入下的数据映射到高维空间中，以解决低维空间下线性不可分问题。结果误差为：

其中，c_max是所选取中心之间的最大距离。

将训练后的i号分类器、ii分类器分别送入I号分类器和II号分类器。

如图2所示，射频信号源识别方法为：

S1、通过接收机对接收到的射频信号进行采集，获得初始信号SIG0；

S2、采用I号提取器对信号进行初步特征提取，结果为按照relief分类器降维处理不超过10个特征的向量集SIG1。

S3、将SIG1送入I号模式中训练完成的i号分类器，得到初分类结果。将疑似同种类的特征合并成为单独集合，作为模糊分类集合分别返回输入信号栏寻找出信号初始归属。

S4、将模糊分类的信号送入II号模式进行双谱特征提取，得到SIG2；

S5、用SIG2信号源送入II号模式的ii号分类器进行细分类，完成对信号所属的精确判断。

对于信号发射模型，选择如图3所示模型。在电台中随机产生信号，信号经QPSK调制后送入升余弦滤波器中，再通过一个放大器放大信号，最后经上变频加天线发射出来。在电台模拟过程中本文选用：滚降因子rolloff＝0.5；截断长度span＝10；每符号采样率sps＝40初步建立成型滤波器。产生的信号经过放大器调制，再经过调制器产生幅度、相位畸变。在后续电台参数改变过程中，我们随机改变放大器的四个参数、上变频信号实部、虚部幅度及相位以改变模拟电台特性获得不同信号。

初步选取时域和频域的最大值、最小值、中位数、平均数、峰值、整流平均值、方差、标准差、峭度、偏度、均方根，以及功率谱的最大值、最小值、中位数、平均值、占用带宽27项特征作为初步信号特征。

信号特征筛选由relief分类器完成，筛选结果如图4所示。因此保留特征：时域最大值、最小值、峰值、整流平均值、标准差、均方根，频域整流平均值，功率谱平均值共8个特征。将这8中特征送入i分类器对进行训练，以对i分类器内部参数定值。

将图3模型产生的初始信号进行双谱特征提取，分类前，先对模型进行赋值，赋值为10m，其中m表示第m个电台。将标签和双谱特征送入ii分类器进行参数训练。这个时候已经完成了终端分类器的参数设置，接下来对随机产生的信号进行识别。

使用15种电台模型，每种电台模型产生30组数据，这时一共产生13组疑似相似类型数据送入2号分类器，及此时图1中的n为13，这里为了简便我们选择第一组疑似数据进行分析。在特征维度数量定位8时，会产生36个检测模型，全部采用会导致疑似组别增多而失去粗分类的意义。这里仅选取一组模型，即36的检测模型。结果如表1所示。

表1 No.1电台模糊信号源位置

则疑似模型1的有136个信号源。在仿真中可以看到这136个信号源来自5中不同电台模型。

将查询出的136组信号源返回2号分类器，在双谱特征选取器中提取特征，再输入到RFB分类器进行细分操作。输出结果如表2所示。

表2 No.1电台模型模糊信号细分类

接下来的2-15组重复上述过程即可。在该过程中，输入至II号分类器的模糊分类组别不超过7个。5-7个电台模型分类过程中的误差结果如表3所示(由于数目较多，随机选取了14组误差值进行展示)。

表3 5-7个电台模型细分类误差

Claims (1)

1.一种无人机目标信号识别方法，其特征在于，包括以下步骤：

S1、通过接收机采集目标端发射的射频信号，将接收到的信号定义为初始信号；

S2、对初始信号通过时频谱特征提取器进行初始特征提取，将初始特征按照relief分类方法进行降维处理，获得特征向量集；

S3、将特征向量集输入训练好的第一分类器，得到初分类结果，根据初分类结果将同种类的特征合并为单独集合，将获得的结果定义为模糊分类集合，并根据初始信号，获取模糊分类集合对应的原始信号，定义为模糊分类信号；

所述第一分类器的获取方法为：

采集多种通信辐射源个体的射频信号，定义为初始训练信号；

采用时频谱特征提取器对初始训练信号进行特征提取，获得时频特征，将时频特征按照relief分类方法进行降维处理，具体计算特征权重W(A)：

其中A表示选定特征种类，R表示训练集中某随机样本，H表示与R同类的k最近邻样本，M表示与R不同类的k最近邻样本，p(C)表示类别比，p(Class(R))表示随机选取的某样本的类别比；

将获得的权重进行排序，按设置阈值过滤，过滤后获得剩余不超过10个特征的向量集，将通信辐射源个体依次编号为1，2，3，…,n并进行标记，n为总数量，将获得的向量集和对应标签送入初始化第一分类器，第一分类器以概率神经网络为设置基础，对每个信号归属每一种类的概率进行总和排序，采用竞争传递函数，找寻输出中最大概率的所属类别，在监督学习的条件下，分类器参数不断迭代优化，最终获得训练好的第一分类器；

S4、对模糊分类信号通过双谱特征提取器进行特征提取，获得双谱特征信号；

S5、将双谱特征信号送入训练好的第二分类器进行分类，完成对信号所属目标的判断；

所述第二分类器的获取方法为：

采用步骤S3中获得的初始训练信号，通过双谱特征提取器得到双谱特征，将通信辐射源个体依次编号为1，2，3，…,n并进行标记，同时对通信辐射源个体进行赋值，赋值为10m，m为通信辐射源个体编号，m＝1，2，3，…,n，将双谱特征和赋值模型送入第二分类器进行参数训练，第二分类器采用径向基网络函数，将低维模式输入下的数据映射到高维空间中，结果误差为：

其中，c_max是所选取中心之间的最大距离。

Images