一种无人机目标信号识别方法技术

本发明专利技术属于射频指纹识别技术领域，具体涉及一种无人机目标信号识别方法。本发明专利技术的基本思路是基于接货者信号发射器中的独特结构，改进双谱特征分类办法，在进行双谱操作前加入粗提取步骤，结合双谱的细分类特性对信号分别进行行模糊分类和精确定位。本发明专利技术克服了由于模型类比增加带来的低效结果，将复杂数据做了拆分处理，使提取步骤时长只随模型种类增加呈现线性变化规则，提高全过程模式识别分类的效率，同时终端计算量也有所减少，释放存储及计算负担。算负担。算负担。

【技术实现步骤摘要】
一种无人机目标信号识别方法


[0001]本专利技术属于射频指纹识别
，具体涉及一种无人机目标信号识别方法。

技术介绍

[0002]随着物联网的迅猛发展和智能手机的普及，网购和外卖用户基数呈爆炸式增长。尤其在高校，外卖和快递配送需求更为突出。然而目前的外卖快递配送情况却不尽如人意。
[0003]经过调研发现，目前高校外卖物流配送存在的突出问题有：
[0004]高校用户群体用餐时间相对集中且用餐量大，每到饭点各条马路便被围得水泄不通，这不仅给骑手保证送餐准时带来了巨大压力，同时也给校园交通安全带了了巨大的隐患。各类外卖配送时发生的交通安全事故屡见不鲜。
[0005]在送餐高峰，外卖员经常会有多个订单需要配送，有的送餐员往往会将外卖放置到一个指定的地方收取外卖。这种模式虽然节省了配送时间，但这个过程也往往会有外卖被偷窃或拿错的情况发生。这种情况下引发的纠纷，也往往是由外卖员承担赔偿责任。
[0006]出于安全、隐私、政策等各方面因素考虑，外卖无法直接送到寝室内部，许多同学往往需要上下几楼出寝室取外卖，造成不便。现在由于疫情管控，外卖更是无法入校，许多同学只得走出校门取餐，极其不便。
[0007]近年来，各大平台纷纷推出无人物流服务，顺丰已建成使用小规模无人快递分类，饿了么开辟了第一批无人机送餐航线，uber计划2021年在美国部分地区使用无人机送餐。徐英凯、马杰、高俊杰等人也对物流无人机的一些方面做了优化。利用物流无人机技术，可以较好地解决外面配送的瓶颈。
[0008]当无人机技术得到稳定发展后，随之而来的识别准确性和安全性的优化考虑却并未提上日程。尤其当配送对象是具有较高价值的物品或较高保密性的文件等，安全性和识别准确性成了制约物流无人机发展的最大因素。
[0009]射频指纹应用于身份识别较好的办法是选取选择双谱作为分类特征，选择双谱就是将双谱中具有最强类可分离度的双谱作为信号的特征参数。该法对于多种类模型分类性能良好，但特征提取时长及计算量随模型数目增多出现非线性爆炸增长，工作效率下降趋势明显，这种办法仅适用于电台模型少于8种的情况。双谱选择特征办法在理论层具有良好区分结果，但实际过程中却缺乏了可操作性。为匹配现代社会系统减负和实时配送要求，双谱方法在实际应用层还有待提升。

技术实现思路

[0010]本专利技术的目的，就是针对上述问题，提出一种无人机目标信号识别方法，从而实现对接货者信号源的精确识别。本专利技术的基本思路是基于接货者信号发射器中的独特结构，改进双谱特征分类办法，在进行双谱操作前加入粗提取步骤，结合双谱的细分类特性对信号分别进行行模糊分类和精确定位。
[0011]本专利技术的技术方案是：
[0012]一种无人机目标信号识别方法，包括以下步骤：
[0013]S1、通过接收机采集目标端发射的射频信号，将接收到的信号定义为初始信号；
[0014]S2、对初始信号通过时频谱特征提取器进行初始特征提取，将初始特征按照relief分类方法进行降维处理，获得特征向量集；
[0015]S3、将特征向量集输入训练好的第一分类器，得到初分类结果，根据初分类结果将同种类的特征合并为单独集合，将获得的结果定义为模糊分类集合，并根据初始信号，获取模糊分类集合对应的原始信号，定义为模糊分类信号；
[0016]所述第一分类器的获取方法为：
[0017]采集多种通信辐射源个体的射频信号，定义为初始训练信号；
[0018]采用时频谱特征提取器对初始训练信号进行特征提取，获得时频特征，将时频特征按照relief分类方法进行降维处理，具体计算特征权重W(A)：
[0019][0020][0021]其中A表示选定特征种类，R表示训练集中某随机样本，H表示与R同类的k最近邻样本，M表示与R不同类的k最近邻样本，p(C)表示该类别比，p(Class(R))表示随机选取的某样本的类别比；
[0022]将获得的权重进行排序，按设置阈值过滤，过滤后获得剩余不超过10个特征的向量集，将通信辐射源个体依次编号为1，2，3，
…
,n并进行标记，n为总数量，将获得的向量集和对应标签送入初始化第一分类器，第一分类器以概率神经网络为设置基础，对每个信号归属每一种类的概率进行总和排序，采用竞争传递函数，找寻输出中最大概率的所属类别，在监督学习的条件下，分类器参数不断迭代优化，最终获得训练好的第一分类器；
[0023]S4、对模糊分类信号通过双谱特征提取器进行特征提取，获得双谱特征信号；
[0024]S5、将双谱特征信号送入训练好的第二分类器进行分类，完成对信号所属目标的判断；
[0025]所属第二分类器的获取方法为：
[0026]采用步骤S3中获得的初始训练信号，通过双谱特征提取器得到双谱特征，将通信辐射源个体依次编号为1，2，3，
…
,n并进行标记，同时对通信辐射源个体进行赋值，赋值为10m，m为通信辐射源个体编号，m＝1，2，3，
…
,n，将双谱特征和赋值模型送入第二分类器进行参数训练，第二分类器采用径向基网络函数，将低维模式输入下的数据映射到高维空间中，结果误差为：
[0027][0028]其中，c
max
是所选取中心之间的最大距离。
[0029]本专利技术的有益效果为：本专利技术克服了由于模型类比增加带来的低效结果，将复杂数据做了拆分处理，使提取步骤时长只随模型种类增加呈现线性变化规则，提高全过程模式识别分类的效率，同时终端计算量也有所减少，释放存储及计算负担。
附图说明
[0030]图1为模型训练流程示意图；
[0031]图2为信号识别流程示意图；
[0032]图3为模拟电台信号发射过程图；
[0033]图4为relief权重分类结果。
具体实施方式
[0034]下面结合附图对本专利技术技术方案进行详细描述：
[0035]本专利技术中的分类器可以为预先训练好的分类器，如图1所示，分类器参数训练方法为：
[0036]总和所有可能进行分类的信号，并对通信辐射源个体的射频信号进行采集，获得初始信号ALL_SIG0；
[0037]采用时频谱特征提取器对初始信号ALL_SIG0进行初步特征提取，考虑到模型产生的信号会经过放大器调制，再经调制器产生幅度、相位畸变，我们初步选择了时域和频域的最大值、最小值、中位数、平均数、峰值、整流平均值、方差、标准差、峭度、偏度、均方根，以及功率谱的最大值、最小值、中位数、平均值、占用带宽共27项特征。而模型间产生信号指纹参数的变化覆盖并不全面，因此结果还应按照relief分类方法进行降维处理结果。
[0038]relief分类方法结果为特征权重，计算方式如下：
[0039][0040][0041]其中A表示选定特征种类，R表示训练集中某随机样本，H表示与R同类的k最近邻样本,M表示与R不同类的k最近邻样本，p(C)表示该类别比，p本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种无人机目标信号识别方法，其特征在于，包括以下步骤：S1、通过接收机采集目标端发射的射频信号，将接收到的信号定义为初始信号；S2、对初始信号通过时频谱特征提取器进行初始特征提取，将初始特征按照relief分类方法进行降维处理，获得特征向量集；S3、将特征向量集输入训练好的第一分类器，得到初分类结果，根据初分类结果将同种类的特征合并为单独集合，将获得的结果定义为模糊分类集合，并根据初始信号，获取模糊分类集合对应的原始信号，定义为模糊分类信号；所述第一分类器的获取方法为：采集多种通信辐射源个体的射频信号，定义为初始训练信号；采用时频谱特征提取器对初始训练信号进行特征提取，获得时频特征，将时频特征按照relief分类方法进行降维处理，具体计算特征权重W(A)：照relief分类方法进行降维处理，具体计算特征权重W(A)：其中A表示选定特征种类，R表示训练集中某随机样本，H表示与R同类的k最近邻样本，M表示与R不同类的k最近邻样本，p(C)表示该类别比，p(Class(R))表示随机选取的某样本的类别比；将获得的权重进行排序，按设置阈值过滤，过滤后获得剩余不超过10个特征的向量集，将...

【专利技术属性】
技术研发人员：刘静珂，杨沐奇，张馨月，杨小贝，蒋典兵，雷霞，
申请(专利权)人：电子科技大学，
类型：发明
国别省市：