基于射频指纹的无人机信号识别方法、装置、设备及介质制造方法及图纸

本发明专利技术涉及无人机识别技术领域，提供一种基于射频指纹的无人机信号识别方法、装置、电子设备和存储介质，该方法包括：采集目标区域的无人机信号，提取所述无人机信号的瞬态信号；从所述瞬态信号中提取出射频指纹统计特征数据；对所述射频指纹统计特征数据进行数据降维，得到降维特征数据；通过预设的分类器对所述降维特征数据进行分类识别，得到无人机识别结果。本发明专利技术通过对侦测到的无人机信号提取瞬态部分，并提取无人机信号的瞬态部分的射频指纹特征，对信号的射频指纹特征进行降维处理后再利用分类器进行无人机信号分类识别，从而能够高效识别无人机的型号的数量。够高效识别无人机的型号的数量。够高效识别无人机的型号的数量。

【技术实现步骤摘要】
基于射频指纹的无人机信号识别方法、装置、设备及介质


[0001]本专利技术涉及无人机识别
，尤其涉及一种基于射频指纹的无人机信号识别方法、装置、电子设备和存储介质。

技术介绍

[0002]近年来，随着无人机的平民化、普及化，无人机入侵电力设施导致的电网事故时有发生，2017年上半年发生40余起无人机入侵电网造成线路跳闸等重大损失，这给电网运行带来了安全隐患。在电力设施无人机入侵的防范过程中，传统的人工巡检方法存在人工定期巡视方式的规律性与间隔性，难以适应当前无人机入侵的无规律性、偶然性，这造成不能及时地对无人机入侵的防范和处理，导致人工巡检效果不理想。
[0003]面对无人机带来的各种威胁，除了制订相应的政策法规，还需要强有力的无人机侦测技术实现对入侵无人机的侦测，使运维人员及时发现入侵无人机并采取相应的措施，确保电力设施安全运行。为了提高电力设施对无人机入侵的防御能力，亟需一种能够有效识别无人机的方法。

技术实现思路

[0004]基于此，有必要针对上述问题，本专利技术提出了一种基于射频指纹的无人机信号识别方法、装置、电子设备和存储介质，能够有效识别无人机型号及数量。
[0005]本专利技术提出一种基于射频指纹的无人机信号识别方法，包括：
[0006]采集目标区域的无人机信号，提取所述无人机信号的瞬态信号；
[0007]从所述瞬态信号中提取出射频指纹统计特征数据；
[0008]对所述射频指纹统计特征数据进行数据降维，得到降维特征数据；
[0009]通过预设的分类器对所述降维特征数据进行分类识别，得到无人机识别结果。
[0010]在一个实施例中，所述提取所述无人机信号的瞬态信号，包括：
[0011]采用Higuchi算法计算所述无人机信号的信号分形维数，并采用贝叶斯阶跃变点检测算法确定所述信号分形维数的信号起始点位置；
[0012]基于所述信号起始点位置提取所述无人机信号的瞬态信号。
[0013]在一个实施例中，所述从所述瞬态信号中提取出射频指纹统计特征数据，包括：
[0014]在对所述瞬态信号进行希尔伯特变换后，求取所述瞬态信号的瞬时特征信息；其中，所述瞬时特征信息包括瞬时幅度、瞬时频率和瞬时相位；
[0015]对所述瞬时特征信息进行中心化处理得到瞬时中心化数据，对所述瞬时中心化数据进行特征值计算，得到与所述瞬时中心化数据对应的多维特征向量数据；其中，所述特征值包括标准差、方差、偏度和峰度；
[0016]基于所述多维特征向量数据对每一无人机分别进行特征整合，得到与所述瞬态信号对应的射频指纹统计特征数据。
[0017]在一个实施例中，所述的基于射频指纹的无人机信号识别方法还包括：
[0018]在对所述瞬时相位进行中心化处理之前，对所述瞬时相位中的非线性分量进行滤除。
[0019]在一个实施例中，对所述射频指纹统计特征数据进行数据降维所采用的算法包括PCA降维算法。
[0020]在一个实施例中，所述对所述射频指纹统计特征数据进行数据降维，得到降维特征数据，包括：
[0021]将所述射频指纹统计特征数据作为线性相关变量，基于与所述线性相关变量对应的数据点在预设正交基上的投影距离，确定使得所述投影距离的方差具有极大值的目标正交基；
[0022]基于所述目标正交基对所述线性相关变量进行正交变换得到所述降维特征数据。
[0023]在一个实施例中，所述通过预设的分类器对所述降维特征数据进行分类识别，得到无人机识别结果，包括：
[0024]基于所述降维特征数据与预设超平面的距离，从所述降维特征数据中选取与所述预设超平面的距离小于预设距离阈值的数据作为支持向量，并基于所述支持向量构建目标超平面；
[0025]基于所述目标超平面对所述降维特征数据进行数据分类，得到所述无人机识别结果。
[0026]本专利技术还提供一种基于射频指纹的无人机信号识别装置，包括：
[0027]信号提取模块，用于采集目标区域的无人机信号，提取所述无人机信号的瞬态信号；
[0028]特征提取模块，用于从所述瞬态信号中提取出射频指纹统计特征数据；
[0029]数据降维模块，用于对所述射频指纹统计特征数据进行数据降维，得到降维特征数据；
[0030]信号识别模块，用于通过预设的分类器对所述降维特征数据进行分类识别，得到无人机识别结果。
[0031]本专利技术还提出一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现任一项所述基于射频指纹的无人机信号识别方法。
[0032]本专利技术还提出一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现任一项所述基于射频指纹的无人机信号识别方法。
[0033]采用本专利技术实施例，具有如下有益效果：
[0034]通过对侦测到的无人机信号提取瞬态部分，并提取无人机信号的瞬态部分的射频指纹特征，对信号的射频指纹特征进行降维处理后再利用分类器进行无人机信号分类识别，从而能够高效识别无人机的型号的数量。
附图说明
[0035]为了更清楚地说明本专利技术实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本专利技术的一些实施例，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的附图。
[0036]图1是本专利技术实施例提供的基于射频指纹的无人机信号识别方法的流程示意图之一；
[0037]图2是本专利技术实施例提供的基于射频指纹的无人机信号识别方法的系统架构示意图；
[0038]图3是本专利技术实施例提供的基于射频指纹的无人机信号识别方法的流程示意图之二；
[0039]图4是本专利技术实施例提供的PCA算法的基本流程示意图；
[0040]图5是本专利技术实施例提供的基于射频指纹的无人机信号识别装置的结构示意图；
[0041]图6是本专利技术实施例提供的电子设备的结构示意图。
具体实施方式
[0042]下面将结合本专利技术实施例中的附图，对本专利技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本专利技术一部分实施例，而不是全部的实施例。基于本专利技术中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本专利技术保护的范围。
[0043]请参见图1，本专利技术提供了一种基于射频指纹的无人机信号识别方法，可以包括步骤：
[0044]S1、采集目标区域的无人机信号，提取无人机信号的瞬态信号；
[0045]S2、从瞬态信号中提取出射频指纹统计特征数据；
[0046]S3、对射频指纹统计特征数据进行数据降维，得到降维特征数据；进一步地，对射频指纹统计特征数据进行数据降维所采用的算法包括PCA降维算法。
[0047]S4、通过预设的分类本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于射频指纹的无人机信号识别方法，其特征在于，包括：采集目标区域的无人机信号，提取所述无人机信号的瞬态信号；从所述瞬态信号中提取出射频指纹统计特征数据；对所述射频指纹统计特征数据进行数据降维，得到降维特征数据；通过预设的分类器对所述降维特征数据进行分类识别，得到无人机识别结果。2.根据权利要求1所述的基于射频指纹的无人机信号识别方法，其特征在于，所述提取所述无人机信号的瞬态信号，包括：采用Higuchi算法计算所述无人机信号的信号分形维数，并采用贝叶斯阶跃变点检测算法确定所述信号分形维数的信号起始点位置；基于所述信号起始点位置提取所述无人机信号的瞬态信号。3.根据权利要求1所述的基于射频指纹的无人机信号识别方法，其特征在于，所述从所述瞬态信号中提取出射频指纹统计特征数据，包括：在对所述瞬态信号进行希尔伯特变换后，求取所述瞬态信号的瞬时特征信息；其中，所述瞬时特征信息包括瞬时幅度、瞬时频率和瞬时相位；对所述瞬时特征信息进行中心化处理得到瞬时中心化数据，对所述瞬时中心化数据进行特征值计算，得到与所述瞬时中心化数据对应的多维特征向量数据；其中，所述特征值包括标准差、方差、偏度和峰度；基于所述多维特征向量数据对每一无人机分别进行特征整合，得到与所述瞬态信号对应的射频指纹统计特征数据。4.根据权利要求3所述的基于射频指纹的无人机信号识别方法，其特征在于，还包括：在对所述瞬时相位进行中心化处理之前，对所述瞬时相位中的非线性分量进行滤除。5.根据权利要求1所述的基于射频指纹的无人机信号识别方法，其特征在于，对所述射频指纹统计特征数据进行数据降维所采用的算法包括PCA降维算法。6.根据权利要求1所述的基于射频指纹的...

【专利技术属性】
技术研发人员：马显龙，郭晨鋆，龚泽威一，曹占国，
申请(专利权)人：云南电网有限责任公司电力科学研究院，
类型：发明
国别省市：