CN115902804A - 一种无人机集群类型识别方法和系统 - Google Patents
一种无人机集群类型识别方法和系统 Download PDFInfo
- Publication number
- CN115902804A CN115902804A CN202211383655.2A CN202211383655A CN115902804A CN 115902804 A CN115902804 A CN 115902804A CN 202211383655 A CN202211383655 A CN 202211383655A CN 115902804 A CN115902804 A CN 115902804A
- Authority
- CN
- China
- Prior art keywords
- unmanned aerial
- aerial vehicle
- vehicle cluster
- radar
- communication
- 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
- 238000000034 method Methods 0.000 title claims abstract description 38
- 238000004891 communication Methods 0.000 claims abstract description 134
- 239000011159 matrix material Substances 0.000 claims abstract description 84
- 238000005070 sampling Methods 0.000 claims abstract description 53
- 230000004927 fusion Effects 0.000 claims abstract description 44
- 230000009467 reduction Effects 0.000 claims abstract description 41
- 238000012545 processing Methods 0.000 claims abstract description 7
- 239000000126 substance Substances 0.000 claims description 16
- 238000000605 extraction Methods 0.000 claims description 13
- 239000013598 vector Substances 0.000 claims description 9
- 238000013075 data extraction Methods 0.000 claims description 7
- 238000010276 construction Methods 0.000 claims description 6
- 230000008569 process Effects 0.000 claims description 6
- UFHFLCQGNIYNRP-UHFFFAOYSA-N Hydrogen Chemical compound [H][H] UFHFLCQGNIYNRP-UHFFFAOYSA-N 0.000 claims description 5
- 229910052739 hydrogen Inorganic materials 0.000 claims description 5
- 239000001257 hydrogen Substances 0.000 claims description 5
- 230000021615 conjugation Effects 0.000 claims description 4
- 230000001186 cumulative effect Effects 0.000 claims description 4
- 230000001052 transient effect Effects 0.000 claims description 3
- LFQSCWFLJHTTHZ-UHFFFAOYSA-N Ethanol Chemical compound CCO LFQSCWFLJHTTHZ-UHFFFAOYSA-N 0.000 claims 1
- 238000010586 diagram Methods 0.000 description 6
- 238000004422 calculation algorithm Methods 0.000 description 4
- 210000002569 neuron Anatomy 0.000 description 4
- 238000012216 screening Methods 0.000 description 4
- 230000004913 activation Effects 0.000 description 3
- 230000007123 defense Effects 0.000 description 3
- 238000001514 detection method Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000004088 simulation Methods 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 238000009825 accumulation Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000006835 compression Effects 0.000 description 1
- 238000007906 compression Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000006855 networking Effects 0.000 description 1
- 238000003909 pattern recognition Methods 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000001629 suppression Effects 0.000 description 1
Images
Classifications
-
- 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
Landscapes
- Radar Systems Or Details Thereof (AREA)
Abstract
本发明提供一种无人机集群类型识别方法和系统,其中方法包括获取多个无人机集群的通信采样信号;提取每个无人机集群的通信采样信号的高阶累积量特征和瞬时统计特征;获取每个无人机集群的雷达回波信号;提取每个无人机集群的雷达回波信号的点迹数据;根据点迹数据提取每个无人机集群航迹特征;构建无人机集群通信域和雷达域融合特征矩阵;对通信域和雷达域融合特征矩阵进行特征降维;采用稀疏自编码器网络对特征降维后的通信域和雷达域融合特征矩阵进行识别分类。本方明提出构建融合通信信号和雷达信号的特征矩阵,从而提高无人机集群类型识别率;并针对无人机集群高维特征数据的处理,有效地减少了特征的冗余。
Description
技术领域
本发明属于无人机类型识别技术领域,尤其涉及一种无人机集群类型识别方法、系统、设备和存储介质。
背景技术
随着人工智能和组网通信等技术的发展,无人机集群凭借低成本、大规模、高自主性等特点,受到了军事强国的高度关注和大力发展,已然成为现代局部战争的利器。目前反集群的关键技术尚不成熟,难以对未知无人机集群进行有效拦截防御。在集群防御体系中,提前识别掌握敌方集群类型等信息,是建立有效防御的前提,因此关于无人机集群类型识别的研究亟需深入发展。
在通信调制识别领域,高斯白噪声的均值为零,相应的二阶及以上的高阶累积量也为零,因此高阶累积量具有良好的抑制噪声的特性,被人们广泛使用。而不同调制信号在幅度、相位和频率上也存在着差异,利用信号瞬时幅度、瞬时相位等信息,可得到不同的瞬时特征统计量,进而可以识别不同用户信号的调制类型。从雷达对目标进行探测产生的回波信号中可以提取目标飞行航迹,其中包含了目标的空间信息、多普勒信息等。目前的研究通过通信域或雷达域对单无人机类型进行识别,也就是仅使用单一域信号特征对单无人机类型识别。
无论是利用通信域特征还是雷达域特征对无人机集群类型识别时,都面临着数据高维难处理的问题。在模式识别中,针对以上问题,通常会进行样本降维,可分为以下两大类:特征选择和特征提取。其中特征提取是根据现有的样本特征,重新提取出一个更加能够描述样本信息的特征,其必然会损失原始样本的部分信息,导致后续对无人机集群类型识别的准确率降低。
发明内容
本发明针对现有技术中的不足,提供一种无人机集群类型识别方法和系统。
第一方面,本发明提供一种无人机集群类型识别方法,包括:
获取多个无人机集群的通信采样信号;
提取每个无人机集群的通信采样信号的高阶累积量特征和瞬时统计特征;
获取每个无人机集群的雷达回波信号;
提取每个无人机集群的雷达回波信号的点迹数据;
根据点迹数据提取每个无人机集群航迹特征;
根据高阶累积量特征、瞬时统计特征和每个无人机集群航迹特征,构建无人机集群通信域和雷达域融合特征矩阵;
对通信域和雷达域融合特征矩阵进行特征降维;
采用稀疏自编码器网络对特征降维后的通信域和雷达域融合特征矩阵进行识别分类。
进一步地,所述提取每个无人机集群的通信采样信号的高阶累积量特征和瞬时统计特征,包括:
根据以下公式提取每个无人机集群的通信采样信号的高阶累积量特征:
其中,为每个无人机集群的通信采样信号的高阶累积量特征;Re(·)和Im(·)分别表示对提取的高阶累积量取实部和虚部;Cpq为对于均值为零的复平稳随机过程x(t)的各阶累积量;p和q为各阶累积量的下标;*表示共轭;
根据以下公式提取每个无人机集群的通信采样信号的瞬时统计特征:
其中,为每个无人机集群的通信采样信号的瞬时统计特征;σda为零中心归一化非弱信号段瞬时幅度标准差;Lthr为信号幅度大于门限值thr的符号个数;An(k)为第k个符号的归一化瞬时幅度;Acn(k)为第k个符号的零中心归一化瞬时幅度;ma为信号瞬时幅度的平均值;A(k)是第k个符号的幅值;N为符号总数;为零中心归一化瞬时幅度的紧致性;表示对零中心归一化瞬时幅度的的二次方求数学期望;表示对零中心归一化瞬时幅度的的四次方求数学期望;σdp为零中心非弱信号段瞬时相位非线性分量的标准差;σap为零中心非弱信号段瞬时相位非线性分量的绝对值的标准差;φ(k)为第k个符号相位。
进一步地,所述获取每个无人机集群的雷达回波信号,包括:
根据以下公式计算单个无人机集群中每架无人机的延时:
其中,τl为单个无人机集群中第l架无人机的延时;R0l为单个无人机集群中第l架无人机到雷达的距离;vrl为单个无人机集群中第l架无人机与雷达的径向速度;c为光速;
根据以下公式获取每个无人机集群的雷达回波信号:
其中,sR(t)为每个无人机集群的雷达回波信号;A2l为单个无人机集群中第l架无人机的回波幅度;e为自然常数;γ为单个无人机集群中无人机数量;t为时间变量;j为虚数单位。
进一步地,所述提取每个无人机集群的雷达回波信号的点迹数据,包括:
根据以下公式获取雷达发射信号:
其中,sT(t)为雷达发射信号;j为虚数单位;e为自然常数;A1为雷达发射信号的幅度;f0为载频;K为调频斜率;t为时间变量;
将雷达发射信号作为参考信号与每个无人机集群的雷达回波信号混频,得到每个无人机集群的中频信号;
根据中频信号提取每个无人机集群航迹的距离、速度、方位角、俯仰角和高度。
进一步地,所述将雷达发射信号作为参考信号与每个无人机集群的雷达回波信号混频,得到每个无人机集群的中频信号,包括:
根据以下公式计算每个无人机集群的中频信号:
其中,τl为单个无人机集群中第l架无人机的延时;A2l为单个无人机集群中第l架无人机的回波幅度;e为自然常数;γ为单个无人机集群中无人机数量;A1为雷达发射信号的幅度;f0为载频;K为调频斜率;t为时间变量;j为虚数单位。
进一步地,所述根据点迹数据提取每个无人机集群航迹特征,包括:
根据以下公式提取每个无人机集群航迹特征:
进一步地,所述根据高阶累积量特征、瞬时统计特征和每个无人机集群航迹特征,构建无人机集群通信域和雷达域融合特征矩阵,包括:
构建无人机集群通信域和雷达域融合特征矩阵的表达式:
其中,Mcr为无人机集群通信域和雷达域融合特征矩阵;NQ表示对应无人机集群通信采样信号的数量,Q=A,B,C,D,E;Nsamples表示集群特征样本总数量;多个无人机集群的通信采样信号为其中Q=A,B,C,D,E;NQ为对应无人机集群内通信采样信号总数量。
进一步地,所述对通信域和雷达域融合特征矩阵进行特征降维,包括:
构建无人机类型识别的特征向量:
构建降维后的无人机集群通信域和雷达域融合特征矩阵:
其中,Mcr'为降维后的无人机集群通信域和雷达域融合特征矩阵。
进一步地,所述采用稀疏自编码器网络对特征降维后的通信域和雷达域融合特征矩阵进行识别分类,包括:
构建目标无人机集群通信特征矩阵:
其中,Mc为目标无人机集群通信特征矩阵;
将目标无人机集群通信特征矩阵、无人机集群通信域和雷达域融合特征矩阵和降维后的无人机集群通信域和雷达域融合特征矩阵输入至稀疏自编码器网络中进行类型识别分类。
第二方面,本发明提供一种无人机集群类型识别系统,包括:
通信采样信号获取模块,用于获取多个无人机集群的通信采样信号;
特征提取模块,用于提取每个无人机集群的通信采样信号的高阶累积量特征和瞬时统计特征;
回波信号获取模块,用于获取每个无人机集群的雷达回波信号;
点迹数据提取模块,用于提取每个无人机集群的雷达回波信号的点迹数据;
航迹特征提取模块,用于根据点迹数据提取每个无人机集群航迹特征;
特征矩阵构建模块,用于根据高阶累积量特征、瞬时统计特征和每个无人机集群航迹特征,构建无人机集群通信域和雷达域融合特征矩阵;
特征降维模块,用于对通信域和雷达域融合特征矩阵进行特征降维;
识别分类模块,用于采用稀疏自编码器网络对特征降维后的通信域和雷达域融合特征矩阵进行识别分类。
本发明提供一种无人机集群类型识别方法和系统,其中方法包括获取多个无人机集群的通信采样信号;提取每个无人机集群的通信采样信号的高阶累积量特征和瞬时统计特征;获取每个无人机集群的雷达回波信号;提取每个无人机集群的雷达回波信号的点迹数据;根据点迹数据提取每个无人机集群航迹特征;根据高阶累积量特征、瞬时统计特征和每个无人机集群航迹特征,构建无人机集群通信域和雷达域融合特征矩阵;对通信域和雷达域融合特征矩阵进行特征降维;采用稀疏自编码器网络对特征降维后的通信域和雷达域融合特征矩阵进行识别分类。本方明提出构建融合通信信号和雷达信号的特征矩阵,从而提高无人机集群类型识别率;并针对无人机集群高维特征数据的处理,有效地减少了特征的冗余。
附图说明
为了更清楚地说明本发明的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,显而易见地,对于本领域普通技术人员而言,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为本发明实施例提供的一种无人机集群类型识别方法的流程图;
图2为本发明实施例提供的一种无人机集群类型识别方法的结构图;
图3为本发明实施例提供的特征选择算法的结构图;
图4为本发明实施例提供的基于稀疏自编码器网络的模型图;
图5为本发明实施例提供的在高斯白噪声信道下对不同无人机集群类型识别性能示意图;
图6为本发明实施例提供的降维后利用稀疏自编码器网络对无人机集群类型识别的性能示意图。
图7为本发明实施例提供的一种无人机集群类型识别的结构示意图。
具体实施方式
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、完整的描述,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。
在一实施例中,如图1和图2所示,本发明实施例提供一种无人机集群类型识别方法,包括:
步骤101,获取多个无人机集群的通信采样信号。
本发明所述的无人机集群类型的不同包含两个域:一是通信域(无人机集群通信信号调制方式),二是雷达域(无人机集群航迹类型)。设定有五个不同类型的无人机集群A、B、C、D、E,且任意无人机集群内的存在多个用户利用正交资源(时域、频域、码域、空域)进行通信,且同一无人机集群内的无人机保持等间距、等高度径向飞往雷达,在雷达探测采样时间内保持匀速运动。利用通信侦收机获得无人机集群通信采样信号其中Q=A,B,C,D,E;NQ为对应无人机集群内通信采样信号总数量。单个通信采样信号的表达式如下:
s(k)=x(k)+n(k)。
其中x(k)是调制信号,n(k)是均值为零,方差为σ2的复高斯白噪声。
本实施例中,某时刻无人机集群A内用户U1和U2进行通信,假定U1和U2在时/频/码/空域是正交的,侦测接收机可以分别获得两用户的通信采样信号和以表示不同无人机集群的采样信号,其中Q=A,B,C,D,E,且设定两通信采样信号之间的传播损耗差值ΔL为1dB。
如表1所示,设定不同的无人机集群将使用不同的调制方式进行内部通信,且飞行航迹类型均不相同。
表1不同无人机集群参数设置表
步骤102,提取每个无人机集群的通信采样信号的高阶累积量特征和瞬时统计特征。
对通信采样信号提取如下高阶累积量特征:C20,C21,C40,C41,C42,C60,C61,C62,C63。将所有累积量的实部和虚部分离,并按照实部在前,虚部在后的排列方式组成了一个18维的特征向量
对于均值为零的复平稳随机过程x(t)的各阶累积量的通用表达式Cpq如下所示:
其中,p和q为各阶累积量的下标;*表示共轭。
根据以下公式提取每个无人机集群的通信采样信号的瞬时统计特征:
其中,为每个无人机集群的通信采样信号的瞬时统计特征;σda为零中心归一化非弱信号段瞬时幅度标准差;Lthr为信号幅度大于门限值thr的符号个数,其中门限值为平均符号能量的10%;An(k)为第k个符号的归一化瞬时幅度;Acn(k)为第k个符号的零中心归一化瞬时幅度;ma为信号瞬时幅度的平均值;A(k)是第k个符号的幅值;N为符号总数;为零中心归一化瞬时幅度的紧致性;表示对零中心归一化瞬时幅度的的二次方求数学期望;表示对零中心归一化瞬时幅度的的四次方求数学期望;σdp为零中心非弱信号段瞬时相位非线性分量的标准差;σap为零中心非弱信号段瞬时相位非线性分量的绝对值的标准差;φ(k)为第k个符号相位。
步骤103,获取每个无人机集群的雷达回波信号。
根据以下公式计算单个无人机集群中每架无人机的延时:
其中,τl为单个无人机集群中第l架无人机的延时;R0l为单个无人机集群中第l架无人机到雷达的距离;vrl为单个无人机集群中第l架无人机与雷达的径向速度;c为光速。
根据以下公式获取每个无人机集群的雷达回波信号:
其中,sR(t)为每个无人机集群的雷达回波信号;A2l为单个无人机集群中第l架无人机的回波幅度;e为自然常数;γ为单个无人机集群中无人机数量;t为时间变量;j为虚数单位。
步骤104,提取每个无人机集群的雷达回波信号的点迹数据。
根据以下公式获取雷达发射信号:
其中,sT(t)为雷达发射信号;A1为雷达发射信号的幅度;f0为载频;K为调频斜率。
将雷达发射信号作为参考信号与每个无人机集群的雷达回波信号混频,得到每个无人机集群的中频信号。
根据以下公式计算每个无人机集群的中频信号:
根据中频信号提取每个无人机集群航迹的距离、速度、方位角、俯仰角和高度。
具体的,中频信号s(t)经脉冲压缩、多普勒累积、恒虚警检测、数字波束形成等信号处理流程后得到点迹数据。
步骤105,根据点迹数据提取每个无人机集群航迹特征。
根据以下公式提取每个无人机集群航迹特征:
步骤106,根据高阶累积量特征、瞬时统计特征和每个无人机集群航迹特征,构建无人机集群通信域和雷达域融合特征矩阵。
构建无人机集群通信域和雷达域融合特征矩阵的表达式:
其中,Mcr为无人机集群通信域和雷达域融合特征矩阵;NQ表示对应无人机集群通信采样信号的数量,Q=A,B,C,D,E;Nsamples表示集群特征样本总数量;多个无人机集群的通信采样信号为其中Q=A,B,C,D,E;NQ为对应无人机集群内通信采样信号总数量。
本实施例中,构建无人机集群通信域和雷达域融合特征矩阵Mcr:
步骤107,对通信域和雷达域融合特征矩阵进行特征降维。
如图3所示,原始特征数据矩阵经近邻成分分析(NeighbourhoodComponentAnalysis,NCA)算法选择后,将直接输出降维后的特征矩阵,即完成了特征选择过程(称之为一次筛选);采用二次筛选的近邻成分分析(Secondary ScreeningofNeighbourhood Component Analysis,SSNCA)算法进行二次筛选,统计NCA输出矩阵中每类特征出现的频率fk。设定矩阵中具有贡献的特征出现频率的阈值Th,对出现频率高于Th的特征,选择加入最终的集群特征矩阵Mcr',否则就舍弃。
其中通信信号特征有6个,雷达信号特征有2个。降维后的无人机集群通信域和雷达域融合特征矩阵Mcr':
步骤108,采用稀疏自编码器网络对特征降维后的通信域和雷达域融合特征矩阵进行识别分类。
如图4所示,本步骤中,采用的稀疏自编码器(SAE)网络对于n0个训练样本,使用梯度下降算法进行训练时的代价函数如下:
引入KL散度(Kullback-Leibler)来实现稀疏约束:
加入稀疏约束后的总代价函数由下式给出:
其中,β是惩罚系数,调节KL散度在总代价函数中的权重,g0是对应层的神经元个数。
构建目标无人机集群通信特征矩阵:
其中,Mc为目标无人机集群通信特征矩阵。
将目标无人机集群通信特征矩阵、无人机集群通信域和雷达域融合特征矩阵和降维后的无人机集群通信域和雷达域融合特征矩阵输入至稀疏自编码器网络中进行类型识别分类。
本方明提出构建融合通信信号和雷达信号的特征矩阵,从而提高无人机集群类型识别率;并针对无人机集群高维特征数据的处理,有效地减少了特征的冗余。
如图5所示,比较了SAE和全连接神经网络(FCNN)对集群特征矩阵的识别性能。其中FCNN共有两层全连接层,神经元结点数为(128,64),激活函数为Relu。其中雷达场景设定为:一个无人机集群内共有六架无人机,无人机之间的间距为100米,其飞行速度和飞行高度均保持一致,飞行方向为径向靠近雷达,所处方位角范围为0~30度。仿真使用的调频连续波雷达,雷达参数如表2所示:
表2雷达参数设置表
仿真生成了五种不同集群类型飞行航迹的雷达探测回波数据,每种类型的航迹样本有1000条,总共5000条航迹样本。其中每一条航迹样本包含20个点迹,每个点迹包含距离、方位角、俯仰角、速度、高度五维信息。对每一条航迹样本中所有点迹信息进行统计分析,取每个维度的均值作为最终的航迹特征样本。无人机集群飞行航迹参数的范围如表3所示:
表3无人机集群飞行航迹参数表
图6中,比较了SAE对原始特征数据集和经过近邻成分分析、SSNCA降维后的特征数据集的识别性能。
基于同一发明构思,本发明实施例还提供了一种无人机集群类型识别系统,由于该系统解决问题的原理与前述无人机集群类型识别方法相似,因此该系统的实施可以参见无人机集群类型识别方法的实施,重复之处不再赘述。
在另一实施例中,本发明一个实施例提供的无人机集群类型识别系统,如图7所示,包括:
通信采样信号获取模块10,用于获取多个无人机集群的通信采样信号。
特征提取模块20,用于提取每个无人机集群的通信采样信号的高阶累积量特征和瞬时统计特征。
回波信号获取模块30,用于获取每个无人机集群的雷达回波信号。
点迹数据提取模块40,用于提取每个无人机集群的雷达回波信号的点迹数据。
航迹特征提取模块50,用于根据点迹数据提取每个无人机集群航迹特征。
特征矩阵构建模块60,用于根据高阶累积量特征、瞬时统计特征和每个无人机集群航迹特征,构建无人机集群通信域和雷达域融合特征矩阵。
特征降维模块70,用于对通信域和雷达域融合特征矩阵进行特征降维。
识别分类模块80,用于采用稀疏自编码器网络对特征降维后的通信域和雷达域融合特征矩阵进行识别分类。
可选地,所述特征提取模块包括:
高阶累积量特征提取单元,用于根据以下公式提取每个无人机集群的通信采样信号的高阶累积量特征:
其中,为每个无人机集群的通信采样信号的高阶累积量特征;Re(·)和Im(·)分别表示对提取的高阶累积量取实部和虚部;Cpq为对于均值为零的复平稳随机过程x(t)的各阶累积量;p和q为各阶累积量的下标;*表示共轭。
瞬时统计特征提取单元,用于根据以下公式提取每个无人机集群的通信采样信号的瞬时统计特征:
其中,为每个无人机集群的通信采样信号的瞬时统计特征;σda为零中心归一化非弱信号段瞬时幅度标准差;Lthr为信号幅度大于门限值thr的符号个数;An(k)为第k个符号的归一化瞬时幅度;Acn(k)为第k个符号的零中心归一化瞬时幅度;ma为信号瞬时幅度的平均值;A(k)是第k个符号的幅值;N为符号总数;为零中心归一化瞬时幅度的紧致性;表示对零中心归一化瞬时幅度的的二次方求数学期望;表示对零中心归一化瞬时幅度的的四次方求数学期望;σdp为零中心非弱信号段瞬时相位非线性分量的标准差;σap为零中心非弱信号段瞬时相位非线性分量的绝对值的标准差;φ(k)为第k个符号相位。
可选地,所述回波信号获取模块包括:
延时计算单元,用于根据以下公式计算单个无人机集群中每架无人机的延时:
其中,τl为单个无人机集群中第l架无人机的延时;R0l为单个无人机集群中第l架无人机到雷达的距离;vrl为单个无人机集群中第l架无人机与雷达的径向速度;c为光速。
回波信号获取单元,用于根据以下公式获取每个无人机集群的雷达回波信号:
其中,sR(t)为每个无人机集群的雷达回波信号;A2l为单个无人机集群中第l架无人机的回波幅度;e为自然常数;γ为单个无人机集群中无人机数量;t为时间变量;j为虚数单位。
可选地,所述点迹数据提取模块包括:
雷达发射信号获取单元,用于根据以下公式获取雷达发射信号:
其中,sT(t)为雷达发射信号;j为虚数单位;e为自然常数;A1为雷达发射信号的幅度;f0为载频;K为调频斜率;t为时间变量。
信号混频单元,用于将雷达发射信号作为参考信号与每个无人机集群的雷达回波信号混频,得到每个无人机集群的中频信号。
点迹数据提取单元,用于根据中频信号提取每个无人机集群航迹的距离、速度、方位角、俯仰角和高度。
可选地,所述信号混频单元包括:
中频信号计算装置,用于根据以下公式计算每个无人机集群的中频信号:
其中,τl为单个无人机集群中第l架无人机的延时;A2l为单个无人机集群中第l架无人机的回波幅度;e为自然常数;γ为单个无人机集群中无人机数量;A1为雷达发射信号的幅度;f0为载频;K为调频斜率;t为时间变量;j为虚数单位。
可选地,所述航迹特征提取模块包括:
航迹特征提取单元,用于根据以下公式提取每个无人机集群航迹特征:
可选地,所述特征矩阵构建模块包括:
特征矩阵构建单元,用于构建无人机集群通信域和雷达域融合特征矩阵的表达式:
其中,Mcr为无人机集群通信域和雷达域融合特征矩阵;NQ表示对应无人机集群通信采样信号的数量,Q=A,B,C,D,E;Nsamples表示集群特征样本总数量;多个无人机集群的通信采样信号为其中Q=A,B,C,D,E;NQ为对应无人机集群内通信采样信号总数量。
可选地,所述特征降维模块包括:
特征向量构建单元,用于构建无人机类型识别的特征向量:
特征矩阵降维单元,用于构建降维后的无人机集群通信域和雷达域融合特征矩阵:
其中,Mcr'为降维后的无人机集群通信域和雷达域融合特征矩阵。
可选地,所述识别分类模块包括:
通信特征矩阵构建单元,用于构建目标无人机集群通信特征矩阵:
其中,Mc为目标无人机集群通信特征矩阵。
识别分类单元,用于将目标无人机集群通信特征矩阵、无人机集群通信域和雷达域融合特征矩阵和降维后的无人机集群通信域和雷达域融合特征矩阵输入至稀疏自编码器网络中进行类型识别分类。
关于上述各个模块更加具体的工作过程可以参考前述实施例公开的相应内容,在此不再进行赘述。
以上结合具体实施方式和范例性实例对本发明进行了详细说明,不过这些说明并不能理解为对本发明的限制。本领域技术人员理解,在不偏离本发明精神和范围的情况下,可以对本发明技术方案及其实施方式进行多种等价替换、修饰或改进,这些均落入本发明的范围内。本发明的保护范围以所附权利要求为准。
Claims (10)
1.一种无人机集群类型识别方法,其特征在于,包括:
获取多个无人机集群的通信采样信号;
提取每个无人机集群的通信采样信号的高阶累积量特征和瞬时统计特征;
获取每个无人机集群的雷达回波信号;
提取每个无人机集群的雷达回波信号的点迹数据;
根据点迹数据提取每个无人机集群航迹特征;
根据高阶累积量特征、瞬时统计特征和每个无人机集群航迹特征,构建无人机集群通信域和雷达域融合特征矩阵;
对通信域和雷达域融合特征矩阵进行特征降维;
采用稀疏自编码器网络对特征降维后的通信域和雷达域融合特征矩阵进行识别分类。
2.根据权利要求1所述的无人机集群类型识别方法,其特征在于,所述提取每个无人机集群的通信采样信号的高阶累积量特征和瞬时统计特征,包括:
根据以下公式提取每个无人机集群的通信采样信号的高阶累积量特征:
其中,为每个无人机集群的通信采样信号的高阶累积量特征;Re(·)和Im(·)分别表示对提取的高阶累积量取实部和虚部;Cpq为对于均值为零的复平稳随机过程x(t)的各阶累积量;p和q为各阶累积量的下标;*表示共轭;
根据以下公式提取每个无人机集群的通信采样信号的瞬时统计特征:
10.一种无人机集群类型识别系统,其特征在于,包括:
通信采样信号获取模块,用于获取多个无人机集群的通信采样信号;
特征提取模块,用于提取每个无人机集群的通信采样信号的高阶累积量特征和瞬时统计特征;
回波信号获取模块,用于获取每个无人机集群的雷达回波信号;
点迹数据提取模块,用于提取每个无人机集群的雷达回波信号的点迹数据;
航迹特征提取模块,用于根据点迹数据提取每个无人机集群航迹特征;
特征矩阵构建模块,用于根据高阶累积量特征、瞬时统计特征和每个无人机集群航迹特征,构建无人机集群通信域和雷达域融合特征矩阵;
特征降维模块,用于对通信域和雷达域融合特征矩阵进行特征降维;
识别分类模块,用于采用稀疏自编码器网络对特征降维后的通信域和雷达域融合特征矩阵进行识别分类。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211383655.2A CN115902804B (zh) | 2022-11-07 | 2022-11-07 | 一种无人机集群类型识别方法和系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211383655.2A CN115902804B (zh) | 2022-11-07 | 2022-11-07 | 一种无人机集群类型识别方法和系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115902804A true CN115902804A (zh) | 2023-04-04 |
CN115902804B CN115902804B (zh) | 2024-01-05 |
Family
ID=86470244
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211383655.2A Active CN115902804B (zh) | 2022-11-07 | 2022-11-07 | 一种无人机集群类型识别方法和系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115902804B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117554948A (zh) * | 2023-10-11 | 2024-02-13 | 北京理工大学 | 一种多飞行器低带宽协同跟踪目标的方法 |
Citations (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2017162193A (ja) * | 2016-03-09 | 2017-09-14 | 三菱電機株式会社 | 飛行型情報読取装置、無人飛行体、飛行型情報読取システム及び飛行型情報読取方法 |
CN108089171A (zh) * | 2018-02-07 | 2018-05-29 | 成都电科智达科技有限公司 | 一种针对无人机目标的雷达快速检测方法 |
CN109409225A (zh) * | 2018-09-21 | 2019-03-01 | 清华大学 | 基于雷达多径信号时频特征融合的无人机分类方法及装置 |
CN111401168A (zh) * | 2020-03-06 | 2020-07-10 | 上海神添实业有限公司 | 一种无人机的多层雷达特征提取与选择方法 |
CN111580093A (zh) * | 2020-05-25 | 2020-08-25 | 南京理工大学 | 用于探测无人机集群目标的雷达系统 |
CN112486197A (zh) * | 2020-12-05 | 2021-03-12 | 哈尔滨工程大学 | 基于多源图像自适应选权的融合定位跟踪控制方法 |
CN113253764A (zh) * | 2021-07-14 | 2021-08-13 | 北京大学 | 一种基于降维观测器的无人集群仿射编队控制方法 |
CN113433974A (zh) * | 2021-07-22 | 2021-09-24 | 河南大学 | 一种强对流天气下飞机安全航迹规划方法 |
CN113702940A (zh) * | 2021-09-18 | 2021-11-26 | 中国人民解放军63921部队 | 基于多元特征信息分层融合空间集群目标分辨方法及应用 |
US20220036741A1 (en) * | 2020-07-31 | 2022-02-03 | North Carolina State University | Drone detection, classification, tracking, and threat evaluation system employing field and remote identification (id) information |
WO2022093565A1 (en) * | 2020-10-29 | 2022-05-05 | Sri International | Feature extraction for remote sensing detections |
US20220196798A1 (en) * | 2020-12-21 | 2022-06-23 | Intel Corporation | High end imaging radar |
RU2776663C1 (ru) * | 2022-01-12 | 2022-07-22 | Акционерное общество "Научно-производственный центр Тверских военных пенсионеров" (АО "НПЦ ТВП") | Способ имитации эхосигналов движущейся цели в зоне обнаружения тестируемой рлс |
US20220309835A1 (en) * | 2021-03-26 | 2022-09-29 | Harbin Institute Of Technology, Weihai | Multi-target detection and tracking method, system, storage medium and application |
CN115225441A (zh) * | 2022-07-21 | 2022-10-21 | 南京航空航天大学 | 一种复杂环境下的无人机集群通信波形识别方法 |
-
2022
- 2022-11-07 CN CN202211383655.2A patent/CN115902804B/zh active Active
Patent Citations (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2017162193A (ja) * | 2016-03-09 | 2017-09-14 | 三菱電機株式会社 | 飛行型情報読取装置、無人飛行体、飛行型情報読取システム及び飛行型情報読取方法 |
CN108089171A (zh) * | 2018-02-07 | 2018-05-29 | 成都电科智达科技有限公司 | 一种针对无人机目标的雷达快速检测方法 |
CN109409225A (zh) * | 2018-09-21 | 2019-03-01 | 清华大学 | 基于雷达多径信号时频特征融合的无人机分类方法及装置 |
CN111401168A (zh) * | 2020-03-06 | 2020-07-10 | 上海神添实业有限公司 | 一种无人机的多层雷达特征提取与选择方法 |
CN111580093A (zh) * | 2020-05-25 | 2020-08-25 | 南京理工大学 | 用于探测无人机集群目标的雷达系统 |
US20220036741A1 (en) * | 2020-07-31 | 2022-02-03 | North Carolina State University | Drone detection, classification, tracking, and threat evaluation system employing field and remote identification (id) information |
WO2022093565A1 (en) * | 2020-10-29 | 2022-05-05 | Sri International | Feature extraction for remote sensing detections |
CN112486197A (zh) * | 2020-12-05 | 2021-03-12 | 哈尔滨工程大学 | 基于多源图像自适应选权的融合定位跟踪控制方法 |
US20220196798A1 (en) * | 2020-12-21 | 2022-06-23 | Intel Corporation | High end imaging radar |
US20220309835A1 (en) * | 2021-03-26 | 2022-09-29 | Harbin Institute Of Technology, Weihai | Multi-target detection and tracking method, system, storage medium and application |
CN113253764A (zh) * | 2021-07-14 | 2021-08-13 | 北京大学 | 一种基于降维观测器的无人集群仿射编队控制方法 |
CN113433974A (zh) * | 2021-07-22 | 2021-09-24 | 河南大学 | 一种强对流天气下飞机安全航迹规划方法 |
CN113702940A (zh) * | 2021-09-18 | 2021-11-26 | 中国人民解放军63921部队 | 基于多元特征信息分层融合空间集群目标分辨方法及应用 |
RU2776663C1 (ru) * | 2022-01-12 | 2022-07-22 | Акционерное общество "Научно-производственный центр Тверских военных пенсионеров" (АО "НПЦ ТВП") | Способ имитации эхосигналов движущейся цели в зоне обнаружения тестируемой рлс |
CN115225441A (zh) * | 2022-07-21 | 2022-10-21 | 南京航空航天大学 | 一种复杂环境下的无人机集群通信波形识别方法 |
Non-Patent Citations (8)
Title |
---|
DI XU ET AL.: "An Improved RRT*-Based Real-Time Path Planning Algorithm for UAV", 2021 IEEE 23RD INT CONF ON HIGH PERFORMANCE COMPUTING & COMMUNICATIONS; 7TH INT CONF ON DATA SCIENCE & SYSTEMS; 19TH INT CONF ON SMART CITY; 7TH INT CONF ON DEPENDABILITY IN SENSOR, CLOUD & BIG DATA SYSTEMS & APPLICATION (HPCC/DSS/SMARTCITY/DEPENDSYS * |
ISMAIL GUVENC ET AL.: "Detection, Tracking, and Interdiction for Amateur Drones", IEEE COMMUNICATIONS MAGAZINE * |
MARTINS EZUMA ET AL.: "Radar Cross Section Based Statistical Recognition of UAVs at Microwave Frequencies", MARTINS EZUMA IEEE TRANSACTIONS ON AEROSPACE AND ELECTRONIC SYSTEMS * |
刘晓波: "无人机探测雷达信号处理系统设计与实现", 中国优秀硕士论文 工程科技Ⅰ辑 * |
吴显亮;官慧峰;尹良泽;: "多雷达系统数据融合与航迹预测", 数学的实践与认识, no. 15 * |
周思洋: "基于机器学习的大动态信噪比下调制模式识别方法研究", 中国博士论文全文库信息科技辑 * |
曾繁伦;刘进忙;: "基于雷达组网的抗无人机新技术研究", 航空计算技术, no. 02 * |
赵国荣;刘伯彦;赵超轮;高超;: "带宽受限的集群无人机位姿分布式融合估计器", 电光与控制, no. 04 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117554948A (zh) * | 2023-10-11 | 2024-02-13 | 北京理工大学 | 一种多飞行器低带宽协同跟踪目标的方法 |
Also Published As
Publication number | Publication date |
---|---|
CN115902804B (zh) | 2024-01-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Gui et al. | Flight delay prediction based on aviation big data and machine learning | |
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 | |
CN108280395B (zh) | 一种对低小慢无人机飞控信号的高效识别方法 | |
Zhao et al. | Classification of small UAVs based on auxiliary classifier Wasserstein GANs | |
CN111767848B (zh) | 一种基于多域特征融合的辐射源个体识别方法 | |
CN110084094B (zh) | 一种基于深度学习的无人机目标识别分类方法 | |
Ozturk et al. | RF-based low-SNR classification of UAVs using convolutional neural networks | |
CN108985454B (zh) | 民航客机个体目标识别方法 | |
Chen et al. | Collaborative spectrum sensing for illegal drone detection: A deep learning-based image classification perspective | |
CN111050315B (zh) | 一种基于多核双路网络的无线发射机识别方法 | |
CN112036239B (zh) | 一种基于深度学习网络的雷达信号工作模式识别方法及系统 | |
CN112818891A (zh) | 通信干扰信号类型智能识别方法 | |
Xiao et al. | Specific emitter identification of radar based on one dimensional convolution neural network | |
CN113191185A (zh) | 一种利用Dense2Net的雷达探测无人机目标分类方法 | |
Yudin et al. | Development of methods for identification of information controlling signals of unmanned aircraft complex operator | |
CN115902804B (zh) | 一种无人机集群类型识别方法和系统 | |
CN111985349B (zh) | 一种雷达接收信号类型分类识别方法及系统 | |
CN115114958A (zh) | 一种基于监督对比学习的电磁信号开集识别方法 | |
CN116866129A (zh) | 一种无线通信信号检测方法 | |
CN113640768B (zh) | 一种基于小波变换的低分辨雷达目标识别方法 | |
CN115438708A (zh) | 一种基于卷积神经网络和多模态融合的分类识别方法 | |
CN114943246A (zh) | 一种基于双谱特征提取的半监督特定辐射源识别方法 | |
CN112213697B (zh) | 一种基于贝叶斯决策理论用于雷达欺骗干扰识别的特征融合方法 | |
Feng et al. | FCGCN: Feature Correlation Graph Convolution Network for Few-Shot Individual Identification | |
Tang et al. | SAR deception jamming target recognition based on the shadow feature |
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 |