CN117527137B - 一种基于人工智能的干扰无人机通信的系统及方法 - Google Patents
一种基于人工智能的干扰无人机通信的系统及方法 Download PDFInfo
- Publication number
- CN117527137B CN117527137B CN202410019830.2A CN202410019830A CN117527137B CN 117527137 B CN117527137 B CN 117527137B CN 202410019830 A CN202410019830 A CN 202410019830A CN 117527137 B CN117527137 B CN 117527137B
- Authority
- CN
- China
- Prior art keywords
- unmanned aerial
- aerial vehicle
- attack
- neural network
- vehicle object
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 48
- 238000004891 communication Methods 0.000 title claims abstract description 40
- 238000013473 artificial intelligence Methods 0.000 title claims abstract description 31
- 230000002452 interceptive effect Effects 0.000 title claims abstract description 30
- 238000012545 processing Methods 0.000 claims abstract description 10
- 230000000007 visual effect Effects 0.000 claims abstract description 10
- 238000013527 convolutional neural network Methods 0.000 claims description 105
- 238000003384 imaging method Methods 0.000 claims description 23
- 238000010586 diagram Methods 0.000 description 10
- 230000008569 process Effects 0.000 description 10
- 238000004088 simulation Methods 0.000 description 8
- 238000013461 design Methods 0.000 description 5
- 230000007123 defense Effects 0.000 description 4
- 238000005192 partition Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 3
- RZVHIXYEVGDQDX-UHFFFAOYSA-N 9,10-anthraquinone Chemical compound C1=CC=C2C(=O)C3=CC=CC=C3C(=O)C2=C1 RZVHIXYEVGDQDX-UHFFFAOYSA-N 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 239000000470 constituent Substances 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 239000002699 waste material Substances 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000000903 blocking effect Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 230000009133 cooperative interaction Effects 0.000 description 1
- 238000005336 cracking Methods 0.000 description 1
- 230000006378 damage Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000005242 forging Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 230000000877 morphologic effect Effects 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 230000001105 regulatory effect Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04K—SECRET COMMUNICATION; JAMMING OF COMMUNICATION
- H04K3/00—Jamming of communication; Counter-measures
- H04K3/80—Jamming or countermeasure characterized by its function
- H04K3/82—Jamming or countermeasure characterized by its function related to preventing surveillance, interception or detection
- H04K3/825—Jamming or countermeasure characterized by its function related to preventing surveillance, interception or detection by jamming
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F41—WEAPONS
- F41H—ARMOUR; ARMOURED TURRETS; ARMOURED OR ARMED VEHICLES; MEANS OF ATTACK OR DEFENCE, e.g. CAMOUFLAGE, IN GENERAL
- F41H11/00—Defence installations; Defence devices
- F41H11/02—Anti-aircraft or anti-guided missile or anti-torpedo defence installations or systems
-
- 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
- G06N3/0464—Convolutional networks [CNN, ConvNet]
-
- 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
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04K—SECRET COMMUNICATION; JAMMING OF COMMUNICATION
- H04K3/00—Jamming of communication; Counter-measures
- H04K3/40—Jamming having variable characteristics
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04K—SECRET COMMUNICATION; JAMMING OF COMMUNICATION
- H04K3/00—Jamming of communication; Counter-measures
- H04K3/60—Jamming involving special techniques
- H04K3/65—Jamming involving special techniques using deceptive jamming or spoofing, e.g. transmission of false signals for premature triggering of RCIED, for forced connection or disconnection to/from a network or for generation of dummy target signal
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04K—SECRET COMMUNICATION; JAMMING OF COMMUNICATION
- H04K2203/00—Jamming of communication; Countermeasures
- H04K2203/10—Jamming or countermeasure used for a particular application
- H04K2203/22—Jamming or countermeasure used for a particular application for communication related to vehicles
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04K—SECRET COMMUNICATION; JAMMING OF COMMUNICATION
- H04K2203/00—Jamming of communication; Countermeasures
- H04K2203/10—Jamming or countermeasure used for a particular application
- H04K2203/24—Jamming or countermeasure used for a particular application for communication related to weapons
-
- 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
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Biophysics (AREA)
- Evolutionary Computation (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Software Systems (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Physics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Physics & Mathematics (AREA)
- Remote Sensing (AREA)
- Radar, Positioning & Navigation (AREA)
- Aviation & Aerospace Engineering (AREA)
- Control Of Position, Course, Altitude, Or Attitude Of Moving Bodies (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及一种基于人工智能的干扰无人机通信的系统及方法，属于无人机管控数据处理技术领域。所述系统包括：攻击判断器件，用于在智能解析某一无人机对象为攻击型无人机时，计算所述某一无人机对象的地面攻击范围；定位干扰器件，用于在无人机反制点落在某一无人机对象的地面攻击范内时，向无人机反制点的正上方空域无线发送包括虚假定位数据的干扰信号。所述方法与所述系统对应。通过本发明，能够基于各项可视化基础数据采用人工智能模型智能判断地面上方空域的各个无人机是否为攻击型无人机、以及为攻击型无人机时确定其攻击范围，并仅在地面处于某一攻击型无人机的攻击范围内时，方采用相应的反制措置，从而兼顾反制效果和功耗节省。
Description
技术领域
本发明涉及无人机管控数据处理技术领域，尤其涉及一种基于人工智能的干扰无人机通信的系统及方法。
背景技术
无人机管控一般采用无人机反制模式对设定的无人机，例如攻击型无人机，进行定向反制处理，以避免其出现在设定的空域内，保证设定的空域内的设备和人员的安全性。无人机反制系统的工作原理可以分为侦测与追踪、识别和分类、干扰和干涉、拦截和破坏等关键步骤。首先，无人机反制系统通过使用雷达、光电跟踪设备、无线电侦测设备等进行侦测，并获取无人机的位置和动态信息，从而能够及早发现无人机的存在，并提供准确的目标数据。接下来，无人机反制系统根据侦测到的信号和传感器数据，对无人机进行识别和分类。最后，通过分析无人机的形态特征、飞行模式和传输信号等信息，无人机反制系统能够区别无人机是否违规飞行至禁飞区域，并做出相应的响应和决策。
示例地，中国发明专利公开文本CN108737451A提出一种基于通信劫持的无人机攻击方法，所述方法包括：步骤1：采集无人机飞行控制指令信息以及无人机飞行状态信息；步骤2：分析无人机控制指令信息，检测通信指令是否进行加密，若无加密，转步骤4，若有，执行步骤3；步骤3：分析无人机的通信协议加密算法，对加密信息进行破解，若可破解，得出控制明文信息，转步骤4，若不可破解，转步骤5；步骤4:分析无人机控制信息格式及内容，结合无人机飞行状态信息进行对比，得出控制指令与无人机的飞行状态的映射关系，由无人机飞行控制指令格式为源伪造控制信息，并发送给无人机，转步骤6；步骤5：分析无人机的加密控制信息，构造大量控制指令数据包，阻塞通信链路，进行无人机干扰，结束；步骤6：执行对无人机的控制。
示例地，中国发明专利公开文本CN116401808A提出的一种基于ABMS的对地攻击无人机自主能力SEM评估方法，所述方法包括以下步骤：构建Agent仿真架构；建立进攻方Agent模型；建立防御方Agent模型；基于结构方程的自主能力评估方法。以对地攻击无人机执行对地打击任务为例，对基于ABMS和SEM的自主能力评估方法进行仿真验证，仿真结果表明：基于Agent的仿真方法具备一定的可扩展性和通用性，根据能力需求和作战想定变更或修改模块及其参数，相较于传统方法，能够表征复杂作战系统内部特性；基于SEM的自主能力评估方法能够反映自主能力因素之间的协同交互关系，表征自主能力的整体涌现性，符合作战任务实际。
然而，上述现有技术是根据攻击无人机的本身各项参数和各种配置进行飞行状态的调控以及攻击能力的评估，缺乏地面对攻击无人机的机型识别、各类参数的解析以及针对性反制措施的布置，例如，无法快速、有效地获得攻击无人机的飞行高度、攻击角度以及攻击范围，导致在无法有效应对攻击威胁的同时，地面需要进行持续地执行反制措施，进而形成地面防御系统大量功耗的浪费。
发明内容
为了解决现有技术中的技术问题，本发明提供了一种基于人工智能的干扰无人机通信的系统及方法，能够在可视化数据针对性辨识的基础上，获得可靠、全面的各项基础数据，并基于各项基础数据采用人工智能模型判断地面上方空域的各个无人机是否为攻击型无人机、以及为攻击型无人机时确定其攻击范围，以在地面处于某一攻击型无人机的攻击范围内时，方采用向上方空域中的各个无人机无线发送虚假定位的反制措置，从而在保证反制效果的同时尽量避免造成大量的反制功耗的浪费。
根据本发明的第一方面，提供了一种基于人工智能的干扰无人机通信的系统，所述系统包括：
第一捕获器件，设置在无人机反制点，用于采用俯拍模式获取所述无人机反制点的正上方空域的图像数据并作为定点俯拍图像输出；
第二捕获器件，设置在无人机反制点，用于无线下载各类攻击型无人机分别对应的各份基准外形数据，每一类型攻击型无人机对应的基准外形数据为采用不同视角分别对所述类型攻击型无人机的出厂状态下的单机进行成像所获得的仅仅包括单机的不同图案；
内容辨识器件，与所述第一捕获器件连接，用于基于无人机成像特征辨识接收到的定点俯拍图像中每一个无人机对象占据的图像分块以及每一个无人机对象对应的整体景深数值；
智能解析器件，分别与所述第一捕获器件、所述第二捕获器件以及所述内容辨识器件连接，用于针对每一个无人机对象执行以下智能解析操作：采用卷积神经网络模型根据所述无人机对象占据的图像分块的各个像素点分别对应的各个像素值和各个坐标数值、所述无人机对象对应的整体景深数值以及各类攻击型无人机分别对应的各份基准外形数据智能解析所述无人机对象的当前飞行高度、是否为攻击型无人机的机型标识以及攻击型无人机的机型编号；
攻击判断器件，与所述智能解析器件连接，用于在智能解析某一无人机对象为攻击型无人机时，根据智能解析的所述某一无人机对象对应的攻击型无人机的机型编号确定所述某一无人机对象对应的最大攻击角度，根据所述某一无人机对象的当前飞行高度以及所述某一无人机对象对应的最大攻击角度计算所述某一无人机对象的地面攻击范围；
定位干扰器件，与所述攻击判断器件连接，用于在所述无人机反制点的定位信息落在某一无人机对象的地面攻击范围内时，向无人机反制点的正上方空域无线发送包括虚假定位数据的干扰信号；
其中，所述虚假定位数据用于替换无人机反制点的正上方空域内各个无人机对象本体的真实定位数据以完成干扰处理；
其中，采用所述某一无人机对象的地面攻击范围的范围边沿的各个点分别对应的各个定位数据对所述某一无人机对象的地面攻击范围进行数值表示；
其中，所述卷积神经网络模型为完成固定数目的各次学习后的卷积神经网络，所述固定数目的取值与攻击型无人机的类型总数成正比，以及在固定数目的各次学习中，正向学习的次数与负向学习的次数相等。
根据本发明的第二方面，提供了一种基于人工智能的干扰无人机通信的方法，所述方法包括以下步骤：
在无人机反制点处采用俯拍模式获取所述无人机反制点的正上方空域的图像数据并作为定点俯拍图像输出；
无线下载各类攻击型无人机分别对应的各份基准外形数据，每一类型攻击型无人机对应的基准外形数据为采用不同视角分别对所述类型攻击型无人机的出厂状态下的单机进行成像所获得的仅仅包括单机的不同图案；
基于无人机成像特征辨识接收到的定点俯拍图像中每一个无人机对象占据的图像分块以及每一个无人机对象对应的整体景深数值；
针对每一个无人机对象执行以下智能解析操作：采用卷积神经网络模型根据所述无人机对象占据的图像分块的各个像素点分别对应的各个像素值和各个坐标数值、所述无人机对象对应的整体景深数值以及各类攻击型无人机分别对应的各份基准外形数据智能解析所述无人机对象的当前飞行高度、是否为攻击型无人机的机型标识以及攻击型无人机的机型编号；
在智能解析某一无人机对象为攻击型无人机时，根据智能解析的所述某一无人机对象对应的攻击型无人机的机型编号确定所述某一无人机对象对应的最大攻击角度，根据所述某一无人机对象的当前飞行高度以及所述某一无人机对象对应的最大攻击角度计算所述某一无人机对象的地面攻击范围；
在所述无人机反制点的定位信息落在某一无人机对象的地面攻击范围内时，向无人机反制点的正上方空域无线发送包括虚假定位数据的干扰信号；
其中，所述虚假定位数据用于替换无人机反制点的正上方空域内各个无人机对象本体的真实定位数据以完成干扰处理；
其中，采用所述某一无人机对象的地面攻击范围的范围边沿的各个点分别对应的各个定位数据对所述某一无人机对象的地面攻击范围进行数值表示；
其中，所述卷积神经网络模型为完成固定数目的各次学习后的卷积神经网络，所述固定数目的取值与攻击型无人机的类型总数成正比，以及在固定数目的各次学习中，正向学习的次数与负向学习的次数相等。
因此，本发明至少具备以下几处重要的有益效果：
一、在设定的无人机反制点处，采用人工智能模型智能解析其正上方空域是否存在攻击型无人机，在存在攻击型无人机时，判断设定的无人机反制点是否落在攻击型无人机的攻击范围内，并在判断落在攻击型无人机的攻击范围时，向设定的无人机反制点的正上方空域中的各个无人机无线发送虚假定位以达到干扰目的，从而实现对攻击型无人机的定向反制，提升了各处无人机反制点的安全性；
二、为人工智能模型的智能解析筛选针对性的各项基础数据，所述各项基础数据包括无人机对象在空域俯拍图像中占据的图像分块的各个像素点分别对应的各个像素值和各个坐标数值、无人机对象对应的整体景深数值以及各类攻击型无人机分别对应的各份基准外形数据，从而保证了智能解析的有效性；
三、采用的人工智能模型为完成固定数目的各次学习后的卷积神经网络，所述固定数目的取值与攻击型无人机的类型总数成正比，以及在固定数目的各次学习中，正向学习的次数与负向学习的次数相等，从而实现人工智能模型的定制化设计；
四、根据无人机对象的当前飞行高度以及无人机对象对应的最大攻击角度计算无人机对象的地面攻击范围，并仅仅在设定的无人机反制点的定位信息落在某一无人机对象的地面攻击范围内时，向无人机反制点的正上方空域无线发送包括虚假定位数据的干扰信号，从而在避免不停发送干扰信号以节省功耗的同时保证了攻击型无人机的定向反制效果。
附图说明
以下将结合附图对本发明的实施例进行描述，其中：
图1为根据本发明的基于人工智能的干扰无人机通信的系统及方法的技术流程图。
图2为根据本发明的第一实施例示出的基于人工智能的干扰无人机通信的系统的结构示意图。
图3为根据本发明的第二实施例示出的基于人工智能的干扰无人机通信的系统的结构示意图。
图4为根据本发明的第三实施例示出的基于人工智能的干扰无人机通信的系统的结构示意图。
图5为根据本发明的第四实施例示出的基于人工智能的干扰无人机通信的系统的结构示意图。
具体实施方式
如图1所示，给出了根据本发明示出的基于人工智能的干扰无人机通信的系统及方法的技术流程图。
如图1所示，本发明的具体的技术流程如下：
技术流程一：设计用于智能解析无人机反制点正上方空域中无人机对象的当前飞行高度、是否为攻击型无人机的属性以及攻击型无人机编号的卷积神经网络模型；
示例地，所述卷积神经网络模型为完成固定数目的各次学习后的卷积神经网络，所述固定数目的取值与攻击型无人机的类型总数成正比，以及在固定数目的各次学习中，正向学习的次数与负向学习的次数相等，从而实现人工智能模型的定制化设计；
技术流程二：为所述卷积神经网络模型的智能解析筛选针对性的各项基础数据，所述各项基础数据包括无人机对象在空域俯拍图像中占据的图像分块的各个像素点分别对应的各个像素值和各个坐标数值、无人机对象对应的整体景深数值以及各类攻击型无人机分别对应的各份基准外形数据，从而保证了智能解析的有效性；
如图1所示，无人机对象在空域俯拍图像中占据的图像分块的各个像素点分别对应的各个像素值和各个坐标数值、无人机对象对应的整体景深数值为视觉关联数据，作为筛选出来的部分基础数据提供给所述卷积神经网络模型；
以及如图1所示，采用设置在无人机反制点处的俯拍器件，用于采用俯拍取模式获得所述无人机反制点的正上方空域的图像数据并作为定点俯拍图像输出，从而为后续的视觉关联数据的获取提供基础信息；
技术流程三：采用技术流程一设计的卷积神经网络模型基于技术流程二筛选出来的各项基础数据智能解析无人机反制点正上方空域中无人机对象的当前飞行高度、是否为攻击型无人机的属性以及攻击型无人机编号，并在确定无人机反制点正上方空域中无人机对象为攻击型无人机时，基于攻击型无人机编号确定攻击型无人机编号对应的攻击型无人机类型的最大攻击角度，以作为无人机对象对应的最大攻击角度；
如图1所示，卷积神经网络模型智能解析出来的智能解析数据包括无人机反制点正上方空域中无人机对象的当前飞行高度、是否为攻击型无人机的属性以及攻击型无人机编号；
技术流程四：根据无人机对象的当前飞行高度以及无人机对象对应的最大攻击角度计算无人机对象的地面攻击范围，并仅仅在设定的无人机反制点的定位信息落在无人机对象的地面攻击范围内时，向无人机反制点的正上方空域无线发送包括虚假定位数据的干扰信号；
如图1所示，通过攻击判断器件来执行根据无人机对象的当前飞行高度以及无人机对象对应的最大攻击角度计算无人机对象的地面攻击范围的计算操作；
示例地，在虚假定位数据的设计方面，通过无人机反制点的定位数据与虚假定位数据二者分别对应的两处地理位置的直接距离超过或者等于设定长度阈值的设置，为所述定位干扰器件提供虚假定位数据，以将足够虚假的定位数据发送给攻击型无人机，完成对攻击型无人机的定位欺骗；
由此可见，通过上述技术流程，在避免不停发送干扰信号以节省功耗的同时保证了攻击型无人机的定向反制效果。
本发明的关键点在于：卷积神经网络模型的针对性结构设计以及针对性的正反训练机制、用于智能解析的各项基础数据的筛选、无人机对象的地面攻击范围的计算以及虚假定位数据的定制化设计。
下面，将对本发明的基于人工智能的干扰无人机通信的系统及方法以实施例的方式进行具体说明。
第一实施例
图2为根据本发明的第一实施例示出的基于人工智能的干扰无人机通信的系统的结构示意图。
如图2所示，所述基于人工智能的干扰无人机通信的系统包括以下部件：
第一捕获器件，设置在无人机反制点，用于采用俯拍取模式获得所述无人机反制点的正上方空域的图像数据并作为定点俯拍图像输出；
示例地，可以采用俯拍镜头以及图像传感器协作以完成采用俯拍取模式获得所述无人机反制点的正上方空域的图像数据并作为定点俯拍图像输出的成像处理；
具体地，所述图像传感器可以为CMOS传感器或者CCD传感器，所述俯拍镜头可以在角度驱动单元的驱动下完成俯拍成像视角的设置；
第二捕获器件，设置在无人机反制点，用于无线下载各类攻击型无人机分别对应的各份基准外形数据，每一类型攻击型无人机对应的基准外形数据为采用不同视角分别对所述类型攻击型无人机的出厂状态下的单机进行成像所获得的仅仅包括单机的不同图案；
例如，无线下载各类攻击型无人机分别对应的各份基准外形数据，每一类型攻击型无人机对应的基准外形数据为采用不同视角分别对所述类型攻击型无人机的出厂状态下的单机进行成像所获得的仅仅包括单机的不同图案包括：通过频分双工通信链路或者时分双工通信链路无线下载各类攻击型无人机分别对应的各份基准外形数据，每一类型攻击型无人机对应的基准外形数据为采用不同视角分别对所述类型攻击型无人机的出厂状态下的单机进行成像所获得的仅仅包括单机的不同图案；
示例地，可以从远端的大数据服务器处无线下载各类攻击型无人机分别对应的各份基准外形数据；
内容辨识器件，与所述第一捕获器件连接，用于基于无人机成像特征辨识接收到的定点俯拍图像中每一个无人机对象占据的图像分块以及每一个无人机对象对应的整体景深数值；
具体地，可以基于每一个无人机对象占据的图像分块的各个构成像素点分别对应的各个景深数值确定每一个无人机对象对应的整体景深数值；
智能解析器件，分别与所述第一捕获器件、所述第二捕获器件以及所述内容辨识器件连接，用于针对每一个无人机对象执行以下智能解析操作：采用卷积神经网络模型根据所述无人机对象占据的图像分块的各个像素点分别对应的各个像素值和各个坐标数值、所述无人机对象对应的整体景深数值以及各类攻击型无人机分别对应的各份基准外形数据智能解析所述无人机对象的当前飞行高度、是否为攻击型无人机的机型标识以及攻击型无人机的机型编号；
示例地，采用卷积神经网络模型根据所述无人机对象占据的图像分块的各个像素点分别对应的各个像素值和各个坐标数值、所述无人机对象对应的整体景深数值以及各类攻击型无人机分别对应的各份基准外形数据智能解析所述无人机对象的当前飞行高度、是否为攻击型无人机的机型标识以及攻击型无人机的机型编号包括：可以选择使用MATLAB工具箱完成采用卷积神经网络模型根据所述无人机对象占据的图像分块的各个像素点分别对应的各个像素值和各个坐标数值、所述无人机对象对应的整体景深数值以及各类攻击型无人机分别对应的各份基准外形数据智能解析所述无人机对象的当前飞行高度、是否为攻击型无人机的机型标识以及攻击型无人机的机型编号的数值处理过程；
攻击判断器件，与所述智能解析器件连接，用于在智能解析某一无人机对象为攻击型无人机时，根据智能解析的所述某一无人机对象对应的攻击型无人机的机型编号确定所述某一无人机对象对应的最大攻击角度，根据所述某一无人机对象的当前飞行高度以及所述某一无人机对象对应的最大攻击角度计算所述某一无人机对象的地面攻击范围；
定位干扰器件，与所述攻击判断器件连接，用于在所述无人机反制点的定位信息落在某一无人机对象的地面攻击范围内时，向无人机反制点的正上方空域无线发送包括虚假定位数据的干扰信号；
示例地，所述无人机反制点的定位信息可以为所述无人机反制点的GPS定位信息、所述无人机反制点的伽利略定位信息或者所述无人机反制点的北斗星定位信息中的一种；
其中，所述虚假定位数据用于替换无人机反制点的正上方空域内各个无人机对象本体的真实定位数据以完成干扰处理；
其中，采用所述某一无人机对象的地面攻击范围的范围边沿的各个点分别对应的各个定位数据对所述某一无人机对象的地面攻击范围进行数值表示；
其中，所述卷积神经网络模型为完成固定数目的各次学习后的卷积神经网络，所述固定数目的取值与攻击型无人机的类型总数成正比，以及在固定数目的各次学习中，正向学习的次数与负向学习的次数相等；
示例地，所述固定数目的取值与攻击型无人机的类型总数成正比，以及在固定数目的各次学习中，正向学习的次数与负向学习的次数相等包括：攻击型无人机的类型总数为20，所述固定数目的取值为80，正向学习的次数与负向学习的次数均为40，攻击型无人机的类型总数为30，所述固定数目的取值为120，正向学习的次数与负向学习的次数均为60，攻击型无人机的类型总数为40，所述固定数目的取值为160，正向学习的次数与负向学习的次数均为80；
其中，采用卷积神经网络模型根据所述无人机对象占据的图像分块的各个像素点分别对应的各个像素值和各个坐标数值、所述无人机对象对应的整体景深数值以及各类攻击型无人机分别对应的各份基准外形数据智能解析所述无人机对象的当前飞行高度、是否为攻击型无人机的机型标识以及攻击型无人机的机型编号包括：在智能解析获得的是否为攻击型无人机的机型标识为0B01时，代表所述无人机对象为攻击型无人机；
以及其中，采用卷积神经网络模型根据所述无人机对象占据的图像分块的各个像素点分别对应的各个像素值和各个坐标数值、所述无人机对象对应的整体景深数值以及各类攻击型无人机分别对应的各份基准外形数据智能解析所述无人机对象的当前飞行高度、是否为攻击型无人机的机型标识以及攻击型无人机的机型编号还包括：在智能解析获得的是否为攻击型无人机的机型标识为0B00时，代表所述无人机对象为非攻击型无人机，智能解析获得的攻击型无人机的机型编号为默认数值零。
第二实施例
图3为根据本发明的第二实施例示出的基于人工智能的干扰无人机通信的系统的结构示意图。
如图3所示，与图2中的实施例不同，所述基于人工智能的干扰无人机通信的系统还包括以下部件：
学习执行器件，与所述智能解析器件连接，用于对卷积神经网络执行固定数目的各次学习，并将完成固定数目的各次学习后的卷积神经网络作为卷积神经网络模型发送给所述智能解析器件，以及在固定数目的各次学习中，正向学习的次数与负向学习的次数相等；
示例地，可以选择采用可编程逻辑器件来实现所述学习执行器件，所述可编程逻辑器件可以为FPGA器件、CPLD器件或者GAL器件；
其中，对卷积神经网络执行固定数目的各次学习，并将完成固定数目的各次学习后的卷积神经网络作为卷积神经网络模型发送给所述智能解析器件，以及在固定数目的各次学习中，正向学习的次数与负向学习的次数相等包括：在对卷积神经网络执行的每一次正向学习中，将已知属于攻击型无人机的单个无人机对象的当前飞行高度、为攻击型无人机的机型标识以及对应的攻击型无人机的机型编号作为卷积神经网络的逐项输出数据，将所述单个无人机对象占据的图像分块的各个像素点分别对应的各个像素值和各个坐标数值、所述单个无人机对象对应的整体景深数值以及各类攻击型无人机分别对应的各份基准外形数据作为卷积神经网络的逐项输入数据；
其中，对卷积神经网络执行固定数目的各次学习，并将完成固定数目的各次学习后的卷积神经网络作为卷积神经网络模型发送给所述智能解析器件，以及在固定数目的各次学习中，正向学习的次数与负向学习的次数相等还包括：在对卷积神经网络执行的每一次负向学习中，将已知不属于攻击型无人机的单个无人机对象的当前飞行高度、不是攻击型无人机的机型标识以及取值为零的机型编号作为卷积神经网络的逐项输出数据，将所述单个无人机对象占据的图像分块的各个像素点分别对应的各个像素值和各个坐标数值、所述单个无人机对象对应的整体景深数值以及各类攻击型无人机分别对应的各份基准外形数据作为卷积神经网络的逐项输入数据。
第三实施例
图4为根据本发明的第三实施例示出的基于人工智能的干扰无人机通信的系统的结构示意图。
如图4所示，与图2中的实施例不同，所述基于人工智能的干扰无人机通信的系统还包括以下部件：
无线报警器件，分别与所述第一捕获器件以及所述定位干扰器件连接，用于在所述无人机反制点的定位信息落在某一无人机对象的地面攻击范围内时，通过无线通信链路向远端的应急防御服务器提供定点俯拍图像；
示例地，在所述无人机反制点的定位信息落在某一无人机对象的地面攻击范围内时，通过无线通信链路向远端的应急防御服务器提供定点俯拍图像包括：所述应急防御服务器可以为云计算服务器、区块链服务器或者大数据服务器。
第四实施例
图5为根据本发明的第四实施例示出的基于人工智能的干扰无人机通信的系统的结构示意图。
如图5所示，与图2中的实施例不同，所述基于人工智能的干扰无人机通信的系统还包括以下部件：
实时定位器件，与所述定位干扰器件连接，用于为所述定位干扰器件提供无人机反制点的定位数据，以及为所述定位干扰器件提供虚假定位数据；
其中，为所述定位干扰器件提供无人机反制点的定位数据，以及为所述定位干扰器件提供虚假定位数据包括：无人机反制点的定位数据与虚假定位数据二者分别对应的两处地理位置的直接距离超过或者等于设定长度阈值；
具体地，通过无人机反制点的定位数据与虚假定位数据二者分别对应的两处地理位置的直接距离超过或者等于设定长度阈值的设置，为所述定位干扰器件提供虚假定位数据，以将足够虚假的定位数据发送给攻击型无人机，完成对攻击型无人机的定位欺骗。
第五实施例
与图2中的实施例不同,根据本发明的第五实施例示出的基于人工智能的干扰无人机通信的系统还包括以下部件：
特征存储器件，与所述内容辨识器件连接，用于预先存储无人机成像特征；
示例地，所述特征存储器件可以为FLASH存储器件、MMC存储器件或者TF存储器件中的一种；
其中，预先存储无人机成像特征包括：所述无人机成像特征为各类无人机的标准外形轮廓。
接着，继续对本发明的各个实施例进行详细的描述。
在根据本发明各个实施例的基于人工智能的干扰无人机通信的系统中：
采用卷积神经网络模型根据所述无人机对象占据的图像分块的各个像素点分别对应的各个像素值和各个坐标数值、所述无人机对象对应的整体景深数值以及各类攻击型无人机分别对应的各份基准外形数据智能解析所述无人机对象的当前飞行高度、是否为攻击型无人机的机型标识以及攻击型无人机的机型编号还包括：将所述无人机对象占据的图像分块的各个像素点分别对应的各个像素值和各个坐标数值、所述无人机对象对应的整体景深数值以及各类攻击型无人机分别对应的各份基准外形数据作为卷积神经网络模型的逐项输入数据；
其中，采用卷积神经网络模型根据所述无人机对象占据的图像分块的各个像素点分别对应的各个像素值和各个坐标数值、所述无人机对象对应的整体景深数值以及各类攻击型无人机分别对应的各份基准外形数据智能解析所述无人机对象的当前飞行高度、是否为攻击型无人机的机型标识以及攻击型无人机的机型编号还包括：运行所述卷积神经网络模型以获得其输出的所述无人机对象的当前飞行高度、是否为攻击型无人机的机型标识以及攻击型无人机的机型编号；
示例地，运行所述卷积神经网络模型以获得其输出的所述无人机对象的当前飞行高度、是否为攻击型无人机的机型标识以及攻击型无人机的机型编号包括：所述卷积神经网络模型输出的攻击型无人机的机型编号为二进制编码的表示形式。
以及在根据本发明各个实施例的基于人工智能的干扰无人机通信的系统中：
采用卷积神经网络模型根据所述无人机对象占据的图像分块的各个像素点分别对应的各个像素值和各个坐标数值、所述无人机对象对应的整体景深数值以及各类攻击型无人机分别对应的各份基准外形数据智能解析所述无人机对象的当前飞行高度、是否为攻击型无人机的机型标识以及攻击型无人机的机型编号还包括：所述无人机对象占据的图像分块的各个像素点分别对应的各个坐标数值包括所述无人机对象占据的图像分块的各个像素点分别对应的各个水平坐标数值以及所述无人机对象占据的图像分块的各个像素点分别对应的各个垂直坐标数值。
第六实施例
根据本发明的第六实施例示出的基于人工智能的干扰无人机通信的方法包括以下步骤：
S601：在无人机反制点处采用俯拍模式获取所述无人机反制点的正上方空域的图像数据并作为定点俯拍图像输出；
示例地，可以采用俯拍镜头以及图像传感器协作以完成采用俯拍取模式获得所述无人机反制点的正上方空域的图像数据并作为定点俯拍图像输出的成像处理；
具体地，所述图像传感器可以为CMOS传感器或者CCD传感器，所述俯拍镜头可以在角度驱动单元的驱动下完成俯拍成像视角的设置；
S602：无线下载各类攻击型无人机分别对应的各份基准外形数据，每一类型攻击型无人机对应的基准外形数据为采用不同视角分别对所述类型攻击型无人机的出厂状态下的单机进行成像所获得的仅仅包括单机的不同图案；
例如，无线下载各类攻击型无人机分别对应的各份基准外形数据，每一类型攻击型无人机对应的基准外形数据为采用不同视角分别对所述类型攻击型无人机的出厂状态下的单机进行成像所获得的仅仅包括单机的不同图案包括：通过频分双工通信链路或者时分双工通信链路无线下载各类攻击型无人机分别对应的各份基准外形数据，每一类型攻击型无人机对应的基准外形数据为采用不同视角分别对所述类型攻击型无人机的出厂状态下的单机进行成像所获得的仅仅包括单机的不同图案；
示例地，可以从远端的大数据服务器处无线下载各类攻击型无人机分别对应的各份基准外形数据；
S603：基于无人机成像特征辨识接收到的定点俯拍图像中每一个无人机对象占据的图像分块以及每一个无人机对象对应的整体景深数值；
具体地，可以基于每一个无人机对象占据的图像分块的各个构成像素点分别对应的各个景深数值确定每一个无人机对象对应的整体景深数值；
S604：针对每一个无人机对象执行以下智能解析操作：采用卷积神经网络模型根据所述无人机对象占据的图像分块的各个像素点分别对应的各个像素值和各个坐标数值、所述无人机对象对应的整体景深数值以及各类攻击型无人机分别对应的各份基准外形数据智能解析所述无人机对象的当前飞行高度、是否为攻击型无人机的机型标识以及攻击型无人机的机型编号；
示例地，采用卷积神经网络模型根据所述无人机对象占据的图像分块的各个像素点分别对应的各个像素值和各个坐标数值、所述无人机对象对应的整体景深数值以及各类攻击型无人机分别对应的各份基准外形数据智能解析所述无人机对象的当前飞行高度、是否为攻击型无人机的机型标识以及攻击型无人机的机型编号包括：可以选择使用MATLAB工具箱完成采用卷积神经网络模型根据所述无人机对象占据的图像分块的各个像素点分别对应的各个像素值和各个坐标数值、所述无人机对象对应的整体景深数值以及各类攻击型无人机分别对应的各份基准外形数据智能解析所述无人机对象的当前飞行高度、是否为攻击型无人机的机型标识以及攻击型无人机的机型编号的数值处理过程；
S605：在智能解析某一无人机对象为攻击型无人机时，根据智能解析的所述某一无人机对象对应的攻击型无人机的机型编号确定所述某一无人机对象对应的最大攻击角度，根据所述某一无人机对象的当前飞行高度以及所述某一无人机对象对应的最大攻击角度计算所述某一无人机对象的地面攻击范围；
S606：在所述无人机反制点的定位信息落在某一无人机对象的地面攻击范围内时，向无人机反制点的正上方空域无线发送包括虚假定位数据的干扰信号；
示例地，所述无人机反制点的定位信息可以为所述无人机反制点的GPS定位信息、所述无人机反制点的伽利略定位信息或者所述无人机反制点的北斗星定位信息中的一种；
其中，所述虚假定位数据用于替换无人机反制点的正上方空域内各个无人机对象本体的真实定位数据以完成干扰处理；
其中，采用所述某一无人机对象的地面攻击范围的范围边沿的各个点分别对应的各个定位数据对所述某一无人机对象的地面攻击范围进行数值表示；
其中，所述卷积神经网络模型为完成固定数目的各次学习后的卷积神经网络，所述固定数目的取值与攻击型无人机的类型总数成正比，以及在固定数目的各次学习中，正向学习的次数与负向学习的次数相等；
示例地，所述固定数目的取值与攻击型无人机的类型总数成正比，以及在固定数目的各次学习中，正向学习的次数与负向学习的次数相等包括：攻击型无人机的类型总数为20，所述固定数目的取值为80，正向学习的次数与负向学习的次数均为40，攻击型无人机的类型总数为30，所述固定数目的取值为120，正向学习的次数与负向学习的次数均为60，攻击型无人机的类型总数为40，所述固定数目的取值为160，正向学习的次数与负向学习的次数均为80；
其中，采用卷积神经网络模型根据所述无人机对象占据的图像分块的各个像素点分别对应的各个像素值和各个坐标数值、所述无人机对象对应的整体景深数值以及各类攻击型无人机分别对应的各份基准外形数据智能解析所述无人机对象的当前飞行高度、是否为攻击型无人机的机型标识以及攻击型无人机的机型编号包括：在智能解析获得的是否为攻击型无人机的机型标识为0B01时，代表所述无人机对象为攻击型无人机；
以及其中，采用卷积神经网络模型根据所述无人机对象占据的图像分块的各个像素点分别对应的各个像素值和各个坐标数值、所述无人机对象对应的整体景深数值以及各类攻击型无人机分别对应的各份基准外形数据智能解析所述无人机对象的当前飞行高度、是否为攻击型无人机的机型标识以及攻击型无人机的机型编号还包括：在智能解析获得的是否为攻击型无人机的机型标识为0B00时，代表所述无人机对象为非攻击型无人机，智能解析获得的攻击型无人机的机型编号为默认数值零。
另外，本发明还可以引用以下几处技术内容以进一步显现本发明的突出的实质性特点：
在对卷积神经网络执行的每一次正向学习中，将已知属于攻击型无人机的单个无人机对象的当前飞行高度、为攻击型无人机的机型标识以及对应的攻击型无人机的机型编号作为卷积神经网络的逐项输出数据，将所述单个无人机对象占据的图像分块的各个像素点分别对应的各个像素值和各个坐标数值、所述单个无人机对象对应的整体景深数值以及各类攻击型无人机分别对应的各份基准外形数据作为卷积神经网络的逐项输入数据包括：选择使用数值仿真模式完成对卷积神经网络执行的每一次正向学习的测试和仿真；
其中，在对卷积神经网络执行的每一次负向学习中，将已知不属于攻击型无人机的单个无人机对象的当前飞行高度、不是攻击型无人机的机型标识以及取值为零的机型编号作为卷积神经网络的逐项输出数据，将所述单个无人机对象占据的图像分块的各个像素点分别对应的各个像素值和各个坐标数值、所述单个无人机对象对应的整体景深数值以及各类攻击型无人机分别对应的各份基准外形数据作为卷积神经网络的逐项输入数据包括：选择使用数值仿真模式完成对卷积神经网络执行的每一次负向学习的测试和仿真。
出于说明和介绍目的，在前面已经提供了本发明的示意性实施例的说明。这里不打算穷尽本发明或者将本发明限于公开的精确形式。显然地，许多改进和变化对本领域的技术人员将变得显而易见。选择并介绍示意性实施例以便最好地解释本发明的原理和它的实际应用，由此使其它本领域技术人员能够理解本发明的各种实施例，并且各种修改的例子同样适用于所构想的特殊应用。本发明的范围由下面的权利要求及其等同物来限定。
Claims (4)
1.一种基于人工智能的干扰无人机通信的系统，其特征在于，所述系统包括：
第一捕获器件，设置在无人机反制点，用于采用俯拍模式获得所述无人机反制点的正上方空域的图像数据并作为定点俯拍图像输出；
第二捕获器件，设置在无人机反制点，用于无线下载各类攻击型无人机分别对应的各份基准外形数据，每一类型攻击型无人机对应的基准外形数据为采用不同视角分别对所述类型攻击型无人机的出厂状态下的单机进行成像所获得的仅仅包括单机的不同图案；
内容辨识器件，与所述第一捕获器件连接，用于基于无人机成像特征辨识接收到的定点俯拍图像中每一个无人机对象占据的图像分块以及每一个无人机对象对应的整体景深数值；
智能解析器件，分别与所述第一捕获器件、所述第二捕获器件以及所述内容辨识器件连接，用于针对每一个无人机对象执行以下智能解析操作：采用卷积神经网络模型根据所述无人机对象占据的图像分块的各个像素点分别对应的各个像素值和各个坐标数值、所述无人机对象对应的整体景深数值以及各类攻击型无人机分别对应的各份基准外形数据智能解析所述无人机对象的当前飞行高度、是否为攻击型无人机的机型标识以及攻击型无人机的机型编号；
攻击判断器件，与所述智能解析器件连接，用于在智能解析某一无人机对象为攻击型无人机时，根据智能解析的所述某一无人机对象对应的攻击型无人机的机型编号确定所述某一无人机对象对应的最大攻击角度，根据所述某一无人机对象的当前飞行高度以及所述某一无人机对象对应的最大攻击角度计算所述某一无人机对象的地面攻击范围；
定位干扰器件，与所述攻击判断器件连接，用于在所述无人机反制点的定位信息落在某一无人机对象的地面攻击范围内时，向无人机反制点的正上方空域无线发送包括虚假定位数据的干扰信号；
学习执行器件，与所述智能解析器件连接，用于对卷积神经网络执行固定数目的各次学习，并将完成固定数目的各次学习后的卷积神经网络作为卷积神经网络模型发送给所述智能解析器件，以及在固定数目的各次学习中，正向学习的次数与负向学习的次数相等；
其中，所述虚假定位数据用于替换无人机反制点的正上方空域内各个无人机对象本体的真实定位数据以完成干扰处理；
其中，采用所述某一无人机对象的地面攻击范围的范围边沿的各个点分别对应的各个定位数据对所述某一无人机对象的地面攻击范围进行数值表示；
其中，所述卷积神经网络模型为完成固定数目的各次学习后的卷积神经网络，所述固定数目的取值与攻击型无人机的类型总数成正比，以及在固定数目的各次学习中，正向学习的次数与负向学习的次数相等；
其中，采用卷积神经网络模型根据所述无人机对象占据的图像分块的各个像素点分别对应的各个像素值和各个坐标数值、所述无人机对象对应的整体景深数值以及各类攻击型无人机分别对应的各份基准外形数据智能解析所述无人机对象的当前飞行高度、是否为攻击型无人机的机型标识以及攻击型无人机的机型编号包括：在智能解析获得的是否为攻击型无人机的机型标识为0B01时，代表所述无人机对象为攻击型无人机，在智能解析获得的是否为攻击型无人机的机型标识为0B00时，代表所述无人机对象为非攻击型无人机，智能解析获得的攻击型无人机的机型编号为默认数值零；
其中，对卷积神经网络执行固定数目的各次学习，并将完成固定数目的各次学习后的卷积神经网络作为卷积神经网络模型发送给所述智能解析器件，以及在固定数目的各次学习中，正向学习的次数与负向学习的次数相等包括：在对卷积神经网络执行的每一次正向学习中，将已知属于攻击型无人机的单个无人机对象的当前飞行高度、为攻击型无人机的机型标识以及对应的攻击型无人机的机型编号作为卷积神经网络的逐项输出数据，将所述单个无人机对象占据的图像分块的各个像素点分别对应的各个像素值和各个坐标数值、所述单个无人机对象对应的整体景深数值以及各类攻击型无人机分别对应的各份基准外形数据作为卷积神经网络的逐项输入数据；
其中，对卷积神经网络执行固定数目的各次学习，并将完成固定数目的各次学习后的卷积神经网络作为卷积神经网络模型发送给所述智能解析器件，以及在固定数目的各次学习中，正向学习的次数与负向学习的次数相等还包括：在对卷积神经网络执行的每一次负向学习中，将已知不属于攻击型无人机的单个无人机对象的当前飞行高度、不是攻击型无人机的机型标识以及取值为零的机型编号作为卷积神经网络的逐项输出数据，将所述单个无人机对象占据的图像分块的各个像素点分别对应的各个像素值和各个坐标数值、所述单个无人机对象对应的整体景深数值以及各类攻击型无人机分别对应的各份基准外形数据作为卷积神经网络的逐项输入数据；
其中，采用卷积神经网络模型根据所述无人机对象占据的图像分块的各个像素点分别对应的各个像素值和各个坐标数值、所述无人机对象对应的整体景深数值以及各类攻击型无人机分别对应的各份基准外形数据智能解析所述无人机对象的当前飞行高度、是否为攻击型无人机的机型标识以及攻击型无人机的机型编号还包括：所述无人机对象占据的图像分块的各个像素点分别对应的各个坐标数值包括所述无人机对象占据的图像分块的各个像素点分别对应的各个水平坐标数值以及所述无人机对象占据的图像分块的各个像素点分别对应的各个垂直坐标数值。
2.如权利要求1所述的基于人工智能的干扰无人机通信的系统，其特征在于：
采用卷积神经网络模型根据所述无人机对象占据的图像分块的各个像素点分别对应的各个像素值和各个坐标数值、所述无人机对象对应的整体景深数值以及各类攻击型无人机分别对应的各份基准外形数据智能解析所述无人机对象的当前飞行高度、是否为攻击型无人机的机型标识以及攻击型无人机的机型编号还包括：将所述无人机对象占据的图像分块的各个像素点分别对应的各个像素值和各个坐标数值、所述无人机对象对应的整体景深数值以及各类攻击型无人机分别对应的各份基准外形数据作为卷积神经网络模型的逐项输入数据。
3.如权利要求2所述的基于人工智能的干扰无人机通信的系统，其特征在于：
采用卷积神经网络模型根据所述无人机对象占据的图像分块的各个像素点分别对应的各个像素值和各个坐标数值、所述无人机对象对应的整体景深数值以及各类攻击型无人机分别对应的各份基准外形数据智能解析所述无人机对象的当前飞行高度、是否为攻击型无人机的机型标识以及攻击型无人机的机型编号还包括：运行所述卷积神经网络模型以获得其输出的所述无人机对象的当前飞行高度、是否为攻击型无人机的机型标识以及攻击型无人机的机型编号。
4.一种基于人工智能的干扰无人机通信的方法，其特征在于，所述方法包括：
在无人机反制点处采用俯拍模式获取所述无人机反制点的正上方空域的图像数据并作为定点俯拍图像输出；
无线下载各类攻击型无人机分别对应的各份基准外形数据，每一类型攻击型无人机对应的基准外形数据为采用不同视角分别对所述类型攻击型无人机的出厂状态下的单机进行成像所获得的仅仅包括单机的不同图案；
基于无人机成像特征辨识接收到的定点俯拍图像中每一个无人机对象占据的图像分块以及每一个无人机对象对应的整体景深数值；
对卷积神经网络执行固定数目的各次学习，并将完成固定数目的各次学习后的卷积神经网络作为卷积神经网络模型，以及在固定数目的各次学习中，正向学习的次数与负向学习的次数相等；
针对每一个无人机对象执行以下智能解析操作：采用卷积神经网络模型根据所述无人机对象占据的图像分块的各个像素点分别对应的各个像素值和各个坐标数值、所述无人机对象对应的整体景深数值以及各类攻击型无人机分别对应的各份基准外形数据智能解析所述无人机对象的当前飞行高度、是否为攻击型无人机的机型标识以及攻击型无人机的机型编号；
在智能解析某一无人机对象为攻击型无人机时，根据智能解析的所述某一无人机对象对应的攻击型无人机的机型编号确定所述某一无人机对象对应的最大攻击角度，根据所述某一无人机对象的当前飞行高度以及所述某一无人机对象对应的最大攻击角度计算所述某一无人机对象的地面攻击范围；
在所述无人机反制点的定位信息落在某一无人机对象的地面攻击范围内时，向无人机反制点的正上方空域无线发送包括虚假定位数据的干扰信号；
其中，所述虚假定位数据用于替换无人机反制点的正上方空域内各个无人机对象本体的真实定位数据以完成干扰处理；
其中，采用所述某一无人机对象的地面攻击范围的范围边沿的各个点分别对应的各个定位数据对所述某一无人机对象的地面攻击范围进行数值表示；
其中，所述卷积神经网络模型为完成固定数目的各次学习后的卷积神经网络，所述固定数目的取值与攻击型无人机的类型总数成正比，以及在固定数目的各次学习中，正向学习的次数与负向学习的次数相等；
其中，采用卷积神经网络模型根据所述无人机对象占据的图像分块的各个像素点分别对应的各个像素值和各个坐标数值、所述无人机对象对应的整体景深数值以及各类攻击型无人机分别对应的各份基准外形数据智能解析所述无人机对象的当前飞行高度、是否为攻击型无人机的机型标识以及攻击型无人机的机型编号包括：在智能解析获得的是否为攻击型无人机的机型标识为0B01时，代表所述无人机对象为攻击型无人机，在智能解析获得的是否为攻击型无人机的机型标识为0B00时，代表所述无人机对象为非攻击型无人机，智能解析获得的攻击型无人机的机型编号为默认数值零；
其中，对卷积神经网络执行固定数目的各次学习，并将完成固定数目的各次学习后的卷积神经网络作为卷积神经网络模型发送给智能解析器件，以及在固定数目的各次学习中，正向学习的次数与负向学习的次数相等包括：在对卷积神经网络执行的每一次正向学习中，将已知属于攻击型无人机的单个无人机对象的当前飞行高度、为攻击型无人机的机型标识以及对应的攻击型无人机的机型编号作为卷积神经网络的逐项输出数据，将所述单个无人机对象占据的图像分块的各个像素点分别对应的各个像素值和各个坐标数值、所述单个无人机对象对应的整体景深数值以及各类攻击型无人机分别对应的各份基准外形数据作为卷积神经网络的逐项输入数据；
其中，对卷积神经网络执行固定数目的各次学习，并将完成固定数目的各次学习后的卷积神经网络作为卷积神经网络模型发送给所述智能解析器件，以及在固定数目的各次学习中，正向学习的次数与负向学习的次数相等还包括：在对卷积神经网络执行的每一次负向学习中，将已知不属于攻击型无人机的单个无人机对象的当前飞行高度、不是攻击型无人机的机型标识以及取值为零的机型编号作为卷积神经网络的逐项输出数据，将所述单个无人机对象占据的图像分块的各个像素点分别对应的各个像素值和各个坐标数值、所述单个无人机对象对应的整体景深数值以及各类攻击型无人机分别对应的各份基准外形数据作为卷积神经网络的逐项输入数据；
其中，采用卷积神经网络模型根据所述无人机对象占据的图像分块的各个像素点分别对应的各个像素值和各个坐标数值、所述无人机对象对应的整体景深数值以及各类攻击型无人机分别对应的各份基准外形数据智能解析所述无人机对象的当前飞行高度、是否为攻击型无人机的机型标识以及攻击型无人机的机型编号还包括：所述无人机对象占据的图像分块的各个像素点分别对应的各个坐标数值包括所述无人机对象占据的图像分块的各个像素点分别对应的各个水平坐标数值以及所述无人机对象占据的图像分块的各个像素点分别对应的各个垂直坐标数值。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410019830.2A CN117527137B (zh) | 2024-01-06 | 2024-01-06 | 一种基于人工智能的干扰无人机通信的系统及方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410019830.2A CN117527137B (zh) | 2024-01-06 | 2024-01-06 | 一种基于人工智能的干扰无人机通信的系统及方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117527137A CN117527137A (zh) | 2024-02-06 |
| CN117527137B true CN117527137B (zh) | 2024-05-31 |
Family
ID=89764897
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202410019830.2A Active CN117527137B (zh) | 2024-01-06 | 2024-01-06 | 一种基于人工智能的干扰无人机通信的系统及方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117527137B (zh) |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105346706A (zh) * | 2015-11-13 | 2016-02-24 | 深圳市道通智能航空技术有限公司 | 飞行装置、飞行控制系统及方法 |
| CN106560848A (zh) * | 2016-10-09 | 2017-04-12 | 辽宁工程技术大学 | 模拟生物双向认知能力的新型神经网络模型及训练方法 |
| KR102140519B1 (ko) * | 2020-03-24 | 2020-08-03 | 이병호 | 무인항공기 방어 시스템 |
| CN111881982A (zh) * | 2020-07-30 | 2020-11-03 | 北京环境特性研究所 | 一种无人机目标识别方法 |
| CN116242206A (zh) * | 2023-04-27 | 2023-06-09 | 天津云翔无人机科技有限公司 | 一种反无人机防御系统 |
-
2024
- 2024-01-06 CN CN202410019830.2A patent/CN117527137B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105346706A (zh) * | 2015-11-13 | 2016-02-24 | 深圳市道通智能航空技术有限公司 | 飞行装置、飞行控制系统及方法 |
| CN106560848A (zh) * | 2016-10-09 | 2017-04-12 | 辽宁工程技术大学 | 模拟生物双向认知能力的新型神经网络模型及训练方法 |
| KR102140519B1 (ko) * | 2020-03-24 | 2020-08-03 | 이병호 | 무인항공기 방어 시스템 |
| CN111881982A (zh) * | 2020-07-30 | 2020-11-03 | 北京环境特性研究所 | 一种无人机目标识别方法 |
| CN116242206A (zh) * | 2023-04-27 | 2023-06-09 | 天津云翔无人机科技有限公司 | 一种反无人机防御系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117527137A (zh) | 2024-02-06 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110660186B (zh) | 基于雷达信号在视频图像中识别目标对象的方法及装置 | |
| CN110175186B (zh) | 一种智能船舶环境威胁目标感知系统及方法 | |
| US11800062B2 (en) | Systems, methods, apparatuses, and devices for radar-based identifying, tracking, and managing of unmanned aerial vehicles | |
| CN107843774B (zh) | 电磁态势的计算成像方法及电磁态势成像系统 | |
| CN110968941A (zh) | 基于空域安全评估的无人机管控平台及管控方法 | |
| CN112068111A (zh) | 一种基于多传感器信息融合的无人机目标侦测方法 | |
| CN103699713A (zh) | 一种编队飞机冲突检测方法及其应用 | |
| CN104765042B (zh) | 一种水面目标检测识别系统 | |
| CN111523362A (zh) | 一种基于电子围网的数据分析方法、装置及电子设备 | |
| CN115200554B (zh) | 一种基于图片识别技术的无人机摄影测量监管系统及方法 | |
| CN117527137B (zh) | 一种基于人工智能的干扰无人机通信的系统及方法 | |
| CN116879883A (zh) | 激光雷达噪点数据采集处理方法、装置、介质及车辆 | |
| Cai et al. | Intelligent crime prevention and control big data analysis system based on imaging and capsule network model | |
| CN111447038B (zh) | 一种基于大数据的无人机防御系统 | |
| CN117728916A (zh) | 无人机人工智能近距离干扰系统及方法 | |
| CN116866520B (zh) | 一种基于ai的单轨吊安全运行实时监控管理系统 | |
| CN110501680B (zh) | 基于雷达系统的目标监控系统以及目标监控方法 | |
| CN111918032A (zh) | 基于无人艇的水上监管方法、系统、装置及智能设备 | |
| Laurito et al. | Airborne localisation of small UAS using visual detection: A field experiment | |
| CN110781865A (zh) | 一种农作物生长控制系统 | |
| US20190272429A1 (en) | System for automatic monitoring of birds and related method of use | |
| CN113689647A (zh) | 一种用于旅游安全危险区域的安全实时监控警示方法 | |
| IL285252A (en) | A technique for detecting cyber attacks on water radar | |
| CN109979246B (zh) | 基于星地一体化的快速特定飞机目标识别方法 | |
| CN106952503A (zh) | 一种基于自适应多传感器管理的海上态势感知方法 |
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 |