CN114169367A - 基于深度学习的低慢小无人机识别方法和系统 - Google Patents

基于深度学习的低慢小无人机识别方法和系统 Download PDF

Info

Publication number
CN114169367A
CN114169367A CN202111413098.XA CN202111413098A CN114169367A CN 114169367 A CN114169367 A CN 114169367A CN 202111413098 A CN202111413098 A CN 202111413098A CN 114169367 A CN114169367 A CN 114169367A
Authority
CN
China
Prior art keywords
unmanned aerial
aerial vehicle
antenna
signal
data
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.)
Pending
Application number
CN202111413098.XA
Other languages
English (en)
Inventor
鲜果
龚晓峰
蔡钦
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Chengdu Dagong Bochuang Information Technology Co ltd
Original Assignee
Chengdu Dagong Bochuang Information Technology Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Chengdu Dagong Bochuang Information Technology Co ltd filed Critical Chengdu Dagong Bochuang Information Technology Co ltd
Priority to CN202111413098.XA priority Critical patent/CN114169367A/zh
Publication of CN114169367A publication Critical patent/CN114169367A/zh
Pending legal-status Critical Current

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
    • G06F2218/02—Preprocessing
    • G06F2218/04—Denoising
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/10—Pre-processing; Data cleansing
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • 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
    • G06N3/045—Combinations of networks
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04B—TRANSMISSION
    • H04B1/00—Details of transmission systems, not covered by a single one of groups H04B3/00 - H04B13/00; Details of transmission systems not characterised by the medium used for transmission
    • H04B1/69—Spread spectrum techniques
    • H04B1/713—Spread spectrum techniques using frequency hopping
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04B—TRANSMISSION
    • H04B1/00—Details of transmission systems, not covered by a single one of groups H04B3/00 - H04B13/00; Details of transmission systems not characterised by the medium used for transmission
    • H04B1/69—Spread spectrum techniques
    • H04B1/713—Spread spectrum techniques using frequency hopping
    • H04B1/715—Interference-related aspects
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04B—TRANSMISSION
    • H04B7/00—Radio transmission systems, i.e. using radiation field
    • H04B7/02—Diversity systems; Multi-antenna system, i.e. transmission or reception using multiple antennas
    • H04B7/04—Diversity systems; Multi-antenna system, i.e. transmission or reception using multiple antennas using two or more spaced independent antennas
    • H04B7/0404—Diversity systems; Multi-antenna system, i.e. transmission or reception using multiple antennas using two or more spaced independent antennas the mobile station comprising multiple antennas, e.g. to provide uplink diversity
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04B—TRANSMISSION
    • H04B7/00—Radio transmission systems, i.e. using radiation field
    • H04B7/14—Relay systems
    • H04B7/15—Active relay systems
    • H04B7/185—Space-based or airborne stations; Stations for satellite systems
    • H04B7/18502—Airborne stations
    • H04B7/18506—Communications with or from aircraft, i.e. aeronautical mobile service
    • 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
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/12—Classification; Matching

Abstract

本发明涉及无人机信号识别领域，目的是提供基于深度学习的低慢小无人机识别方法和系统，方法包括以下步骤:步骤S1：通过射频开驱动器控制相控阵列天线，捕获环境中特定频段的无线电波信号，其中，相控阵列天线为相控圆阵天线；步骤S2：通过接收机把截获到的无线电信号转换数据基带信号，对每组天线采集数据进行抗干扰算法分析处理，得到优选信号数据。步骤S3：把优选信号数据，输入到无人机分类识别算法，完成无人机特征提取，通过特征参数，完成无人机类型分类识别。

Description

基于深度学习的低慢小无人机识别方法和系统
技术领域
本发明涉及无人机信号识别技术领域，具体涉及基于深度学习的低慢小无人机识别方法和系统。
背景技术
市面上的低慢小无人机识别方法，均是假设在无蓝牙、WIFI同频干扰条件实现。然而，这种识别方法在真实复杂的电磁环境中适应性不强。同时，在蓝牙、WIFI干扰不断加强条件下，使得无人机识别性能急剧恶化。导致低慢小无人机识别方法的稳定性与准确性，一直达不到国外先进水平。
现有公开技术中，专利号为CN109270581A，专利名称基于八阵元多频段复合阵列天线的无人机探测装置及方法，该发明同样涉及无人机探测装置技术领域。所述探测装置包括天线阵列、接收机、嵌入式主机以及上位机，所述天线阵列包括八个天线阵元，所述八个天线阵元呈圆周设置，且所述天线阵元与天线阵元之间的距离相等，所述八个天线阵元的输出端与所述接收机的信号输入端连接，所述接收机与所述嵌入式主机通过USB3.0接口进行连接，所述嵌入式主机与所述上位机之间通过LAN接口双向连接。所述无人机探测装置具有频段覆盖范围广、产品可靠性高以及重量轻等优点。
但该现有技术仅仅是用作是对无人机有无进行探测，无法对无人机的类型进行识别和分类，因此，需要一种新型的基于深度学习的低慢小无人机识别系统和方法。
发明内容
本发明的目的在于克服现有技术的不足，把无人机无线电监测识别问题转化为机器视觉领域中的目标检测问题，再结合人工智能算法在机器视觉领域的成果，实现低慢小无人机高效识别。
具体通过以下技术方案来实现的：基于深度学习的低慢小无人机识别方法，包括以下步骤:
步骤S1：通过射频开驱动器控制相控阵列天线，捕获环境中特定频段的无线电波信号，其中，相控阵列天线为相控圆阵天线；
步骤S2：通过接收机把截获到的无线电信号转换数据基带信号，对每组天线采集数据进行抗干扰算法分析处理，得到优选信号数据。
步骤S3：把优选信号数据，输入到无人机分类识别算法，完成无人机特征提取，通过特征参数，完成无人机类型分类识别。
优选的，通过控制开关矩阵得到不同的相控圆阵天线组合，射频开驱动器发送握手协议信号与开关矩阵取得通信。
优选的，无人机特征包括有飞控跳频频率集、飞控信号带宽、飞控信号持续时间、图传频点、图传信号带宽。
优选的，所述相控阵列天线为九元相控阵列天线，阵列天线呈中心对称图形。
优选的，所述步骤S2中，具体还包括下列内容：
步骤S21：发送握手协议信号与天线控制板取得通信，若通信失败，启动延时重发机制；
步骤S22：天线工作模式设置，有源模式可以提高系统监测灵敏度，对距离较远无人机发出微弱信号进行侦测；无源模式可以提高系统波前失真能力，防止距离近无人机强信号造成系统阻塞干扰；
步骤S23：启动天线控制触发信号；
步骤S24：查询当前组天线阵是否打通成功，若没有打通，重发触发信号，若连续重发5次触发信号天线无法打通，向上位机发送一个错误标志码，告知操作人员检修此组天线高低端子是否有损坏；
步骤S25：若此组天线阵打通成功，对采集数据进行延时去抖；
步骤S26：延时去抖后，按照上位机指令采集新的数据；
步骤S27：对采集到此组新的数据进行排序，剔除异常数据值；
步骤S28：完成上述处理，给出优选信号数据。
优选的，所述步骤S3中，无人机分类识别算法包括下列内容：
步骤S31：对优选信号数据，进行时频变换，确定时频分辨率，对实时监测数据进行时间-频率维度上的统计，得到信号时频图；
步骤S32：处理后数据进行THC形态学滤波，通过形态学的开、闭运算处理，获取完整的无人机跳频图谱；
步骤S33：利用双向门限估计与三级自适应滤波算法来识别无人机信号，分离蓝牙、WiFi信号；
步骤S34：分离后的数据，进行无人机信号特征估算，获取多维特征参数；
步骤S35：采用深度学习卷积神经网络模型，实现无人机分类识别。
优选的，包括有九元相控阵列天线、开关矩阵、宽频段大带宽接收机、计算机、射频开关驱动器，
计算机通过射频开关驱动控制开关矩阵，开关矩阵分别与各个天线连接，用于导通和关闭对应的天线通道，
九元相控阵列天线用于捕获无线电信号并发送至接收机，
接收机内预存有抗干扰算法，将处理后无线电信号发送至计算机，
计算机内预存有无人机分类识别算法，通过对信号的特征提取，完成对无人机信号的识别和分类。
优选的，九元相控阵列天线的圆阵方向图是360°，通过开关矩阵的不同程控得到对应的天线组合。
优选的，采用宽频段大带宽接收机将分时两个天线阵元接收的被测信号数据提供给计算机进行处理。
本发明的有益效果是：
(1)采用形态学的开、闭运算处理，获得完整信号跳频图谱。通过自适应三级滤波，减少蓝牙、WIFI等信号干扰影响，估算出无人机特征参数；
(2)采用深度学习卷积神经网络(CNN)模型实现无人机分类识别，比较现有监测系统的无人机分类识别在准确度上有了极大的提升。
附图说明
图1为本发明的整体系统框图；
图2为本发明的实施例中信号抗干扰算法工作流程图；
图3为本发明的实施例中无人机分类识别算法工作流程图。
具体实施方式
下面结合本发明的附图1，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均属于本申请的保护范围。
实施例1：
如图1所示，九元相控阵列无人机数据采集系统。从图1可以看出，设备包括:九元均匀相控圆阵、开关矩阵、宽频段大带宽接收机、计算机、射频开关驱动器等硬件组成。
圆阵:采用九元相控阵列天线，圆阵的方向图是360°全方位无阵列模糊。通过相控阵列合成方式，使得天线获得高增益，提高系统监测灵敏度。该设计既解决了传统的线阵无法全向监测无人机信号，又解决了系统监测灵敏度不够问题。通过选择有源和无源两种切换模式，九个振元同时启动或暂停，为后面优选无人机信号数据提供了有力手段。可以较好地实现信号的自动提取而且信号漏检率低，减小了蓝牙、WIFI信号造成的误识别，跳频频率集和带宽不准可能造成的信号信息不准、虚信号等问题。
开关矩阵:通过程控打通不同天线组合，实现天线方向图自动合成。
射频开关驱动器:由计算机给出的指令通过射频开关驱动器来控制矩阵开关的工作状态。
宽频段大带宽接收机:本系统采用宽频段大带宽接收机将分时两个天线阵元接收的被测信号数据提供给计算机进行处理。
计算机：计算机实现人机对话，控制数据采集的开始与结束，并且将采集到的数据通过软件进行处理，采集到的信号后将结果通过软件界面直观的展现给用户。
图2为信号抗干扰算法工作流程。
数字中频信号通过数字下变频变为数据基带IQ后，首先发送握手协议信号与天线控制板取得通信。然后，对需要打通的天线进行编码和驻留时间参数设置。其次，对每组天线采集数据进行抗干扰处理。最后，判断编码的天线是否都打通完成。抗干扰处理的具体步骤如下：
步骤1.发送握手协议信号与天线控制板取得通信。若没有成功，启动延时重发机制，若连续10次重发都没成功，向上位机发送错误类型码，告知人员检查电路连线和系统板子是否工作正常。
步骤2.天线工作模式设置，有源模式可以提高系统监测灵敏度，对距离较远无人机发出微弱信号进行侦测；无源模式可以提高系统波前失真能力，防止距离近无人机强信号造成系统阻塞干扰。
步骤3.启动天线控制触发信号。
步骤4.查询天线阵是否打通成功。若没有打通，重发触发信号，若连续重发5次触发信号天线无法打通，向上位机发送一个错误标志码，告知操作人员检修此组天线高低端子是否有损坏。
步骤5.若此组天线阵打通成功，进行延时去抖，这样保证天线处于正常打通状态，采集数据没有抖动。
步骤6.延时去抖后，按照上位机指令采集一段数据。
步骤7.对采集到此组数据进行排序，剔除异常数据值。这样就大大提高数据准确度，起到无人机信号抗干扰目的。
步骤9.完成上述处理，给出优选后的无人机信号数据。
图3为无人机分类识别算法工作流程。
计算机将接收机接收到的信号数据进行处理，信号分选的具体步骤如下：
步骤1.对选后无人机信号数据，进行时频变换分析。确定合适时频分辨率，对实时监测数据进行时间-频率维度上的统计，得到信号时频图。这样处理方式，可以，降低由信号的非平稳性给信号处理带来的计算难度。
步骤2.处理后数据进行THC形态学滤波，通过形态学的开、闭运算处理，获取完整的无人机跳频图谱。
步骤3.利用双向门限估计与三级自适应滤波算法来识别无人机信号，实现无人机信号与蓝牙、WIFI等信号干扰的分离。
步骤4.分离后的数据，进行无人机信号特征估算，获取多维特征参数。
步骤6.采用深度学习卷积神经网络(CNN)模型，实现无人机分类识别。
步骤7.完成上述步骤后，给出识别结果和特征参数。
至此，对实时监测数据进行时间-频率维度上的统计，得到信号跳频图谱。可以，降低了信号的非平稳性给信号处理带来的计算难度。采用形态学的开、闭运算处理，获得完整信号跳频图谱。通过自适应三级滤波，减少蓝牙、WIFI等信号干扰影响，估算出无人机特征参数。最后，采用深度学习卷积神经网络(CNN)模型实现无人机分类识别，比较现有监测系统的无人机分类识别在准确度上有了极大的提升。
综上所述，包括以下步骤:首先，工业计算机实现对整个系统控制和调度。通过射频开驱动器控制九元单通道均匀相控圆阵开关，捕获环境中特定频段的无线电波信号。射频开驱动器发送握手协议信号与开关矩阵取得通信。对需要打通的天线进行编码和驻留时间参数设置。然后，通过宽频段大带宽接收机，把截获到的无线电信号转换数据基带信号。对每组天线采集数据进行抗干扰算法分析处理，优选出最优的无人机信号数据。最后，把优选信号数据，输入到无人机分类识别算法，完成无人机特征提取，估计特征参数(飞控跳频频率集、飞控信号带宽、飞控信号持续时间、图传频点、图传信号带宽等)，实现无人机类型分类识别，输出识别结果和特征参数。

Claims (9)

1.基于深度学习的低慢小无人机识别方法，其特征在于，包括以下步骤:
步骤S1：通过射频开驱动器控制相控阵列天线，捕获环境中特定频段的无线电波信号，其中，相控阵列天线为相控圆阵天线；
步骤S2：通过接收机把截获到的无线电信号转换数据基带信号，对每组天线采集数据进行抗干扰算法分析处理，得到优选信号数据。
步骤S3：把优选信号数据，输入到无人机分类识别算法，完成无人机特征提取，通过特征参数，完成无人机类型分类识别。
2.根据权利要求1所述的基于深度学习的低慢小无人机识别方法，其特征在于，通过控制开关矩阵得到不同的相控圆阵天线组合，射频开驱动器发送握手协议信号与开关矩阵取得通信。
3.根据权利要求1所述的基于深度学习的低慢小无人机识别方法，其特征在于，无人机特征包括有飞控跳频频率集、飞控信号带宽、飞控信号持续时间、图传频点、图传信号带宽。
4.根据权利要求1所述的基于深度学习的低慢小无人机识别方法，其特征在于，所述相控阵列天线为九元相控阵列天线，阵列天线呈中心对称图形。
5.根据权利要求1所述的基于深度学习的低慢小无人机识别方法，其特征在于，所述步骤S2中，具体还包括下列内容：
步骤S21：发送握手协议信号与天线控制板取得通信，若通信失败，启动延时重发机制；
步骤S22：天线工作模式设置，有源模式可以提高系统监测灵敏度，对距离较远无人机发出微弱信号进行侦测；无源模式可以提高系统波前失真能力，防止距离近无人机强信号造成系统阻塞干扰；
步骤S23：启动天线控制触发信号；
步骤S24：查询当前组天线阵是否打通成功，若没有打通，重发触发信号，若连续重发5次触发信号天线无法打通，向上位机发送一个错误标志码，告知操作人员检修此组天线高低端子是否有损坏；
步骤S25：若此组天线阵打通成功，对采集数据进行延时去抖；
步骤S26：延时去抖后，按照上位机指令采集新的数据；
步骤S27：对采集到此组新的数据进行排序，剔除异常数据值；
步骤S28：完成上述处理，给出优选信号数据。
6.根据权利要求1所述的基于深度学习的低慢小无人机识别方法，其特征在于，所述步骤S3中，无人机分类识别算法包括下列内容：
步骤S31：对优选信号数据，进行时频变换，确定时频分辨率，对实时监测数据进行时间-频率维度上的统计，得到信号时频图；
步骤S32：处理后数据进行THC形态学滤波，通过形态学的开、闭运算处理，获取完整的无人机跳频图谱；
步骤S33：利用双向门限估计与三级自适应滤波算法来识别无人机信号，分离蓝牙、WiFi信号；
步骤S34：分离后的数据，进行无人机信号特征估算，获取多维特征参数；
步骤S35：采用深度学习卷积神经网络模型，实现无人机分类识别。
7.基于深度学习的低慢小无人机识别系统，其特征在于，包括有九元相控阵列天线、开关矩阵、宽频段大带宽接收机、计算机、射频开关驱动器，
计算机通过射频开关驱动控制开关矩阵，开关矩阵分别与各个天线连接，用于导通和关闭对应的天线通道，
九元相控阵列天线用于捕获无线电信号并发送至接收机，
接收机内预存有抗干扰算法，将处理后无线电信号发送至计算机，
计算机内预存有无人机分类识别算法，通过对信号的特征提取，完成对无人机信号的识别和分类。
8.根据权利要求7所述的基于深度学习的低慢小无人机识别系统，其特征在于，九元相控阵列天线的圆阵方向图是360°，通过开关矩阵的不同程控得到对应的天线组合。
9.根据权利要求8所述的基于深度学习的低慢小无人机识别系统，其特征在于，采用宽频段大带宽接收机将分时两个天线阵元接收的被测信号数据提供给计算机进行处理。
CN202111413098.XA 2021-11-25 2021-11-25 基于深度学习的低慢小无人机识别方法和系统 Pending CN114169367A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111413098.XA CN114169367A (zh) 2021-11-25 2021-11-25 基于深度学习的低慢小无人机识别方法和系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111413098.XA CN114169367A (zh) 2021-11-25 2021-11-25 基于深度学习的低慢小无人机识别方法和系统

Publications (1)

Publication Number Publication Date
CN114169367A true CN114169367A (zh) 2022-03-11

Family

ID=80480884

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111413098.XA Pending CN114169367A (zh) 2021-11-25 2021-11-25 基于深度学习的低慢小无人机识别方法和系统

Country Status (1)

Country Link
CN (1) CN114169367A (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115308813A (zh) * 2022-10-10 2022-11-08 成都本原聚能科技有限公司 基于深度学习的双定向天线飞行器侦测系统及方法
CN116756697A (zh) * 2023-07-26 2023-09-15 成都大公博创信息技术有限公司 一种基于特征融合和maclnn的低慢小无人机识别方法
CN117056708A (zh) * 2023-10-11 2023-11-14 成都大公博创信息技术有限公司 一种基于多尺度特征融合和cnn-lstm的ais信号识别方法
CN117713912A (zh) * 2024-02-05 2024-03-15 成都大公博创信息技术有限公司 一种基于CVCNN-BiGRU的星链终端信号识别方法和装置

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115308813A (zh) * 2022-10-10 2022-11-08 成都本原聚能科技有限公司 基于深度学习的双定向天线飞行器侦测系统及方法
CN115308813B (zh) * 2022-10-10 2023-08-22 成都本原聚能科技有限公司 基于深度学习的双定向天线无人机侦测系统及方法
CN116756697A (zh) * 2023-07-26 2023-09-15 成都大公博创信息技术有限公司 一种基于特征融合和maclnn的低慢小无人机识别方法
CN117056708A (zh) * 2023-10-11 2023-11-14 成都大公博创信息技术有限公司 一种基于多尺度特征融合和cnn-lstm的ais信号识别方法
CN117713912A (zh) * 2024-02-05 2024-03-15 成都大公博创信息技术有限公司 一种基于CVCNN-BiGRU的星链终端信号识别方法和装置

Similar Documents

Publication Publication Date Title
CN114169367A (zh) 基于深度学习的低慢小无人机识别方法和系统
DE102018200233A1 (de) System und Verfahren zum Gestennachweis für ein ortsfernes Gerät
TWI400897B (zh) Radio signal processing method and apparatus for identifying a system active state in a wireless coexistence network
US6850735B2 (en) System and method for signal classiciation of signals in a frequency band
Arshad et al. Leveraging transfer learning in multiple human activity recognition using WiFi signal
CN110366114B (zh) 一种定位方法和定位装置
CN107733472A (zh) 射频识别频点自适应设置方法及系统、控制装置
CN108197581B (zh) 一种基于改进AC-WGANs的无人机信号识别检测方法
CN111585925A (zh) 一种基于深度学习的稳健实时射频信号调制识别方法
CN114189310B (zh) 基于信号侦察和预测的无人机测控信号精准干扰方法
CN117056708A (zh) 一种基于多尺度特征融合和cnn-lstm的ais信号识别方法
CN103684524A (zh) 一种基于uwb通信信号的目标识别方法
CN106483920A (zh) 一种基于物联网的水处理综合自动化一体控制系统
CN107872271B (zh) 基于LoRa技术的公网通信中继器及通信方法
CN116756697A (zh) 一种基于特征融合和maclnn的低慢小无人机识别方法
US20080068168A1 (en) RFID interrogator and RFID-interrogator control method
CN109858360B (zh) 一种舰队电磁兼容的动态管理方法和系统
Nafkha et al. Cyclostationarity-based versus eigenvalues-based algorithms for spectrum sensing in cognitive radio systems: Experimental evaluation using GNU radio and USRP
Alizadeh et al. Human activity recognition and people count for a smart public transportation system
CN116939614A (zh) 汽车中继攻击的检测与防御方法及装置
CN115987411A (zh) 一种软件定义多频段无线通信封控评测系统及方法
CN110943753A (zh) 一种便携式无人机干扰器
CN114189300A (zh) 一种短波频段信号分选方法
CN106911402B (zh) 一种信号检测方法及相关装置
CN110417421A (zh) 一种无人机遥控器侦测系统及其侦测方法

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