【技术实现步骤摘要】
本专利技术属于无人机识别，特别涉及一种基于射频指纹的无人机信号识别方法。
技术介绍
1、近年来，射频指纹技术在无线通信、物联网等领域得到了广泛应用。射频指纹是指通信设备在通信过程中产生的具有设备唯一性的特征信息，可以通过提取和分析这些特征信息来识别不同的通信设备。由于无人机在通信过程中也会产生特定的射频指纹，因此，基于射频指纹的无人机信号识别方法具有巨大的应用潜力。
2、然而，目前基于射频指纹的无人机信号识别方法还存在一些挑战。首先，无人机的射频信号通常较为微弱，容易受到其他信号的干扰；其次，不同型号的无人机可能具有相似的射频指纹，导致识别精度不高；最后，现有的射频指纹提取和分析算法还不够成熟，需要进一步优化和改进。
技术实现思路
1、针对上述现有技术的不足，本专利技术的目的在于提出一种基于射频指纹的无人机信号识别方法；本专利技术揭示了一种先进的射频指纹技术，通过提取无人机射频信号的指纹特征，结合自适应小波的信号预处理、改进的emd-welch算法进行信号分解及特征提取，提高了无人机识别的准确性和可靠性，实现了对无人机的精准识别。
2、本专利技术的目的可以通过以下技术方案实现。
3、本专利技术提供一种基于射频指纹的无人机信号识别方法，包括以下步骤：
4、步骤一：射频信号预处理
5、对采集到的无人机i/q信号数据进行预处理；预处理包括先采用自适应小波去噪方法去除信号中的噪声和干扰，再对信号进行时间分割的步骤；
6
7、首先通过改进的emd算法将预处理后的重构信号分解成多个固有模态函数imfs，再根据得到的imf，采用welch算法提取功率谱密度psd特征，最后组合这些特征形成一个综合的特征集，代表无人机射频信号的独特指纹；
8、步骤三：分类识别
9、将步骤二中提取的psd特征集输入至分类器中进行学习和分类，以实现不同的无人机信号的区分和识别。
10、本专利技术中，步骤一中，用自适应小波去噪方法去除噪声的具体方法为：
11、步骤1.1：选择小波基函数morlet小波，设置分解层数；对无人机的i/q数据进行小波变换，得到各层的小波细节系数dj,k；
12、步骤1.2：根据噪声强度，利用最小均方lms算法自动确定自适应阈值；应用阈值函数对小波细节系数dj,k进行处理，得到处理后的小波细节系数d'j,k；
13、步骤1.3：使用处理后的小波细节系数d'j,k进行信号重构，得到去噪后的无人机i/q信号数据s(t)；该过程用公式表示为：
14、
15、其中，j是尺度指数，表示信号被分解的尺度或分解层数；k是时间索引，表示在特定尺度j上的时间位置或平移；ψα，β(t)是小波基函数的实例，用于在特定的尺度和位置上重构信号；ɑ表示尺度参数；β表示平移参数。
16、本专利技术中，步骤二中，通过改进的emd算法将射频信号分解成多个固有模态函数imfs的具体步骤为：
17、步骤2.1：先确定无人机i/q信号x(t)预处理后的重构信号s(t)的局部极大值和极小值点；
18、步骤2.2：对极大值和极小值点用三次样条函数进行插值处理，求出拟合出的上、下包络线的平均值m1，将信号s(t)减去包络均值线m1，得到一个新的信号；
19、步骤2.3：重复步骤2.1-步骤2.2，直到新信号满足imf的停止准则，记新信号h1是x(t)的第1个imf分量，命名它为第一阶段imf，记为c1；
20、步骤2.4：从x(t)中减去c1，得到残差r1，即剩余的未处理信号；
21、步骤2.5：重复步骤2.1～步骤2.4，从剩余的未处理信号中逐步提取新的imf分量，直到残差rn无法继续提取imf分量时，n表示总共提取出的imf的数量，循环结束；
22、步骤2.6：计算得到的imf分量ci与预处理后信号之间的互相关系数ρi和峭度值的大小；根据两值大小，如果互相关系数ρi小于0.12，峭度值小于3，则判别为伪分量，进行剔除。
23、本专利技术中，步骤2.3中，imf的停止准则如下：当新信号中的极值点数量与过零点数量相等或相差不超过1，且包络线的均值趋近于零，停止提取imf分量。
24、本专利技术中，步骤二中，采用welch算法提取功率谱密度psd特征的具体步骤如下：
25、步骤2.7.1：将信号分成重叠的段，每个信号段包含n个样本；
26、步骤2.7.2：对每个信号段应用汉宁窗，减少频谱泄漏和边缘效应；
27、步骤2.7.3：对每个窗口化的信号段进行快速傅里叶变换fft，得到每个信号段的频谱；
28、步骤2.7.4：对于每个fft输出，计算其幅值的平方，得到每个信号段的功率谱；
29、步骤2.7.5：将所有信号段的功率谱相加并除以信号段的数量，得到整个信号的平均功率谱。
30、本专利技术中，步骤三中，分类器采用knn分类器或者svm分类器，采用五折交叉验证评估分类器性能。
31、与现有技术相比，本专利技术的有益效果在于：
32、(1)通过结合自适应小波的信号预处理和改进的emd-welch算法进行信号分解及特征提取，能够更有效地从复杂的射频环境中提取无人机信号的关键特征，从而提高无人机信号的识别精度。
33、(2)通过自适应的信号处理方法和分类器设计，使得该技术能够适应雨天、雾天和复杂的电磁环境下的无人机信号识别，具有较强的适应性和普适性。
本文档来自技高网...【技术保护点】
1.一种基于射频指纹的无人机信号识别方法，其特征在于，包括以下步骤：
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，步骤一中，用自适应小波去噪方法去除噪声的具体方法为：
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，步骤二中，通过改进的EMD算法将射频信号分解成多个固有模态函数IMFs的具体步骤为：
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，步骤2.3中，IMF的停止准则如下：当新信号中的极值点数量与过零点数量相等或相差不超过1，且包络线的均值趋近于零，停止提取IMF分量。
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，步骤二中，采用Welch算法提取功率谱密度PSD特征的具体步骤如下：
6.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，步骤三中，分类器采用KNN分类器或者SVM分类器，采用五折交叉验证评估分类器性能。
【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，包括以下步骤：
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，步骤一中，用自适应小波去噪方法去除噪声的具体方法为：
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，步骤二中，通过改进的emd算法将射频信号分解成多个固有模态函数imfs的具体步骤为：
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...
【专利技术属性】
技术研发人员：左健存，孙晶国，季张源，李和威，王浩威，
申请(专利权)人：上海第二工业大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。