基于神经网络的无人机频射信号的识别方法和系统技术方案

本申请提供一种基于神经网络的无人机频射信号的识别方法和系统

【技术实现步骤摘要】
基于神经网络的无人机频射信号的识别方法和系统


[0001]本申请涉及无人机
，具体而言，涉及一种基于神经网络的无人机频射信号的识别方法和系统
。

技术介绍

[0002]近年来，无人机反制已成为人们关注的重要问题，这是因为获得一架有能力的无人驾驶飞行器非常容易，而且无人机飞越公共场所或重要场所的事件层出不穷
。
因此，无人机干扰器应运而生，并被推荐给有关机构以应对此类威胁
。
然而，全波段拦截干扰技术会影响其他同一工业
、
科学和医疗频段内的其他通信
。
因此，有必要开发智能干扰技术，以避免对其他通信设备造成附带影响
。

技术实现思路

[0003]本申请实施例的目的在于提供一种基于神经网络的无人机频射信号的识别方法和系统，用以降低破坏无人机与远程遥控通信时对其他邻近无线通信的影响
。
[0004]第一方面，本申请提供一种基于神经网络的无人机频射信号的识别方法，包括：
[0005]采集目标无人机与其远程控制之间的射频信号数据；
[0006]基于所述射频信号数据，确定所述目标无人机的通信信号频谱图；
[0007]基于训练好的神经网络确定所述目标无人机的通信信号频谱图对应的目标通信模型；
[0008]基于所述目标通信模型对所述目标无人机进行反制
。
[0009]在可选的实施方式中，基于所述射频信号数据，确定所述目标无人机的通信信号频谱图，包括：
[0010]对所述射频信号数据进行信号源分离处理，得到信号分离数据；
[0011]将所述信号分离数据通过最大重叠离散小波变换
MODWT
变换，获得所述目标无人机的通信信号频谱图
。
[0012]在可选的实施方式中，对所述射频信号数据进行信号源分离处理，得到信号分离数据，包括：
[0013]利用如下公式确定所述射频信号数据的上振幅：
[0014][0015]其中，为原信号的上振幅，
P.V.
是柯西主值的简写，
s(t)
为所述射频信号数据的采样点，
t
为采样点的时刻；
[0016]利用大小不同的滑动窗口对所述射频信号数据的上振幅的上振幅数据进行平滑处理，并计算不同滑动窗口的信号的上振幅的平滑度；
[0017]将平滑度最小的滑动窗口得到的平滑处理后的所述射频信号数据的上振幅数据，
作为最终的平滑处理后的所述射频信号数据的上振幅数据；
[0018]对平滑处理后的所述射频信号数据的上振幅数据通过二元分类进行信号源分离，得到信号分离数据
。
[0019]在可选的实施方式中，利用大小不同的滑动窗口对所述射频信号数据的上振幅的上振幅数据进行平滑处理，并计算不同滑动窗口的信号的上振幅的平滑度，包括：
[0020]当滑动窗口包括的数据点的个数为
M
，
M
为大于1的奇数，计算任一滑动窗口内的
M
个数据点的平均值，作为
M
个数据点的中间点的拟合值：
[0021][0022]其中，为第个数据点的拟合值；
[0023]从第一个数据点开始，逐点平移滑动窗口，得到对应的平滑处理后的所述射频信号数据的上振幅数据：
[0024][0025]计算窗口大小为
M
的平滑度
r
：
[0026][0027]当
M
分别取值
3、5、7
和9时，计算得到四个平滑度，以及四组平滑处理后的所述射频信号数据的上振幅数据
。
[0028]在可选的实施方式中，对平滑处理后的所述射频信号数据的上振幅数据通过二元分类进行信号源分离，得到信号分离数据，包括：
[0029]基于阈值
H
对平滑处理后的所述射频信号数据的上振幅数据进行二元分类，上振幅数据大于等于
H
的时刻的二元值为1，上振幅数据小于
H
的时刻的二元值为0；
[0030]利用二元值对所述射频信号数据进行信号源分离，得到信号分离数据，当两个数据点之间的所有数据点所对应的二元值均为1时，这两个数据点属于同一信号源，否则属于不同信号源
。
[0031]在可选的实施方式中，将所述信号分离数据通过最大重叠离散小波变换
MODWT
变换，获得所述目标无人机的通信信号频谱图，包括：
[0032]从所述信号分离数据中依次截取属于不同信号源的数据段；
[0033]对每个所述数据段进行
MODWT
变换，得到该数据段的子频谱图；
[0034]综合所有子频谱图，得到所述目标无人机的通信信号频谱图
。
[0035]在可选的实施方式中，基于训练好的神经网络确定所述目标无人机的通信信号频谱图对应的目标通信模型，包括：将所述目标无人机的通信信号频谱图转换为通信信号频谱灰度图；基于训练好的神经网络确定所述目标无人机的通信信号频谱灰度图对应的目标通信模型；
[0036]所述方法还包括：
[0037]确定通信信号频谱图样本库，所述通信信号频谱图样本库包括多个通信信号频谱图样本，每个所述通信信号频谱图样本包括通信信号频谱图图像以及标签，所述标签包括无人机的名称和信号类型；
[0038]将所述通信信号频谱图样本库中每个通信信号频谱图转换为通信信号频谱灰度图；
[0039]定义一个
[F
s
×
T
capture
]的恒定时间频率空间，将所述通信信号频谱图样本库对应的通信信号频谱灰度图置于该空间的中心，其中，
F
s
为采样频率，采集时长
T
capture
＝
N
p
/F
s
，
N
p
为采集点的个数；
[0040]将所述频谱图样本库中占比为
α
的灰度图作为训练集输入所述神经网络进行训练，占比为1‑
α
的灰度图作为测试集用于测试和验证所构建的所述神经网络，最终得到训练好的所述神经网络模型
。
[0041]第二方面，本申请提供一种基于神经网络的无人机频射信号的识别系统，包括：
[0042]采集模块，用于采集目标无人机与其远程控制之间的射频信号数据；
[0043]转换模块，用于基于所述射频信号数据，确定所述目标无人机的通信信号频谱图；
[0044]识别模块，用于基于训练好的神经网络确定所述目标无人机的通信信号频谱图对应的目标通信模型；
[0045]反制模块，用于基于所述目标通信模型对所述目标无人机进行反制
。
[0046]在可选的实施方式中，所述转换模块具体用于：
[0047]对本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种基于神经网络的无人机频射信号的识别方法，其特征在于，包括：采集目标无人机与其远程控制之间的射频信号数据；基于所述射频信号数据，确定所述目标无人机的通信信号频谱图；基于训练好的神经网络确定所述目标无人机的通信信号频谱图对应的目标通信模型；基于所述目标通信模型对所述目标无人机进行反制
。2.
根据权利要求1所述的方法，其特征在于，基于所述射频信号数据，确定所述目标无人机的通信信号频谱图，包括：对所述射频信号数据进行信号源分离处理，得到信号分离数据；将所述信号分离数据通过最大重叠离散小波变换
MODWT
变换，获得所述目标无人机的通信信号频谱图
。3.
根据权利要求2所述的方法，其特征在于，对所述射频信号数据进行信号源分离处理，得到信号分离数据，包括：利用如下公式确定所述射频信号数据的上振幅：其中，为原信号的上振幅，
P.V.
是柯西主值的简写，
s(t)
为所述射频信号数据的采样点，
t
为采样点的时刻；利用大小不同的滑动窗口对所述射频信号数据的上振幅的上振幅数据进行平滑处理，并计算不同滑动窗口的信号的上振幅的平滑度；将平滑度最小的滑动窗口...

【专利技术属性】
技术研发人员：罗望春，莫兵兵，张兴华，张福，石志彬，刘洪驿，王鸿涛，吴烨，余德泉，李翔，兰青，
申请(专利权)人：中国南方电网有限责任公司超高压输电公司电力科研院，
类型：发明
国别省市：