CN114095102A - 一种基于时频分析的无人机遥控信号识别方法 - Google Patents

Abstract

本发明属于无人机遥控信号识别技术领域，具体公开了一种基于时频分析的无人机遥控信号识别方法，该方法针对无人机飞行状态时信息传输过程，其中无人机向地面遥控站传输图传信号，遥控站向无人机发射遥控信号，监测装置收集遥控信号和图传信号。包括数据采集及合并、对合并后的时域信号做乔‑威廉姆斯变换得到CWD时频分布、采用基于时频谱能量统计的方法，剔除随机噪声、利用低秩矩阵恢复进行无人机遥控信号提取、采用基于模式距离度量的视频序列相似性探索方法，进行无人机遥控信号识别。采用本发明的方案，摆脱了传统的傅里叶变换单一频域描述信号特征的局限性。

Description

一种基于时频分析的无人机遥控信号识别方法

技术领域

本发明属于无人机遥控信号识别技术领域，具体涉及了一种基于时频分析的无人机遥控信号识别方法。

背景技术

近年来伴随社会经济与无线网络的发展，移动无线设备的数量在城市中不断增加，导致无人机所处的环境变得日益复杂，为了提高对低空飞行目标的探测、识别、跟踪和处置能力，各界都在积极开展针对“低慢小”飞行器预警探测、处置拦截技术和设备的研究。对“黑飞”无人机进行捕获方法的研究，如在无人机起飞行时对遥控或图传信号侦收，并实现对无人机的定位，便可以对无人机实现干扰，阻止其在不安全区域飞行，保护低空空域的安全。显然，研究设计出在复杂密集的通信以及无人机涉及的频段信号环境中识别和发现无人机遥控信号，对无人机管控设备进行引导和干扰具有现实意义。

申请号为201910930192.9的专利采用基于频域特征来识别无人机遥控信号，由于无人机遥控信号受到传播损失、周围建筑物反射、噪声和无人机图传信号等的干扰，通常接收到的信号信噪比较低，单一的时域或者频域分析难以体现信号的全部信息。

通常无人机的遥控信号是跳频信号，属于非平稳信号，信号的频率随着时间呈现非线性变化，传统的傅里叶变换不再适用于跳频信号的分析。因此，有必要从时域和频域多角度联合分析，祈望全面展现遥控信号频率随时间变化情况。

发明内容

针对现有技术中所存在的不足，提供一种基于时频分析的无人机遥控信号识别方法，基于时频分析利用时间频率域来表征并且进行处理和分析信号的方法，摆脱了传统的傅里叶变换单一频域描述信号特征的局限性。

为实现上述目的，本发明采用了如下的技术方案：

一种基于时频分析的无人机遥控信号识别方法，该方法针对无人机飞行状态时信息传输过程，其中无人机向地面遥控站传输图传信号，遥控站向无人机发射遥控信号，监测装置收集遥控信号和图传信号。

该无人机遥控信号识别方法包含：

S100：数据采集及合并

采用基于零中频接收机架构的数据采集系统，对无人机信号进行采集。接收机内部的模拟/数据器件对接收的模拟信号进行模数转换，并通过正交解调、数字下变频将接收信号转换为同相分量I和正交分量Q两路数字基带信号，然后将I、Q两路信号进行合并，即时域信号Sig＝I+j·Q，j表示虚数单位，

S200：对合并后的时域信号做乔-威廉姆斯(Choi-Williams)变换得到CWD时频分布

采用乔-威廉姆斯变换对合并后的时域信号进行以时间为横轴，频率为纵轴进行分析，通过对采集的Num_采数据点进行处理，每组数据为Num_组点，共分析Num_采/Num_组次，每次代表一个时间点。Num_组点对应Bw带宽内的信号频率，每一点频率为Bw/Num_组。

CWD时频分布为：

式中，μ为时间积分参数，τ为时延积分参数；β为衰减系数，β越小，对交叉项的抑制能力越大，但β的取值要在分辨率和交叉项抑制之间取折中，一般0.1＜β＜10；t为工作时间，f为频率，Sig为时域信号上角标#表示求共轭。

以上共经过Num_采/Num_组次乔-威廉姆斯变换处理，每一次输出皆可得到CWD时频谱；再计算每组数据沿着时间轴的CWD时频谱最大值，将各组数据的最大值拼接起来，得到全部样本数据的CWD时频谱最大值图。

S300：剔除随机噪声

在实际采集的无人机信号中会存在许多随机噪声，进行时频分析时，根据随机噪声的幅度通常弱于无人机信号的特点，通过设定能量门限，来消除随机噪声对遥控信号检测的影响。

假设阈值为CWD_阈值(t，f)，则

阈值设定采用基于时频谱能量统计的方法，即对时频谱进行能量累计，设置合适的阈值，可实现阈值的自适应效果；

式中，N_t为时域样点数，N_f为频域样点数。

S400：无人机遥控信号提取

低秩矩阵恢复先将时频谱矩阵CWD(t，f)表示为低秩矩阵A与稀疏(噪声)矩阵E之和，再通过求解范数优化问题来恢复低秩矩阵。

即求解下列最优化问题：

式中，

表示针对低秩矩阵A和稀疏矩阵E求最小值，s.t.表示约束条件，rank()表示求秩，|| ||₀表示求0范数，λ(＞0)为平衡因子，取

利用迭代阈值算法(iterative thresholding，IT)求解(1)式得到稀疏矩阵E。

进一步，求解方法如下：

a)将最优化问题式(1)正则化，便得到优化问题：

式中，|| ||_*为星范数，|| ||_1，1为(1，1)范数，

为F范数的平方。

b)建立优化问题式(2)的拉格朗日(Lagrange)函数：

式中，μ为平衡参数，这里取μ＝0.05，Y为拉格朗日乘子矩阵，< >表示求内积。

c)迭代交替更新矩阵A，E和Y

当E＝E_k，Y＝Y_k时，

当A＝A_k+1，Y＝Y_k时，

当A＝A_k+1，E＝E_k+1时，

Y_k+1＝Y_k+δ_k(CWD(t，f)-A_k+1-E_k+1)

其中δ_k为迭代步长，且0＜δ_k＜1，k为迭代次数。通过控制迭代次数，使其达到预期结果。或者当E_k+1-E_k≈0时，结束迭代。得到稀疏矩阵E，或称为采样数据时频序列。

S500：无人机遥控信号识别

经过低秩矩阵恢复方法可以进一步抑制图传信号干扰，在稀疏矩阵E中得到清晰的遥控信号时频表示，从而提取出遥控信号的时频特征，进一步与无人机遥控(跳频)信号(图样)特征库中的图样进行比对。

采用基于模式距离度量的时频序列相似性搜索方法，对提取的时频谱特征进行识别，得到该无人机的型号。

在步骤S500中，无人机遥控信号识别，包含：

S501：以时频序列分段表示的每段直线与时间轴的夹角θ作为度量：

当

时，映射为-2；当

时，映射为-1；

当θ＝0是，映射为0；当

时，映射为1；

当

时，映射为2。

将时频序列的模式定义为五元集，记为模式集合M＝{-2，-1，0，1，2}。

于是，某型无人机遥控信号标准时频序列为：

S₁＝{s_1，1，s_1，2，…s_1，i…s_1，N}

式中，s_1，i＝(m_1，i，t_1，i)，i(i＝1，2，…，N)为时频序列序号，N表示时频序列模式的划分数量，s_1，i表示时频序列S₁中的第i个模式。m_1，i为模式集合中的一个元素，这里m_1，i∈{-2，-1，0，1，2}；

S502：沿时间轴滑动抽取时频序列

从采集数据时频序列E中取与S₁同样长度的时频序列S₂，假设S₂＝{s_2，1，s_2，2，…s_2，i…s_2，N}

式中，s_2，i＝(m_2，i，t_2，i)，s_2，i表示时频序列S₂中的第i个模式，且假设t_1，i＝t_2，i，i＝1，2，…，N。

采集数据时频序列抽取时，沿时间轴从开始位置取与S₁同样长度的时频序列，依次滑动一个时间段再取与S₁同样长度的时频序列，直至取完所有的数据。

S503：估计时频序列的模式距离，并判别相似程度

时频序列的模式距离表示具有相同长度两个序列趋势的差异程度，则标准时频序列S₁与采集数据时频序列S₂的模式距离为：

其中，模式距离D_M(s_1，i，s_2，i)＝|m_1，i-m_2，i|，i＝1，2，…，N，| |表示求绝对值；t_N表示序列长度，t_ih表示第i个模式的保持时间，δ为相似度门限值，这里取δ＝0.3。

此时采集数据时频序列S₂与标准时频序列S₁相似，可以判断该机型。

相比于现有技术，本发明具有如下有益效果：

1、本发明的方法基于时频分析利用时间-频率域来表征并且进行处理和分析无人机遥控信号的方法，摆脱了传统的傅里叶变换单一频域描述信号特征的局限性。时频域的分析比单一时域的信号冲击响应或单一频域的信号功率谱密度更为有效。通常把时域和频域结合起来描述和观察信号的时频特征，构成信号的时频谱图，通过时频分析算法分析信号的频谱含量怎样随时间变化。

2、本发明基于低秩矩阵恢复时频滤波方法，采用乔-威廉姆斯变换将无人机信号变换到时频域上，然后依据遥控信号与图传信号在时频域上能量分布的相关性的差异，通过低秩矩阵恢复方法将遥控信号与图传信号分到稀疏矩阵和低秩矩阵中，从而分离遥控信号与图传信号，降低图传信号对遥控信号的干扰。

3、本发明时频序列的模式距离具有模式保持时间加权因子，只有在模式切换点的时间噪声才可能改变时频序列的模式距离，且时间噪声引起的模式保持时间改变量远小于整个序列的时间长度，它对整个距离的影响很小，使得它对时间噪声具有较好的免疫力。

附图说明

图1为本发明的基于时频分析的无人机遥控信号识别方法的流程图。

图2为本发明基于模式距离度量的时频序列相似性搜索方法的流程图。

图3为本发明无人机飞行状态时信息传输的示意图。

图4为本发明无人机采集信号的乔-威廉姆斯时频谱图。

图5为本发明无人机采集信号的乔-威廉姆斯时频谱在时频平面的等高线图。

图6为本发明采样数据时频序列的时频图。

图7为本发明无人机遥控信号标准库中大疆精灵4型的示意图。

图8为本发明时频序列抽取及滑动搜索示意图。

具体实施方式

实施例基本如图1所示，一种基于时频分析的无人机遥控信号识别方法，下面将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。

一种基于时频分析的无人机遥控信号识别方法，如图3示，为本发明无人机飞行状态时信息传输的示意图，其中无人机向地面遥控站传输图传信号，遥控站向无人机发射遥控信号，监测装置收集遥控信号和图传信号。

如图1所示，为本发明的基于时频分析的无人机遥控信号识别方法的流程图，该识别方法包含以下步骤：

S100：数据采集及合并

采用基于AD9361零中频接收机架构的数据采集系统，对大疆某型号无人机信号进行采集。接收机内部的模拟/数据器件对接收的模拟信号进行模数转换，并通过正交解调、数字下变频将接收信号转换为同相分量I和正交分量Q两路数字基带信号，然后将I、Q两路信号进行合并，得到时域信号Sig＝I+j·Q，j表示虚数单位，

S200：对合并后的时域信号做乔-威廉姆斯(Choi-Williams)变换得到CWD时频分布

由于无人机遥控信号属于非平稳信号，因此采用乔-威廉姆斯变换对合并后的时域信号进行以时间为横轴，频率为纵轴进行分析，通过对采集的8000×2048数据点进行处理，每组数据为2048点，共分析8000次，每次代表一个时间点。2048点对应40MHz带宽内的信号频率，每一点频率为0.019532625MHz。

CWD时频分布为：

式中，μ为时间积分参数，τ为时延积分参数；β为衰减系数，β越小，对交叉项的抑制能力越大，但β的取值要在分辨率和交叉项抑制之间取折中，一般0.1＜β＜10；t为工作时间，f为频率，Sig为时域信号上角标#表示求共轭。

以上共经过8000次乔-威廉姆斯变换处理，每一次输出皆可得到CWD时频谱；再计算每组数据沿着时间轴的CWD时频谱最大值，将各组数据的最大值拼接起来，得到全部样本数据的CWD时频谱最大值图，如图4、图5所示，t为时间坐标轴，f为频率坐标轴，tfr为时频谱坐标轴。图4为无人机采集信号的乔-威廉姆斯时频谱图、图5为无人机采集信号的乔-威廉姆斯时频谱图在时频平面的等高线图。

S300：剔除随机噪声

在实际采集的无人机信号中会存在许多随机噪声，进行时频分析时，根据随机噪声的幅度通常弱于无人机信号的特点，通过设定能量门限，来消除随机噪声对遥控信号检测的影响。

假设阈值为CWD_阈值(t，f)，则

阈值设定采用基于时频谱能量统计的方法，即对时频谱进行能量累计，设置合适的阈值，可实现阈值的自适应效果；

式中，N_t＝8000为时域样点数，N_f＝2048为频域样点数。

S400：无人机遥控信号提取

根据在时频域上遥控信号与图传信号相关性存在的差异，利用低秩矩阵恢复的方法将相关性较强部分分配到低秩矩阵中，而稀疏矩阵中存放相关性弱的部分。图传信号在带宽范围内是连续存在的，而遥控信号在时频域上是一条频率随时间变化的阶梯状斜(或折)线，因此在分离两者时，大部分的图传信号分在低秩矩阵中，遥控信号被分在稀疏矩阵中，从而达到分离遥控信号与图传信号的目的。

低秩矩阵恢复先将时频谱矩阵CWD(t，f)表示为低秩矩阵A与稀疏(噪声)矩阵E之和，再通过求解范数优化问题来恢复低秩矩阵。

即求解下列最优化问题：

式中，

表示针对低秩矩阵A和稀疏矩阵E求最小值，s.t.表示约束条件，rank()表示求秩，|| ||₀表示求0范数，λ(＞0)为平衡因子，取

利用迭代阈值算法求解(1)式得到稀疏矩阵E。

进一步，求解方法如下：

a)将最优化问题式(1)正则化，便得到优化问题：

式中，|| ||为星范数，|| ||₁₁为(1，1)范数，

为F范数的平方。

b)建立优化问题式(2)的拉格朗日函数：

式中，μ为平衡参数，这里取μ＝0.05，Y为拉格朗日乘子矩阵，< >表示求内积。

c)迭代交替更新矩阵A，E和Y

当E＝E_k，Y＝Y_k时，

当A＝A_k+1，Y＝Y_k时，

当A＝A_k+1，E＝E_k+1时，

Y_k+1＝Y_k+δ_k(CWD(t，f))-A_k+1-E_k+1)

其中δ_k为迭代步长,且0＜δ_k＜1，k为迭代次数。通过控制迭代次数，使其达到预期结果。或者说当E_k+1-E_k≈0时，结束迭代。

这里取k＝5，则得到稀疏矩阵E，或称为采样数据时频序列。图6即为采样数据时频序列E的时频图。

S500：无人机遥控信号识别经过低秩矩阵恢复方法可以进一步抑制图传信号干扰，在稀疏矩阵E中得到清晰的遥控信号时频表示，从而提取出遥控信号的时频特征，这里如图6采样数据时频序列E的时频图中的折线，进一步与无人机遥控(跳频)信号(图样)标准库中的图样进行比对。

采用基于模式距离度量的时频序列相似性搜索方法，对提取的时频谱特征进行识别，如图2所示为基于模式距离度量的时频序列相似性搜索方法流程图，得到该无人机为大疆精灵4型。

具体实施方法如下：

S501：确定时频序列的模式集

以时频序列分段表示的每段直线与时间轴的夹角θ作为度量：

当

时，映射为-2；当

时，映射为-1；

当θ＝0是，映射为0；当

时，映射为1；

当

时，映射为2。

将时频序列的模式定义为五元集，记为模式集合M＝{-2，-1，0，1，2}。

于是，如图7无人机遥控信号标准库中大疆精灵4型的示意图，其时频序列分为10段，则大疆精灵4型无人机遥控信号标准时频序列为：

S₁＝{(1，t_1，1)，(1，t_1，2)，(1，t_1，3)，(1，t_1，4)，(1，t_1，5)，(1，t_1，6)，(1，t_1，7)，(-2，t_1，8)(-2，t_1，9)，(-2，t_1，10)}

＝{s_1，1，s_1，2，…s_1，i…s_1，N}

式中，s_1，i＝(m_1，i，t_1，i)，i(i＝1，2，…N)为时频序列序号，N表示序列模式的划分数量，这里N＝10；s_1，i表示时频序列S₁中的第i个模式。m为模式集合中的一个元素，这里m∈{-2，-1，0，1，2)

S502：沿时间轴滑动抽取时频序列从采集数据时频序列E中取与S₁同样长度的时频序列S₂，假设

S₂＝{(1，t_2，1)，(1，t_2，2)，(1，t_2，3)，(1，t_2，4)，(1，t_2，5)，(1，t_2，6)，(1，t_2，7)，(＝-2，t_2，8)(-2，t_2，9)，(-2，t_2，10)}

＝{s_2，1，s_2，2，…s_2，i…s_2，N}

式中，s_2，i＝(m_2，i，t_2，i)，s_2，i表示时频序列S₂中的第i个模式，且假设t_1，i＝t_2，i，i＝1，2，…，N。

采集数据时频序列抽取方式如图8所示：沿时间轴从开始位置取与S₁同样长度的时频序列，依次滑动一个时间段再取与S₁同样长度的时频序列，直至取完所有的数据。

S503：估计时频序列的模式距离，并判别相似程度

时频序列的模式距离表示具有相同长度两个序列趋势的差异程度，则标准时频序列S₁与采集数据时频序列S₂的模式距离为：

其中，模式距离D_M(s_1，i，s_2，i)＝|m_1，i-m_2，i|，i＝1，2，…，N，| |表示求绝对值；t_N表示序列长度，t_ih表示第i个模式的保持时间，δ为相似度门限值，这里取δ＝0.3。

此时采集数据时频序列S₂与标准时频序列S₁相似，可以判断该机型为大疆精灵4。

需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。

最后说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或者等同替换，而不脱离本发明技术方案的宗旨和范围，其均应涵盖在本发明的权利要求范围当中。

Claims (3)

1.一种基于时频分析的无人机遥控信号识别方法，其特征在于：针对无人机飞行状态时信息传输过程，其中无人机向地面遥控站传输图传信号，遥控站向无人机发射遥控信号，监测装置收集遥控信号和图传信号；该无人机遥控信号识别方法包含：

S100：数据采集及合并

采用基于零中频接收机架构的数据采集系统，对无人机信号进行采集；接收机内部的模拟/数据器件对接收的模拟信号进行模数转换，并通过正交解调、数字下变频将接收信号转换为同相分量I和正交分量Q两路数字基带信号，然后将I、Q两路信号进行合并，即时域信号Sin＝I+j·Q，j表示虚数单位，

S200：对合并后的时域信号做乔-威廉姆斯变换得到CWD时频分布

采用乔-威廉姆斯变换对合并后的时域信号进行以时间为横轴，频率为纵轴进行分析，通过对采集的Num_采数据点进行处理，每组数据为Num_组点，共分析Num_采/Num_组次，每次代表一个时间点，Num_组点对应Bw带宽内的信号频率，每一点频率为Bw/Num_组；

CWD时频分布为：

式中，μ为时间积分参数，τ为时延积分参数；t为工作时间，f为频率，Sig为时域信号上角标#表示求共轭；

以上共经过Num_采/Num_组次乔-威廉姆斯变换处理，每一次输出得到CWD时频谱；再计算每组数据沿着时间轴的CWD时频谱最大值，将各组数据的最大值拼接起来，得到全部样本数据的CWD时频谱最大值图；

S300：剔除随机噪声

假设阈值为CWD_阈值(t，f)，则

阈值设定采用基于时频谱能量统计的方法，即对时频谱进行能量累计，设置合适的阈值，可实现阈值的自适应效果；

式中，N_t为时域样点数，N_f为频域样点数；

S400：无人机遥控信号提取

低秩矩阵恢复先将时频谱矩阵CWD(t,f)表示为低秩矩阵A与稀疏矩阵E之和，再通过求解范数优化问题来恢复低秩矩阵；

即求解下列最优化问题：

式中，

表示针对低秩矩阵A和稀疏矩阵E求最小值，s.t.表示约束条件，rank()表示求秩，|| ||₀表示求0范数，λ(＞0)为平衡因子，取

利用迭代阈值算法求解(1)式得到稀疏矩阵E；

S500：无人机遥控信号识别

经过低秩矩阵恢复方法可以进一步抑制图传信号干扰，在稀疏矩阵E中得到清晰的遥控信号时频表示，从而提取出遥控信号的时频特征，进一步与无人机遥控信号特征库中的图样进行比对；

采用基于模式距离度量的时频序列相似性搜索方法，对提取的时频谱特征进行识别，得到该无人机的型号。

2.根据权利要求1所述的一种基于时频分析的无人机遥控信号识别方法，其特征在于：所述步骤S400中，求解方法如下：

a)将最优化问题式(1)正则化，便得到优化问题：

式中，|| ||_*为星范数，|| ||_1.1为(1,1)范数，

为F范数的平方；

b)建立优化问题式(2)的拉格朗日(Lagrange)函数：

式中，μ为平衡参数，这里取μ＝0.05，Y为拉格朗日乘子矩阵，<>表示求内积；

c)迭代交替更新矩阵A，E和Y

当E＝E_k，Y＝Y_k时，

当A＝A_k+1，Y＝Y_k时，

当A＝A_k+1，E＝E_k+1时，

Y_k+1＝Y_k+δ_k(CWD(t，f)-A_k+1-E_k+1)

其中δ_k为迭代步长,且0＜δ_k＜1，k为迭代次数；或者当E_k+1-E_k≈0时，结束迭代，得到稀疏矩阵E。

3.根据权利要求1所述的一种基于时频分析的无人机遥控信号识别方法，其特征在于：所述步骤S500中，无人机遥控信号识别，包含：

S501：以时频序列分段表示的每段直线与时间轴的夹角θ作为度量：

当

时，映射为-2；当

时，映射为-1；

当θ＝0是，映射为0；当

时，映射为1；

当

时，映射为2；

将时频序列的模式定义为五元集，记为模式集合M＝{-2，-1，0，1，2}；

于是，某型无人机遥控信号标准时频序列为：

S₁＝{s_1，1，s_1，2，…s_1，i，…s_1，N}

式中，s_1，i＝(m_1，i，t_1，i)，i(i＝1，2，…，N)为时频序列序号，N表示时频序列模式的划分数量，s_1，i表示时频序列S₁中的第i个模式。m_1，i为模式集合中的一个元素，这里m_1，i∈{-2，-1，0，1，2}；

S502：沿时间轴滑动抽取时频序列

从采集数据时频序列E中取与S₁同样长度的时频序列S₂，假设

S₂＝{s_2，1，s_2，2，…s_2，i…s_2，N}

式中，s_2，i＝(m_2，i，t_2，i)，s_2，i表示时频序列S₂中的第i个模式，且假设t_1，i＝t_2，i，i＝1，2，…，N；

采集数据时频序列抽取时，沿时间轴从开始位置取与S₁同样长度的时频序列，依次滑动一个时间段再取与S₁同样长度的时频序列，直至取完所有的数据；

S503：估计时频序列的模式距离，并判别相似程度

时频序列的模式距离表示具有相同长度两个序列趋势的差异程度，则标准时频序列S₁与采集数据时频序列S₂的模式距离为：

其中，模式距离D_M(s_1，i，s_2，i)＝|m_1，i-m_2，i|，i＝1，2，…，N，| |表示求绝对值；t_N表示序列长度，t_ih表示第i个模式的保持时间，δ为相似度门限值，这里取δ＝0.3。

Images