复杂环境下高扩展性无人机信号检测识别方法.pdf
《复杂环境下高扩展性无人机信号检测识别方法.pdf》由会员分享,可在线阅读,更多相关《复杂环境下高扩展性无人机信号检测识别方法.pdf(8页珍藏版)》请在咨信网上搜索。
1、第 56 卷 第 8 期2023 年 8 月通信技术Communications TechnologyVol.56 No.8Aug.2023929文献引用格式:葛嘉鑫,李晋徽,晋晓曦,等.复杂环境下高扩展性无人机信号检测识别方法 J.通信技术,2023,56(8):929-936.doi:10.3969/j.issn.1002-0802.2023.08.002复杂环境下高扩展性无人机信号检测识别方法*葛嘉鑫1,李晋徽1,晋晓曦1,张涵硕2,温志津1(1.军事科学院,北京 100191;2.西安电子科技大学,陕西 西安 710126)摘 要:利用无人机与遥控器间的无线电信号进行无人机检测和识别是
2、当前的研究热点。但在该领域,仍存在两个关键问题有待解决:一是如何在存在众多第三方信号的复杂电磁环境下有效检测识别无人机信号,二是如何保证检测识别系统针对新型无人机的快速扩展能力。针对这两个问题,提出了一种高扩展性的无人机信号检测识别架构。首先,利用 YOLO 神经网络模型应对复杂电磁环境下信号检测难题。该模型设计和训练面向通用电磁信号检测。完成信号检测后,利用“信号特征提取+支持向量机”结构设计无人机信号识别算法。该步骤计算复杂度低,模型参数少,因此对新型无人机具备良好的可扩展性。关键词:无人机信号检测识别;复杂环境;高扩展性;YOLO;支持向量机中图分类号:TN971 文献标识码:A 文章编
3、号:1002-0802(2023)-08-0929-08UAV Signal Detection and Identification Method with High-Expansibility in Complex EnvironmentGE Jiaxin1,LI Jinhui1,JIN Xiaoxi1,ZHANG Hanshuo2,WEN Zhijin1(1.Academy of Military Sciences,Beijing 100191,China;2.Xidian University,Xian Shaanxi 710126,China)Abstract:The use of
4、radio frequency signals between UAVs and remote controllers for UAV detection and identification is a hot research topic at present.However,there are still two key problems to be addressed in this field:One is how to effectively detect and identify UAV signals in a complex electromagnetic environmen
5、t with many third-party signals,and the other is how to ensure the rapid expansion of the detection and identification system for new UAVs.Aiming at these two problems,this paper proposes a highly expanded UAV signal detection and identification architecture.First,the YOLO neural network model is us
6、ed to solve the problem of signal detection in complex electromagnetic environments.The model is designed and trained for general electromagnetic signal detection.Then,after completing the signal detection,the UAV signal identification algorithm is designed by using the structure of“signal feature e
7、xtraction+support vector machine”.This step has low computational complexity and few model parameters,so it has good expansibility for new UAVs.Keywords:UAV signal detection and identification;complex environment;high expansibility;YOLO;support vector machine *收稿日期:2023-06-12;修回日期:2023-07-21 Receive
8、d date:2023-06-12;Revised date:2023-07-21基金项目:国防科技和军事理论卓越青年科学基金(2022-JCJQ-ZQ-024)Foundation Item:National Defense Science and Technology and Military Theory Outstanding Young Science Fund(2022-JCJQ-ZQ-024)930通信技术2023 年0 引 言在无人机获得井喷式发展的同时,非合作无人机的“黑飞”现象也时有发生,给公共安全和个人隐私造成了严重威胁1。为确保低空安全,首先需要精准检测到无人机信号,这
9、是态势识别和干扰处置的前提条件和必要支撑手段。无线电检测具有隐蔽性强、作用距离远、可全天候工作等技术优势,利用无人机与遥控器间的无线电信号进行无人机检测与识别是当前的研究热点2-4。现有研究集中在常规信号处理方法和深度学习处理方法。常规信号处理方法多是通过手动提取信号特征,然后与设定的阈值相比较以确定信号的存在。文献 5 通过信号轮廓来确定信号阈值,进而提取无人机信号。文献 6 提取无人机信号的功率谱密度(Power Spectral Density,PSD)、梅尔频率倒谱系数(Mel-Frequency Cepstral Coefficients,MFCC)和 线 性 频 率 倒 谱 系 数
10、(Linear Frequency Cepstral Coefficients,LFCC),并将这些特征输入支持向量机(Support Vector Machine,SVM)进行无人机信号分类。这些方法并没有考虑同频段存在的大量干扰信号,如Wi-Fi、蓝牙等,容易受到背景噪声干扰,鲁棒性较差。文献 7 使用基于马尔可夫模型的朴素贝叶斯决策机制来检测无人机信号。这种方法的原理是通过学习信号和背景的统计特征进行检测识别,但是在低信噪比时这两个特征并不明显,该方法无法适应不断变化的复杂电磁环境。上述这些常规信号处理方法对复杂环境适应能力不足。深度学习技术为复杂电磁环境下的信号检测提供了一种新思路。不
11、同于传统信号分析手段,深度学习技术不再依赖手动特征提取,而是采用一种端到端的方式自动学习、提取输入数据中的特征,进而完成既定任务8,9。文献 10 使用卷积神经网络(Convolutional Neural Network,CNN)对 3 类无人机信号进行分类。这个方案的数据集中无人机信号种类比较少,不能覆盖市面上常见的无人机。文献11提出了一个深度残差网络来分类9种无人机。虽然这个方案包含的无人机类型较多,但当出现未知的新信号时,无法正确检测出来,需要从数据集开始重新训练网络。文献 12 使用 YOLO 进行无人机射频信号检测、频谱定位和分类,获得了良好的检测和分类性能。YOLO 属于单阶段
12、目标检测模型,检测速度快,能够适应实时性场景。但是,上述算法均采用端到端的处理方式,当需要补充新机型时,需要将整个网络重新训练,这势必会产生巨大的训练开销。当无人机类型增至一定量级时,所需的网络规模也相当巨大。此类方案在可扩展性上存在不足,维护成本较高。本文结合深度学习方法在应对复杂电磁干扰上的优势和传统信号识别方案易扩展的优势,提出两段式无人机信号检测识别框架。首先,基于YOLOv3 目标检测模型开发通用信号检测网络。该网络以时频谱为输入,可在复杂电磁背景下识别出信号的起止时间、载频和带宽。基于该信息,可为信号分类算法提供较高信噪比的单一信号。该网络在训练时面向所有可能的信号,因此在网络训练
13、完成后,一般不需要再次训练。在获得单一信号后,基于传统信号分析手段,提取信号统计特征参数作为信号识别的特征指纹,并利用支持向量机完成最终分类。在此步骤中,只需要训练参数量较小的支持向量机,训练开销较小。在出现新机型或拓展新特征时,只需要重新训练支持向量机即可。1 两段式无人机检测识别方法大多数商用无人机信号工作在2.4 GHz、5.8 GHz 工业、科学和医学(Industrial Scientific Medical,ISM)频段。一般无人机具备上行遥控链路和下行图传链路。遥控链路负责承载遥控器向无人机发送的遥控指令,数据量小。为提升遥控链路抗干扰能力,通常采用跳频扩频技术(Frequenc
14、y-Hopping Spread Spectrum,FHSS),信号带宽一般来说小于 3 MHz,单跳时长一般不超过 2 ms。遥控链路常用的调制方式一般有频移键控(Frequency-shift keying,FSK)、相 移 键 控(Phase Shift Keying,PSK)、正 交 频 分 复 用(Orthogonal Frequency Division Multiplexing,OFDM)等。图传链路承载无人机向遥控器传输的实时图像、遥测数据、飞机状态信息等,数据流量大,对通信速率要求高,多采用直接序列扩频技术(Direct Sequence Spread Spectrum,DS
15、SS)和 OFDM 调制技术,DSSS 技术提升了图传链路的抗干扰能力,OFDM 通过频分复用实现数据并行传输,能够有效提高传输速率。以大疆无人机为例,其图传技术主要有 Wi-Fi、LightBridge 和OcuSync。无人机信号检测与识别需面对设备分布密集、频谱拥挤、样式复杂、动态随机的电磁环境,其原因主要有以下几点:(1)ISM 频段是免许可的,很多用频设备工作在此频段,例如 Wi-Fi、蓝牙、无绳电话、微波931第 56 卷第 8 期葛嘉鑫,李晋徽,晋晓曦,张涵硕,温志津:复杂环境下高扩展性无人机信号检测识别方法炉等。由于缺乏统一的频谱规划,该频段信号易出现频谱混叠的情况。(2)IS
16、M 频段用户业务在时间上呈现突发性,不同时段频谱占用率也有较大差别。在进行无人机信号检测时,容易出现无人机信号与周边环境信号频谱混叠的情况。(3)ISM 频段信号频率较高,信号穿透能力不足。当无人机信号与侦察接收机间不存在直射路径时,侦察接收机对该信号的接收信噪比很低。该情况在接收遥控信号时更为明显,往往只能以概率接收。另外,无人机信号与一些环境信号,如 Wi-Fi信号等,在带宽、调制方式、信道分布等方面存在相似性,这进一步加剧了无人机信号检测的难度。图 1 展示了典型的接收数据时频谱。图中大矩形框中为无人机图传信号突发,小矩形框中为无人机遥控信号突发,其余为环境背景信号。图中可以看出,无人机
17、信号频谱与环境信号发生了严重的频谱混叠。综上,在这种低信噪比,出现频谱混叠的复杂电磁环境下,传统信号检测手段已经难以应对。因此,需要开发可综合考虑更多信号特征、鲁棒性强的信号检测算法。-50-20-40-60-80-100-120 0 500.00500.0150.010时间/s频率/MHz 25-250.020图 1 接收数据时频根据无人机信号和所处电磁环境特点,本文提出两段式无人机信号检测识别框架,如图 2 所示。一是基于 YOLOv3 目标检测网络,建立通用信号检测网络以解决复杂环境下信号检测难题。该网络可基于时频图定位每个信号,输出信号起始时刻、载频、带宽信息,该网络训练完成就不再变动
18、。二是建立易扩展的分类模型。完成信号检测后,利用“信号特征提取+支持向量机”结构对无人机信号进行分类。该步骤计算复杂度低、模型参数少,因此对新型无人机具备良好的可扩展性。通用信号检测网络(训练完固化)分类模型(易扩展)时频图统计特征信号类型图 2 两段式检测识别框架1.1 基于深度学习的复杂环境信号时频检测方法1.1.1 预处理在复杂电磁环境中,接收到的信号通常是非平稳的。短时傅里叶变换(short-time Fourier transform,STFT)作为一种常用的时频分析技术,为处理此类信号提供了一种非常有效的方法,其反映了信号的频率随时间的变化规律。具体来说,STFT 首先确定一个窗函
19、数,在时间轴上移动窗函数,计算这些窗的离散傅里叶变换(Discrete Fourier Transform,DFT)。接收端以采样率采样后,将信号转换为离散序列r(i)。STFT 将r(i)转化为谱图矩 阵,即:21j0(,)()()eknNNrkn mw k r km=+S(1)式中:w(k)为一个长度为N的窗函数;为连续窗之间的跳跃大小;k为第k个窗函数;m为跳跃的个数。那么,将接收到的数据的谱图定义为:Sr=|Sr|2(2)STFT 是对数据集中的信号进行的。具体来说,在计算中设置窗函数长度N为 1 024,为 0,使用汉明窗来分析信号,即时频图的像素为 1 0241 024。1.1.2
20、 信号检测网络YOLOv3 是一种典型的单阶段目标检测算法,使用 CNN 对完整图片进行一次检验直接输出目标类别、置信度和边界框,实现了从原始像素值到边界框坐标和类概率的端到端学习13。该算法均衡了检测速度和精度,灵活性强、泛化能力好,在科学研究和工程实践中应用广泛14。本文基于该网络,开发通用信号检测网络。932通信技术2023 年YOLOv3 框架主要分为特征提取部分、特征融合部分和分类检测部分 3 个部分。YOLOv3 模型结构如图 3 所示。由于 YOLOv3 借鉴了 ResNet 的残差结构,特征提取网络从 YOLOv2 的 Darknet-19 变为YOLOv3 的 Darknet
21、-53,网络结构更深。Darknet-53是 YOLOv3 提出的一个新的特征提取网络,它包含53 个卷积层,因此得名 Darknet-53。卷积、数据归一化和 LeakyReLu 激活函数构成了 YOLOv3 的基本组件,其结构如图 3 左下角所示。图 3 右下角所示结构是 YOLOv3 的大组件,借鉴了残差结构,该结构基本组件也是卷积、数据归一化和激活函数,其中n代表数字。一张完整图片输入 YOLOv3 后,经过 Darknet-53 网络进行特征提取,得到大、中、小3 个不同尺寸的特征图用于分类检测。图 3 YOLOv3 模型结构为了充分提取特征图中的目标信息、获得更强的特征表现力,YO
- 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:
- 复杂 环境 扩展性 无人机 信号 检测 识别 方法
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。