CN116451027A - 基于遥控信号两级经验模态分解的无人机识别方法 - Google Patents

基于遥控信号两级经验模态分解的无人机识别方法 Download PDF

Info

Publication number
CN116451027A
CN116451027A CN202310455310.1A CN202310455310A CN116451027A CN 116451027 A CN116451027 A CN 116451027A CN 202310455310 A CN202310455310 A CN 202310455310A CN 116451027 A CN116451027 A CN 116451027A
Authority
CN
China
Prior art keywords
unmanned aerial
aerial vehicle
remote control
control signal
signal
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
CN202310455310.1A
Other languages
English (en)
Inventor
邓洪高
王海传
纪元法
孙希延
孙少帅
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.)
Nanning Guidian Electronic Technology Research Institute Co ltd
Guilin University of Electronic Technology
Original Assignee
Nanning Guidian Electronic Technology Research Institute Co ltd
Guilin University of Electronic Technology
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 Nanning Guidian Electronic Technology Research Institute Co ltd, Guilin University of Electronic Technology filed Critical Nanning Guidian Electronic Technology Research Institute Co ltd
Priority to CN202310455310.1A priority Critical patent/CN116451027A/zh
Publication of CN116451027A publication Critical patent/CN116451027A/zh
Pending legal-status Critical Current

Links

Classifications

    • 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
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
    • G06F18/2135—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on approximation criteria, e.g. principal component analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
    • 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
    • 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
    • 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
    • Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
    • Y02D30/00—Reducing energy consumption in communication networks
    • Y02D30/70—Reducing energy consumption in communication networks in wireless communication networks

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Artificial Intelligence (AREA)
  • Control Of Position, Course, Altitude, Or Attitude Of Moving Bodies (AREA)

Abstract

本发明涉及无人机探测技术领域，具体涉及基于遥控信号两级经验模态分解的无人机识别方法，使用自制的无线电平台采集无人机遥控信号；对无人机遥控信号进行处理，得到去噪信号；基于去噪信号使用改进的能量曲线判决算法对遥控信号进行检测，得到瞬态段；对瞬态段进行分解提取，得到特征集；对特征集进行降维分类，得到目标数据。本发明在EMD分解算法的基础上进行创新，使用两级EMD分解算法，对原始的信号进行去澡处理，提高了第二级EMD分解时信号的信噪比，使得提取的能量熵更为的精确，进一步提高无人机的识别率。该算法解决了现有的检测方法检测精度较低的问题。

Description

基于遥控信号两级经验模态分解的无人机识别方法
技术领域
本发明涉及无人机探测技术领域，尤其涉及基于遥控信号两级经验模态分解的无人机识别方法。
背景技术
随着社会和科学技术的发展，民用无人机逐渐走向人们的视野，成为人们日常生活的一部分。无人机合理的运用使得我们的日常生活变得更多样化，但是也经常出现没有备案获得未获得飞行许可的无人机私自飞行，最终导致人们的生命财产受到威胁。
由于黑飞无人机的出现，无人机检测方法也激发很多研究者去探索，其中被大量研究的包含红外探测、视觉探测、无线电探测等，其中无线电探测是能够全天候实时监测的一种方法，本发明将针对无人机无线电遥控信号的瞬态段进行研究。
目前对无人机遥控信号瞬态段的识别主要是直接对瞬态段进行特征提取，提取瞬态段的瞬时幅度、瞬时频率、瞬时相位、方差等特征，从而形成特征集进行分类识别，还有就是针对遥控信号的瞬态段进行小波变换之后，使用小波变换后的小波簇作为特征识别的，但是使用经验模态分解，然后对不同的本征模态分量进行特征提取，从而形成特征集的比较少。
发明内容
本发明的目的在于提供基于遥控信号两级经验模态分解的无人机识别方法，旨在解决现有的检测方法检测精度较低的问题。
为实现上述目的，本发明提供了基于遥控信号两级经验模态分解的无人机识别方法，包括以下步骤：
使用自制的无线电平台采集无人机遥控信号；
对所述无人机遥控信号进行处理，得到去噪信号；
基于所述去噪信号使用改进的能量曲线判决算法对所述无人机遥控信号进行检测，得到瞬态段；
对所述瞬态段进行分解提取，得到特征集；
对所述特征集进行降维分类，得到目标数据。
其中，对所述无人机遥控信号进行处理，得到去噪信号，包括：
所述无人机遥控信号进行一级分解，得到分解数据；
对所述分解数据进行协方差计算，得到最大和最小协方差的分量，并进行重构原始信号，得到去噪信号。
其中，所述基于所述去噪信号使用改进的能量曲线判决算法对所述无人机遥控信号进行检测，得到瞬态段，包括：
对所述无人机遥控信号进行希尔伯特转换，得到转换数据；
对所述转换数据进行振幅计算，得到振幅数据；
基于所述振幅数据进行计算，得到能量曲线；
对所述去噪信号和所述能量曲线进行提取，得到瞬态段。
其中，所述对所述瞬态段进行分解提取，得到特征集，包括：
对所述瞬态段进行计算，得到信号总能量；
基于所述信号总能量进行计算，得到每个本征模态函数的能量熵值；
基于每个本征模态函数，进行能量熵、方差、偏度、峰度的提取，从而构建特征集。
其中，所述对所述特征集进行降维分类，得到目标数据，包括：
对所述特征集进行降维处理，得到降维数据；
对所述降维数据进行分类处理，得到目标数据。
本发明的基于遥控信号两级经验模态分解的无人机识别方法，使用自制的无线电平台采集无人机遥控信号；对所述无人机遥控信号进行处理，得到去噪信号；基于所述去噪信号使用改进的能量曲线判决算法对所述无人机遥控信号进行检测，得到瞬态段；对所述瞬态段进行分解提取，得到特征集；对所述特征集进行降维分类，得到目标数据。本发明在EMD分解算法的基础上进行创新，使用两级EMD分解算法，对原始的信号进行去澡处理，增强了第二级EMD分解时信号的信噪比，从而使得提取的能量熵更为的精确，进一步提高无人机的识别率。还有就是改进能量曲线判决算法检测瞬态段的起始点，相比于分形贝叶斯变点检测、方差轨迹变点检测这两种变点检测算法，该算法的检测精度有一定的提升，从而解决了现有的检测方法检测精度较低的问题。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术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是基于两级EMD分解的无人机识别方法流程图。
图2是本发明提供的基于遥控信号两级经验模态分解的无人机识别方法的流程图。
具体实施方式
下面详细描述本发明的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，旨在用于解释本发明，而不能理解为对本发明的限制。
请参阅图1至图2，本发明提供基于遥控信号两级经验模态分解的无人机识别方法，包括以下步骤：
S1使用自制的无线电平台采集无人机遥控信号；
具体的，由于无人机遥控信号瞬态段大多数是存在于设备开机和关机的时刻，并且它的数据点相对稳态段的也较少，所以对瞬态段的采集具有较高的难度，所以本发明采用ZYNQ+AD9361搭建的采样平台，对两台同型号的大疆精灵4PRO、HM、SYMA_X8HW、大疆悟2无人机进行ADC采样率为640MSPS的采样，经过下变频之后，采样率降为40MSPS。
S2对所述无人机遥控信号进行处理，得到去噪信号；
S21所述无人机遥控信号进行一级分解，得到分解数据；
具体的，由前面求出的瞬态段起始点，可得出瞬态段为：
X(y)＝I(y)+jQ(y) (1)
式中y＝1,...,Y其中大Y是瞬态数据点的长度。对瞬态段X(y)进行第一级EMD分解，得到无人机遥控信号的瞬态段本征模态函数IMFi(y)的所有分量以及残余分量r(t)。将第一级EMD分解得到的本征模态分量IMFi(y)与原始信号X(y)进行协方差运算，会得到一个协方差矩阵，该矩阵可表示为：
S22对所述分解数据进行协方差计算，得到最大和最小协方差的分量，并进行重构原始信号，得到去噪信号。
具体的，将上述协方差矩阵得到进行标准化处理，从而选出协方差最大的IMF信号为IMFmax(y)，协方差最小的IMF信号为IMFmin(y)。将这两者相减并且取平均值，得到Z(y)，并且将平均值加到原来的信号，即可得到比原始信号信噪比更高的信号X(y)',其计算公式可表示为：
X(y)'＝X(y)+Z(y) (3)
S3基于所述去噪信号使用改进的能量曲线判决算法对所述无人机遥控信号进行检测，得到瞬态段；
S31对所述无人机遥控信号进行希尔伯特转换，得到转换数据；
具体的，主要思想是用信号的到达会引起能量的变化，会在能量曲线上有较大的改变。首先将采集到的I、Q信号做希尔伯特变换，可表示为：
X(n)＝I(n)+jQ(n) (5)。
S32对所述转换数据进行振幅计算，得到振幅数据；
具体的，n＝1,...,N其中N是采样点数。因为能量是振幅的累计，所以先计算该数据的振幅，再计算数据的能量，振幅计算公式可表示为：
S33基于所述振幅数据进行计算，得到能量曲线；
具体的，然后利用该信号去计算能量曲线，其中能量曲线的计算公式可表示为：
其中En可表示为：
δ是设定的常数，计算公式可表示为：
其中θ是根据第一级EMD去噪得到的信号和原信号设置得到，计算公式如下式(10)：
S34对所述去噪信号和所述能量曲线进行提取，得到瞬态段。
具体的，当我们计算了能量曲线E'n，我们就可以确定该信号段能量曲线上的全局最小的值，如果该能量曲线的同一个平面上出现相同的最小值，也就是说能量曲线纵轴的值是相同的，但是所在的采样点数n是不相同的，这时候我们提出一个斜率比值法去确定该选哪个点作为瞬态段的起始点。假设相同的最小值的纵轴是E'nn，横轴分别是ni和nj，然后以横轴往后l个采样点，取该能量曲线上的点，分别为(ni+l，E'ni+l)和(nj+l,E'nj+l)。然后计算斜率K值，计算公式可表示为：
k＝E'nj+l-E'nn/E'ni+l-E'nn (11)
然后通过判断k的值是否大于1，如果大于1，那么选择nj作为瞬态段的起始点，如果k小于1，那么选择ni作为瞬态段的起始点。确定了瞬态段的起始点之后，即可把瞬态段提取出来。
S4对所述瞬态段进行分解提取，得到特征集；
S41对所述瞬态段进行计算，得到信号总能量；
具体的，首先通过公式计算出信号的总能量，该公式可以表示为：
然后通过公式：
分别计算出IMF′1(y)、IMF′2(y)、IMF′3(y)、IMF′4(y)、IMF′5(y)本征模态函数的能量E1、E2、E3、E4、E5。进而通过公式计算能量熵值：
S42基于所述信号总能量进行计算，得到每个本征模态函数的能量熵值；
具体的，计算五个本征模态函数的能量熵值，其中pi为第i个IMF′i(y)占总能量的比值，计算公式可以表示为：
计算出来的五个本征模态的能量熵值可分别表示为H1、H2、H3、H4、H5。本征模态函数是由原始信号分解出来的，从第一个本征模态开始，分解出来的本征模态函数的频率是依次降低的。所以我们对分解出来的五个本征模态函数求它的方差、偏度、峰度作为另外的的特征，其中标方差的计算公式可表示为：
方差的公式可表示为：
偏度的公式可表示为：
峰度的计算公式可表示为：
其中Ny是数据的长度，u表示数据的均值。
S43基于多个所述能量熵值进行构建，得到特征集。
具体的，由于我们从五个本征模态函数中提取了特征，每个本征模态函数提取4个特征，所以每个本征模态函数的特征我们可以表示为其中下标k表示第几个本征模态函数的特征。提取出每个本征模态分量的特征后，我们可以构建一个瞬态段的特征集，可以表示为T'＝[T1；T2；T3；T4；T5]，对于一架无人机采集的信号段的特征集可以表示为TR＝[T′1；T′2；T′3...T′K]，其中K表示无人机跳频信号段的总数。对于所有的无人机跳频信号瞬态段特征集合可以表示为F＝[TR1,TR2,TR3...TRj]，其中Rj中的j表示无人机的数量。
S5对所述特征集进行降维分类，得到目标数据。
S51对所述特征集进行降维处理，得到降维数据；
具体的，从特征提取阶段知道，每个跳频瞬态段的特征维数是20维，如果不对特征集进行降维，那么就会大大增加分类的计算量和仿真计算时间，所以采用PCA降维算法将特征集降到二维、三维进行SVM分类处理，以便减小计算量，缩减仿真计算时间。
S52对所述降维数据进行分类处理，得到目标数据。
具体的，最后采用SVM多分类器进行分类处理。从而实现无人机型号和个数的检测。
有益效果：
本发明提出的一种基于两级EMD分解的无人机识别方法。其中主要的思想就是利用无人机遥控信号的瞬态段特征，该瞬态段的特征主要与无人机硬件电路有关，而与无人机所传输的数据是没有关系的，并且每一台无人机的瞬态特征具有唯一性。
本发明针对瞬态段难以检测问题，改进能量曲线判决检测算法，对瞬态段的起始点进行更为精准的检测，并且通过仿真发现，该检测方法的仿真时间比方差轨迹检测、分形贝叶斯变点检测算法具有更低的仿真时间。同时对于瞬态段可能属于弱信号问题，噪声对其的影响比较大，提出两级EMD分解算法，对原始信号进行去噪，提高信噪比，也能利用第二级EMD分解产生的本征模态函数进行特征值的提取，从而实现无人机分类识别。
以上所揭露的仅为本发明基于遥控信号两级经验模态分解的无人机识别方法较佳实施例而已，当然不能以此来限定本发明之权利范围，本领域普通技术人员可以理解实现上述实施例的全部或部分流程，并依本发明权利要求所作的等同变化，仍属于发明所涵盖的范围。

Claims (5)

1.基于遥控信号两级经验模态分解的无人机识别方法，其特征在于，包括以下步骤：
使用自制的无线电平台采集无人机遥控信号；
对所述无人机遥控信号进行处理，得到去噪信号；
基于所述去噪信号使用改进的能量曲线判决算法对所述无人机遥控信号进行检测，得到瞬态段；
对所述瞬态段进行分解提取，得到特征集；
对所述特征集进行降维分类，得到目标数据。
2.如权利要求1所述的基于遥控信号两级经验模态分解的无人机识别方法，其特征在于，
对所述无人机遥控信号进行处理，得到去噪信号，包括：
所述无人机遥控信号进行一级分解，得到分解数据；
对所述分解数据进行协方差计算，得到最大和最小协方差的分量，并进行重构原始信号，得到去噪信号。
3.如权利要求2所述的基于遥控信号两级经验模态分解的无人机识别方法，其特征在于，
所述基于所述去噪信号使用改进的能量曲线判决算法对所述无人机遥控信号进行检测，得到瞬态段，包括：
对所述无人机遥控信号进行希尔伯特转换，得到转换数据；
对所述转换数据进行振幅计算，得到振幅数据；
基于所述振幅数据进行计算，得到能量曲线；
对所述去噪信号使用所述能量曲线进行瞬态段起始点提取，得到瞬态段。
4.如权利要求3所述的基于遥控信号两级经验模态分解的无人机识别方法，其特征在于，
所述对所述瞬态段进行分解提取，得到特征集，包括：
对所述瞬态段进行计算，得到信号总能量；
基于所述信号总能量进行计算，得到每个本征模态函数的能量熵值；
基于多个本征模态函数进行特征提取，并进行特征集构建，得到特征集。
5.如权利要求4所述的基于遥控信号两级经验模态分解的无人机识别方法，其特征在于，
对所述特征集进行降维分类，得到目标数据，包括：
对所述特征集进行降维处理，得到降维数据；
对所述降维数据进行分类处理，得到目标数据。
CN202310455310.1A 2023-04-25 2023-04-25 基于遥控信号两级经验模态分解的无人机识别方法 Pending CN116451027A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310455310.1A CN116451027A (zh) 2023-04-25 2023-04-25 基于遥控信号两级经验模态分解的无人机识别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310455310.1A CN116451027A (zh) 2023-04-25 2023-04-25 基于遥控信号两级经验模态分解的无人机识别方法

Publications (1)

Publication Number Publication Date
CN116451027A true CN116451027A (zh) 2023-07-18

Family

ID=87133546

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310455310.1A Pending CN116451027A (zh) 2023-04-25 2023-04-25 基于遥控信号两级经验模态分解的无人机识别方法

Country Status (1)

Country Link
CN (1) CN116451027A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116595324A (zh) * 2023-07-19 2023-08-15 北谷电子股份有限公司 信号瞬态冲击始点的提取方法

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116595324A (zh) * 2023-07-19 2023-08-15 北谷电子股份有限公司 信号瞬态冲击始点的提取方法
CN116595324B (zh) * 2023-07-19 2023-11-10 北谷电子股份有限公司 信号瞬态冲击始点的提取方法

Similar Documents

Publication Publication Date Title
CN107844755B (zh) 一种结合dae和cnn的脑电信号特征提取与分类方法
WO2020103411A1 (zh) 一种跌倒检测方法、装置及系统
CN104795064A (zh) 低信噪比声场景下声音事件的识别方法
CN116451027A (zh) 基于遥控信号两级经验模态分解的无人机识别方法
CN104008537A (zh) 结合cs-ct-chmm的噪声图像融合新方法
CN109034066A (zh) 基于多特征融合的建筑物识别方法
Lederman et al. Alternating diffusion for common manifold learning with application to sleep stage assessment
CN103699874A (zh) 基于surf流和lle稀疏表示的人群异常行为识别方法
CN110717423A (zh) 一种老人面部表情的情感识别模型的训练方法及装置
CN105447506A (zh) 一种基于区间分布概率特征的手势识别方法
CN111142668B (zh) 一种基于Wi-Fi指纹的定位和活动手势联合识别的交互方法
Medaiyese et al. Semi-supervised learning framework for UAV detection
Karayaneva et al. Unsupervised Doppler radar based activity recognition for e-healthcare
CN105608705A (zh) 基于非下采样Shearlet变换与矢量C-V模型的图像分割方法
CN114428234A (zh) 基于gan和自注意力的雷达高分辨距离像降噪识别方法
CN114154532A (zh) 无人机个体多维域电磁信号特征深度学习识别方法
Avanzato et al. A cnn-based differential image processing approach for rainfall classification
CN107341519B (zh) 一种基于多分辨率分析的支持向量机识别优化方法
CN110610152B (zh) 基于判别特征学习无监督网络的多光谱云检测方法
Assam et al. Activity recognition from sensors using dyadic wavelets and hidden markov model
CN114358056A (zh) 基于深度学习的无人机信号识别方法及系统
CN118051831B (zh) 基于CNN-Transformer合作网络模型的水声目标识别方法
CN103839082B (zh) 一种基于小波特征低秩表示的sar图像目标聚类方法
CN117612024B (zh) 一种基于多尺度注意力的遥感图像屋顶识别方法
Tarekegn et al. Applying T-Distributed Stochastic Neighbor Embedding for Improving Fingerprinting-Based Localization System

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