CN115809422A - 一种基于svm的无人机rf信号识别方法及*** - Google Patents
一种基于svm的无人机rf信号识别方法及*** Download PDFInfo
- Publication number
- CN115809422A CN115809422A CN202111069092.5A CN202111069092A CN115809422A CN 115809422 A CN115809422 A CN 115809422A CN 202111069092 A CN202111069092 A CN 202111069092A CN 115809422 A CN115809422 A CN 115809422A
- Authority
- CN
- China
- Prior art keywords
- unmanned aerial
- aerial vehicle
- signal
- data
- training
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 30
- 238000001514 detection method Methods 0.000 claims abstract description 23
- 238000007781 pre-processing Methods 0.000 claims abstract description 14
- 238000012549 training Methods 0.000 claims description 43
- 238000012360 testing method Methods 0.000 claims description 20
- 238000010276 construction Methods 0.000 claims description 4
- 238000000605 extraction Methods 0.000 claims description 4
- 230000011218 segmentation Effects 0.000 claims description 4
- 244000118350 Andrographis paniculata Species 0.000 claims description 3
- 238000012512 characterization method Methods 0.000 claims description 3
- 238000013145 classification model Methods 0.000 claims description 3
- 238000002372 labelling Methods 0.000 claims description 3
- 238000012795 verification Methods 0.000 claims description 3
- 230000007613 environmental effect Effects 0.000 claims description 2
- 238000005286 illumination Methods 0.000 abstract description 4
- 230000005540 biological transmission Effects 0.000 description 6
- 230000000694 effects Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000011664 signaling Effects 0.000 description 2
- 241001425390 Aphis fabae Species 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000001174 ascending effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000002790 cross-validation Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 239000002360 explosive Substances 0.000 description 1
- 230000008054 signal transmission Effects 0.000 description 1
Images
Classifications
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
Landscapes
- Radar Systems Or Details Thereof (AREA)
- Control Of Position, Course, Altitude, Or Attitude Of Moving Bodies (AREA)
Abstract
本发明公开了一种基于SVM的无人机RF信号识别方法及***。所述方法包括如下步骤:步骤1:采集无人机RF信号数据及背景噪声数据、WiFi信号数据;步骤2:对获取的无人机RF信号数据及背景噪声数据、WiFi信号数据进行数据预处理;步骤3:构建SVM分类器;步骤4:将待识别的无人机RF信号数据输入到训练好的分类器模型。本申请可通过无人机信号识别模型对无人机信号进行识别,通过接收采集无人机自主发射的信号,无需主动发射探测信号,节约的成本,避免了环境存在的如鸟类的干扰,也避免了因无人机本身物理条件带来的漏检误检,同时也无需考虑天气、光照影响,增强了本发明方法的适应性。
Description
技术领域
本发明涉及无人机技术领域,具体涉及一种基于SVM的无人机RF信号识别方法及***。
背景技术
近年来,无人机(unmanned aerial vehicle,UAV)应用越来越广泛,在专业摄影、拍摄、农业应用和灾难搜救皆有应用,给人们工作和生活带来了极大的便利,但也引发了大量个人隐私和公共安全问题,如UAV被用于入侵、侦察和运输***物等犯罪活动。因此由UAV引发的一系列事故警示人们,需要迅速有效地对抗无人机“黑飞”行为。
目前,最常用的UAV信号检测方法包括雷达探测、声学检测、视频检测和射频信号(radio frequency,RF)检测等。其中,在雷达探测方面,对于如无人机此类低小慢目标的检测,一直是雷达目标检测的一大难点;在声学检测方面,对环境噪声敏感;在视频检测方面,天气、光照及鸟类等也会极大影响检测性能。而RF信号属于无源信号,因此RF检测不用信号传输,不受UAV本身物理特性及天气光照的影响,检测条件相对较好,完全依赖于对目标UAV的RF信号接收。
一般无人机具有两种RF信号:遥控与图传,前者为控制无人机的上行信号,后者为数据传输的下行信号。图传信号通常工作在2.4GHz或5.8GHz的OFDM信号。常用于UAV信号分析的方法有三种:(1)对UAV遥控器信号的分类识别,通过提取信号时域、频域、周期等特征来进行信号检测;(2)提取和识别无人机的MAC地址;(3)通过提取无人机的图传信号特征来识别无人机。但这些方法均存在缺陷:(1)遥控信号易误报,如部分无人机的遥控器在无人机未飞行时仍会发出信号;(2)若无人机不使用WiFi通信,则无法创建MAC地址数据库;(3)图传信号检测的条件相对较好,但因为WiFi与图传在相似频段工作,仍然会受外界WiFi信号干扰。
发明内容
针对上述的WiFi信号与图传信号在相似频段工作,导致易受外界WiFi信号干扰的问题,本发明的目的是提供一种基于SVM的无人机RF信号识别方法及***。
第一方面,
本申请提供了一种基于SVM的无人机RF信号识别方法,所述方法包括如下步骤:
步骤1:采集无人机RF信号数据及背景噪声数据、WiFi信号数据,确定无人机信号识别任务为二分类,存在无人机与不存在无人机两种情况;
步骤2:对获取的无人机RF信号数据及背景噪声数据、WiFi信号数据进行数据预处理,包括样本数据切分、提取时频域特征、数据集构建;
步骤3:构建SVM分类器,然后通过构建的数据集训练SVM分类器,并保存训练完成的分类器模型;
步骤4:将待识别的无人机RF信号数据输入到训练好的分类器模型,输出其对应的类别,完成无人机信号的识别。
其中,在步骤1中,所述无人机RF信号数据为正交频分复用调制信号,带宽范围为10-20MHz;所述背景噪声数据、WiFi信号数据为IEEE 802.11.n标准协议,带宽为20-40MHz;所述背景噪声包括环境噪声与遥控信号。
其中,在步骤2中,所述样本数据切分为将采集到的连续的无人机RF时域信号数据进行切分,并依次进行预处理为一个样本。
其中,在步骤2中,所述提取时频域特征包括:
时域信号均值特征:
时域信号绝对值的均值特征:
时域信号标准差值特征:
交叉熵值特征:
均方根值特征:
根值特征:
方差值特征:
峰值特征:
xmax=Max(xi),i=1,2,...N (8)
Max-min值特征:
xmax-min=Max(xi)-Min(xi),i=1,2,...N (9)
Creat factor值特征:
Clearance factor值特征:
频域为时域信号进行FFT后提取上述(1)(2)(3)(4)(5)(6)(7)(8)(9)(10)(11)式的特征。
其中,一共提取22个特征,将各个特征组合为一个向量,构成单个样本的特征向量,然后整理多个样本,构建样本数据集,并将样本数据集按照0.8:0.2的比例划分为训练集与测试集。
其中,在步骤3中,所述构建SVM分类器并训练包括:构建的无人机信号分类模型的训练、测试评估采用交验验证方法:将训练数据集划分为n组,每次选取一组作为测试集,其它组作为训练集,将训练集中的训练数据用于SVM分类器的训练,然后依次训练epoch论。而测试集中的数据不参与训练,主要用于对训练好的无人机信号识别模型进行评估,若测试集的准确率达到预期值,则保存模型,用于后续单个样本的检测。
其中,在步骤4中,进行无人机信号的识别包括:对待检测信号进行预处理包括:收集、切分、提取时频域特征共22特征构成特征向量,然后输入到训练好的SVM分类器模型,前向计算输出结果是否存在无人机,完成无人机信号的识别。
第二方面,
与上述方法相对应地,本发明实施例提供了一种基于SVM的无人机RF信号识别***,包括如下模块:
第一模块,用于采集无人机RF信号数据及背景噪声数据、WiFi信号数据,根据无人机是否存在定义无人机信号数据的标签类别,并进行分类标注,得到样本数据集,且进一步的将其划分为训练集与测试集,样本数据集中的每条训练数据包括无人机信号数据及其标签类别;
第二模块,用于根据无人机信号识别任务构建SVM分类器,并使用训练数据集对所构建的SVM分类器进行训练,使用测试数据集对所构建的SVM分类器进行最终评估,得到训练完成的无人机信号识别SVM分类器;
第三模块,用于将待检测的无人机信号数据经过预处理构建特征向量,然后输入到训练好的无人机信号识别SVM分类器,输出其对应的标签类别,完成无人机信号的识别。
与现有技术相比,本发明的有益效果为:
本申请提供的基于SVM的无人机RF信号识别方法及***,可通过无人机信号识别模型对无人机信号进行识别,通过接收采集无人机自主发射的信号,无需主动发射探测信号,节约的成本,避免了环境存在的如鸟类的干扰,也避免了因无人机本身物理条件带来的漏检误检,同时也无需考虑天气、光照影响,增强了本发明方法的适应性。另外针对无人机图传信号与WiFi信号在相似带宽,尤其两者信号在频域中重叠时,而带来的检测困难问题,本发明也能很好的缓解,并取得了较好的识别率。另外还采用交叉验证的方法,使所有训练数据即可训练又可验证,并最终通过测试集进行测试评估,保证了模型的精度。
附图说明
图1为本发明的整个运行流程示意图。
图2为本发明构建样本数据集的流程图。
具体实施方式
以下结合附图和具体实施例对本发明作进一步详细说明。应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
如图1所示,本实施例提供的一种基于SVM的无人机RF信号识别方法,包括如下步骤:
步骤1:采集无人机RF信号数据及背景噪声数据、WiFi信号数据,确定无人机信号识别任务为二分类,其中一类为:RF、RF+noise、RF+WiFi、RF+WiFi+noise为存在无人机情况;另一类为noise、WiFi+noise为不存在无人机情况。
步骤2:对获取的无人机RF信号数据及背景噪声数据、WiFi信号数据进行数据预处理,包括样本数据切分、提取时频域特征、数据集构建;
步骤3:构建SVM分类器,然后通过构建的数据集训练SVM分类器,并保存训练完成的分类器模型;
步骤4:将待识别的无人机RF信号数据输入到训练好的无人机信号识别模型,输出其对应的类别,完成无人机信号的识别。
在优选的实施例中,在步骤1中,所述获取无人机RF信号数据为正交频分复用(OFDM)调制信号,带宽范围为10-20MHz;
所述WiFi信号数据为IEEE 802.11.n标准协议,带宽为20-40MHz;
所述背景噪声数据包括环境噪声与遥控信号。
采集到的信号涉及RF、RF+noise、RF+wifi、RF+wifi+noise、noise、wifi+noise六种情况,然后将其分为两类,为无人机信号识别任务即无人机是否存在的识别提供数据基础。
在优选的实施例中,在步骤2中,如图2所示,数据预处理,包括样本数据切分、时频域特征提取、样本数据及构建。
其中如图2所示所述提取时域特征包括:
时域信号均值特征:
时域信号绝对值的均值特征:
时域信号标准差值特征:
交叉熵值特征:
均方根值特征:
根值特征:
方差值特征:
峰值特征:
xmax=Max(xi),i=1,2,...N (8)
Max-min值特征:
xmax-min=Max(xi)-Min(xi),i=1,2,...N (9)
Creat factor值特征:
Clearance factor值特征:
频域为时域信号进行FFT后提取上述(1)(2)(3)(4)(5)(6)(7)(8)(9)(10)(11)式的特征。一共提取22个特征,将各个特征组合为一个向量,构成单个样本的特征向量,然后整理多个样本,构建样本数据集,并将样本数据集按照0.8:0.2的比例划分为训练集与测试集。
在优选的实施例中,在步骤3中,所述构建SVM分类器并训练包括:
构建的无人机信号分类模型的训练、测试评估采用交验验证方法:将训练数据集划分为n组,每次选取一组作为测试集,其它组作为训练集,将训练集中的训练数据用于SVM分类器的训练,然后依次训练epoch论。而测试集中的数据不参与训练,主要用于对训练好的无人机信号识别模型进行评估,若测试集的准确率达到预期值,则保存模型,用于后续单个样本的检测。
在优选的实施例中,在步骤4中,进行无人机信号的识别包括:
对待检测信号进行预处理包括:收集、切分、提取时频域特征共22特征构成特征向量,然后输入到训练好的SVM分类器模型,前向计算输出结果是否存在无人机,完成无人机信号的识别。
与上述方法相对应地,本发明实施例提供了一种基于SVM的无人机RF信号识别***,包括如下模块:
第一模块,用于采集无人机RF信号数据及背景噪声数据、WiFi信号数据,根据无人机是否存在定义无人机信号数据的标签类别,并进行分类标注,得到样本数据集,且进一步的将其划分为训练集与测试集,样本数据集中的每条训练数据包括无人机信号数据及其标签类别;
第二模块,用于根据无人机信号识别任务构建SVM分类器,并使用训练数据集对所构建的SVM分类器进行训练,使用测试数据集对所构建的SVM分类器进行最终评估,得到训练完成的无人机信号识别SVM分类器;
第三模块,用于将待检测的无人机信号数据经过预处理构建特征向量,然后输入到训练好的无人机信号识别SVM分类器,输出其对应的标签类别,完成无人机信号的识别。
需说明的是,本发明实施例的***与上述实施例的方法的具体实施细节及效果相同或相似,在此不再赘述。
以上结合附图详细描述了本发明实施例的可选实施方式,但是,本发明实施例并不限于上述实施方式中的具体细节,在本发明实施例的技术构思范围内,可以对本发明实施例的技术方案进行多种简单变型,这些简单变型均属于本发明实施例的保护范围。
另外需要说明的是,在上述具体实施方式中所描述的各个具体技术特征,在不矛盾的情况下,可以通过任何合适的方式进行组合。为了避免不必要的重复,本发明实施例对各种可能的组合方式不再另行说明。
Claims (8)
1.一种基于SVM的无人机RF信号识别方法,其特征在于,所述方法包括如下步骤:
步骤1:采集无人机RF信号数据及背景噪声数据、WiFi信号数据,确定无人机信号识别任务为二分类,存在无人机与不存在无人机两种情况;
步骤2:对获取的无人机RF信号数据及背景噪声数据、WiFi信号数据进行数据预处理,包括样本数据切分、提取时频域特征、数据集构建;
步骤3:构建SVM分类器,然后通过构建的数据集训练SVM分类器,并保存训练完成的分类器模型;
步骤4:将待识别的无人机RF信号数据输入到训练好的分类器模型,输出其对应的类别,完成无人机信号的识别。
2.根据权利要求1所述的一种基于SVM的无人机RF信号识别方法,其特征在于,在步骤1中,所述无人机RF信号数据为正交频分复用调制信号,带宽范围为10-20MHz;所述背景噪声数据、WiFi信号数据为IEEE 802.11.n标准协议,带宽为20-40MHz;所述背景噪声包括环境噪声与遥控信号。
3.根据权利要求1所述的一种基于SVM的无人机RF信号识别方法,其特征在于,在步骤2中,所述样本数据切分为将采集到的连续的无人机RF时域信号数据进行切分,并依次进行预处理为一个样本。
4.根据权利要求1所述的一种基于SVM的无人机RF信号识别方法,其特征在于,在步骤2中,所述提取时频域特征包括:
时域信号均值特征:
时域信号绝对值的均值特征:
时域信号标准差值特征:
交叉熵值特征:
均方根值特征:
根值特征:
方差值特征:
峰值特征:
xmax=Max(xi),i=1,2,...N (8)
Max-min值特征:
xmax-min=Max(xi)-Min(xi),i=1,2,...N (9)
Creat factor值特征:
Clearance factor值特征:
频域为时域信号进行FFT后提取上述(1)(2)(3)(4)(5)(6)(7)(8)(9)(10)(11)式的特征。
5.根据权利要求4所述的一种基于SVM的无人机RF信号识别方法,其特征在于,一共提取22个特征,将各个特征组合为一个向量,构成单个样本的特征向量,然后整理多个样本,构建样本数据集,并将样本数据集按照0.8:0.2的比例划分为训练集与测试集。
6.根据权利要求1所述的一种基于SVM的无人机RF信号识别方法,其特征在于,在步骤3中,所述构建SVM分类器并训练包括:构建的无人机信号分类模型的训练、测试评估采用交验验证方法:将训练数据集划分为n组,每次选取一组作为测试集,其它组作为训练集,将训练集中的训练数据用于SVM分类器的训练,然后依次训练epoch论。而测试集中的数据不参与训练,主要用于对训练好的无人机信号识别模型进行评估,若测试集的准确率达到预期值,则保存模型,用于后续单个样本的检测。
7.根据权利要求1所述的一种基于SVM的无人机RF信号识别方法,其特征在于,在步骤4中,进行无人机信号的识别包括:对待检测信号进行预处理包括:收集、切分、提取时频域特征共22特征构成特征向量,然后输入到训练好的SVM分类器模型,前向计算输出结果是否存在无人机,完成无人机信号的识别。
8.根据权利要求1所述的一种基于SVM的无人机RF信号识别***,其特征在于,包括如下模块:
第一模块,用于采集无人机RF信号数据及背景噪声数据、WiFi信号数据,根据无人机是否存在定义无人机信号数据的标签类别,并进行分类标注,得到样本数据集,且进一步的将其划分为训练集与测试集,样本数据集中的每条训练数据包括无人机信号数据及其标签类别;
第二模块,用于根据无人机信号识别任务构建SVM分类器,并使用训练数据集对所构建的SVM分类器进行训练,使用测试数据集对所构建的SVM分类器进行最终评估,得到训练完成的无人机信号识别SVM分类器;
第三模块,用于将待检测的无人机信号数据经过预处理构建特征向量,然后输入到训练好的无人机信号识别SVM分类器,输出其对应的标签类别,完成无人机信号的识别。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111069092.5A CN115809422B (zh) | 2021-09-13 | 2021-09-13 | 一种基于svm的无人机rf信号识别方法及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111069092.5A CN115809422B (zh) | 2021-09-13 | 2021-09-13 | 一种基于svm的无人机rf信号识别方法及*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115809422A true CN115809422A (zh) | 2023-03-17 |
CN115809422B CN115809422B (zh) | 2023-11-21 |
Family
ID=85481134
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111069092.5A Active CN115809422B (zh) | 2021-09-13 | 2021-09-13 | 一种基于svm的无人机rf信号识别方法及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115809422B (zh) |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106197424A (zh) * | 2016-06-28 | 2016-12-07 | 哈尔滨工业大学 | 遥测数据驱动的无人机飞行状态识别方法 |
CN107682109A (zh) * | 2017-10-11 | 2018-02-09 | 北京航空航天大学 | 一种适用于无人机通信***的干扰信号分类识别方法 |
US20180107182A1 (en) * | 2016-10-13 | 2018-04-19 | Farrokh Mohamadi | Detection of drones |
CN107993648A (zh) * | 2017-11-27 | 2018-05-04 | 北京邮电大学 | 一种无人机识别方法、装置及电子设备 |
CN110087233A (zh) * | 2019-03-28 | 2019-08-02 | 东南大学 | 一种基于射频指纹的无人机身份认证方法 |
US20200043346A1 (en) * | 2018-08-02 | 2020-02-06 | Joseph James Vacek | Unmanned aerial system detection and mitigation |
US20200158822A1 (en) * | 2018-09-06 | 2020-05-21 | Airspace Systems, Inc. | Unmanned aerial vehicle radar detection |
CN112270680A (zh) * | 2020-11-20 | 2021-01-26 | 浙江科技学院 | 基于声音和图像融合的低空无人机探测的方法 |
CN112348006A (zh) * | 2021-01-11 | 2021-02-09 | 湖南星空机器人技术有限公司 | 一种无人机信号识别方法、***、介质及设备 |
CN112801003A (zh) * | 2021-02-05 | 2021-05-14 | 江苏方天电力技术有限公司 | 一种无人机辐射源调制样式识别方法及装置 |
-
2021
- 2021-09-13 CN CN202111069092.5A patent/CN115809422B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106197424A (zh) * | 2016-06-28 | 2016-12-07 | 哈尔滨工业大学 | 遥测数据驱动的无人机飞行状态识别方法 |
US20180107182A1 (en) * | 2016-10-13 | 2018-04-19 | Farrokh Mohamadi | Detection of drones |
CN107682109A (zh) * | 2017-10-11 | 2018-02-09 | 北京航空航天大学 | 一种适用于无人机通信***的干扰信号分类识别方法 |
CN107993648A (zh) * | 2017-11-27 | 2018-05-04 | 北京邮电大学 | 一种无人机识别方法、装置及电子设备 |
US20200043346A1 (en) * | 2018-08-02 | 2020-02-06 | Joseph James Vacek | Unmanned aerial system detection and mitigation |
US20200158822A1 (en) * | 2018-09-06 | 2020-05-21 | Airspace Systems, Inc. | Unmanned aerial vehicle radar detection |
CN110087233A (zh) * | 2019-03-28 | 2019-08-02 | 东南大学 | 一种基于射频指纹的无人机身份认证方法 |
CN112270680A (zh) * | 2020-11-20 | 2021-01-26 | 浙江科技学院 | 基于声音和图像融合的低空无人机探测的方法 |
CN112348006A (zh) * | 2021-01-11 | 2021-02-09 | 湖南星空机器人技术有限公司 | 一种无人机信号识别方法、***、介质及设备 |
CN112801003A (zh) * | 2021-02-05 | 2021-05-14 | 江苏方天电力技术有限公司 | 一种无人机辐射源调制样式识别方法及装置 |
Non-Patent Citations (1)
Title |
---|
贺思捷等: ""遥测数据驱动的无人机飞行状态识别方法"", 《仪器仪表学报》, vol. 37, no. 9, pages 2004 - 2013 * |
Also Published As
Publication number | Publication date |
---|---|
CN115809422B (zh) | 2023-11-21 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Medaiyese et al. | Wavelet transform analytics for RF-based UAV detection and identification system using machine learning | |
Ozturk et al. | RF-based low-SNR classification of UAVs using convolutional neural networks | |
Zhao et al. | Classification of small UAVs based on auxiliary classifier Wasserstein GANs | |
US11915602B2 (en) | Drone detection, classification, tracking, and threat evaluation system employing field and remote identification (ID) information | |
CN109409225B (zh) | 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 | |
US10558186B2 (en) | Detection of drones | |
CN112068111A (zh) | 一种基于多传感器信息融合的无人机目标侦测方法 | |
CN111981910B (zh) | 一种基于人工智能的低空防御*** | |
KR20190019713A (ko) | 무인 항공기 음향 식별을 위한 서포트 벡터 머신에 기반한 음향 특징 추출 및 분류 방법 그리고 시스템 | |
CN117436005A (zh) | 一种环境空气自动监测过程中异常数据处理方法 | |
CN110087233B (zh) | 一种基于射频指纹的无人机身份认证方法 | |
CN108199757A (zh) | 一种利用信道状态信息对民用小型无人机进行实时入侵检测的方法 | |
CN108663717B (zh) | 无人机信号识别方法和*** | |
CN115809422A (zh) | 一种基于svm的无人机rf信号识别方法及*** | |
CN110287957B (zh) | 一种低慢小目标的定位方法及定位装置 | |
CN108549076B (zh) | 一种基于速度节奏图的多种类无人机场景识别方法 | |
CN112187314A (zh) | 一种信号发射机识别方法 | |
CN111413681B (zh) | 基于熵权法的飞行目标威胁度识别方法、***和存储介质 | |
Flak et al. | RF Drone Detection System Based on a Distributed Sensor Grid With Remote Hardware-Accelerated Signal Processing | |
CN110471056B (zh) | 一种虚警信息判断方法、装置及终端设备 | |
CN114355960A (zh) | 一种无人机防御智能决策方法及***、服务器及介质 | |
Knysh et al. | Development of an image segmentation model based on a convolutional neural network | |
CN111025288A (zh) | 安防雷达监测装置及*** | |
CN110927714A (zh) | 无人机入侵的检测方法、检测装置及终端设备 | |
CN109065057B (zh) | 无人机声纹新闻追踪方法及*** |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |