CN115600101A - 一种基于先验知识的无人机信号智能检测方法及装置 - Google Patents
一种基于先验知识的无人机信号智能检测方法及装置 Download PDFInfo
- Publication number
- CN115600101A CN115600101A CN202211351531.6A CN202211351531A CN115600101A CN 115600101 A CN115600101 A CN 115600101A CN 202211351531 A CN202211351531 A CN 202211351531A CN 115600101 A CN115600101 A CN 115600101A
- Authority
- CN
- China
- Prior art keywords
- signal
- aerial vehicle
- unmanned aerial
- intelligent detection
- time
- 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
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R29/00—Arrangements for measuring or indicating electric quantities not covered by groups G01R19/00 - G01R27/00
- G01R29/08—Measuring electromagnetic field characteristics
- G01R29/0864—Measuring electromagnetic field characteristics characterised by constructional or functional features
- G01R29/0892—Details related to signal analysis or treatment; presenting results, e.g. displays; measuring specific signal features other than field strength, e.g. polarisation, field modes, phase, envelope, maximum value
-
- 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
-
- 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
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
Abstract
本发明公开了一种基于先验知识的无人机信号智能检测方法及装置,该方法包括:利用无线电侦察设备接收空间电磁波信号,并对所述空间电磁波信号进行处理,得到零中频信号;将所述零中频信号发送给信号处理设备,利用所述信号处理设备对所述零中频信号进行处理,得到训练信号样本数据库;获取无人机信号智能检测先验知识,利用所述无人机信号智能检测先验知识,构建无人机信号智能检测模型;利用所述无人机信号智能检测模型,对所述无线电侦察设备接收到的待识别的空间电磁波信号进行处理,得到基于先验知识的无人机信号智能检测结果。本发明解决了同频段信号重叠严重、兼顾实时性和准确性进行目标检测的难题。
Description
技术领域
本发明涉及电子信息技术技术领域,尤其涉及一种基于先验知识的无人机信号智能检测方法及装置。
背景技术
小型无人机的通信信号大部分工作在2.4/5.8GHz ISM频段。此频段也是Wi-Fi、蓝牙等信号的工作频段。随着该频段信号数量的不断增加,信号之间互相产生干扰,频域和时域都存在重叠现象,因此在众多干扰的情况下检测目标无人机通信信号变得极具挑战性。
面对众多干扰的复杂电磁环境,现有的信号检测方法并不能获得较好的检测效果。目前,小型无人机信号智能检测面临的难点问题主要表现在以下两个方面:(1)同频段信号在频域和时域重叠时,不能将其有效检测。(2)兼顾检测实时性和准确性的效果并不理想。
发明内容
本发明所要解决的技术问题在于,为应对在众多干扰条件下检测小型无人机信号的需求,提供一种基于先验知识的无人机信号智能检测方法及装置,具体包括无线电侦收、信号时频变换、引入先验知识,针对信号特点设计深度学习目标检测模型等方式,实现对小型无人机信号的检测。
为了解决上述技术问题,本发明实施例第一方面公开了一种基于先验知识的无人机信号智能检测方法,所述方法包括:
S1,利用无线电侦察设备接收空间电磁波信号,并对所述空间电磁波信号进行处理,得到零中频信号;
S2,将所述零中频信号发送给信号处理设备,利用所述信号处理设备对所述零中频信号进行处理,得到训练信号样本数据库;
S3,获取无人机信号智能检测先验知识,利用所述无人机信号智能检测先验知识,构建无人机信号智能检测模型;
S4,利用所述无人机信号智能检测模型,对所述无线电侦察设备接收到的待识别的空间电磁波信号进行处理,得到基于先验知识的无人机信号智能检测结果。
作为一种可选的实施方式,在本发明实施例第一方面中,所述利用无线电侦察设备接收空间电磁波信号,并对所述空间电磁波信号进行处理,得到零中频信号,包括:
S11,利用无线电侦察设备接收信号处理设备发出的侦收指令;
S12,根据所述侦收指令,利用所述无线电侦察设备,对空间电磁波信号进行接收;
S13,利用所述无线电侦察设备,对所述接收到的空间电磁波信号进行处理,得到零中频信号。
作为一种可选的实施方式,在本发明实施例第一方面中,所述利用所述信号处理设备对所述零中频信号进行处理,得到训练信号样本数据库,包括:
S21,利用所述信号处理设备对所述零中频信号进行存储和预处理,得到预处理信号;
S22,利用STFT变换,对所述预处理信号进行处理,得到时频谱图;
S23,对所述时频谱图进行最优阈值滤波,得到降噪后的时频谱图;
作为一种可选的实施方式,在本发明实施例第一方面中,所述时频变换为STFT变换:
式中,S(m,n)为时频谱图,x(t)表示时域信号,g(t)表示窗函数,T表示滑动窗口长度,N表示离散傅里叶变换长度,m,n分别表示时频谱图频点和时刻,L表示信号长度,i表示信号样点,M表示离散傅里叶变换长度。
作为一种可选的实施方式,在本发明实施例第一方面中,所述对所述时频谱图进行最优阈值滤波,得到降噪后的时频谱图,包括:
S211,设置初始阈值δth的目标区间[α,β],其中0≤α<β≤max{S(m,n)},S(m,n)为时频谱图;
S212,将所述目标区间[α,β]划分为L等份;
S215,计算每一次迭代与上一次迭代的得到的时频谱图的差值εi,i=1,2,…为迭代次数;
S216,将差值εi进行曲线拟合,得到曲线C,当曲线C出现拐点时,对应的阈值为最优阈值;
S217,利用所述最优阈值,对所述时频谱图S(m,n)进行最优阈值滤波,得到降噪后的时频谱图。
作为一种可选的实施方式,在本发明实施例第一方面中,所述获取无人机信号智能检测先验知识,利用所述无人机信号智能检测先验知识,构建无人机信号智能检测模型,包括:
S31,获取无人机信号智能检测先验知识;所述无人机信号智能检测先验知识包括无人机信号的尺寸、无人机信号时频谱图尺寸;
S32,根据无人机信号的尺寸设计初始锚框;
S33,根据无人机信号时频谱图尺寸,对所述初始锚框进行微调,得到优化锚框;
S34,构建无人机信号智能检测初始模型;所述无人机信号智能检测初始模型包括Backbone、Neck和Head组件;
S35,获取浅层特征图,利用所述浅层特征图和所述优化锚框,对所述无人机信号智能检测初始模型进行处理,得到第一无人机信号智能检测模型;
S36,利用无线电侦察设备接收空间电磁波信号,对所述第一无人机信号智能检测模型的Neck和Head组件进行训练,冻结Backbone组件,得到扩展无人机信号智能检测模型;
S37,利用YOLOX的解耦头,替换所述扩展无人机信号智能检测模型的Head组件,得到无人机信号智能检测模型。
作为一种可选的实施方式,在本发明实施例第一方面中,所述利用所述无人机信号智能检测模型,对所述无线电侦察设备接收到的待识别的空间电磁波信号进行处理,得到基于先验知识的无人机信号智能检测结果,包括:
S41,利用无线电侦察设备接收待识别的空间电磁波信号;
S42,对所述待识别的空间电磁波信号进行处理,得到待识别时频谱图,
S43,对所述待识别时频谱图进行标注,得到标注时频谱图;
S44,利用所述无人机信号智能检测模型,对所述标注时频谱图进行处理,得到基于先验知识的无人机信号智能检测结果。
本发明第二方面公开了一种基于先验知识的无人机信号智能检测装置,所述装置包括:
信号接收模块,用于利用无线电侦察设备接收空间电磁波信号,并对所述空间电磁波信号进行处理,得到零中频信号;
训练数据库生成模块,用于将所述零中频信号发送给信号处理设备,利用所述信号处理设备对所述零中频信号进行处理,得到训练信号样本数据库;
训练模块,用于获取无人机信号智能检测先验知识,利用所述无人机信号智能检测先验知识,构建无人机信号智能检测模型;
识别模块,用于利用所述无人机信号智能检测模型,对所述无线电侦察设备接收到的待识别的空间电磁波信号进行处理,得到基于先验知识的无人机信号智能检测结果。
作为一种可选的实施方式,在本发明实施例第二方面中,所述利用无线电侦察设备接收空间电磁波信号,并对所述空间电磁波信号进行处理,得到零中频信号,包括:
S11,利用无线电侦察设备接收信号处理设备发出的侦收指令;
S12,根据所述侦收指令,利用所述无线电侦察设备,对空间电磁波信号进行接收;
S13,利用所述无线电侦察设备,对所述接收到的空间电磁波信号进行处理,得到零中频信号。
作为一种可选的实施方式,在本发明实施例第二方面中,所述利用所述信号处理设备对所述零中频信号进行处理,得到训练信号样本数据库,包括:
S21,利用所述信号处理设备对所述零中频信号进行存储和预处理,得到预处理信号;
S22,利用STFT变换,对所述预处理信号进行处理,得到时频谱图;
S23,对所述时频谱图进行最优阈值滤波,得到降噪后的时频谱图;
作为一种可选的实施方式,在本发明实施例第二方面中,所述时频变换为STFT变换:
式中,S(m,n)为时频谱图,x(t)表示时域信号,g(t)表示窗函数,T表示滑动窗口长度,N表示离散傅里叶变换长度,m,n分别表示时频谱图频点和时刻,L表示信号长度,i表示信号样点,M表示离散傅里叶变换长度。
作为一种可选的实施方式,在本发明实施例第二方面中,所述对所述时频谱图进行最优阈值滤波,得到降噪后的时频谱图,包括:
S211,设置初始阈值δth的目标区间[α,β],其中0≤α<β≤max{S(m,n)},S(m,n)为时频谱图;
S212,将所述目标区间[α,β]划分为L等份;
S215,计算每一次迭代与上一次迭代的得到的时频谱图的差值εi,i=1,2,…为迭代次数;
S216,将差值εi进行曲线拟合,得到曲线C,当曲线C出现拐点时,对应的阈值为最优阈值;
S217,利用所述最优阈值,对所述时频谱图S(m,n)进行最优阈值滤波,得到降噪后的时频谱图。
作为一种可选的实施方式,在本发明实施例第二方面中,所述获取无人机信号智能检测先验知识,利用所述无人机信号智能检测先验知识,构建无人机信号智能检测模型,包括:
S31,获取无人机信号智能检测先验知识;所述无人机信号智能检测先验知识包括无人机信号的尺寸、无人机信号时频谱图尺寸;
S32,根据无人机信号的尺寸设计初始锚框;
S33,根据无人机信号时频谱图尺寸,对所述初始锚框进行微调,得到优化锚框;
S34,构建无人机信号智能检测初始模型;所述无人机信号智能检测初始模型包括Backbone、Neck和Head组件;
S35,获取浅层特征图,利用所述浅层特征图和所述优化锚框,对所述无人机信号智能检测初始模型进行处理,得到第一无人机信号智能检测模型;
S36,利用无线电侦察设备接收空间电磁波信号,对所述第一无人机信号智能检测模型的Neck和Head组件进行训练,冻结Backbone组件,得到扩展无人机信号智能检测模型;
S37,利用YOLOX的解耦头,替换所述扩展无人机信号智能检测模型的Head组件,得到无人机信号智能检测模型。
作为一种可选的实施方式,在本发明实施例第二方面中,所述利用所述无人机信号智能检测模型,对所述无线电侦察设备接收到的待识别的空间电磁波信号进行处理,得到基于先验知识的无人机信号智能检测结果,包括:
S41,利用无线电侦察设备接收待识别的空间电磁波信号;
S42,对所述待识别的空间电磁波信号进行处理,得到待识别时频谱图,
S43,对所述待识别时频谱图进行标注,得到标注时频谱图;
S44,利用所述无人机信号智能检测模型,对所述标注时频谱图进行处理,得到基于先验知识的无人机信号智能检测结果。
本发明第三方面公开了另一种基于先验知识的无人机信号智能检测装置,所述装置包括:
存储有可执行程序代码的存储器;
与所述存储器耦合的处理器;
所述处理器调用所述存储器中存储的所述可执行程序代码,执行本发明实施例第一方面公开的基于先验知识的无人机信号智能检测方法中的部分或全部步骤。
本发明第四方面公开了一种计算机存储介质,所述计算机存储介质存储有计算机指令,所述计算机指令被调用时,用于执行本发明实施例第一方面公开的基于先验知识的无人机信号智能检测方法中的部分或全部步骤。
与现有技术相比,本发明实施例具有以下有益效果:
(1)本发明提供了一种基于先验知识的小型无人机信号智能检测方法,解决同频段信号重叠严重、兼顾实时性和准确性进行目标检测的难题。
(2)本发明利用YOLO模型学习信号频谱图的细节,如形状、颜色、边缘、棱角等信息,来针对性的改进YOLO模型,达到实时检测的目的,同时兼顾准确性。
附图说明
为了更清楚地说明本发明实施例中的技术方案,下面将对实施例描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1是本发明实施例公开的一种基于先验知识的无人机信号智能检测方法的流程示意图;
图2是本发明实施例公开的基于深度学习目标检测的先验知识引入流程图;
图3是本发明实施例公开的一种基于先验知识的无人机信号智能检测装置的结构示意图;
图4是本发明实施例公开的另一种基于先验知识的无人机信号智能检测装置的结构示意图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案,下面将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作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。
本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别不同对象,而不是用于描述特定顺序。此外,术语“包括”和“具有”以及它们任何变形,意图在于覆盖不排他的包含。例如包含了一系列步骤或单元的过程、方法、装置、产品或设备没有限定于已列出的步骤或单元,而是可选地还包括没有列出的步骤或单元,或可选地还包括对于这些过程、方法、产品或设备固有的其他步骤或单元。
在本文中提及“实施例”意味着,结合实施例描述的特定特征、结构或特性可以包含在本发明的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例,也不是与其它实施例互斥的独立的或备选的实施例。本领域技术人员显式地和隐式地理解的是,本文所描述的实施例可以与其它实施例相结合。
本发明公开了一种基于先验知识的无人机信号智能检测方法及装置,能够利用无线电侦察设备接收空间电磁波信号,并对所述空间电磁波信号进行处理,得到零中频信号;将所述零中频信号发送给信号处理设备,利用所述信号处理设备对所述零中频信号进行处理,得到训练信号样本数据库;获取无人机信号智能检测先验知识,利用所述无人机信号智能检测先验知识,构建无人机信号智能检测模型;利用无线电侦察设备接收待识别的空间电磁波信号,利用所述无人机信号智能检测模型,对所述待识别的空间电磁波信号进行处理,得到基于先验知识的无人机信号智能检测结果。
实施例一
请参阅图1,图1是本发明实施例公开的一种基于先验知识的无人机信号智能检测方法的流程示意图。其中,图1所描述的无人机信号智能检测方法可以应用于无人机信号检测和语音、图像等其他的信号处理领域,本发明实施例不做限定。如图1所示,该基于先验知识的无人机信号智能检测方法可以包括以下操作:
S1,利用无线电侦察设备接收空间电磁波信号,并对所述空间电磁波信号进行处理,得到零中频信号;
S2,将所述零中频信号发送给信号处理设备,利用所述信号处理设备对所述零中频信号进行处理,得到训练信号样本数据库;
S3,获取无人机信号智能检测先验知识,利用所述无人机信号智能检测先验知识,构建无人机信号智能检测模型;
S4,利用所述无人机信号智能检测模型,对所述无线电侦察设备接收到的待识别的空间电磁波信号进行处理,得到基于先验知识的无人机信号智能检测结果。
可选的,所述利用无线电侦察设备接收空间电磁波信号,并对所述空间电磁波信号进行处理,得到零中频信号,包括:
S11,利用无线电侦察设备接收信号处理设备发出的侦收指令;
S12,根据所述侦收指令,利用所述无线电侦察设备,对空间电磁波信号进行接收;
S13,利用所述无线电侦察设备,对所述接收到的空间电磁波信号进行处理,得到零中频信号。
可选的,所述利用所述信号处理设备对所述零中频信号进行处理,得到训练信号样本数据库,包括:
S21,利用所述信号处理设备对所述零中频信号进行存储和预处理,得到预处理信号;
S22,利用STFT变换,对所述预处理信号进行处理,得到时频谱图;
S23,对所述时频谱图进行最优阈值滤波,得到降噪后的时频谱图;
可选的,所述时频变换为STFT变换:
式中,S(m,n)为时频谱图,x(t)表示时域信号,g(t)表示窗函数,T表示滑动窗口长度,N表示离散傅里叶变换长度,m,n分别表示时频谱图频点和时刻,L表示信号长度,i表示信号样点,M表示离散傅里叶变换长度。
可选的,所述对所述时频谱图进行最优阈值滤波,得到降噪后的时频谱图,包括:
S211,设置初始阈值δth的目标区间[α,β],其中0≤α<β≤max{S(m,n)},S(m,n)为时频谱图;
S212,将所述目标区间[α,β]划分为L等份;
S215,计算每一次迭代与上一次迭代的得到的时频谱图的差值εi,i=1,2,…为迭代次数;
S216,将差值εi进行曲线拟合,得到曲线C,当曲线C出现拐点时,对应的阈值为最优阈值;
S217,利用所述最优阈值,对所述时频谱图S(m,n)进行最优阈值滤波,得到降噪后的时频谱图。
可选的,所述获取无人机信号智能检测先验知识,利用所述无人机信号智能检测先验知识,构建无人机信号智能检测模型,包括:
S31,获取无人机信号智能检测先验知识;所述无人机信号智能检测先验知识包括无人机信号的尺寸、无人机信号时频谱图尺寸;
S32,根据无人机信号的尺寸设计初始锚框;锚框是对感兴趣区域进行框选的边界框,通过调整锚框可以更快速准确的识别目标信号。
针对信号时频谱图尺寸、大小的特点,确定锚框的尺度和宽高比。由信号时频谱图可知,目标无人机信号多为矩形,且信号大小变化有一定范围,根据这一先验信息,能够让检测模型更精准地学习目标信号特征。
S33,根据无人机信号时频谱图尺寸,对所述初始锚框进行微调,得到优化锚框;根据信号频谱特征(对称性、能量集中等)进行微调,以提高交并比(IoU),即预测框与真实框交集和并集之比,,从而提高模型检测准确性。信号的时频谱图是对称的矩形框,可以依据这一特点,更精确地确定中心点坐标,以便对信号进行更准确的框选。同时,信号区域相较与背景是能量集中的区域,可以此为依据确定信号与背景的边界。
S34,构建无人机信号智能检测初始模型;所述无人机信号智能检测初始模型包括Backbone、Neck和Head组件;
S35,获取浅层特征图,浅层特征图是浅层网络提取的特征,因为感受野较小,所以能够捕捉更多细节,利用所述浅层特征图和所述优化锚框,对所述无人机信号智能检测初始模型进行处理,得到第一无人机信号智能检测模型;为达到抵抗侦察和干扰的目的,无人机测控信号多为跳频,在时频图上体现的特征为不在同一频段、同一时间出现的小矩形块,即小目标。由于浅层特征图对小目标的检测效果较好,网络能够捕获更多细节,比如形状、颜色、边缘、棱角等信息,这些信息正是无人机信号在时频谱图中的突出特征。具体操作为在特征融合之后增加特征层预测,以提高模型对小目标的检测性能。具体操作为增加靠近输入端的浅层特征层,以提高模型对小目标的检测性能。而且跳频信号由于其产生机理的原因,通常成群出现,即信号间具有关联性。根据这些先验信息,可以将不同尺度的特征层进行融合,将它们获取的特征进行互补,获取关联信息,提升检测效果。
S36,利用无线电侦察设备接收空间电磁波信号,对所述第一无人机信号智能检测模型的Neck和Head组件进行训练,冻结Backbone组件,得到扩展无人机信号智能检测模型;即图像输入→Backbone→Neck→Head→预测输出,因为增加新的信号类型时,主干网络Backbone并不发生变化,只需要根据新的任务需求训练提取特征的Neck和预测目标信号类别和位置的Head即可。
S37,利用YOLOX的解耦头,替换所述扩展无人机信号智能检测模型的Head组件,得到无人机信号智能检测模型。YOLOX提出了一个解耦头结构以代替原来的YOLO Head。YOLOX解耦头结构采用不同的分支对分类和定位进行运算,因为两者关注的内容不同,从而提升检测效果。
可选的,所述利用所述无人机信号智能检测模型,对所述无线电侦察设备接收到的待识别的空间电磁波信号进行处理,得到基于先验知识的无人机信号智能检测结果,包括:
S41,利用无线电侦察设备接收待识别的空间电磁波信号;
S42,对所述待识别的空间电磁波信号进行处理,得到待识别时频谱图,
S43,对所述待识别时频谱图进行标注,得到标注时频谱图;
S44,利用所述无人机信号智能检测模型,对所述标注时频谱图进行处理,得到基于先验知识的无人机信号智能检测结果。
可选的,所述对所述待识别时频谱图进行标注,包括:
标注待识别时频谱图对应的信号类型;
所述信号类型包括:小型无人机信号、Wi-Fi信号、蓝牙信号和其他同频段干扰信号,得到标注时频谱图。
可选的,可以选用YOLOv5来作为无人机信号智能检测模型,YOLOv5由于模型尺寸和深度最小可以更快对模型训练部署,且有着高达140FPS的识别速度。YOLOv5的整体网络结构可大体分为主干特征提取网络(Backbone)、加强特征提取网络(FPN)、分类器与回归器(Yolo Head)三部分。YOLOv5采用的主干特征提取网络为CSPDarknet。在CSPDarknet中,利用了残差网络,减少了梯度弥散的可能性,优化了计算,还保留了更多的原始信息。YOLOv5还引用了CSP网络结构,它会在不断进行特征提取的过程中,引入一个比较大的残差边跳过特征提取过程,直接将大结构块的输入和输出相接。YOLOv5的Focus层采用切片操作将高分辨率的特征图拆分成多个低分辨率的特征图。YOLOv5采用的是SiLU函数,又称swish函数,可视为Sigmoid和ReLU的综合改进版,其在深层模型上的效果优于ReLU。当输入进来的时频谱图特征尺寸为640×640×3时,首先利用Focus网络结构进行高和宽的压缩从而获得一个特征层,之后对其进行若干次Conv2D_BatchNorm_SiLU的操作。除此之外还引用了CSPnet网络结构和SPPBottleneck模块,通过不断进行特征提取,最后得到三个大小为80×80×256,40×40×512和20×20×1024的有效特征层,将这三个有效特征层送入FPN特征金字塔中,继续进行加强特征的提取。
进一步,对YOLOv5模型采用冻结训练和解冻训练进行优化。冻结训练本质上是一种迁移学习的思想,它被广泛应用于信号检测任务中,因为信号检测任务的主干网络特征提取部分所提取到的特征是具有通用性的,所以冻结起来训练既能提高训练效率又能避免权值受到破坏。在冻结阶段,因为模型的主干被冻结,因此不会影响特征提取网络,此时占用的内存很小,只需要对网络进行微调。而在解冻阶段,由于主干网络没有被冻结,特征提取网络将会发生变化,此时占用的存储空间较大,网络中各种参数也会随之改变。本发明在基于YOLOv5的无人机信号智能检测方法模型的训练中,前30轮进行冻结训练,后30轮进行解冻训练。
实施例二
请参阅图3,图3是本发明实施例公开的一种基于先验知识的无人机信号智能检测装置的结构示意图。其中,图3所描述的装置能够应用于无人机信号识别和电子信息领域的其他目标识别中,本发明实施例不做限定。如图3所示,该装置可以包括:
S301,信号接收模块,用于利用无线电侦察设备接收空间电磁波信号,并对所述空间电磁波信号进行处理,得到零中频信号;
S302,训练数据库生成模块,用于将所述零中频信号发送给信号处理设备,利用所述信号处理设备对所述零中频信号进行处理,得到训练信号样本数据库;
S303,训练模块,用于获取无人机信号智能检测先验知识,利用所述无人机信号智能检测先验知识,构建无人机信号智能检测模型;
S304,识别模块,用于利用所述无人机信号智能检测模型,对所述无线电侦察设备接收到的待识别的空间电磁波信号进行处理,得到基于先验知识的无人机信号智能检测结果。
实施例三
请参阅图4,图4是本发明实施例公开的又一种基于先验知识的无人机信号智能检测装置的结构示意图。其中,图4所描述的装置能够应用于无人机信号识别和电子信息领域的其他目标识别中,本发明实施例不做限定。如图4所示,该装置可以包括:
存储有可执行程序代码的存储器401;
与存储器401耦合的处理器402;
处理器402调用存储器401中存储的可执行程序代码,用于执行实施例一所描述的基于先验知识的无人机信号智能检测方法中的步骤。
实施例四
本发明实施例公开了一种计算机读存储介质,其存储用于电子数据交换的计算机程序,其中,该计算机程序使得计算机执行实施例一所描述的基于先验知识的无人机信号智能检测方法中的步骤。
以上所描述的装置实施例仅是示意性的,其中作为分离部件说明的模块可以是或者也可以不是物理上分开的,作为模块显示的部件可以是或者也可以不是物理模块,即可以位于一个地方,或者也可以分布到多个网络模块上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下,即可以理解并实施。
通过以上的实施例的具体描述,本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件。基于这样的理解,上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品可以存储在计算机可读存储介质中,存储介质包括只读存储器(Read-Only Memory,ROM)、随机存储器(Random Access Memory,RAM)、可编程只读存储器(Programmable Read-only Memory,PROM)、可擦除可编程只读存储器(ErasableProgrammable Read Only Memory,EPROM)、一次可编程只读存储器(One-timeProgrammable Read-Only Memory,OTPROM)、电子抹除式可复写只读存储器(Electrically-Erasable Programmable Read-Only Memory,EEPROM)、只读光盘(CompactDisc Read-Only Memory,CD-ROM)或其他光盘存储器、磁盘存储器、磁带存储器、或者能够用于携带或存储数据的计算机可读的任何其他介质。
最后应说明的是:本发明实施例公开的一种基于先验知识的无人机信号智能检测方法及装置所揭露的仅为本发明较佳实施例而已,仅用于说明本发明的技术方案,而非对其限制;尽管参照前述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项实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或替换,并不使相应的技术方案的本质脱离本发明各项实施例技术方案的精神和范围。
Claims (10)
1.一种基于先验知识的无人机信号智能检测方法,其特征在于,所述方法包括:
S1,利用无线电侦察设备接收空间电磁波信号,并对所述空间电磁波信号进行处理,得到零中频信号;
S2,将所述零中频信号发送给信号处理设备,利用所述信号处理设备对所述零中频信号进行处理,得到训练信号样本数据库;
S3,获取无人机信号智能检测先验知识,利用所述无人机信号智能检测先验知识,构建无人机信号智能检测模型;
S4,利用所述无人机信号智能检测模型,对所述无线电侦察设备接收到的待识别的空间电磁波信号进行处理,得到基于先验知识的无人机信号智能检测结果。
2.根据权利要求1所述的基于先验知识的无人机信号智能检测方法,其特征在于,所述利用无线电侦察设备接收空间电磁波信号,并对所述空间电磁波信号进行处理,得到零中频信号,包括:
S11,利用无线电侦察设备接收信号处理设备发出的侦收指令;
S12,根据所述侦收指令,利用所述无线电侦察设备,对空间电磁波信号进行接收;
S13,利用所述无线电侦察设备,对所述接收到的空间电磁波信号进行处理,得到零中频信号。
5.根据权利要求3所述的基于先验知识的无人机信号智能检测方法,其特征在于,所述对所述时频谱图进行最优阈值滤波,得到降噪后的时频谱图,包括:
S211,设置初始阈值δth的目标区间[α,β],其中0≤α<β≤max{S(m,n)},S(m,n)为时频谱图;
S212,将所述目标区间[α,β]划分为L等份;
S215,计算每一次迭代与上一次迭代的得到的时频谱图的差值εi,i=1,2,…为迭代次数;
S216,将差值εi进行曲线拟合,得到曲线C,当曲线C出现拐点时,对应的阈值为最优阈值;
S217,利用所述最优阈值,对所述时频谱图S(m,n)进行最优阈值滤波,得到降噪后的时频谱图。
6.根据权利要求1所述的基于先验知识的无人机信号智能检测方法,其特征在于,所述获取无人机信号智能检测先验知识,利用所述无人机信号智能检测先验知识,构建无人机信号智能检测模型,包括:
S31,获取无人机信号智能检测先验知识;所述无人机信号智能检测先验知识包括无人机信号的尺寸、无人机信号时频谱图尺寸;
S32,根据无人机信号的尺寸设计初始锚框;
S33,根据无人机信号时频谱图尺寸,对所述初始锚框进行微调,得到优化锚框;
S34,构建无人机信号智能检测初始模型;所述无人机信号智能检测初始模型包括Backbone、Neck和Head组件;
S35,获取浅层特征图,利用所述浅层特征图和所述优化锚框,对所述无人机信号智能检测初始模型进行处理,得到第一无人机信号智能检测模型;
S36,利用无线电侦察设备接收空间电磁波信号,对所述第一无人机信号智能检测模型的Neck和Head组件进行训练,冻结Backbone组件,得到扩展无人机信号智能检测模型;
S37,利用YOLOX的解耦头,替换所述扩展无人机信号智能检测模型的Head组件,得到无人机信号智能检测模型。
7.根据权利要求1所述的基于先验知识的无人机信号智能检测方法,其特征在于,所述利用所述无人机信号智能检测模型,对所述无线电侦察设备接收到的待识别的空间电磁波信号进行处理,得到基于先验知识的无人机信号智能检测结果,包括:
S41,利用无线电侦察设备接收待识别的空间电磁波信号;
S42,对所述待识别的空间电磁波信号进行处理,得到待识别时频谱图,
S43,对所述待识别时频谱图进行标注,得到标注时频谱图;
S44,利用所述无人机信号智能检测模型,对所述标注时频谱图进行处理,得到基于先验知识的无人机信号智能检测结果。
8.一种基于先验知识的无人机信号智能检测装置,其特征在于,所述装置包括:
信号接收模块,用于利用无线电侦察设备接收空间电磁波信号,并对所述空间电磁波信号进行处理,得到零中频信号;
训练数据库生成模块,用于将所述零中频信号发送给信号处理设备,利用所述信号处理设备对所述零中频信号进行处理,得到训练信号样本数据库;
训练模块,用于获取无人机信号智能检测先验知识,利用所述无人机信号智能检测先验知识,构建无人机信号智能检测模型;
识别模块,用于利用所述无人机信号智能检测模型,对所述无线电侦察设备接收到的待识别的空间电磁波信号进行处理,得到基于先验知识的无人机信号智能检测结果。
9.一种基于先验知识的无人机信号智能检测装置,其特征在于,所述装置包括:
存储有可执行程序代码的存储器;
与所述存储器耦合的处理器;
所述处理器调用所述存储器中存储的所述可执行程序代码,执行如权利要求1-7任一项所述的基于先验知识的无人机信号智能检测方法。
10.一种计算机可存储介质,其特征在于,所述计算机存储介质存储有计算机指令,所述计算机指令被调用时,用于执行如权利要求1-7任一项所述的基于先验知识的无人机信号智能检测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211351531.6A CN115600101B (zh) | 2022-10-31 | 2022-10-31 | 一种基于先验知识的无人机信号智能检测方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211351531.6A CN115600101B (zh) | 2022-10-31 | 2022-10-31 | 一种基于先验知识的无人机信号智能检测方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115600101A true CN115600101A (zh) | 2023-01-13 |
CN115600101B CN115600101B (zh) | 2023-05-05 |
Family
ID=84851783
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211351531.6A Active CN115600101B (zh) | 2022-10-31 | 2022-10-31 | 一种基于先验知识的无人机信号智能检测方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115600101B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116805291A (zh) * | 2023-06-27 | 2023-09-26 | 中国人民解放军军事科学院系统工程研究院 | 一种无人机信号频段检测方法及装置 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109827656A (zh) * | 2019-02-21 | 2019-05-31 | 国网江苏省电力有限公司南京供电分公司 | 基于stft时频谱系数收缩的有载分接开关信号降噪方法 |
CN114154545A (zh) * | 2021-12-07 | 2022-03-08 | 中国人民解放军32802部队 | 强互干扰条件下无人机测控信号智能识别方法 |
-
2022
- 2022-10-31 CN CN202211351531.6A patent/CN115600101B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109827656A (zh) * | 2019-02-21 | 2019-05-31 | 国网江苏省电力有限公司南京供电分公司 | 基于stft时频谱系数收缩的有载分接开关信号降噪方法 |
CN114154545A (zh) * | 2021-12-07 | 2022-03-08 | 中国人民解放军32802部队 | 强互干扰条件下无人机测控信号智能识别方法 |
Non-Patent Citations (1)
Title |
---|
李骏峰等: "基于YOLOX-L算法的安全帽佩戴检测方法" * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116805291A (zh) * | 2023-06-27 | 2023-09-26 | 中国人民解放军军事科学院系统工程研究院 | 一种无人机信号频段检测方法及装置 |
CN116805291B (zh) * | 2023-06-27 | 2024-02-09 | 中国人民解放军军事科学院系统工程研究院 | 一种无人机信号频段检测方法及装置 |
Also Published As
Publication number | Publication date |
---|---|
CN115600101B (zh) | 2023-05-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107862705B (zh) | 一种基于运动特征和深度学习特征的无人机小目标检测方法 | |
CN107563433B (zh) | 一种基于卷积神经网络的红外小目标检测方法 | |
CN111541511B (zh) | 复杂电磁环境下基于目标检测的通信干扰信号识别方法 | |
CN114154545B (zh) | 强互干扰条件下无人机测控信号智能识别方法 | |
CN102915545A (zh) | 一种基于OpenCV的视频目标跟踪算法 | |
CN112395987A (zh) | 基于无监督域适应cnn的sar图像目标检测方法 | |
CN112395941B (zh) | 无线电信号辐射源个体识别方法、计算机设备和存储介质 | |
CN105160342A (zh) | 一种基于hmm-gmm的自动文字图片切分方法及系统 | |
CN113850838A (zh) | 船舶航行意图获取方法、装置、计算机设备及存储介质 | |
CN111008574A (zh) | 一种基于形体识别技术的重点人员轨迹分析方法 | |
CN104683802A (zh) | 一种基于h.264/avc压缩域的运动目标跟踪的方法 | |
CN115600101A (zh) | 一种基于先验知识的无人机信号智能检测方法及装置 | |
Ristea et al. | Estimating the magnitude and phase of automotive radar signals under multiple interference sources with fully convolutional networks | |
CN115471525A (zh) | 基于融合孪生网络与卡尔曼滤波的目标跟踪方法及系统 | |
CN115630276A (zh) | 一种基于YOLOv5的雷达脉内调制类型快速识别方法 | |
CN114283331A (zh) | 基于条带剪枝的轻量化sar图像船舶检测模型及方法 | |
CN114925720A (zh) | 基于时空混合特征提取网络的小样本调制信号识别方法 | |
CN103996207A (zh) | 一种物体跟踪方法 | |
CN107124327B (zh) | Jt808车载终端模拟器反检测的方法 | |
CN115577305B (zh) | 一种无人机信号智能识别方法及装置 | |
CN110991378B (zh) | 一种功率放大器个体识别方法及装置 | |
CN116306790A (zh) | 一种基于cnn-gru和注意力机制的近海船舶轨迹实时预测方法、系统、设备及介质 | |
CN105956595A (zh) | 图像特征提取方法及系统 | |
CN115272412A (zh) | 一种基于边缘计算的低小慢目标检测方法及跟踪系统 | |
CN115345216A (zh) | 一种融合先验信息的fmcw雷达干扰消除方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |