【技术实现步骤摘要】
本专利技术属于无线电信号探测识别，尤其涉及一种非合作无人机频谱信号智能检测方法。
技术介绍
1、随着无人机技术的飞速发展和广泛应用，无人机安全问题逐渐凸显，激发了反无人机技术的发展。无人机的快速探测预警是实现有效反制的前提，应用较为广泛的主要有雷达、光电、无线电、声学等探测技术，其中，无线电探测是目前市场上应用最为广泛且技术较为成熟的被动探测手段，具有隐蔽性好、侦测距离远、可通过无人机通信信号特点识别目标等特点。
2、在反无应用中，要想守护防区安全并实施有效的反制手段，需要无线电探测系统提供是否探测到异常信号、该信号是否是无人机、信号对应的频点与带宽等必要信息，尤其关注对速度极快、无禁飞区的穿越机检测。而目前无人机信号检测技术大多是通过信号谱分析，人工设计提取信号的特征，再对提取的信号时域、频域特征进行比对，这种方法需要以建立已知无人机机型对应的信号特征库为前提，比较新信号与库内信号的相似度，从而判断采集的信号是否为无人机信号，并输出对应的信号特征。传统的无人机信号检测方法受限于先验的信号特征库，对信号特征库之外的非合作无人机信号的检测还需要人工进行判断。已有一些基于机器学习的信号检测方法应用于无人机信号检测识别中，文献“modulation classification using convolutional neural network based deeplearning model”使用信号的星座图作为cnn模型的输入来实现调制识别；文献“modulation classification method fo
技术实现思路
1、为解决上述技术问题，本专利技术提出了一种非合作无人机频谱信号智能检测方法，以解决上述现有技术存在的问题。
2、为实现上述目的，本专利技术提供了一种非合作无人机频谱信号智能检测方法，包括：
3、通过信号采集系统获取训练样本信号和实时信号；
4、对所述训练样本信号和实时信号进行处理，获得训练数据集和实时数据集；
5、基于数据增强模块、特征提取模块和分类器模块构建推理模型，通过所述训练数据集对所述推理模型进行训练，获得分类推理模型；
6、将所述实时数据集输入至所述分类推理模型中进行计算，获得信号类别输出结果；
7、对所述实时信号进行功率谱计算，获得信号的频点及带宽。
8、优选地，所述训练样本信号包括但不限于无人机图传信号、遥控器通信信号、易混淆的环境背景信号；
9、通过信号采集系统获取训练样本信号和实时信号的过程还包括：使用信号采集系统对测试地环境信号进行采集，获取背景底噪。
10、优选地，对所述训练样本信号和实时信号进行处理的过程包括：
11、对所述训练样本信号进行信号降噪、时频图转换操作，获得训练信号和实时数据集；
12、对所述训练信号进行数据打标操作，生成所述训练数据集。
13、优选地，所述特征提取模块包括输入层、第一卷积层、空间注意力机制、第二卷积层和第三卷积层。
14、优选地，将所述实时数据集输入至所述分类推理模型中进行计算的过程包括：
15、通过所述数据增强模块对所述实时数据集进行镜像反射、随机裁剪和rgb通道强度值处理，获得数据增强数据集；
16、将所述数据增强数据集输入至输入层进行缩放和归一化处理，获得处理图像；
17、将所述处理图像输入至第一卷积层进行特征提取，获得第一特征图；
18、通过所述空间注意力机制对所述第一特征图进行处理，获得第二特征图；
19、将所述第二特征图输入至第二卷积层中，获得第三特征图；
20、将所述第三特征图输入所述第三卷积层中，获得第四特征图；
21、将所述第四特征图输入至所述分类器模块中，获得信号类别输出结果。
22、优选地，所述输入层用于将输入的图像使用最近邻插值放缩为统一的尺寸227*227，将图像按照rgb三通道进行归一化处理，使得输入卷积神经网络中的各个像素值限制在0～1之间。
23、优选地，所述第一卷积层的卷积核大小为11*11*3，不扩充边缘，步长为4，激活函数使用selu函数，池化采用的池化核大小为3*3，不扩充边缘，步长为2；
24、所述第二卷积层使用的卷积核大小为5*5*96，扩充边缘为2，步长为1，激活函数使用selu函数，池化在用池化核大小为3*3，不扩充边缘，步长为2；
25、所述第三卷积层使用的卷积核大小为3*3*256，扩充边缘为1，步长为1，激活函数使用selu函数。
26、优选地，通过所述空间注意力机制对所述第一特征图进行处理，获得第二特征图的过程包括：
27、对输入特征图进行通道维度的全局最大池化和全局平均池化，将全局最大池化和全局平均池化结果按照通道拼接，对拼接结果进行卷积操作，通过激活函数得到空间注意力权重矩阵，空间注意力权重矩阵与第一特征图相乘，得到第二特征图。
28、优选地，将所述第四特征图输入至所述分类器模块中，获得信号类别输出结果的过程包括：
29、通过所述分类器模块的全连接层对所述第四特征图进行提取，获得2048个输出神经元；
30、将所述2048个输出神经元输入至所述分类器模块的输出层中得到与检测类别对应的神经元，以及每个类别对应的预测概率值。
31、优选地，所述获得信号的频点及带宽的过程包括：
32、对所述实时信号进行功率谱计算，获得信号功率谱；
33、对所述信号功率谱的最大包络进行峰值检测，得到峰值对应的频点；
34、从频点位置开始往两边遍历，当连续3个点的值都下降到峰值功率一半以下，则以左右3个点中最靠近频点的一个点作为信号带宽的左右边界位置，获得对应信号带宽。
35、与现有技术相比，本专利技术具有如下优点和技术效果：
36、本专利技术最有益的效果就是对信号特征库之外的目标检测具有良好的效果。
37、本专利技术适用于电磁环境复杂场景，能够有效去除环境噪声，突出待测信号特点，鲁棒性强；
38、本专利技术在新信号采集存储后，对已知类型的新信号可经过数据打标加入到模型训练中，训练时调用最优模型，在此基础上继续训练，网络模型易于持续更新迭代，检测识别效果好、泛化能力好；
39、本专利技术本文档来自技高网...
【技术保护点】
1.一种非合作无人机频谱信号智能检测方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的非合作无人机频谱信号智能检测方法，其特征在于，所述训练样本信号包括但不限于无人机图传信号、遥控器通信信号、易混淆的环境背景信号；
3.根据权利要求2所述的非合作无人机频谱信号智能检测方法，其特征在于，对所述训练样本信号和实时信号进行处理的过程包括：
4.根据权利要求1所述的非合作无人机频谱信号智能检测方法，其特征在于，所述特征提取模块包括输入层、第一卷积层、空间注意力机制、第二卷积层和第三卷积层。
5.根据权利要求4所述的非合作无人机频谱信号智能检测方法，其特征在于，将所述实时数据集输入至所述分类推理模型中进行计算的过程包括：
6.根据权利要求5所述的非合作无人机频谱信号智能检测方法，其特征在于，所述输入层用于将输入的图像使用最近邻插值放缩为统一的尺寸227*227，将图像按照RGB三通道进行归一化处理，使得输入卷积神经网络中的各个像素值限制在0～1之间。
7.根据权利要求6所述的非合作无人机频谱信号智能检测方法，其
8.根据权利要求5所述的非合作无人机频谱信号智能检测方法，其特征在于，通过所述空间注意力机制对所述第一特征图进行处理，获得第二特征图的过程包括：
9.根据权利要求5所述的非合作无人机频谱信号智能检测方法，其特征在于，将所述第四特征图输入至所述分类器模块中，获得信号类别输出结果的过程包括：
10.根据权利要求1所述的非合作无人机频谱信号智能检测方法，其特征在于，所述获得信号的频点及带宽的过程包括：
...【技术特征摘要】
1.一种非合作无人机频谱信号智能检测方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的非合作无人机频谱信号智能检测方法，其特征在于，所述训练样本信号包括但不限于无人机图传信号、遥控器通信信号、易混淆的环境背景信号；
3.根据权利要求2所述的非合作无人机频谱信号智能检测方法，其特征在于，对所述训练样本信号和实时信号进行处理的过程包括：
4.根据权利要求1所述的非合作无人机频谱信号智能检测方法，其特征在于，所述特征提取模块包括输入层、第一卷积层、空间注意力机制、第二卷积层和第三卷积层。
5.根据权利要求4所述的非合作无人机频谱信号智能检测方法，其特征在于，将所述实时数据集输入至所述分类推理模型中进行计算的过程包括：
6.根据权利要求5所述的非合作无人机频谱信号智能检测方法，其特征在于，所述输入层用于将输入的图像使用最近...
【专利技术属性】
技术研发人员：李鑫，王祥，孔政，陈日成，张清翔，刘子杨，程学武，
申请(专利权)人：航天物联网技术有限公司，
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。