一种无人机信号特征ai识别方法
技术领域
1.本发明属于无人机技术领域，涉及一种无人机识别方法，尤其是一种无人机信号特征ai识别方法。
背景技术：2.近年来，无人机产业快速发展。为避免问题的发生，在规范飞行法规的同时需采取主动的防御措施，采取精准管控手段，保障低空安全。
3.目前对无人机的侦测识别手段有雷达、光电和无线电信号检测。其中，雷达具有探测距离远，探测方位准确的优点，但是其造假昂贵，起批时间较长，存在视野盲区。光电摄像头获取无人机画面需要雷达引导，环境遮挡时容易丢失目标。单纯的无线电信号检测通过检测无人机和遥控器之间的通讯信号，判断是否有无人机入侵，该方法的优点是成本低，但是只能对单一信号协议的无人机进行检测，不同厂家和型号的无人机通常采用不同的信号协议，所以，此方法无法检测出不同机型和信号协议的无人机，且无法做到多架无人机同时检测，也无法区分敌我目标。
4.鉴于现有技术的上述缺陷，迫切需要研制一种新型的无人机识别方法，以便于实现无人机的管控，确保低空安全。
技术实现要素：5.本发明的目的在于克服现有技术中存在的缺点，提供一种无人机信号特征ai识别方法，其能够解决现有技术中无法检测出无人机型号及多台无人机无法同时快速检测的难题。
6.为了实现上述目的，本发明提供如下技术方案：
7.一种无人机信号特征ai识别方法，其特征在于，包括以下步骤：
8.1)、对无人机进行宽带信号轮询采样，以获得采样信号；
9.2)、对采样信号进行快速傅里叶变换，以将时域信号转换成频域信号，得到宽带频域信号；
10.3)、对所述宽带频域信号数字信道化，从而根据预设参数将所述宽带频域信号划分成多个窄带频域信号；
11.4)、对多个所述窄带频域信号进行反傅里叶变换，从而将多个所述窄带频域信号转换成窄带时域信号；
12.5)、对各个所述窄带时域信号进行同步解调，得到各个所述窄带时域信号的解调信息；
13.6)、采用时频分布技术并基于所述解调信息，拼接多个所述窄带时域信号，生成无人机的跳频特征时频图；
14.7)、将所述无人机的跳频特征时频图输入卷积神经网络模型，与无人机特征库进行比对，以获得无人机识别结果。
15.优选地，在进行所述步骤1)之前，收集各无人机厂家的各种型号的无人机的信号特征，以训练所述卷积神经网络模型，并建立所述无人机特征库。
16.优选地，所述卷积神经网络模型采用yolov5目标检测方法，其包含卷积层1、池化层1、卷积层2、池化层2和全连接层。
17.优选地，所述无人机特征库的特征库参数包括信号工作频率点、跳频带宽、跳频间隔、帧结构和固定码。
18.优选地，所述步骤1)中的宽带信号轮询采样时的预设采集参数包括频段区间、中心频率、采样率、轮询步长和采集时长。
19.优选地，在进行所述步骤2)之前，对所述采样信号进行下变频、滤波、降采样预处理。
20.优选地，所述步骤3)中的每个所述窄带频域信号中包含一个跳频的带宽。
21.优选地，所述步骤2)中，得到宽带频域信号之后，对所述宽带频域信号进行恒虚警处理。
22.与现有技术相比，本发明的无人机信号特征ai识别方法具有如下有益技术效果中的一者或多者：
23.1、本发明采用宽带接收机进行信号采集，无人机属于跳频通信且跳频频点较多，窄带接收机需要在每个跳频的频点处接收信号，效率低下，宽带接收机相比窄带接收机一次性可以接收整个跳频频段的信号，极大地提升了无人机信号的采集速度。
24.2、本发明采用基于信号分解的组合时频技术，相较于传统的窄带时域分离，降低了计算复杂度，提高了信号处理速度。
25.3、本发明采用人工智能卷积神经网络模型，能够快速分析信号处理生成的时频图片，生成无人机机型识别结果。
附图说明
26.图1为本发明的无人机信号特征ai识别方法的流程示意图。
27.图2为本发明采用的基于yolov5目标检测方法的卷积神经网络模型的特征结构图。
具体实施方式
28.下面结合附图和实施例对本发明进一步说明，实施例的内容不作为对本发明的保护范围的限制。
29.本发明提供一种无人机信号特征ai识别方法，用于解决现有技术中无法检测出无人机型号及多台无人机无法同时快速检测的难题。
30.图1示出了本发明的无人机信号特征ai识别方法的流程示意图。
31.如图1所示，本发明的无人机信号特征ai识别方法包括以下步骤：
32.一、训练卷积神经网络模型和建立无人机特征库。
33.要进行基于人工智能的无人机识别，首先需要训练相应的人工智能模型，并建立相应的无人机特征库。
34.在本发明中，所述人工智能模型采用卷积神经网络模型。该卷积神经网络模型采
用yolov5目标检测方法，其包含卷积层1、池化层1、卷积层2、池化层2和全连接层。
35.其中，卷积层与池化层组成多个卷积组，也就是，卷积层1和池化层1组成卷积组1，卷积层2和池化层2组成卷积组2，逐层进行特征提取，最后通过全连接层完成分类任务。卷积层可以被认为是受到局部感受概念的启发。而池化层的作用主要是为了降低数据维度。综合起来，卷积神经网络模型通过卷积来提取特征，并且通过稀疏连接、权值共享以及池化，来降低网络的参数数量，最后通过全连接层完成分类等任务。卷积神经网络作为一种多层前馈神经网络，在大规模的模式识别中有着非常好的性能表现，对于大规模的图像处理，处理效率极高。
36.在本发明中，通过收集各无人机厂家的各种型号的无人机的信号特征，并用其训练所述卷积神经网络模型，从而能够使得所述卷积神经网络模型更可靠。而且，可以基于各无人机厂家的各种型号的无人机的信号特征，建立所述无人机特征库。
37.其中，收集各无人机厂家的各种型号的无人机的信号特征，并用其训练跳所述卷积神经网络模型和建立无人机特征库具体为：把收集到的各无人机厂家的各种型号的无人机的无线电信号具象化为一张二维图片，作为所述卷积神经网络模型的输入，所述卷积神经网络模型通过多层卷积提取信号深层次特征，生成所述无人机特征库。
38.优选地，所述无人机特征库的特征库参数包括信号工作频率点、跳频带宽、跳频间隔、帧结构和固定码等多种新型。由此，使得便于通过与所述无人机特征库的特征库参数的比对，实现无人机的识别。
39.二、对无人机进行宽带信号轮询采样，以获得采样信号。
40.在本发明中，对无人机进行宽带信号轮询采样具体为采用宽带接收机，通过采集模块快速扫频完成无人机整个频段信号的采样。其中，预设采集参数包括频段区间、中心频率、采样率、轮询步长和采集时长。由此，能够实现对无人机信号的快速采样。
41.例如，预设宽带接收机采样率为40mhz，设置接收机的中心频率为2420mhz，采集到的信号覆盖的带宽为40mhz，包含2400～2440mhz 的所有信号。通过轮询方式，快速扫频切换中心频率为2460mhz，采集包含2440～2480mhz带宽的信号，然后拼接起来总共覆盖80m带宽的频段，包含2400～2480mhz。
42.本发明采用宽带接收机进行信号采集，无人机属于跳频通信且跳频频点较多，窄带接收机需要在每个跳频的频点处接收信号，效率低下，宽带接收机相比窄带接收机一次性可以接收整个跳频频段的信号，极大地提升了无人机信号的采集速度。
43.优选地，在获得采样信号之后，要对所述采样信号进行预处理。例如，对所述采样信号进行下变频、滤波、降采样预处理。由此，便于对采样信号的后续处理。
44.三、对采样信号进行快速傅里叶变换，以将时域信号转换成频域信号，得到宽带频域信号。
45.由于获得的所述采样信号为时域信号，因此，在获得了采样信号之后，可以采用快速傅里叶变换fft对所述采样信号进行变化，以将时域信号转换成频域信号，从而得到宽带频域信号。通过转换成宽度频域信号，便于对其进行划分。其中，快速傅里叶变换属于现有技术，为了简化，在此不对其进行详细描述。
46.优选地，在得到所述宽带频域信号之后，对所述宽带频域信号进行恒虚警处理。
47.四、对所述宽带频域信号数字信道化，从而根据预设参数将所述宽带频域信号划
分成多个窄带频域信号。
48.在本发明中，通过对所述宽带频域信号数字信道化，能够将所述宽带频域信号划分成多路窄带频域信号，从而便于对信号进行并行处理，提高效率。
49.优选地，预设参数为一个跳频的带宽。这样，每个所述窄带频域信号中包含一个跳频的带宽。例如，对于跳频带宽为1hmz的信号，如果是80mhz带宽的宽带信号，可以分隔成80个1mhz带宽的窄带信号。
50.五、对多个所述窄带频域信号进行反傅里叶变换，从而将多个所述窄带频域信号转换成窄带时域信号。
51.在获得了多个所述窄带频域信号之后，要对其进行反傅里叶变换 ifft，从而能够将将多个所述窄带频域信号转换成多个窄带时域信号。其中，反速傅里叶变换也属于现有技术，为了简化，在此不对其进行详细描述。
52.六、对各个所述窄带时域信号进行同步解调，得到各个所述窄带时域信号的解调信息。
53.在本发明中，在解调过程中，提取无人机二进制比特流不变的信息作为唯一的电子指纹特征。通过解调，能够提取出各个所述窄带时域信号的信号特征。
54.七、采用时频分布技术并基于所述解调信息，拼接多个所述窄带时域信号，生成无人机的跳频特征时频图。
55.通过提取的各个所述窄带时域信号的信号特征，对所述窄带时域信号进行时频分布，拼接时频分布后的窄带时域信号，即生成了无人机的跳频特征时频图。
56.八、将所述无人机的跳频特征时频图输入卷积神经网络模型进行检测，将检测结果与无人机特征库进行比对，以获得无人机识别结果。
57.在本发明中，如图2所示，所述yolov5目标检测方法使用了 cspdarknet53_tiny作为主干特征提取网络，提取到的特征可以被称作特征层。获得两个shape的有效特征层，传入加强特征提取网络当中进行fpn的构建。fpn结构会将最后一个shape的有效特征层卷积后进行上采样，然后与上一个shape的有效特征层进行堆叠并卷积。获得两个特征层的预测结果，对预测结果进行解码，将每个网格点加上对应的x_offset和y_offset，加完后的结果就是预测框的中心，然后再利用先验框和h、w结合计算出预测框的长和宽，最后得到整个预测框的位置。
58.其中，主干特征提取，设定输入图片为(608,608,3)，利用主干特征提取网络，可以获得两个shape的有效特征层，两个特征层的shape 分别为(19,19,255)，(38,38,255)。获得的两个特征层的预测结果shape 分别为(n,19,19,255)，(n,38,38,255)的数据。对应每个图分为19*19、 38*38的网格上3个预测框的位置。预测原理具体为yolo的特征层分别将整幅图分为19x19、38x38的网格，每个网络点负责一个区域的检测。预测结果对应着三个预测框的位置，先将其reshape一下，其结果为(n,19,19,3,85)，(n,38,38,3,85)，最后一个维度中的85包含了4+1+80，分别代表x_offset、y_offset、h和w、置信度、分类结果。然后对预测结果进行解码，解码过程是将每个网格点加上它对应的x_offset和 y_offset，加完后的结果就是预测框的中心，然后再利用先验框和h、 w结合计算出预测框的长和宽，最后将整个预测框的位置绘制在图片上，输出跳频信号的识别分类结果。
59.由此，本发明采用基于信号分解的组合时频技术，相较于传统的窄带时域分离，降
低了计算复杂度，提高了信号处理速度。同时，本发明采用人工智能卷积神经网络模型，能够快速分析信号处理生成的时频图片，生成无人机机型识别结果。
60.本发明的上述实施例仅仅是为清楚地说明本发明所作的举例，而并非是对本发明的实施方式的限定。对于所属领域的普通技术人员来说，在上述说明的基础上还可以做出其它不同形式的变化或变动。这里无法对所有的实施方式予以穷举。凡是属于本发明的技术方案所引伸出的显而易见的变化或变动仍处于本发明的保护范围之列。
技术特征：1.一种无人机信号特征ai识别方法，其特征在于，包括以下步骤：1)、对无人机进行宽带信号轮询采样，以获得采样信号；2)、对采样信号进行快速傅里叶变换，以将时域信号转换成频域信号，得到宽带频域信号；3)、对所述宽带频域信号数字信道化，从而根据预设参数将所述宽带频域信号划分成多个窄带频域信号；4)、对多个所述窄带频域信号进行反傅里叶变换，从而将多个所述窄带频域信号转换成窄带时域信号；5)、对各个所述窄带时域信号进行同步解调，得到各个所述窄带时域信号的解调信息；6)、采用时频分布技术并基于所述解调信息，拼接多个所述窄带时域信号，生成无人机的跳频特征时频图；7)、将所述无人机的跳频特征时频图输入卷积神经网络模型，与无人机特征库进行比对，以获得无人机识别结果。2.根据权利要求1所述的无人机信号特征ai识别方法，其特征在于，在进行所述步骤1)之前，收集各无人机厂家的各种型号的无人机的信号特征，以训练所述卷积神经网络模型，并建立所述无人机特征库。3.根据权利要求2所述的无人机信号特征ai识别方法，其特征在于，所述卷积神经网络模型采用yolov5目标检测方法，其包含卷积层1、池化层1、卷积层2、池化层2和全连接层。4.根据权利要求3所述的无人机信号特征ai识别方法，其特征在于，所述无人机特征库的特征库参数包括信号工作频率点、跳频带宽、跳频间隔、帧结构和固定码。5.根据权利要求1-4中任一项所述的无人机信号特征ai识别方法，其特征在于，所述步骤1)中的宽带信号轮询采样时的预设采集参数包括频段区间、中心频率、采样率、轮询步长和采集时长。6.根据权利要求5所述的无人机信号特征ai识别方法，其特征在于，在进行所述步骤2)之前，对所述采样信号进行下变频、滤波、降采样预处理。7.根据权利要求6所述的无人机信号特征ai识别方法，其特征在于，所述步骤3)中的每个所述窄带频域信号中包含一个跳频的带宽。8.根据权利要求7所述的无人机信号特征ai识别方法，其特征在于，所述步骤2)中，得到宽带频域信号之后，对所述宽带频域信号进行恒虚警处理。
技术总结本发明涉及一种无人机信号特征AI识别方法，其包括以下步骤：1)、进行宽带信号轮询采样，以获得采样信号；2)、对采样信号进行快速傅里叶变换，得到宽带频域信号；3)、宽带频域信号数字信道化，将其划分成多个窄带频域信号；4)、对多个窄带频域信号进行反傅里叶变换，将其转换成窄带时域信号；5)、对各个窄带时域信号进行同步解调，得到其解调信息；6)、采用时频分布技术并基于解调信息，拼接多个窄带时域信号，生成无人机的跳频特征时频图；7)、将无人机的跳频特征时频图输入卷积神经网络模型，与无人机特征库进行比对，以获得无人机识别结果。其能够解决现有技术中无法检测出无人机型号及多台无人机无法同时快速检测的难题。多台无人机无法同时快速检测的难题。多台无人机无法同时快速检测的难题。
技术研发人员：王宏涛 杨怀斌 谭晓鹏 冯鹏祥 王虎 聂敏杰
受保护的技术使用者：西安北斗安全技术有限公司
技术研发日：2022.05.25
技术公布日：2022/11/1
