CN114580476A - 一种无人机信号的识别模型构建方法及相应识别方法和*** - Google Patents

Abstract

本发明公开了一种无人机的识别模型构建方法及相应识别方法和***。本发明构建了用于利用无线电信号进行无人机识别的神经网络模型，并且对神经网络模型进行了训练，将其应用于无人机信号的识别。本发明通过将无线电信号分别转换成至少包括时间、频率和功率信息的时频图，进行特征提取代入卷积神经网络模型，该模型先利用训练数据进行训练，再代入测试数据进行目标无人机的类型识别；对时频图进行连通域识别进而基于时频图进行类别相似性判断，进而确定无线电信号的ID部分，进行特征提取代入机器学习分类器模型，该模型先利用训练数据进行训练，再代入测试数据进行目标无人机的个体识别。

Description

一种无人机信号的识别模型构建方法及相应识别方法和***

技术领域

本发明涉及无线电信号侦察领域，具体地，涉及一种无人机信号的识别模型构建方法以及无人机控制信号识别方法和***。

背景技术

近些年，由于在诸多领域的广泛应用和其所造成的安全隐患，针对非协作无人机的探测与识别技术受到了广泛的关注，通过对无人机遥控信号的感知和分析是实现非协作无人机识别的重要途径。为了提高控制器与无人机通信的抗干扰能力，小微型无人机多采用跳频信号作为控制信号：通过周期性地改变载频，降低了其在特定频段被干扰的频率，也提高了非协作情况下对其进行探测、识别的难度。现有技术中尚无能够有效针对非协作跳频控制信号的检测与识别的技术存在。

传统的无线电信号检测和识别方法主要遵循以下两个步骤：首先将目标信号从背景噪声和其他干扰中检测出来，这一步主要利用了匹配滤波、能量检测等手段。然后，通过信号解调、手动选择信号特征等方法对信号进行分类。但是，上述的方法通常存在以下问题：

1.传统信号检测和识别方法需要对具体类型的无线电信号设计专用的检测与识别方式，对非协作信号的检测能力较差，且难以实现扩展。

2.现有的基于机器学习的信号检测方法将信号检测问题转化为图像识别问题，并使用了传统的针对图像识别任务的卷积神经网络结构，未能充分地利用信号本身的特点。

3.对于使用跳频信号作为控制信号的无人机信号识别场景，使用时频图无法实现对信号制式(跳频图样和调制模式)相同的同类型多台无人机的个体识别。

因此，现有的信号检测和识别技术无法解决非协作无人机个体的检测、分类和识别问题。

发明内容

本发明针对非协作无人机探测与识别中存在的问题，提出了一种针对无人机个体的识别方法，能实现包括不同类和同类多台非协作无人机控制信号的探测、分类和识别。

具体而言，一方面，本发明提供一种无人机的识别模型构建方法，其特征在于，所述方法包括下述步骤：

(1)、获取多个无人机的无线电信号，将每个无人机的所述无线电信号分别转换成至少包括时间、频率和功率信息的时频图；

(2)、对所述时频图进行连通域识别，获取每个所述时频图中的连通区域；

(3)、对各个时频图中的连通区域分别进行聚类分析，其中，对于每个时频图确定其中的各个连通区域类别，对于每个连通区域类别确定相应时频图的跳频信号，保留该类别信号的频率分量，获得对于类别跳频信号的时频图；

(4)构建用于基于无线电信号的时频图进行无人机识别的卷积神经网络，将代表有标签的样本数据集分别按照步骤(1)-(3)进行处理获得对应的时频图，并带入到所述卷积神经网络中，对所述卷积神经网络模型进行训练，利用训练好的卷积神经网络基于时频图进行无人机信号分类；

(5)、对于同类信号的多个脉冲，使用其信号包络与样本信号包络进行互相关操作，对互相关结果进行峰值检测，估计当前时频图所对应的无线电信号脉冲位置，并估计该无线电脉冲信号的ID部分，对该部分进行特征提取；

(6)构建基于特征向量的机器学习分类器模型，利用样本数据对所述机器学习分类器模型进行训练。

在一种优选实现方式中，所述卷积神经网络包括第一卷积神经子网络、第二卷积神经子网络以及全连接网络，所述第一卷积神经子网络包括多层卷积层，所述第二卷积神经子网络包括间隔设置的卷积层和下采样层，所述第一卷积神经子网络和第二卷积神经子网络的输出被平展和拼接以作为全连接网络的输入。

在另一种优选实现方式中，所述方法还包括对来自同类无人机信号的脉冲进行信号结构估计，基于多台无人机和同一台无人机的多个脉冲不同信号部分的相似性程度确定无人机信号的同步信号、ID信号以及控制信号的所属片段，对所述ID信号进行特征提取。

在另一种优选实现方式中，所述信号结构估计包括：基于下式确定任意两个信号片段的相似性：

其中，s_it[n]、s_jt[n]分别表示来自信号s_i[n]和s_j[n]相同位置的片段，μ_it、μ_jt分别表示s_it[n]、s_jt[n]的均值。

在另一种优选实现方式中，若来自多台无人机和同一台无人机的多个脉冲的某一信号部分的相似性均高于低于阈值则，初步确定该信号部分为同步信号；若来自多台无人机和同一台无人机的多个脉冲该部分对应的信号片段之间的相似性均低于第二阈值，则初步确定该信号部分为控制信号；若来自多台无人机某信号部分对应的信号片段之间的相似性低于第三阈值，来自同一台无人机的多个脉冲该部分对应的信号片段之间的相似性高于第四阈值，则确定该信号部分为ID信号。

在另一种优选实现方式中，对判定为ID信号的无线电信号片段进行特征提取，生成特征向量，代入机器学习分类器模型。

另一方面，本发明提供一种利用方法构建的模型进行无人机识别的方法，其特征在于，所述方法包括：获取待识别无人机的无线电信号，将所述无线电信号按照所述步骤(1)-(3)进行处理获得当前信号的时频图，将所述时频图代入训练好的卷积神经网络进行无人机信号分类；

对分类后的所述无人机信号按照所述步骤(5)进行特征提取；

将所提取的特征输入到训练好的机器学习分类器模型进行无人接信号识别。

另一方面，本发明提供一种无人机信号识别***，其特征在于，所述***包括：信号接收采集模块、信号处理模块、信号类型识别模块以及分类识别模块，其中，

所述信号接收采集模块用于接收和采集无人机信号的训练数据和实测数据；

所述信号处理模块用于将所述无线电信号分别转换成至少包括时间、频率和功率信息的时频图，获取每个所述时频图中的连通区域，对各个时频图中的连通区域进行聚类分析以确定每个时频图中的连通区域类别，根据连通区域的类别相似性确定相应时频图的跳频信号，保留同类信号的频率分量，获得对于当前跳频信号的时频图；

所述信号类型识别模块内集成有基于无线电信号的时频图进行无人机类型识别的卷积神经网络，用于基于时频图对所述无人机信号进行类型识别；

所述信号个体识别模块用于对同类信号的多个脉冲，使用其信号包络与样本信号包络进行互相关操作，对互相关结果进行峰值检测，估计当前时频图所对应的无线电信号脉冲位置，确定无线电信号的ID部分，对该部分进行特征提取，利用基于特征向量的机器学习分类器模型基于所提取的特征进行无人机信号识别。

本发明针对非协作无人机识别的复杂场景，提出针对无人机控制信号的识别方法，解决了现有技术中存在的三个问题，有效实现了不同类型无人机的分类识别和同类型多台无人机的个体识别。

附图说明

图1为：本发明提供的无人机个体识别方法的流程示意图。

图2为一段干扰信号明显的示例信号。

图3为通过短时傅里叶变换获得的示例信号的时频图。

图4为时频图中的连通区域按照其相似性进行聚类的结果，聚类完成后，去除其他聚类所对应的信号，仅保留跳频信号(即该图中的类别1)，得到对应于当前跳频信号的时频图。

图5为本发明实施例中步骤2.2的卷积神经网络结构示意图。

具体实施方式

下面结合实施例及附图对本发明作进一步详细的描述，但本发明的实施方式不限于此。

总体而言，本发明的方法包括三个主要的阶段，1、信号转换阶段，2、类型识别阶段，3、个体识别阶段。

本发明中所提到的信号指的是无人机或者其他目标识别设备的无线电信号，无线电信号可以采用现有的常规无线电接收设备进行接收和采集，对其接收和采集的过程这里不再详述，下文中所提到的无线电信号均为已经模数转换后的数字无线电信号，原始获取的无线电信号为时域信号。

下面，分阶段对信号的处理以及模型的构建及使用过程进行详细描述。

1、信号转换阶段

信号转换阶段主要包括以下步骤：

1.1、通过STFT变换将时域无线电信号转换为二维时频图。

其中，STFT变换(Short-Time Fourier Transform,短时傅里叶变换)是一种数学变换，通过在时域信号s[n]中移动窗函数w[n]并计算不同时刻的功率谱，将包含时间、信号强度信息的时域信号转换为包含时间、频率和功率信息在内的时频图。对于时域信号s_rec[n]，其时频图可表示为：

SG_rec[ω,n]＝|∑_n‘s_rec[n′]w[n′-n]e^-jωn′|²。

其中n与ω分别表示时间和频率，n′为关于时间的求和变量，j为虚数符号。

1.2、通过跳频图样识别得到时频图中的跳频脉冲信息。

其中跳频图样识别包括提升信噪比、连通区域生成、无监督聚类步骤。本实施例中，对于时频图，提升信噪比的效果可以通过截断低于阈值的背景噪声来获得，其中阈值可以通过时频图中的能量分布曲线的特性自动获得。连通区域是指通过将图像中像素值大于零且位置相邻(四连通或八连通)的像素点组成的图像区域，连通区域生成是指通过遍历图像(即时频图)、依次入栈的方法(或其他方法)获得时频图中的连通区域。无监督聚类是指根据连通区域的形状等特征，将从时频图中提取到的连通区域按照其相似性聚集为几类；对于聚类到同一类、具有相似时间间隔的信号被视作是跳频信号；保留同类信号的频率分量，去除其他的频率分量，得到对应于当前跳频信号(即剔除干扰和其他非同类信号)的时频图。

1.3、通过精细脉冲定位得到跳频脉冲的高精度位置信息。具体为，通过同类信号多个脉冲之间的互相关信息来实现信号的同步。进一步地，对于载频不断变化的跳频脉冲，选择使用包络代替信号原波形做互相关实现同步以避免载频不同的脉冲因频率正交而相关为零。对于时域IQ(In-phase,Quadrature，即同向、正交)信号s[n]＝s_I[n]+js_Q[n]，其中s_I[n]和s_Q[n]分别表示信号的同相部分和正交部分，其包络e[n]可表示为：

e[n]＝|s_I[n]+js_Q[n]|

对于单路实信号s[n]，其包络e[n]可以通过希尔伯特变换获得，如下：

e[n]＝|s[n]+j∑_n′h[n-n′]s[n′]|

其中n′为关于时间的求和变量，h[n]为希尔伯特滤波器：

然后，通过寻找样本信号包络(已知信号或参照信号)和目标信号包络相关值的峰值，实现对目标信号的精细脉冲位置估计：

2、类型识别阶段

类型识别阶段包括：

2.1、训练卷积神经网络模型。在进行分类之前，将由样本数据生成的二维时频图导入到卷积神经网络模型中进行训练，得到训练完毕的卷积神经网络模型作为分类器。其中，样本数据可由用户指定；也可为***运行中遇到的新数据，用于在该无人机下次出现时进行识别。

2.2、使用训练好的卷积神经网络模型实现信号的分类。在信号分类识别阶段，以信号采集设备采集到的时域信号通过STFT转换得到的时频图作为输入，导入训练完毕的卷积神经网络模型进行分类识别，得到当前信号类型的分类结果。

本实施例2.1、2.2中提到的卷积神经网络模型采用本发明针对时频图特征专门设计的双流卷积神经网络模型(Two-Stream Convolutional Neural Network)。其由两个分别为三层和五层(不包括输入层)的卷积神经网络与一个三层(不包括输入层)的全连接网络组成。第一个卷积神经网络流沿输入至输出方向包括输入、第一卷积层C1、第二卷积层C2和第三卷积层C3；第二个卷积神经网络流沿输入至输出方向包括输入、第四卷积层C4、第五卷积层C5、第一下采样层P1、第六卷积层C6和第二下采样层P2。两个卷积神经网络的输出被平展和拼接以作为全连接网络的输入。全连接网络沿输入到输出方向分别包含输入、第一全连接层F1、第二全连接F2和输出。相较于传统的神经网络结构，该神经网络结构具有以下创新和优势：(1)、通过两个尺度和步长不同的卷积神经网络(在卷积神经网络中，尺度是指卷积核的大小，代表的是卷积层感受野的大小；步长是指卷积操作的步长，代表了提取的精度。这里说的“两个尺度和步长不同的卷积神经网络”是指上文提到的“三层和五层”两个卷积神经网络)，充分利用不同跳频信号因为跳频图样和信号制式导致的时频图上不同尺度的特征；(2)、利用卷积层和线性整流函数(Rectified Linear Unit,ReLU)的计算性质，通过使用卷积层隐式实现对频谱图的去噪过程；(3)、通过双流结构降低卷积神经网络的层数，并在全连接网络中加入随机置零操作以降低过拟合的可能性。

通过上述步骤筛选出来自同一类无人机信息的脉冲。结合预处理过程中获得的脉冲位置与神经网络结构获得的分类信息，将来自同一类无人机的脉冲输出至个体识别阶段进行个体识别。

个体识别阶段包括：

1.在训练阶段，通过估计信号结构对来自同类无人机信号的脉冲进行信号结构的估计。发明人注意到：同类无人机使用同种制式的控制信号，对于用作同步的信号部分，来自多台无人机和同一台无人机的多个脉冲信号该部分(这里指单个跳频脉冲中，同步信号对应的部分)对应的信号片段之间的相似性较高；对于控制信令部分，来自多台无人机和同一台无人机的多个脉冲该部分对应的信号片段之间的相似性较低；对于ID部分，来自多台无人机该部分对应的信号片段之间的相似性较低，来自同一台无人机的多个脉冲该部分对应的信号片段之间的相似性较高。利用这种相似性上差异自动获得信号结构的大致估计，并对信号的ID部分进一步进行特征提取。在训练过程中，可以根据模型训练情况设定相似性阈值，并且，基于模型反馈情况进行阈值调节。

步骤1中的相似性可以通过下述系数。其取值范围为-1～+1。对于两组变量X和Y，其两者之间的系数绝对值越大，表示变量X和Y的线性关系越明显；其绝对值越小，表示变量X和Y之间的线性关系越弱。对于来自信号s_i[n]和s_j[n]相同位置的片段s_it[n]、s_jt[n]，其相似性corr_ij,t可表示为：

其中μ_it、μ_jt分别表示s_it[n]、s_jt[n]的均值。

2.从无线电信号中单个脉冲的最有可能的ID片段提取特征，生成特征向量。对于幅度上存在调制的信号，可以使用分形维数对其包络提取特征。

步骤2所提的分形维数，是一种对复杂形体不规则性的量度，反映了复杂形体占有空间的有效性。对于时域信号s，其分形维数D可表示为：

其中ε表示小立方体的边长，N(s,ε)表示用此小立方体覆盖被测形体所得的数目。

3.1训练机器学习分类器模型。在进行分类之前，将由样本数据生成的特征向量导入到机器学习分类器模型中进行训练，得到训练完毕的机器学习分类器模型作为分类器。其中，样本数据可由用户指定；也可为***运行中遇到的新数据，用于在该无人机下次出现时进行识别。

3.2使用训练好的机器学习分类器模型实现信号的分类。在信号个体识别阶段，以特征提取模块提取的同类信号脉冲的特征作为输入，导入训练完毕的机器学习分类器模型进行分类识别，得到当前信号个体的识别结果。

在一种优选实现方式中，步骤3.1、3.2中的机器学习分类器模型采用一套基于径向基核函数的、使用一对一法(one-versus-one,OVO)实现多分类的支持向量机。对于给定了包含了M类和N个样本的训练集X＝{(x₁,y₁),...(x_N,y_N)}，其中x_n∈R^K为K维向量，类标签y_n＝{1,2,...,M}，首先训练得到第i类和第j类的二分类支持向量机{w^ij,b^ij}，其中索引i,j∈{1,2,...,M}，i＜j：

其中下标t表示第i类和第j类的并集中的样本的索引，

为松弛变量，C为对松弛变量的惩罚项，φ(x)表示输入空间到特征空间的非线性映射。在本实例中，使用了径向基函数构造核函数实现了该映射，对于样本对

有：

其中σ为径向基核函数的参数。对于每一对索引对{i,j}单独进行训练，获得共计

个二分类支持向量机。随后，对于新数据样本x_new，由上述

个二分类支持向量机逐一进行预测分类，并以投票结果作为分类结果；以第i类和第j类的二分类支持向量机为例，若该二分类支持向量机对的预测为第i类，则i类得票+1，否则j类得票+1；随后，统计各类得票，最终得票数最多的类别就是该组支持向量机对新数据样本x_new的预测；特殊地，如果出现平票的情况，选择索引较小的类别作为新数据样本x_new的预测。

此外，本实施例还提供了一种基于射频机器学习的非协作无人机控制信号识别***，包括信号接收采集模块、信号预处理模块、信号类型识别模块、信号个体识别模块、分类识别结果显示模块。

信号接收采集模块包括天线、下变频器和数字化采样设备，用于对无线电信号采样，获得时域信号。

信号样本预处理模块包括时频图转换模块、跳频图样识别模块、精细跳频位置估计模块，用于通过STFT变换将无线电信号的时域数据转换为二维时频图数据，并通过结合时域数据样本和时频域数据样本信息获得脉冲的位置估计。

信号类型识别模块包括信号类型识别分类器模块和脉冲筛选模块；信号类型识别分类器模块用于将时频图转换模块输出的时频图信息作为输入，导入训练好的神经网络模型进行信号的分类识别，并将分类识别结果输出到分类识别结果显示模块以及脉冲筛选模块；脉冲筛选模块结合信号的分类识别结果，将时域数据中的脉冲按照类别输入到信号个体识别模块中用于信号的个体识别。

信号个体识别模块包括脉冲结构估计模块、特征提取模块、信号个体识别分类器模块；脉冲结构估计模块用于对脉冲筛选模块输出的同类信号脉冲进行统计分析，给出信号结构的大致估计；特征提取模块用于从脉冲结构估计得到的最有可能的ID部分提取特征，实现数据降维；信号个体识别分类器模块以特征提取模块输出的特征向量作为输入，导入训练好的机器学习分类器模型进行信号的个体识别，并将个体识别结果输出到分类识别结果显示模块。分类识别结果显示模块用于展示信号的分类识别结果和个体识别结果。

虽然上面结合本发明的优选实施例对本发明的原理进行了详细的描述，本领域技术人员应该理解，上述实施例仅仅是对本发明的示意性实现方式的解释，并非对本发明包含范围的限定。实施例中的细节并不构成对本发明范围的限制，在不背离本发明的精神和范围的情况下，任何基于本发明技术方案的等效变换、简单替换等显而易见的改变，均落在本发明保护范围之内。

Claims (8)

1.一种无人机的识别模型构建方法，其特征在于，所述方法包括下述步骤：

(1)、获取多个无人机的无线电信号，将每个无人机的所述无线电信号分别转换成至少包括时间、频率和功率信息的时频图；

(2)、对所述时频图进行连通域识别，获取每个所述时频图中的连通区域；

(3)、对各个时频图中的连通区域分别进行聚类分析，其中，对于每个时频图确定其中的各个连通区域类别，对于每个连通区域类别确定相应时频图的跳频信号，保留该类别信号的频率分量，获得对于类别跳频信号的时频图；

(4)构建用于基于无线电信号的时频图进行无人机识别的卷积神经网络，将代表有标签的样本数据集分别按照步骤(1)-(3)进行处理获得对应的时频图，并带入到所述卷积神经网络中，对所述卷积神经网络模型进行训练，利用训练好的卷积神经网络基于时频图进行无人机信号分类；

(5)、对于同类信号的多个脉冲，使用其信号包络与样本信号包络进行互相关操作，对互相关结果进行峰值检测，估计当前时频图所对应的无线电信号脉冲位置，并估计该无线电脉冲信号的ID部分，对该部分进行特征提取；

(6)构建基于特征向量的机器学习分类器模型，利用样本数据对所述机器学习分类器模型进行训练。

2.根据权利要求1所述的方法，其特征在于，所述卷积神经网络包括第一卷积神经子网络、第二卷积神经子网络以及全连接网络，所述第一卷积神经子网络包括多层卷积层，所述第二卷积神经子网络包括间隔设置的卷积层和下采样层，所述第一卷积神经子网络和第二卷积神经子网络的输出被平展和拼接以作为全连接网络的输入。

3.根据权利要求1所述的方法，其特征在于，所述方法还包括对来自同类无人机信号的脉冲进行信号结构估计，基于多台无人机和同一台无人机的多个脉冲不同信号部分的相似性程度确定无人机信号的同步信号、ID信号以及控制信号的所属片段，对所述ID信号进行特征提取。

4.根据权利要求3所述的方法，其特征在于，所述信号结构估计包括：基于下式确定任意两个信号片段的相似性：

其中，s_it[n]、s_jt[n]分别表示来自信号s_i[n]和s_j[n]相同位置的片段，μ_it、μ_jt分别表示s_it[n]、s_jt[n]的均值。

5.根据权利要求3或4所述的方法，其特征在于，若来自多台无人机和同一台无人机的多个脉冲的某一信号部分的相似性均高于低于阈值则，初步确定该信号部分为同步信号；若来自多台无人机和同一台无人机的多个脉冲该部分对应的信号片段之间的相似性均低于第二阈值，则初步确定该信号部分为控制信号；若来自多台无人机某信号部分对应的信号片段之间的相似性低于第三阈值，来自同一台无人机的多个脉冲该部分对应的信号片段之间的相似性高于第四阈值，则确定该信号部分为ID信号。

6.根据权利要求5所述的方法，其特征在于，对判定为ID信号的无线电信号片段进行特征提取，生成特征向量，代入机器学习分类器模型。

7.一种利用权利要求1所述方法构建的模型进行无人机识别的方法，其特征在于，所述方法包括：获取待识别无人机的无线电信号，将所述无线电信号按照所述步骤(1)-(3)进行处理获得当前信号的时频图，将所述时频图代入训练好的卷积神经网络进行无人机信号分类；

对分类后的所述无人机信号按照所述步骤(5)进行特征提取；

将所提取的特征输入到训练好的机器学习分类器模型进行无人接信号识别。

8.一种无人机信号识别***，其特征在于，所述***包括：信号接收采集模块、信号处理模块、信号类型识别模块以及分类识别模块，其中，

所述信号接收采集模块用于接收和采集无人机信号的训练数据和实测数据；

所述信号处理模块用于将所述无线电信号分别转换成至少包括时间、频率和功率信息的时频图，获取每个所述时频图中的连通区域，对各个时频图中的连通区域进行聚类分析以确定每个时频图中的连通区域类别，根据连通区域的类别相似性确定相应时频图的跳频信号，保留同类信号的频率分量，获得对于当前跳频信号的时频图；所述信号类型识别模块内集成有基于无线电信号的时频图进行无人机类型识别的卷积神经网络，用于基于时频图对所述无人机信号进行类型识别；

所述信号个体识别模块用于对同类信号的多个脉冲，使用其信号包络与样本信号包络进行互相关操作，对互相关结果进行峰值检测，估计当前时频图所对应的无线电信号脉冲位置，确定无线电信号的ID部分，对该部分进行特征提取，利用基于特征向量的机器学习分类器模型基于所提取的特征进行无人机信号识别。

Images