CN111222430A - 一种基于人工智能的无人机识别方法及*** - Google Patents
一种基于人工智能的无人机识别方法及*** Download PDFInfo
- Publication number
- CN111222430A CN111222430A CN201911378364.2A CN201911378364A CN111222430A CN 111222430 A CN111222430 A CN 111222430A CN 201911378364 A CN201911378364 A CN 201911378364A CN 111222430 A CN111222430 A CN 111222430A
- Authority
- CN
- China
- Prior art keywords
- unmanned aerial
- aerial vehicle
- artificial intelligence
- signal
- frequency
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S5/00—Position-fixing by co-ordinating two or more direction or position line determinations; Position-fixing by co-ordinating two or more distance determinations
- G01S5/02—Position-fixing by co-ordinating two or more direction or position line determinations; Position-fixing by co-ordinating two or more distance determinations using radio waves
- G01S5/10—Position of receiver fixed by co-ordinating a plurality of position lines defined by path-difference measurements, e.g. omega or decca systems
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Signal Processing (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Radar Systems Or Details Thereof (AREA)
Abstract
本发明公开了一种基于人工智能的无人机识别方法及***,该方法包括:步骤S1:接收周围环境中的无线电信号;步骤S2:将采集到的无线电信号进行傅里叶变换运算生成频谱图,再将多帧频谱图进行叠加生成相应的时频图;步骤S3:将生成的时频图片经过人工智能方法判断时频图片中是否有无人机通信信号。该***包括接收天线阵列、数据采集单元、时频图生成单元以及处理单元。本发明具有原理简单、易实现、通用性好等优点。
Description
技术领域
本发明主要涉及到无人机技术领域,特指一种基于人工智能的无人机识别方法及***。
背景技术
近年来,民用无人机得到快速发展,其中小型消费级民用无人机呈现井喷式发展,目前无人机已经应用到很多领域,比如农业、个人航拍和警用侦查等。然而随着无人机快速增长,随之带来的安全威胁也受到越来越多的民众甚至国家政府的重视。为应对无人机黑飞滥用对个人隐私、治安管理及国家安全等造成的巨大威胁,相关的反无人机理论和技术研究也越来越受到国内外政府、学术界及工业界的高度重视。
目前比较流行的无人机通信信号识别方法是先由本领域从业者提出的挑选信号关键特征,如功率谱密度最大值、信号包络峭度、瞬时相位标准差、相位脉冲个数、循环谱、高阶矩等时/频域信号特征,然后利用传统的信号处理算法计算特征参数。再通过采集到环境中的信号与相应的特征进行匹配来达到无人机的检测识别。
现有无人机通信信号识别方法存在一些不足:
1、一种无人机信号模型需要选取其中的几项甚至十几项特征作为模型输入,计算复杂度非常高,很难实际部署使用。
2、对于增加检测的无人机机型很困难,需要增加新的特征参数,且特征参数提取依靠人为的经验值,不具备普适性。
发明内容
本发明要解决的技术问题就在于:针对现有技术存在的技术问题,本发明提供一种原理简单、易实现、通用性好的基于人工智能的无人机识别方法及***。
为解决上述技术问题,本发明采用以下技术方案:
一种基于人工智能的无人机识别方法,其特征在于,包括:
步骤S1:接收周围环境中的无线电信号;
步骤S2:将采集到的无线电信号进行傅里叶变换运算生成频谱图,再将多帧频谱图进行叠加生成相应的时频图;
步骤S3:将生成的时频图片经过人工智能方法判断时频图片中是否有无人机通信信号。
作为本发明方法的进一步改进:在步骤S3中,如果判定有无人机信号,则通过测向方法对无人机方位进行测算。
作为本发明方法的进一步改进:在步骤S3中,如果判定有无人机信号,则通过测距方法对无人机距离进行测算。
作为本发明方法的进一步改进:所述的测向法为:首先需要根据天线阵列的方向图建立相应的模型,在0—360°方向上用接收天线阵列中各个天线之间的接收强度值表示,通过查找表的方式得到无人机方向;即使用时根据输出的多个通道的无人机信号的信号强度值,建立以每个角度下每个天线信号强度值为行的矩阵,然后对应信号强度值依次与查找表矩阵的行做差值运算再求其方差,方差最小的行及代表最匹配的方向,从而实现无人机测向。
作为本发明方法的进一步改进:所述的测距法为:根据接收到的无人机信号的信号强度,利用无线电大气衰减公式计算处无人机离***的距离。
作为本发明方法的进一步改进:所述步骤S2中,首先将数字无线电信号通过傅里叶变化生成单次频谱图;然后通过多次傅里叶变换的频谱图叠加而生成时频图片。
作为本发明方法的进一步改进:所述步骤S3中,先通过大量无人机信号对算法网络进行训练,训练好的算法网络将生成相应的权重值文件,在使用时加载相应的权重值文件再对输入到算法里面的时频图片进行运算就能识别输入图片中是否含有无人机信号。
作为本发明方法的进一步改进:当需要增加新的机型时,采集新的无人机信号的时频图对算法网络进行训练,生成新的权重值文件即可。
本发明进一步提供一种基于人工智能的无人机识别***,其包括:
接收天线阵列,用来接收周围环境中的无线电信号;
数据采集单元,用来采集无线电信号;
时频图生成单元,用来将采集到的无线电信号进行傅里叶变换运算生成频谱图,再将多帧频谱图进行叠加生成相应的时频图;
处理单元,用来将生成的时频图经过人工智能算法判断时频图片中是否有无人机通信信号,如果有无人机信号,再通过测向测距方法对无人机方位及其距离进行测算。
作为本发明***的进一步改进:所述天线阵列采用多个全频段天线组成,覆盖0—6Ghz无线电信号接收范围,覆盖水平360°接收方向。
与现有技术相比,本发明的优点在于:
1、本发明的基于人工智能的无人机识别方法和***,原理简单、易实现、通用性好,其采用人工智能的方法对无人机通信信号的检测。人工智能方法只需要利用无人机信号进行训练就能提取到相应的特征权重值,再根据这些特征权重值就能实现无人机信号的检测。不再需要专家挑选信号的特征。对于增加新的无人机机型种类,人工智能方法只需要提供新类型无人机信号进行训练即可实现机型的增加,增加机型简单方便。
2、本发明的基于人工智能的无人机识别方法和***,是一个完整的无人机识别和探测的***能够识别无人机型号及其无人机所在方位和距离。
附图说明
图1是本发明方法的流程示意图。
图2是本发明在具体应用实例中接收天线阵列的示意图。
图3是本发明在具体应用实例中时频图片生成的流程示意图。
图4是本发明在具体应用实例中时频图片生成的示意图。
图5是本发明在具体应用实例中识别无人机信号的流程示意图。
图6是本发明在具体应用实例中人工智能识别无人机信号结果示意图。
图7是本发明在具体应用实例中人工智能网络训练流程示意图。
图8是本发明在具体应用实例中人工智能网络模型的结构图。
具体实施方式
以下将结合说明书附图和具体实施例对本发明做进一步详细说明。
如图1-图8所示,本发明的基于人工智能的无人机识别方法,包括:
步骤S1:接收周围环境中的无线电信号;
步骤S2:将采集到的无线电信号进行傅里叶变换运算生成频谱图,再将多帧频谱图进行叠加生成相应的时频图;
步骤S3:将生成的时频图片经过人工智能方法判断时频图片中是否有无人机通信信号。
作为较佳的实施例,本发明进一步包括:在步骤S3中,如果判定有无人机信号,则再通过测向测距方法对无人机方位及其距离进行测算。
在具体应用实例中,本发明所采用的测向测距法,其中,在测向时,首先需要根据天线阵列的方向图建立相应的模型,在0—360°方向上用接收天线阵列中各个天线之间的接收强度值表示,查找表示意如表1。使用时根据人工智能算法输出的8个通道的无人机信号的信号强度值,依次与查找表矩阵的行做差值运算再求其方差,方差最小的行及代表最匹配的方向,从而实现无人机测向。而无人机测距则是根据接收到的无人机信号的信号强度,利用无线电大气衰减公式计算处无人机离***的距离。
表1测向查找表
参见图3,在具体应用实例中,在步骤S2中,首先将数字无线电信号通过傅里叶变化生成单次频谱图;然后通过多次傅里叶变换的频谱图叠加而生成时频图片。
参见图5,在具体应用实例中,无人机信号识别结果示意图参加图6,算法会输出无人机信号类别信号带宽和信号中心频点和置信度,图6中输出的结果是无人机类型:JL4(精灵4),信号带宽10M,信号中心频点2476M,此次检测结果置信度0.82。在步骤S3中,需要前期在处理单元中对通过大量无人机信号对算法网络进行训练,训练好的算法网络将生成相应的权重值文件,在使用时只需加载相应的权重值文件再对输入到算法里面的时频图片进行运算就能识别输入图片中是否含有无人机信号。进一步,如果需要增加新的机型只需要采集新的无人机信号的时频图对算法网络进行训练,生成新的权重值文件即可。
参见图7所示,人工智能网络训练流程。训练过程包括如下:
数据预处理:即将采集到的无人机无线电信号生成的时谱图,进行数据标定标定处图片中无人机信号的位置并对无人机种类进行分类做成数据集。
网络结构与模型配置:本实例中采用的是Yolo-V3网络模型。模型的结构参加图8。
训练和调参:即将数据集输入到网络模型中,通过不断的迭代运算,观察损失函数是否达到所期望的值,没有达到预期微调参数继续训练直到达到预期,最后输出权重值文件用于图5中的权重值文件输入。
结合图1所示,本发明进一步提供一种基于人工智能的无人机识别***,包括:
接收天线阵列,用来接收周围环境中的无线电信号;
数据采集单元,用来采集无线电信号;
时频图生成单元,用来将采集到的无线电信号进行傅里叶变换运算生成频谱图,再将多帧频谱图进行叠加生成相应的时频图;
处理单元,用来将生成的时频图经过人工智能算法判断时频图片中是否有无人机通信信号,如果有无人机信号,再通过测向测距方法对无人机方位及其距离进行测算。
参见图2,为本发明在具体应用实例中所采用的天线阵列示意图。天线阵列采用多个(如本实例的8个)全频段天线组成,覆盖0—6Ghz无线电信号接收范围,覆盖水平360°接收方向。
在具体应用实例中,数据采集单元采用AD芯片,通过AD芯片实现模拟信号到数字信号的转换。
参见图3,在具体应用实例中,为本发明在具体应用实例中时频图片生成的流程示意图。首先将数字无线电信号通过傅里叶变化生成单次频谱图;然后通过多次傅里叶变换的频谱图叠加而生成时频图片。参见图4,即为在具体应用实例中时频图片生成的示意图。
以上仅是本发明的优选实施方式,本发明的保护范围并不仅局限于上述实施例,凡属于本发明思路下的技术方案均属于本发明的保护范围。应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明原理前提下的若干改进和润饰,应视为本发明的保护范围。
Claims (10)
1.一种基于人工智能的无人机识别方法,其特征在于,包括:
步骤S1:接收周围环境中的无线电信号;
步骤S2:将采集到的无线电信号进行傅里叶变换运算生成频谱图,再将多帧频谱图进行叠加生成相应的时频图;
步骤S3:将生成的时频图片经过人工智能方法判断时频图片中是否有无人机通信信号。
2.根据权利要求1所述的基于人工智能的无人机识别方法,其特征在于,在步骤S3中,如果判定有无人机信号,则通过测向方法对无人机方位进行测算。
3.根据权利要求1所述的基于人工智能的无人机识别方法,其特征在于,在步骤S3中,如果判定有无人机信号,则通过测距方法对无人机距离进行测算。
4.根据权利要求2所述的基于人工智能的无人机识别方法,其特征在于,所述的测向法为:首先需要根据天线阵列的方向图建立相应的模型,在0—360°方向上用接收天线阵列中各个天线之间的接收强度值表示,通过查找表的方式得到无人机方向;即使用时根据输出的多个通道的无人机信号的信号强度值,建立以每个角度下每个天线信号强度值为行的矩阵,然后对应信号强度值依次与查找表矩阵的行做差值运算再求其方差,方差最小的行及代表最匹配的方向,从而实现无人机测向。
5.根据权利要求3所述的基于人工智能的无人机识别方法,其特征在于,所述的测距法为:根据接收到的无人机信号的信号强度,利用无线电大气衰减公式计算处无人机离***的距离。
6.根据权利要求1-5中任意一项所述的基于人工智能的无人机识别方法,其特征在于,所述步骤S2中,首先将数字无线电信号通过傅里叶变化生成单次频谱图;然后通过多次傅里叶变换的频谱图叠加而生成时频图片。
7.根据权利要求1-5中任意一项所述的基于人工智能的无人机识别方法,其特征在于,所述步骤S3中,先通过大量无人机信号对算法网络进行训练,训练好的算法网络将生成相应的权重值文件,在使用时加载相应的权重值文件再对输入到算法里面的时频图片进行运算就能识别输入图片中是否含有无人机信号。
8.根据权利要求7所述的基于人工智能的无人机识别方法,其特征在于,当需要增加新的机型时,采集新的无人机信号的时频图对算法网络进行训练,生成新的权重值文件即可。
9.一种基于人工智能的无人机识别***,其特征在于,包括:
接收天线阵列,用来接收周围环境中的无线电信号;
数据采集单元,用来采集无线电信号;
时频图生成单元,用来将采集到的无线电信号进行傅里叶变换运算生成频谱图,再将多帧频谱图进行叠加生成相应的时频图;
处理单元,用来将生成的时频图经过人工智能算法判断时频图片中是否有无人机通信信号,如果有无人机信号,再通过测向测距方法对无人机方位及其距离进行测算。
10.根据权利要求9所述的基于人工智能的无人机识别***,其特征在于,所述天线阵列采用多个全频段天线组成,覆盖0—6Ghz无线电信号接收范围,覆盖水平360°接收方向。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911378364.2A CN111222430A (zh) | 2019-12-27 | 2019-12-27 | 一种基于人工智能的无人机识别方法及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911378364.2A CN111222430A (zh) | 2019-12-27 | 2019-12-27 | 一种基于人工智能的无人机识别方法及*** |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111222430A true CN111222430A (zh) | 2020-06-02 |
Family
ID=70806103
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911378364.2A Pending CN111222430A (zh) | 2019-12-27 | 2019-12-27 | 一种基于人工智能的无人机识别方法及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111222430A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111785004A (zh) * | 2020-07-01 | 2020-10-16 | 上海广拓信息技术有限公司 | 一种巡线信息传递方法和*** |
CN114154545A (zh) * | 2021-12-07 | 2022-03-08 | 中国人民解放军32802部队 | 强互干扰条件下无人机测控信号智能识别方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107122738A (zh) * | 2017-04-26 | 2017-09-01 | 成都蓝色起源科技有限公司 | 基于深度学习模型的无线电信号识别方法及其实现*** |
CN108055094A (zh) * | 2017-12-26 | 2018-05-18 | 成都爱科特科技发展有限公司 | 一种无人机操作手频谱特征识别与定位方法 |
WO2018142395A1 (en) * | 2017-01-31 | 2018-08-09 | Arbe Robotics Ltd | A radar-based system and method for real-time simultaneous localization and mapping |
CN109031185A (zh) * | 2018-07-13 | 2018-12-18 | 中睿通信规划设计有限公司 | 一种基于无人机的定点比幅测向方法 |
CN109409225A (zh) * | 2018-09-21 | 2019-03-01 | 清华大学 | 基于雷达多径信号时频特征融合的无人机分类方法及装置 |
CN110084094A (zh) * | 2019-03-06 | 2019-08-02 | 中国电子科技集团公司第三十八研究所 | 一种基于深度学习的无人机目标识别分类方法 |
-
2019
- 2019-12-27 CN CN201911378364.2A patent/CN111222430A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2018142395A1 (en) * | 2017-01-31 | 2018-08-09 | Arbe Robotics Ltd | A radar-based system and method for real-time simultaneous localization and mapping |
CN107122738A (zh) * | 2017-04-26 | 2017-09-01 | 成都蓝色起源科技有限公司 | 基于深度学习模型的无线电信号识别方法及其实现*** |
CN108055094A (zh) * | 2017-12-26 | 2018-05-18 | 成都爱科特科技发展有限公司 | 一种无人机操作手频谱特征识别与定位方法 |
CN109031185A (zh) * | 2018-07-13 | 2018-12-18 | 中睿通信规划设计有限公司 | 一种基于无人机的定点比幅测向方法 |
CN109409225A (zh) * | 2018-09-21 | 2019-03-01 | 清华大学 | 基于雷达多径信号时频特征融合的无人机分类方法及装置 |
CN110084094A (zh) * | 2019-03-06 | 2019-08-02 | 中国电子科技集团公司第三十八研究所 | 一种基于深度学习的无人机目标识别分类方法 |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111785004A (zh) * | 2020-07-01 | 2020-10-16 | 上海广拓信息技术有限公司 | 一种巡线信息传递方法和*** |
CN111785004B (zh) * | 2020-07-01 | 2022-04-26 | 上海广拓信息技术有限公司 | 一种巡线信息传递方法和*** |
CN114154545A (zh) * | 2021-12-07 | 2022-03-08 | 中国人民解放军32802部队 | 强互干扰条件下无人机测控信号智能识别方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Nie et al. | UAV detection and identification based on WiFi signal and RF fingerprint | |
Medaiyese et al. | Wavelet transform analytics for RF-based UAV detection and identification system using machine learning | |
CN108540202B (zh) | 一种卫星通信信号调制方式识别方法、卫星通信*** | |
CN105824021B (zh) | 一种基于模数混合二维相控阵射频多波束智能成像*** | |
Zhao et al. | Classification of small UAVs based on auxiliary classifier Wasserstein GANs | |
CN112087774B (zh) | 一种基于残差神经网络的通信辐射源个体识别方法 | |
CN108280395B (zh) | 一种对低小慢无人机飞控信号的高效识别方法 | |
Ozturk et al. | RF-based low-SNR classification of UAVs using convolutional neural networks | |
CN111981910B (zh) | 一种基于人工智能的低空防御*** | |
US11372086B2 (en) | Radio frequency (RF) object detection using radar and machine learning | |
CN107194936B (zh) | 基于超像素联合稀疏表示的高光谱图像目标检测方法 | |
CN107092898B (zh) | 一种基于qpsk信号双谱能量熵和颜色矩的射频指纹识别方法 | |
CN107992882A (zh) | 一种基于WiFi信道状态信息和支持向量机的室内人数统计方法 | |
CN111222430A (zh) | 一种基于人工智能的无人机识别方法及*** | |
CN108566260A (zh) | 一种基于扰分多址的隐蔽通信方法 | |
CN111050315A (zh) | 一种基于多核双路网络的无线发射机识别方法 | |
CN111709329A (zh) | 一种基于深度学习的无人机测控信号高速识别方法 | |
CN110087233B (zh) | 一种基于射频指纹的无人机身份认证方法 | |
CN116471154A (zh) | 基于多域混合注意力的调制信号识别方法 | |
CN114757224A (zh) | 一种基于持续学习和联合特征提取的特定辐射源识别方法 | |
CN109446910A (zh) | 一种通信辐射源信号分类识别方法 | |
CN114095102A (zh) | 一种基于时频分析的无人机遥控信号识别方法 | |
CN116359836B (zh) | 一种基于超分辨率测向的无人机目标跟踪方法和*** | |
Liu | Unmanned aerial vehicle detection and identification using deep learning | |
CN116189021A (zh) | 多分支互交叉注意力增强的无人机多光谱目标检测方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20200602 |