![点击分享此内容可以赚币 分享](/master/images/share_but.png)
基于通信域和雷达域融合特征的无人机集群类型识别算法.pdf
《基于通信域和雷达域融合特征的无人机集群类型识别算法.pdf》由会员分享,可在线阅读,更多相关《基于通信域和雷达域融合特征的无人机集群类型识别算法.pdf(9页珍藏版)》请在咨信网上搜索。
1、第45卷第12 期2023年12 月文章编号:10 0 1-50 6 X(2023)12-3734-09系统工程与电子技术Systems Engineering and Electronics基于通信域和雷达域融合特征的无人机集群类型识别算法Vol.45No.12December 2023网址:www.sys-张书衡*,翟茹萍,刘永凯(南京航空航天大学电子信息工程学院,江苏南京2 10 0 16)摘要:目前已有无人机类型识别算法仅通过通信域或雷达域的信号特征实现单个无人机类型的识别,存在识别准确率低等问题。提出了一种基于通信信号和雷达信号融合特征的无人机集群类型识别算法。首先,提取集群通信信号
2、的高阶累积量和瞬时特征统计量,并融合雷达航迹特征构建无人机集群特征矩阵。其次,提出一种改进的特征选择算法一二次筛选的近邻成分分析,对融合特征矩阵进行降维。最后,利用稀疏自编码器网络进行集群类型的识别。仿真结果表明,该算法显著降低了集群特征矩阵的维度(仅为原始矩阵维度的2 7%),同时在信噪比为0 dB时,对5种集群类型识别的正确率可达8 8%。关键词:无人机集群类型识别;特征选择;高阶累积量;瞬时特征统计量;雷达航迹中图分类号:TN911Identification of UAV swarm type based on fusion features of(School of Electron
3、ics and Information Engineering,Nanjing University ofAeronautics and Astronautics,Nanjing 210016,China)Abstract:At present,the unmanned aerial vehicle(UAV)type recognition algorithms only realize theidentification of a single UAV type through the signal characteristics of the communication domain or
4、 radardomain,and there are problems such as low recognition accuracy.This paper proposes a UAV swarm typerecognition algorithm based on the fusion characteristics of communication signals and radar signals.Firstly,thehigh-order cumulant and instantaneous feature statistics of the swarm communication
5、 signal are extracted,andthe radar track features are fused to construct the UAV swarm feature matrix.Secondly,an improved featureselection algorithm-secondary screening of neighbourhood components analysis(SSNCA)is proposed to reducethe dimensionality of the fusion feature matrix.Finally,a sparse a
6、utoencoder network is used for swarm typeidentification.The simulation results show that the algorithm significantly reduces the dimension of the swarmfeature matrix(only 27%of the original matrix dimension).At the same time,when the signal-to-noise ratio is0 dB,the correct rate of identifying five
7、swarm types can reach 88%.Keywords:unmanned aerial vehicle(UAV)swarm type identification;feature selection;high-order cumulant;instantaneous feature statistics;radar trajectory文献标志码:Acommunication and radar domainZHANG Shuheng*,ZHAI Ruping,LIU YongkaiD0I:10.12305/j.issn.1001-506X.2023.12.03收稿日期:2 0
8、2 2-0 8-10;修回日期:2 0 2 3-0 2-0 7;网络优先出版日期:2 0 2 3-0 4-0 3。网络优先出版地址:https:/k n s.c n k i.n e t/k c m s/d e t a il/11.2 42 2.T N.2 0 2 30 40 3.1339.0 0 7.h t m l基金项目:国家自然科学基金(6 197 12 2 1)资助课题*通讯作者.引用格式:张书衡,翟茹萍,刘永凯。基于通信域和雷达域融合特征的无人机集群类型识别算法J.系统工程与电子技术,2 0 2 3,45(12):3734-3742.Reference format:ZHANG S H
9、,ZHAI R P,LIU Y K.Identification of UAV swarm type based on fusion features of communication andradar domainJ.Systems Engineering and Electronics,2023,45(12):3734-3742.第12 期0引 言近年来,随着智能技术以及自组网技术的深入研究,无人机集群得到迅速发展1-2,其凭借低成本、大规模、高灵活性等特点,已然成为现代局部战场的进攻利器3。与集群技术的快速发展相比,目前反集群的相关技术尚不成熟,难以对敌方无人机集群形成有效的拦截4。在集
10、群防御体系中,提前掌握未知集群类型等相关信息,是建立有效防御的关键,因此有必要对无人机集群类型的识别展开深入研究。目前大多数的研究仅使用通信域或雷达域信号对单无人机用户类型进行识别。文献5-6 利用通信域信号特征对单个无人机用户进行类型识别。文献7 利用短时傅里叶变换将通信信号转换为频谱图,将该频谱图输人至卷积神经网络(convolutional neural network,CNN)中进行识别,然而将信号转换成特征图谱,增加了计算的复杂度和网络模型结构的复杂度。文献8 提取用户信号的高阶累积量和瞬时特征,利用深度神经网络(deepneural network,DNN)对用户类型进行识别分类,
11、在低信噪比下取得了不错的识别效果,但是其输人特征的维度、样本数量过多,增加了网络的计算量。文献9 提取了无人机射频信号指纹特征,但是仅适用于两种单无人机类型的识别分类。在集群类型识别中,在利用通信域特征对其进行识别时,由于存在多个用户信号之间的处理工作以及对用户信号提取的特征数量多、存在余,包括对使用的网络具有低复杂度、高性能等要求,最终会导致对集群类型识别率较低等问题。通过雷达探测信号对无人机类型识别的研究主要包含两个方向:一类是提取目标的航迹信息;另一类是提取目标的微多普勒信息。文献10 12 通过分析雷达对目标(无人机、鸟类、车辆)探测的航迹数据,提取目标的运动轨迹、多普勒等特征,使用机
12、器学习算法对目标类型进行识别分类。上述研究仅针对单无人机类型的识别进行了分析和讨论,并没有考虑集群类型识别的场景。文献13-16 通过提取目标的微多普勒特征,对不同类型的目标(固定翼、直升机、飞机、鸟类)进行识别分类。然而目前对微多普勒特征的提取技术仅基于近距离、理想环境下,不适用于远距离的集群类型识别场景。与微多普勒提取技术相比,雷达航迹特征在距离上的限制要宽松得多,可被应用于远距离集群类型的识别。在利用雷达域特征对集群类型识别时因存在多个无人机目标,需要进行多目标探测识别以及航迹数据处理等。针对以上问题,本文提出了一种融合通信域和雷达域信号特征的无人机集群类型识别算法。该算法通过构建通信信
13、号和雷达信号的融合特征矩阵,提高了集群类型识别的正确率。其次,针对集群高维特征数据的处理,提出了二次筛选的近邻成分分析(secondary screening of neighbour-hood components analysis,SSNCA)算法,有效地减少了特征的?余。最后,将降维后的融合特征矩阵输人至稀疏自编码器网络(sparse autoencoder network,SA EN)进行识别,验证了所提算法的有效性。张书衡等:基于通信域和雷达域融合特征的无人机集群类型识别算法集群Q图1无人机集群内用户通信场景图Fig.1 Scenario diagram of user commun
14、ication in unmannedaerial vehicle swarm同一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。假设通信侦测接收机接收的信号为s(t):s(t)=Zx;(t)+n(t)式中:(t)是集群内第i个用户的通信调制信号;n(t)是均值为零、方差为的加性高斯白噪声。2通信域和雷达域融合特征矩阵的构建本节主要介绍集群信号特征的理论知识,包括集群通信信号的高阶累积量和瞬时特征统计量,以及雷达探测信号的航迹特征,最后详细阐述了集群通信-雷达融合特征矩阵的构建。2.1高阶累积量高斯白噪声的均值为零,且二阶以上的高阶累积量也为零,因此高阶累积量可
15、以抑制噪声的干扰,可用于调制信号的识别17 7。对于均值为零的平稳随机过程(t),其部分高阶累积量的表达式18 如下:C2o=cum(r,a)=M2oC2i=cum(,*)=M2Co=cum(,a,x,)=Mo-3M2CA2=cum(,*)=Ma2-|M2-2M2i(5)式中:cum()的含义为对()求累积量;“*表示共轭;Mp表示平稳信号(t)的p阶混合矩阵,定义为M=E(t)-x*(t)式中:q表示共轭的个数;E表示均值。本文使用9个累积量C20、C2 1、C40、Ca 1、C42、C6 0、Co 1C62、C6 3,组成集群类型识别的第一类特征向量。为了充分利用累积量的相位信息,对其进行
16、实部和虚部分离的操作,37351系统模型本文设定有5个不同类型的无人机集群A、B、C、D、E,且任意集群内存在多个用户利用正交资源(如频分复用等)进行通信,如图1所示。(1)(2)(3)(4)(6)3736:并按照实部在前、虚部在后的排列方式组成了一个18 维的2.2瞬时特征统计量不同调制信号在幅度、相位和频率上存在着差异,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类型。在尽可能区分本文使用的调制信号种类的情况下,选取了以下特征统计量:19。零中心归一化非弱信号段瞬时幅度标准差oda,可以表征信号幅度的变化信息,表示为2A(k)11OdaLihrA
17、,(k)thrAen(k)=A,(k)-1N2A(k)1ma=Nk=1式中:An(k)是第k个符号的零中心归一化瞬时幅度;A,(k)是第k个符号的归一化瞬时幅度;ma为信号瞬时幅度的平均值;A(k)是第k个符号的幅值;Lthr是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。零中心归一化瞬时幅度绝对值的标准6 aa用于表征信号的绝对幅度信息,表示为OaaA%(k)N系统工程与电子技术特征向量:F,=Re(C2o),Re(C2),.,Re(C3),Im(C20),Im(C21),.,Im(Cs)x18信号表达式为Sr(t)=A,exp(j2元ft+j元Kt)式中:A为发射信号的
18、幅度;f。为载频;K为调频斜率。目标延时t 为(17)C式中:R。为目标到雷达的距离;U,为目标与雷达的径向速度;c为光速。则对应的集群多目标的回波信号可表示为2sr(t)=ZAzrexp(j2元fo(t-ti)+jK(t-ti)(18)Acn(k)LihrA,(thr(8)A(k)1maN11An(k)1Ni=1第45卷(7)(16)2(R。-0,t)式中:A2;为第i个目标的回波信号幅度;为目标数量。将发射信号作为参考信号与回波信号混频,得到中频(9)信号:(10)ZA,Az;exp(jnKt?-j2afot;-j2元Kt;t)中频回波经脉冲压缩、多普勒累积、恒虚警检测(constantf
19、alse-alarm rate,CFA R)、数字波束形成等信号处理流程后得到原始点迹,如图2 所示。中频回波(11)脉冲压缩s(t)=conj(sr(t)Sr(t)=数字波束形成(19)CFAR零中心归一化瞬时幅度的紧致性42可以衡量瞬时幅度分布的密集性,表示为EA(k)ELA(k)J零中心非弱信号段瞬时相位非线性分量的标准差6 p可以表征信号相位变化的信息,表示为(k)11OdpLihrA,(thrLthrAn(k)thr式中:d(k)是第k个复信号的相位。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ap可以表征信号的绝对相位信息,表示为($(k)1OapLthr(4,(k)thr式
20、中:(k)是第k个复信号相位的绝对值。本文选取了上述5个瞬时特征统计量作为集群类型识别的第二类特征向量F2,即F,=odaOai2Odpaplix52.3雷达航迹特征设调频连续波雷达发射信号的初始相位为零,则发射多普勒累积图2 雷达信号处理流程(12)Fig.2Radar signal processing flow每个原始点迹包含了目标的空间信息、速度信息等,大量点迹按照时序排列后组成了目标的航迹。通过对航迹中2k)点迹的信息统计分析,可以得到目标在空间、多普勒、反射(13)强度等多种信息上的分布,从而进行目标的识别分类。本文提取了航迹中距离(d)、速度()、方位角()、俯仰角()、高度(h
21、)作为集群类型识别的第三类特征向量F,8-91,即:F,=d,U,o,hixs(20)2.4集群通信一雷达融合特征矩阵的构建2本文考虑各集群内只有两个无人机用户同时利用正交LthrA,(thr资源进行通信。例如,某时刻集群A内的用户Ui、U,的通(14)信是在时/频/码/空域正交的,则侦测接收机可以分别获得两个用户的采样信号s和s2,用(si,s 2,Q A,B,C,D,E,表示不同集群的采样信号,且采样信号s和s之间的传播损耗差值L为1dB。根据第2.1节到第2.3节内容,提取(15)集群采样信号的高阶累积量F1和瞬时特征统计量F2,构建集群通信特征矩阵M.如下:M.=Fi(s),F2(s)
22、,F(s2),F2(s)N,x46原始点迹(21)第12 期式中:N,表示样本数量。提取雷达航迹特征F3,构建集群通信一雷达融合特征矩阵M.如下:张书衡等:基于通信域和雷达域融合特征的无人机集群类型识别算法3737M.=Fi(s),Fz(s),Fi(s),Fz(s),Fsn,x51(22)Re(C2,(sA),.,Im(Co,(st),od(sA),.*,op(sA),RetC,(s?),.,Im(Chy(s?).oda(s),.,.p(s?),d(A),.,h(A):Re(c(s),.,ImC(st).(t),.(st),Re(C(s),.,Im(C().(s),.(2),d(A),.h(A
23、)Re(Ct,(sf),.,Im(Ch,(sp),da(s),.,oap(sP),ReCzy(s2),.,Im(C6(s),oda(s2),.,oap(s),d(B),.,h(B):Mer一Re(.C,(s),.m(Ck(s),(s),(st).(23):Re(C2,(sf),.,Im(Ca(sf),oda(sf),.,op(sF),ReCzy(sE),.,Im(Co(s),oda(sE),.,oap(s),d(E),.,h(E):Re(C(sf),.,Im(Ct(sf),o(sf),.,m(sf),.Re(C(sE),.,Im(C(s),(s),.,(s),.d(E),.,h(E)式中:C、
24、C%的下标表示不同的高阶累积量,上标N。表示不同集群通信信号的采样数量。3通信一雷达融合特征矩阵的降维本节主要根据不同的特征选择算法,对集群融合矩阵进行降维。3.1主成分分析主成分分析(principal component analysis,PCA)是一种常用的无监督降维方法2 0。它根据最大方差理论,从原始特征数据中提取出一组全新的特征变量,以减少特征之间的相关性和噪声的干扰。其数学思想如下:原始输入样本矩阵为x=x i,x 2,x,T,x,ER,存在编码映射f,使得f(x,)=r。那么也存在一个解码映射g,使得xg(r)=Zr。其中Z为解码矩阵,规定存在如下约束:其列向量相互正交,且存在
25、单位范数。假设输人x,的最优编码为r*,通过最小化x,和g(r*)之间的距离,用L,范数来确定:r*=arg minl x,-g(r)ll2=arg minll x,-g(r)/=arg min-2xfZr+rTr通过梯度求解:,(-2xjZr+rTr)=0r=Zx,k(x,)=g(f(x,)=ZzTx问题转换成求解编码矩阵Z,即通过最小化误差矩阵的Frobenius范数求解最优矩阵Z*:Z=arg mins.t.ZIZ=I,先考虑=1的情况:Z*是一个向量,可简化为z=arg min l x(-zTx?Zs.t.I=l2=1使用矩阵X.=x(OT=XT代人得z=argminZlx-XzTi=
- 配套讲稿:
如PPT文件的首页显示word图标,表示该PPT已包含配套word讲稿。双击word图标可打开word文档。
- 特殊限制:
部分文档作品中含有的国旗、国徽等图片,仅作为作品整体效果示例展示,禁止商用。设计者仅对作品中独创性部分享有著作权。
- 关 键 词:
- 基于 通信 雷达 融合 特征 无人机 集群 类型 识别 算法
![提示](https://www.zixin.com.cn/images/bang_tan.gif)
1、咨信平台为文档C2C交易模式,即用户上传的文档直接被用户下载,收益归上传人(含作者)所有;本站仅是提供信息存储空间和展示预览,仅对用户上传内容的表现方式做保护处理,对上载内容不做任何修改或编辑。所展示的作品文档包括内容和图片全部来源于网络用户和作者上传投稿,我们不确定上传用户享有完全著作权,根据《信息网络传播权保护条例》,如果侵犯了您的版权、权益或隐私,请联系我们,核实后会尽快下架及时删除,并可随时和客服了解处理情况,尊重保护知识产权我们共同努力。
2、文档的总页数、文档格式和文档大小以系统显示为准(内容中显示的页数不一定正确),网站客服只以系统显示的页数、文件格式、文档大小作为仲裁依据,平台无法对文档的真实性、完整性、权威性、准确性、专业性及其观点立场做任何保证或承诺,下载前须认真查看,确认无误后再购买,务必慎重购买;若有违法违纪将进行移交司法处理,若涉侵权平台将进行基本处罚并下架。
3、本站所有内容均由用户上传,付费前请自行鉴别,如您付费,意味着您已接受本站规则且自行承担风险,本站不进行额外附加服务,虚拟产品一经售出概不退款(未进行购买下载可退充值款),文档一经付费(服务费)、不意味着购买了该文档的版权,仅供个人/单位学习、研究之用,不得用于商业用途,未经授权,严禁复制、发行、汇编、翻译或者网络传播等,侵权必究。
4、如你看到网页展示的文档有www.zixin.com.cn水印,是因预览和防盗链等技术需要对页面进行转换压缩成图而已,我们并不对上传的文档进行任何编辑或修改,文档下载后都不会有水印标识(原文档上传前个别存留的除外),下载后原文更清晰;试题试卷类文档,如果标题没有明确说明有答案则都视为没有答案,请知晓;PPT和DOC文档可被视为“模板”,允许上传人保留章节、目录结构的情况下删减部份的内容;PDF文档不管是原文档转换或图片扫描而得,本站不作要求视为允许,下载前自行私信或留言给上传者【自信****多点】。
5、本文档所展示的图片、画像、字体、音乐的版权可能需版权方额外授权,请谨慎使用;网站提供的党政主题相关内容(国旗、国徽、党徽--等)目的在于配合国家政策宣传,仅限个人学习分享使用,禁止用于任何广告和商用目的。
6、文档遇到问题,请及时私信或留言给本站上传会员【自信****多点】,需本站解决可联系【 微信客服】、【 QQ客服】,若有其他问题请点击或扫码反馈【 服务填表】;文档侵犯商业秘密、侵犯著作权、侵犯人身权等,请点击“【 版权申诉】”(推荐),意见反馈和侵权处理邮箱:1219186828@qq.com;也可以拔打客服电话:4008-655-100;投诉/维权电话:4009-655-100。