CN115809422A - 一种基于svm的无人机rf信号识别方法及*** - Google Patents

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

一种基于SVM的无人机RF信号识别方法及***

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：

x_max＝Max(x_i),i＝1,2,...N (8)

Max-min值特征：

x_max-min＝Max(x_i)-Min(x_i),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：

x_max＝Max(x_i),i＝1,2,...N (8)

Max-min值特征：

x_max-min＝Max(x_i)-Min(x_i),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：

x_max＝Max(x_i),i＝1,2,...N (8)

Max-min值特征：

x_max-min＝Max(x_i)-Min(x_i),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。

Images