CN117200932A - 基于神经网络的无人机频射信号的识别方法和系统 - Google Patents
基于神经网络的无人机频射信号的识别方法和系统 Download PDFInfo
- Publication number
- CN117200932A CN117200932A CN202311283588.1A CN202311283588A CN117200932A CN 117200932 A CN117200932 A CN 117200932A CN 202311283588 A CN202311283588 A CN 202311283588A CN 117200932 A CN117200932 A CN 117200932A
- Authority
- CN
- China
- Prior art keywords
- data
- signal
- unmanned aerial
- aerial vehicle
- radio frequency
- 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
Links
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 48
- 238000000034 method Methods 0.000 title claims abstract description 47
- 238000004891 communication Methods 0.000 claims abstract description 156
- 238000000926 separation method Methods 0.000 claims description 55
- 238000001228 spectrum Methods 0.000 claims description 40
- 238000010586 diagram Methods 0.000 claims description 23
- 238000006243 chemical reaction Methods 0.000 claims description 21
- 238000012545 processing Methods 0.000 claims description 18
- 238000012549 training Methods 0.000 claims description 18
- 230000015654 memory Effects 0.000 claims description 17
- 238000005070 sampling Methods 0.000 claims description 16
- 238000012360 testing method Methods 0.000 claims description 14
- 238000009499 grossing Methods 0.000 claims description 13
- 238000004590 computer program Methods 0.000 claims description 6
- 230000002194 synthesizing effect Effects 0.000 claims description 6
- 239000000758 substrate Substances 0.000 claims 1
- 230000006870 function Effects 0.000 description 6
- 239000011159 matrix material Substances 0.000 description 5
- 238000013527 convolutional neural network Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 4
- 238000003062 neural network model Methods 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 3
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 230000007613 environmental effect Effects 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 230000002411 adverse Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000011144 upstream manufacturing Methods 0.000 description 1
Landscapes
- Selective Calling Equipment (AREA)
Abstract
本申请提供一种基于神经网络的无人机频射信号的识别方法和系统。涉及无人机技术领域。包括:采集目标无人机与其远程控制之间的射频信号数据;基于所述射频信号数据,确定所述目标无人机的通信信号频谱图;基于训练好的神经网络确定所述目标无人机的通信信号频谱图对应的目标通信模型;基于所述目标通信模型对所述目标无人机进行反制。可以精确区分无人机的通信模型,从而能根据通信模型实施有针对性的最佳干扰方法,以降低破坏无人机与远程遥控通信所需的总干扰功率,限制对其他邻近无线通信的影响。
Description
技术领域
本申请涉及无人机技术领域,具体而言,涉及一种基于神经网络的无人机频射信号的识别方法和系统。
背景技术
近年来,无人机反制已成为人们关注的重要问题,这是因为获得一架有能力的无人驾驶飞行器非常容易,而且无人机飞越公共场所或重要场所的事件层出不穷。因此,无人机干扰器应运而生,并被推荐给有关机构以应对此类威胁。然而,全波段拦截干扰技术会影响其他同一工业、科学和医疗频段内的其他通信。因此,有必要开发智能干扰技术,以避免对其他通信设备造成附带影响。
发明内容
本申请实施例的目的在于提供一种基于神经网络的无人机频射信号的识别方法和系统,用以降低破坏无人机与远程遥控通信时对其他邻近无线通信的影响。
第一方面,本申请提供一种基于神经网络的无人机频射信号的识别方法,包括:
采集目标无人机与其远程控制之间的射频信号数据;
基于所述射频信号数据,确定所述目标无人机的通信信号频谱图;
基于训练好的神经网络确定所述目标无人机的通信信号频谱图对应的目标通信模型;
基于所述目标通信模型对所述目标无人机进行反制。
在可选的实施方式中,基于所述射频信号数据,确定所述目标无人机的通信信号频谱图,包括:
对所述射频信号数据进行信号源分离处理,得到信号分离数据;
将所述信号分离数据通过最大重叠离散小波变换MODWT变换,获得所述目标无人机的通信信号频谱图。
在可选的实施方式中,对所述射频信号数据进行信号源分离处理,得到信号分离数据,包括:
利用如下公式确定所述射频信号数据的上振幅:
其中,为原信号的上振幅,/>P.V.是柯西主值的简写,s(t)为所述射频信号数据的采样点,t为采样点的时刻;
利用大小不同的滑动窗口对所述射频信号数据的上振幅的上振幅数据进行平滑处理,并计算不同滑动窗口的信号的上振幅的平滑度;
将平滑度最小的滑动窗口得到的平滑处理后的所述射频信号数据的上振幅数据,作为最终的平滑处理后的所述射频信号数据的上振幅数据;
对平滑处理后的所述射频信号数据的上振幅数据通过二元分类进行信号源分离,得到信号分离数据。
在可选的实施方式中,利用大小不同的滑动窗口对所述射频信号数据的上振幅的上振幅数据进行平滑处理,并计算不同滑动窗口的信号的上振幅的平滑度,包括:
当滑动窗口包括的数据点的个数为M,M为大于1的奇数,计算任一滑动窗口内的M个数据点的平均值,作为M个数据点的中间点的拟合值:
其中,为第/>个数据点的拟合值;
从第一个数据点开始,逐点平移滑动窗口,得到对应的平滑处理后的所述射频信号数据的上振幅数据:
计算窗口大小为M的平滑度r:
当M分别取值3、5、7和9时,计算得到四个平滑度,以及四组平滑处理后的所述射频信号数据的上振幅数据。
在可选的实施方式中,对平滑处理后的所述射频信号数据的上振幅数据通过二元分类进行信号源分离,得到信号分离数据,包括:
基于阈值H对平滑处理后的所述射频信号数据的上振幅数据进行二元分类,上振幅数据大于等于H的时刻的二元值为1,上振幅数据小于H的时刻的二元值为0;
利用二元值对所述射频信号数据进行信号源分离,得到信号分离数据,当两个数据点之间的所有数据点所对应的二元值均为1时,这两个数据点属于同一信号源,否则属于不同信号源。
在可选的实施方式中,将所述信号分离数据通过最大重叠离散小波变换MODWT变换,获得所述目标无人机的通信信号频谱图,包括:
从所述信号分离数据中依次截取属于不同信号源的数据段;
对每个所述数据段进行MODWT变换,得到该数据段的子频谱图;
综合所有子频谱图,得到所述目标无人机的通信信号频谱图。
在可选的实施方式中,基于训练好的神经网络确定所述目标无人机的通信信号频谱图对应的目标通信模型,包括:将所述目标无人机的通信信号频谱图转换为通信信号频谱灰度图;基于训练好的神经网络确定所述目标无人机的通信信号频谱灰度图对应的目标通信模型;
所述方法还包括:
确定通信信号频谱图样本库,所述通信信号频谱图样本库包括多个通信信号频谱图样本,每个所述通信信号频谱图样本包括通信信号频谱图图像以及标签,所述标签包括无人机的名称和信号类型;
将所述通信信号频谱图样本库中每个通信信号频谱图转换为通信信号频谱灰度图;
定义一个[Fs×Tcapture]的恒定时间频率空间,将所述通信信号频谱图样本库对应的通信信号频谱灰度图置于该空间的中心,其中,Fs为采样频率,采集时长Tcapture=Np/Fs,Np为采集点的个数;
将所述频谱图样本库中占比为α的灰度图作为训练集输入所述神经网络进行训练,占比为1-α的灰度图作为测试集用于测试和验证所构建的所述神经网络,最终得到训练好的所述神经网络模型。
第二方面,本申请提供一种基于神经网络的无人机频射信号的识别系统,包括:
采集模块,用于采集目标无人机与其远程控制之间的射频信号数据;
转换模块,用于基于所述射频信号数据,确定所述目标无人机的通信信号频谱图;
识别模块,用于基于训练好的神经网络确定所述目标无人机的通信信号频谱图对应的目标通信模型;
反制模块,用于基于所述目标通信模型对所述目标无人机进行反制。
在可选的实施方式中,所述转换模块具体用于:
对所述射频信号数据进行信号源分离处理,得到信号分离数据;
将所述信号分离数据通过最大重叠离散小波变换MODWT变换,获得所述目标无人机的通信信号频谱图。
在可选的实施方式中,所述转换模块具体用于:
利用如下公式确定所述射频信号数据的上振幅:
其中,为原信号的上振幅,/>P.V.是柯西主值的简写,s(t)为所述射频信号数据的采样点,t为采样点的时刻;
利用大小不同的滑动窗口对所述射频信号数据的上振幅的上振幅数据进行平滑处理,并计算不同滑动窗口的信号的上振幅的平滑度;
将平滑度最小的滑动窗口得到的平滑处理后的所述射频信号数据的上振幅数据,作为最终的平滑处理后的所述射频信号数据的上振幅数据;
对平滑处理后的所述射频信号数据的上振幅数据通过二元分类进行信号源分离,得到信号分离数据。
在可选的实施方式中,所述转换模块具体用于:
当滑动窗口包括的数据点的个数为M,M为大于1的奇数,计算任一滑动窗口内的M个数据点的平均值,作为M个数据点的中间点的拟合值:
其中,为第/>个数据点的拟合值;
从第一个数据点开始,逐点平移滑动窗口,得到对应的平滑处理后的所述射频信号数据的上振幅数据:
计算窗口大小为M的平滑度r:
当M分别取值3、5、7和9时,计算得到四个平滑度,以及四组平滑处理后的所述射频信号数据的上振幅数据。
在可选的实施方式中,所述转换模块具体用于:
基于阈值H对平滑处理后的所述射频信号数据的上振幅数据进行二元分类,上振幅数据大于等于H的时刻的二元值为1,上振幅数据小于H的时刻的二元值为0;
利用二元值对所述射频信号数据进行信号源分离,得到信号分离数据,当两个数据点之间的所有数据点所对应的二元值均为1时,这两个数据点属于同一信号源,否则属于不同信号源。
在可选的实施方式中,所述转换模块具体用于:
从所述信号分离数据中依次截取属于不同信号源的数据段;
对每个所述数据段进行MODWT变换,得到该数据段的子频谱图;
综合所有子频谱图,得到所述目标无人机的通信信号频谱图。
在可选的实施方式中,所述识别模块具体用于:
将所述目标无人机的通信信号频谱图转换为通信信号频谱灰度图;
基于训练好的神经网络确定所述目标无人机的通信信号频谱灰度图对应的目标通信模型。
在可选的实施方式中,还包括,训练模块,用于:
确定通信信号频谱图样本库,所述通信信号频谱图样本库包括多个通信信号频谱图样本,每个所述通信信号频谱图样本包括通信信号频谱图图像以及标签,所述标签包括无人机的名称和信号类型;
将所述通信信号频谱图样本库中每个通信信号频谱图转换为通信信号频谱灰度图;
定义一个[Fs×Tcapture]的恒定时间频率空间,将所述通信信号频谱图样本库对应的通信信号频谱灰度图置于该空间的中心,其中,Fs为采样频率,采集时长Tcapture=Np/Fs,Np为采集点的个数;
将所述频谱图样本库中占比为α的灰度图作为训练集输入所述神经网络进行训练,占比为1-α的灰度图作为测试集用于测试和验证所构建的所述神经网络,最终得到训练好的所述神经网络模型。
第三方面,本申请提供一种电子设备,包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现上述前述实施方式中任一项所述的方法的步骤。
第四方面,本申请提供一种计算机可读存储介质,所述计算机可读存储介质存储有机器可运行指令,所述机器可运行指令在被处理器调用和运行时,所述机器可运行指令促使所述处理器运行上述前述实施方式中任一项所述的方法。
本申请提供一种基于神经网络的无人机频射信号的识别方法和系统。通过采集目标无人机与其远程控制之间的射频信号数据;基于所述射频信号数据,确定所述目标无人机的通信信号频谱图;基于训练好的神经网络确定所述目标无人机的通信信号频谱图对应的目标通信模型;基于所述目标通信模型对所述目标无人机进行反制。可以精确区分无人机的通信模型,从而能根据通信模型实施有针对性的最佳干扰方法,以降低破坏无人机与远程遥控通信所需的总干扰功率,限制对其他邻近无线通信的影响。
附图说明
为了更清楚地说明本申请实施例的技术方案,下面将对本申请实施例中所需要使用的附图作简单地介绍,应当理解,以下附图仅示出了本申请的某些实施例,因此不应被看作是对范围的限定,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相关的附图。
图1为本申请实施例提供的一种基于神经网络的无人机频射信号的识别方法流程示意图;
图2是本申请实施例的信号源分离图;
图3是本申请实施例的信号源频谱灰度图;
图4是本申请实施例的无人机通信模型分类识别混淆矩阵;
图5为本申请实施例提供的一种基于神经网络的无人机频射信号的识别系统结构示意图;
图6为本申请实施例提供的一种电子设备的示意图。
具体实施方式
下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行描述。
图1为本申请实施例提供的一种基于神经网络的无人机频射信号的识别方法流程示意图。如图1所示,该方法包括如下步骤:
S110,采集目标无人机与其远程控制之间的射频信号数据。
其中,可以以中心频率Fc、采样频率Fs采集无人机与其远程控制之间的射频通信信号,共采集Np个点。获得射频通信信号采样点s(t),t为采样点的时刻。此时,采集时长Tcapture=Np/Fs。
例如,当Fc=2.44GHz、Fs=122.88MHz、Np=220、Tcapture=8.53ms时,射频通信信号如图2所示。
S120,基于射频信号数据,确定目标无人机的通信信号频谱图。
为了同时了解通信信号的功率、频率分布和时域特征,需要提取目标无人机的通信信号频谱图。
在一些实施例中,可以对射频信号数据进行信号源分离处理,得到信号分离数据;将信号分离数据通过最大重叠离散小波变换MODWT变换,获得目标无人机的通信信号频谱图。
其中,可以通过如下步骤实现对射频信号数据进行信号源分离处理,得到信号分离数据:
步骤1),利用如下公式确定射频信号数据的上振幅:
其中,为原信号的上振幅,/>P.V.是柯西主值的简写,s(t)为射频信号数据的采样点,t为采样点的时刻;
步骤2),利用大小不同的滑动窗口对射频信号数据的上振幅的上振幅数据进行平滑处理,并计算不同滑动窗口的信号的上振幅的平滑度;
步骤3),将平滑度最小的滑动窗口得到的平滑处理后的射频信号数据的上振幅数据,作为最终的平滑处理后的射频信号数据的上振幅数据;
步骤4),对平滑处理后的射频信号数据的上振幅数据通过二元分类进行信号源分离,得到信号分离数据。
对于上述步骤2),具体可以通过如下步骤实现:
当滑动窗口包括的数据点的个数为M,M为大于1的奇数,计算任一滑动窗口内的M个数据点的平均值,作为M个数据点的中间点的拟合值:
其中,为第/>个数据点的拟合值;
从第一个数据点开始,逐点平移滑动窗口,得到对应的平滑处理后的射频信号数据的上振幅数据:
计算窗口大小为M的平滑度r:
当M分别取值3、5、7和9时,计算得到四个平滑度,以及四组平滑处理后的射频信号数据的上振幅数据。
对于上述步骤4)可以通过如下步骤实现:
基于阈值H对平滑处理后的射频信号数据的上振幅数据进行二元分类,上振幅数据大于等于H的时刻的二元值为1,上振幅数据小于H的时刻的二元值为0;
利用二元值对射频信号数据进行信号源分离,得到信号分离数据,当两个数据点之间的所有数据点所对应的二元值均为1时,这两个数据点属于同一信号源,否则属于不同信号源。
在一些实施例中,将信号分离数据通过最大重叠离散小波变换MODWT变换,获得目标无人机的通信信号频谱图可以通过如下步骤实现:从信号分离数据中依次截取属于不同信号源的数据段;对每个数据段进行MODWT变换,得到该数据段的子频谱图;综合所有子频谱图,得到目标无人机的通信信号频谱图。
以M=3为例,第一个滑动窗口内的三个点为:计算三个点的平均值,将平均值作为拟合后第2个点的上振幅值/>将滑动窗口向右平移一个点,则第二个滑动窗口内的三个点为:/>计算三个点的平均值,将平均值作为拟合后第3个点的上振幅值/>一直继续下去,得到/>
计算窗口大小为M的平滑度r。当M分别取值3、5、7和9时,计算得到四个平滑度,以及四组平滑处理后的信号的上振幅数据;
将平滑度最小的滑动窗口得到的平滑处理后的信号的上振幅数据,作为最终的平滑处理后的信号的上振幅数据。在本例中,当M=5时的平滑度最小;
使用阈值H对上述平滑处理后的信号的上振幅数据进行二元分类,即令上振幅数据大于等于H的时刻的二元值为1,令上振幅数据小于H的时刻的二元值为0。在本例中,H可以为0.5。
利用上述二元值对原信号数据进行信号源分离,即当两个数据点之间的所有数据点所对应的二元值均为1时,这两个数据点属于同一信号源。在本例中,如图2所示,可以将原射频通信信号分离成8个信号源信号。
在本申请实施例中,所有通信信号都记录在文件中并进行后处理。这些文件既包括无人机向遥控器传输数据(例如视频数据)的信号,也包括遥控器向无人机发送控制指令的信号。为了有效的组织和整理数据库,并便于针对不同的信号进行频谱图求解和CNN训练,可以将这些不同的(上行和下行)信号分开;不同的信号主要体现为上振幅的大小不同。因此,需要求出上振幅。而求出上振幅后,理论上可以利用上振幅的大小区分出不同的信号。比如,可以用阈值法进行二元分类。但是,由于环境噪声等因素的影响,实际上求出的上振幅会存在不合理的波动,影响分离的准确性(比如,某一段持续的信号本来应该属于同一信号源,但其中间可能包含有一个突兀且短暂的环境噪声,这可能会使得这段信号被错误地分离成不同的信号源)。因此,可以对上振幅数据进行平滑处理,尽量消除噪声带来的波动,然后再进行二元分类。
S130,基于训练好的神经网络确定目标无人机的通信信号频谱图对应的目标通信模型。
可以预先对神经网络进行训练,训练过程可以如下:
确定通信信号频谱图样本库,通信信号频谱图样本库包括多个通信信号频谱图样本,每个通信信号频谱图样本包括通信信号频谱图图像以及标签,标签包括无人机的名称和信号类型;
将通信信号频谱图样本库中每个通信信号频谱图转换为通信信号频谱灰度图;
定义一个[Fs×Tcapture]的恒定时间频率空间,将通信信号频谱图样本库对应的通信信号频谱灰度图置于该空间的中心,其中,Fs为采样频率,采集时长Tcapture=Np/Fs,Np为采集点的个数;
将频谱图样本库中占比为α的灰度图作为训练集输入神经网络进行训练,占比为1-α的灰度图作为测试集用于测试和验证所构建的神经网络,最终得到训练好的神经网络模型。
可以基于训练好的神经网络进行通信模型识别。具体的,可以将目标无人机的通信信号频谱图转换为通信信号频谱灰度图;基于训练好的神经网络确定目标无人机的通信信号频谱灰度图对应的目标通信模型。
创建一个包含Q个通信信号频谱图的通信信号频谱图样本库。例如,Q可以等于2000;
通信信号频谱图的图像都标有相关无人机的名称和信号类型,这里的信号类型可以包括无人机发出的信号或远程遥控发出的信号。例如,无人机共分为三个类型,即第一无人机、第二无人机和第三无人机,而每一类无人机都有上行和下行两种信号,再加上不属于无人机的“环境信号”,如Wi-Fi或蓝牙通信等。因此,一共有7种信号类型;
将每个频谱图转换为灰度图。例如,灰度图的分辨率可以统一为180x180;
定义一个[Fs×Tcapture]的恒定时间频率空间,将上述灰度图置于该空间的中心。例如,图2中8个信号源信号所对应的8张灰度图如图3所示。
将数据库中占比为α的灰度图作为训练集输入神经网络CNN进行训练,占比为1-α的灰度图作为测试集用于测试和验证所构建的模型。例如,α=0.8。
CNN中的第一卷积层的核的大小为2×2,步长为2×2,第二卷积层的内核大小为2×2,步长为2×2,第三个卷积层的核大小为5×5,步长为1×1。然后,将三维结构转换为一维向量,并连接到全连接层。下一个输出层的大小为信号类型数,即7。最后,使用Softmax,使最终输出为每种信号类型的概率。同时,使用ReLU激活函数和Adam优化器;
综合测试集的测试结果,得到无人机通信模型分类识别的混淆矩阵。在本例中,可以得到如图4所示的混淆矩阵。该混淆矩阵即为通信模型。
在本实施例中,通过对不同型号无人机背后的通信信号频谱图进行分类。以单个(上行或下行)信号的频谱图作为训练数据,能使得CNN的训练效果更好。
S140,基于目标通信模型对目标无人机进行反制。
如图4所示,可以基于无人机的混淆矩阵对目标无人机进行反制。
能够精确地检测和区分无人机的通信模型,包括无人机的类型及其下行和上行信号,便于智能干扰技术的进一步开发,从而能根据通信模型实施有针对性的最佳干扰方法,以降低破坏无人机与远程遥控通信所需的总干扰功率,限制对其他邻近无线通信的影响。
图5为本申请实施例提供的一种基于神经网络的无人机频射信号的识别系统结构示意图。如图5所示,该系统包括:
采集模块501,用于采集目标无人机与其远程控制之间的射频信号数据;
转换模块502,用于基于射频信号数据,确定目标无人机的通信信号频谱图;
识别模块503,用于基于训练好的神经网络确定目标无人机的通信信号频谱图对应的目标通信模型;
反制模块504,用于基于目标通信模型对目标无人机进行反制。
在一些实施例中,转换模块502具体用于:
对射频信号数据进行信号源分离处理,得到信号分离数据;
将信号分离数据通过最大重叠离散小波变换MODWT变换,获得目标无人机的通信信号频谱图。
在一些实施例中,转换模块502具体用于:
确定射频信号数据的上振幅;
利用大小不同的滑动窗口对射频信号数据的上振幅的上振幅数据进行平滑处理,并计算不同滑动窗口的信号的上振幅的平滑度;
将平滑度最小的滑动窗口得到的平滑处理后的射频信号数据的上振幅数据,作为最终的平滑处理后的射频信号数据的上振幅数据;
对平滑处理后的射频信号数据的上振幅数据通过二元分类进行信号源分离,得到信号分离数据。
在一些实施例中,转换模块502具体用于:
当滑动窗口包括的数据点的个数为M,M为大于1的奇数,计算任一滑动窗口内的M个数据点的平均值,作为M个数据点的中间点的拟合值;
从第一个数据点开始,逐点平移滑动窗口,得到对应的平滑处理后的射频信号数据的上振幅数据;
计算窗口大小为M的平滑度r:
当M分别取值3、5、7和9时,计算得到四个平滑度,以及四组平滑处理后的射频信号数据的上振幅数据。
在一些实施例中,转换模块502具体用于:
基于阈值H对平滑处理后的射频信号数据的上振幅数据进行二元分类,上振幅数据大于等于H的时刻的二元值为1,上振幅数据小于H的时刻的二元值为0;
利用二元值对射频信号数据进行信号源分离,得到信号分离数据,当两个数据点之间的所有数据点所对应的二元值均为1时,这两个数据点属于同一信号源,否则属于不同信号源。
在一些实施例中,转换模块502具体用于:
从信号分离数据中依次截取属于不同信号源的数据段;
对每个数据段进行MODWT变换,得到该数据段的子频谱图;
综合所有子频谱图,得到目标无人机的通信信号频谱图。
在一些实施例中,识别模块503具体用于:
将目标无人机的通信信号频谱图转换为通信信号频谱灰度图;
基于训练好的神经网络确定目标无人机的通信信号频谱灰度图对应的目标通信模型。
在一些实施例中,还包括,训练模块,用于:
确定通信信号频谱图样本库,通信信号频谱图样本库包括多个通信信号频谱图样本,每个通信信号频谱图样本包括通信信号频谱图图像以及标签,标签包括无人机的名称和信号类型;
将通信信号频谱图样本库中每个通信信号频谱图转换为通信信号频谱灰度图;
定义一个[Fs×Tcapture]的恒定时间频率空间,将通信信号频谱图样本库对应的通信信号频谱灰度图置于该空间的中心,其中,Fs为采样频率,采集时长Tcapture=Np/Fs,Np为采集点的个数;
将频谱图样本库中占比为α的灰度图作为训练集输入神经网络进行训练,占比为1-α的灰度图作为测试集用于测试和验证所构建的神经网络,最终得到训练好的神经网络模型。
本申请实施例所提供的装置,其实现原理及产生的技术效果和前述方法实施例相同,为简要描述,装置实施例部分未提及之处,可参考前述方法实施例中相应内容。
如图6所示,本申请实施例提供的一种电子设备600,包括:处理器601、存储器602和总线,存储器602存储有处理器601可执行的机器可读指令,当电子设备运行时,处理器601与存储器602之间通过总线通信,处理器601执行机器可读指令,以执行如上述基于神经网络的无人机频射信号的识别方法的步骤。
具体地,上述存储器602和处理器601能够为通用的存储器和处理器,这里不做具体限定,当处理器601运行存储器602存储的计算机程序时,能够执行上述基于神经网络的无人机频射信号的识别方法。
处理器601可能是一种集成电路芯片,具有信号的处理能力。在实现过程中,上述方法的各步骤可以通过处理器601中的硬件的集成逻辑电路或者软件形式的指令完成。上述的处理器601可以是通用处理器,包括中央处理器(Central Processing Unit,简称CPU)、网络处理器(Network Processor,简称NP)等;还可以是数字信号处理器(DigitalSignal Processing,简称DSP)、专用集成电路(Application Specific IntegratedCircuit,简称ASIC)、现成可编程门阵列(Field-Programmable Gate Array,简称FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。可以实现或者执行本申请实施例中的公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。结合本申请实施例所公开的方法的步骤可以直接体现为硬件译码处理器执行完成,或者用译码处理器中的硬件及软件模块组合执行完成。软件模块可以位于随机存储器,闪存、只读存储器,可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。该存储介质位于存储器602,处理器601读取存储器602中的信息,结合其硬件完成上述方法的步骤。
对应于上述基于神经网络的无人机频射信号的识别方法,本申请实施例还提供了一种计算机可读存储介质,计算机可读存储介质存储有机器可运行指令,计算机可运行指令在被处理器调用和运行时,计算机可运行指令促使处理器运行上述基于神经网络的无人机频射信号的识别方法的步骤。
本申请实施例所提供的基于神经网络的无人机频射信号的识别装置可以为设备上的特定硬件或者安装于设备上的软件或固件等。本申请实施例所提供的装置,其实现原理及产生的技术效果和前述方法实施例相同,为简要描述,装置实施例部分未提及之处,可参考前述方法实施例中相应内容。所属领域的技术人员可以清楚地了解到,为描述的方便和简洁,前述描述的系统、装置和单元的具体工作过程,均可以参考上述方法实施例中的对应过程,在此不再赘述。
在本申请所提供的实施例中,应该理解到,所揭露装置和方法,可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的,例如,单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,又例如,多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些通信接口,装置或单元的间接耦合或通信连接,可以是电性,机械或其它的形式。
再例如,附图中的流程图和框图显示了根据本申请的多个实施例的装置、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段或代码的一部分,模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意,在有些作为替换的实现方式中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个连续的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合,可以用执行规定的功能或动作的专用的基于硬件的系统来实现,或者可以用专用硬件与计算机指令的组合来实现。
作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外,在本申请提供的实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。
功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台电子设备(可以是个人计算机,服务器,或者网络设备等)执行本申请各个实施例车辆标记方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(Read-Only Memory,简称ROM)、随机存取存储器(Random Access Memory,简称RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
应注意到:相似的标号和字母在下面的附图中表示类似项,因此,一旦某一项在一个附图中被定义,则在随后的附图中不需要对其进行进一步定义和解释,此外,术语“第一”、“第二”、“第三”等仅用于区分描述,而不能理解为指示或暗示相对重要性。
最后应说明的是:以上实施例,仅为本申请的具体实施方式,用以说明本申请的技术方案,而非对其限制,本申请的保护范围并不局限于此,尽管参照前述实施例对本申请进行了详细的说明,本领域的普通技术人员应当理解:任何熟悉本技术领域的技术人员在本申请揭露的技术范围内,其依然可以对前述实施例所记载的技术方案进行修改或可轻易想到变化,或者对其中部分技术特征进行等同替换;而这些修改、变化或者替换,并不使相应技术方案的本质脱离本申请实施例技术方案的范围。都应涵盖在本申请的保护范围之内。因此,本申请的保护范围应以权利要求的保护范围为准。
Claims (10)
1.一种基于神经网络的无人机频射信号的识别方法,其特征在于,包括:
采集目标无人机与其远程控制之间的射频信号数据;
基于所述射频信号数据,确定所述目标无人机的通信信号频谱图;
基于训练好的神经网络确定所述目标无人机的通信信号频谱图对应的目标通信模型;
基于所述目标通信模型对所述目标无人机进行反制。
2.根据权利要求1所述的方法,其特征在于,基于所述射频信号数据,确定所述目标无人机的通信信号频谱图,包括:
对所述射频信号数据进行信号源分离处理,得到信号分离数据;
将所述信号分离数据通过最大重叠离散小波变换MODWT变换,获得所述目标无人机的通信信号频谱图。
3.根据权利要求2所述的方法,其特征在于,对所述射频信号数据进行信号源分离处理,得到信号分离数据,包括:
利用如下公式确定所述射频信号数据的上振幅:
其中,为原信号的上振幅,/>P.V.是柯西主值的简写,s(t)为所述射频信号数据的采样点,t为采样点的时刻;
利用大小不同的滑动窗口对所述射频信号数据的上振幅的上振幅数据进行平滑处理,并计算不同滑动窗口的信号的上振幅的平滑度;
将平滑度最小的滑动窗口得到的平滑处理后的所述射频信号数据的上振幅数据,作为最终的平滑处理后的所述射频信号数据的上振幅数据;
对平滑处理后的所述射频信号数据的上振幅数据通过二元分类进行信号源分离,得到信号分离数据。
4.根据权利要求3所述的方法,其特征在于,利用大小不同的滑动窗口对所述射频信号数据的上振幅的上振幅数据进行平滑处理,并计算不同滑动窗口的信号的上振幅的平滑度,包括:
当滑动窗口包括的数据点的个数为M,M为大于1的奇数,计算任一滑动窗口内的M个数据点的平均值,作为M个数据点的中间点的拟合值:
其中,为第/>个数据点的拟合值;
从第一个数据点开始,逐点平移滑动窗口,得到对应的平滑处理后的所述射频信号数据的上振幅数据:
计算窗口大小为M的平滑度r:
当M分别取值3、5、7和9时,计算得到四个平滑度,以及四组平滑处理后的所述射频信号数据的上振幅数据。
5.根据权利要求3所述的方法,其特征在于,对平滑处理后的所述射频信号数据的上振幅数据通过二元分类进行信号源分离,得到信号分离数据,包括:
基于阈值H对平滑处理后的所述射频信号数据的上振幅数据进行二元分类,上振幅数据大于等于H的时刻的二元值为1,上振幅数据小于H的时刻的二元值为0;
利用二元值对所述射频信号数据进行信号源分离,得到信号分离数据,当两个数据点之间的所有数据点所对应的二元值均为1时,这两个数据点属于同一信号源,否则属于不同信号源。
6.根据权利要求2所述的方法,其特征在于,将所述信号分离数据通过最大重叠离散小波变换MODWT变换,获得所述目标无人机的通信信号频谱图,包括:
从所述信号分离数据中依次截取属于不同信号源的数据段;
对每个所述数据段进行MODWT变换,得到该数据段的子频谱图;
综合所有子频谱图,得到所述目标无人机的通信信号频谱图。
7.根据权利要求1所述的方法,其特征在于,
基于训练好的神经网络确定所述目标无人机的通信信号频谱图对应的目标通信模型,包括:将所述目标无人机的通信信号频谱图转换为通信信号频谱灰度图;基于训练好的神经网络确定所述目标无人机的通信信号频谱灰度图对应的目标通信模型;
所述方法还包括:
确定通信信号频谱图样本库,所述通信信号频谱图样本库包括多个通信信号频谱图样本,每个所述通信信号频谱图样本包括通信信号频谱图图像以及标签,所述标签包括无人机的名称和信号类型;
将所述通信信号频谱图样本库中每个通信信号频谱图转换为通信信号频谱灰度图;
定义一个[Fs×Tcapture]的恒定时间频率空间,将所述通信信号频谱图样本库对应的通信信号频谱灰度图置于该空间的中心,其中,Fs为采样频率,采集时长Tcapture=Np/Fs,Np为采集点的个数;
将所述频谱图样本库中占比为α的灰度图作为训练集输入所述神经网络进行训练,占比为1-α的灰度图作为测试集用于测试和验证所构建的所述神经网络,最终得到训练好的所述神经网络。
8.一种基于神经网络的无人机频射信号的识别系统,其特征在于,包括:
采集模块,用于采集目标无人机与其远程控制之间的射频信号数据;
转换模块,用于基于所述射频信号数据,确定所述目标无人机的通信信号频谱图;
识别模块,用于基于训练好的神经网络确定所述目标无人机的通信信号频谱图对应的目标通信模型;
反制模块,用于基于所述目标通信模型对所述目标无人机进行反制。
9.一种电子设备,包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现上述权利要求1至7中任一项所述的方法的步骤。
10.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质存储有机器可运行指令,所述机器可运行指令在被处理器调用和运行时,所述机器可运行指令促使所述处理器运行上述权利要求1至7中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311283588.1A CN117200932A (zh) | 2023-09-28 | 2023-09-28 | 基于神经网络的无人机频射信号的识别方法和系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311283588.1A CN117200932A (zh) | 2023-09-28 | 2023-09-28 | 基于神经网络的无人机频射信号的识别方法和系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117200932A true CN117200932A (zh) | 2023-12-08 |
Family
ID=88992390
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311283588.1A Pending CN117200932A (zh) | 2023-09-28 | 2023-09-28 | 基于神经网络的无人机频射信号的识别方法和系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117200932A (zh) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111669248A (zh) * | 2020-06-04 | 2020-09-15 | 上海特金无线技术有限公司 | 无人机信号压制方法、装置、电子设备与存储介质 |
CN111709329A (zh) * | 2020-05-31 | 2020-09-25 | 中国人民解放军63892部队 | 一种基于深度学习的无人机测控信号高速识别方法 |
CN111795611A (zh) * | 2020-05-20 | 2020-10-20 | 中南民族大学 | 一种低复杂度无人机调制方式盲识别及其反制方法、系统 |
WO2021103206A1 (zh) * | 2019-11-27 | 2021-06-03 | 南京邮电大学 | 基于机器学习算法的无线射频设备身份识别方法及系统 |
CN115270851A (zh) * | 2022-06-23 | 2022-11-01 | 西安电子科技大学 | 基于无人机通信信号数据增强的时频图谱重构方法 |
CN116361928A (zh) * | 2021-12-21 | 2023-06-30 | 新智我来网络科技有限公司 | 基于联合学习的设备检测方法及装置 |
-
2023
- 2023-09-28 CN CN202311283588.1A patent/CN117200932A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2021103206A1 (zh) * | 2019-11-27 | 2021-06-03 | 南京邮电大学 | 基于机器学习算法的无线射频设备身份识别方法及系统 |
CN111795611A (zh) * | 2020-05-20 | 2020-10-20 | 中南民族大学 | 一种低复杂度无人机调制方式盲识别及其反制方法、系统 |
CN111709329A (zh) * | 2020-05-31 | 2020-09-25 | 中国人民解放军63892部队 | 一种基于深度学习的无人机测控信号高速识别方法 |
CN111669248A (zh) * | 2020-06-04 | 2020-09-15 | 上海特金无线技术有限公司 | 无人机信号压制方法、装置、电子设备与存储介质 |
CN116361928A (zh) * | 2021-12-21 | 2023-06-30 | 新智我来网络科技有限公司 | 基于联合学习的设备检测方法及装置 |
CN115270851A (zh) * | 2022-06-23 | 2022-11-01 | 西安电子科技大学 | 基于无人机通信信号数据增强的时频图谱重构方法 |
Non-Patent Citations (4)
Title |
---|
周鑫等: "基于图像深度学习的无线电信号识别", 通信学报, 31 July 2019 (2019-07-31), pages 1 - 8 * |
蒋平;谢跃雷;: "基于飞控信号频谱特征的无人机检测与识别系统设计", 电子器件, no. 04, 20 August 2020 (2020-08-20) * |
陈唯实;黄毅峰;卢贤锋;: "多传感器融合的无人机探测技术应用综述", 现代雷达, no. 06, 25 June 2020 (2020-06-25) * |
陶珂等: "小波去噪质量评价方法的对比研究", 大地测量与地球动力学, 30 April 2012 (2012-04-30) * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109495214B (zh) | 基于一维Inception结构的信道编码类型识别方法 | |
CN110570433B (zh) | 基于生成对抗网络的图像语义分割模型构建方法和装置 | |
US20130216101A1 (en) | Efficient and fault tolerant license plate matching method | |
CN111428817A (zh) | 一种面向无线电信号识别对抗攻击的防御方法 | |
Li et al. | A deep convolutional network for multitype signal detection and classification in spectrogram | |
CN111310700A (zh) | 一种用于辐射源指纹特征识别的中频采样序列处理方法 | |
CN111121797B (zh) | 道路筛选方法、装置、服务器及存储介质 | |
CN112395941A (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 | |
CN111709884A (zh) | 车牌关键点矫正方法、系统、设备和存储介质 | |
CN115731422A (zh) | 多标签分类模型的训练方法、分类方法及装置 | |
CN111967449B (zh) | 文本检测方法、电子设备及计算机可读介质 | |
CN117200932A (zh) | 基于神经网络的无人机频射信号的识别方法和系统 | |
CN110728316A (zh) | 一种课堂行为检测方法、系统、装置和存储介质 | |
CN111104965A (zh) | 车辆目标识别的方法及装置 | |
CN115270851A (zh) | 基于无人机通信信号数据增强的时频图谱重构方法 | |
CN114841211A (zh) | 基于频域数据增强扩充的无人机时频图谱数据库构建方法 | |
CN112801960B (zh) | 图像处理方法及装置、存储介质、电子设备 | |
CN113688655B (zh) | 干扰信号的识别方法、装置、计算机设备和存储介质 | |
CN114757221A (zh) | 基于rf-dna指纹的物联网设备识别方法及系统 | |
CN114358096A (zh) | 一种基于逐级门限判决的深度学习摩尔斯码识别方法及装置 | |
CN109344836B (zh) | 一种文字识别方法和设备 | |
CN111951791A (zh) | 声纹识别模型训练方法、识别方法、电子设备及存储介质 | |
CN111581640A (zh) | 一种恶意软件检测方法、装置及设备、存储介质 | |
CN113093967A (zh) | 数据生成方法、装置、计算机装置及存储介质 | |
CN117496256B (zh) | 一种小样本电磁信号识别方法及装置 |
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 |