一种基于深度学习的无人机目标识别分类方法与流程

本发明涉及一种无人机无线电信号监测技术领域，尤其涉及的是一种民用无人机信号识别分类方法。

背景技术：

目前，无人机已经在各大领域得到广泛应用，如农业植保、地理测绘、森林防火、电力巡检等。此外，无人机也被用于一些非法活动，如加装爆炸物的恐怖活动、机场“黑飞”事件等。可见，小型民用无人机带来了严重的低空安全威胁，在全世界范围内都是一个亟待解决的难题。为了实现无人机的监查识别和有效管制，国内外许多科研机构和企业一直在努力探索无人机信号监测识别和管理对策的实现方案，但目前还没有形成成熟有效的解决方案。

无人机系统是通过无线电信号与地面系统进行通信，包括遥控、数传和图传信号，其中遥控模块主要是用于操作命令的传输，数传模块主要是用于发送无人机飞行状态，如位置、电量等信息，图传模块是用以向地面系统回传无人机上摄像头所拍摄的图像数据。因此，可以通过无线电信号监测手段，发现无人机的这些通信链路信号，并进行目标识别和定位，进而实现无人机的有效监管。

针对城市地区复杂电磁环境，采用传统的无线电监测技术对小型民用无人机进行侦查识别，应用效果十分有限。目前的无线电监测技术，典型的处理步骤包括：信号输入、预处理、特征提取、分类识别，其中非常重要的步骤是特征提取，通过提取无线电信号的特征参数，如中心频率、带宽等，然后通过这些参数进一步分析得到信号的调制类型等统计特征参数，最后根据这些特征之间的分类差异进行目标识别。这些传统的无线电信号处理方法在信噪比较高时，即可以侦测发现一定范围内的无人机目标。然而，实践中的电磁环境非常复杂，各种无线电信号和噪声混合在一起，信噪比相对较低，这种情况下难以正确提取这些特征参数，从而使得目标识别效果不稳定。

技术实现要素：

本发明所要解决的技术问题在于：传统的无线电监测技术在实践中的信噪比低的情况下难以正确提取小型民用无人机无线电信号的特征参数，提供了一种基于深度学习的无人机目标识别分类方法。

本发明是通过以下技术方案解决上述技术问题的，本发明具体包括如下步骤：

(1)通过无线电监测手段，采集得到小型民用无人机的链路信号；

(2)将该链路信号发送给数据处理中心，进行信号预处理，得到信号的时、频域特征；

(3)将信号的时、频域特征输入到深度学习网络中进行计算，输出得到信号的目标识别分类结果；

(4)将所采集的信号数据和识别结果保存至数据库，若为新发现的目标类别，经人工确认后添加至信号识别库中。

所述步骤(1)中，链路信号获得过程如下：通过数据链侦察器扫描无人机工作频段，当无人机目标接近防控区域时，数据链侦察器可以发现目标，接收目标的无线电信号，完成对无人机链路信号的数据采集。

所述步骤(2)中，信号预处理包括重采样、频谱分析，得到无人机信号的所述时域特征数据和频域特征数据。

所述步骤(3)中，构建深度学习网络的方法如下：

(31)构建深度学习算法神经网络架构；

(32)将数据库中数据经人工整理和标注，得到数据集，并将其分为训练集和测试集；

(33)进行深度学习算法训练，通过前向推导和反向传播的不断迭代，使得目标识别正确率达到期望值，结束训练，并保留各层神经网络参数，得到无人机目标识别深度学习算法模型。

所述步骤(31)中，深度学习算法神经网络包括输入层、三层隐藏层、输出层；其中，所述时域特征数据和频域特征数据合并之后作为深度学习算法的输入层，即所述输入层共有n+n个神经元，将输入层送至所述三层隐藏层的神经网络进行计算，自动完成全面的信息挖掘之后，送至所述输出层；

所述步骤(31)中，深度学习算法神经网络包括输入层、栈式自编码器、全连接层、输出层；其中，所述时域特征数据和频域特征数据各自经过两层的所述栈式自编码器，分别进行时域或频域的信息挖掘之后，再进行合并，输入到所述全连接层，最终送至所述输出层。

所述步骤(3)中，所述目标识别分类结果为：根据输出层输出为各目标类别的概率，选择概率最大的类别即为该无人机信号的目标识别结果；其中所述输出层每个神经元分别对应目标识别库中各个已知的无人机类别，以及一个“未知”类别，即如果识别库中共有t个目标类别，则所述神经网络输出层神经元个数为t+1个。

所述步骤(4)中，将所采集的信号数据和处理结果保存至数据库，具体包括以下子步骤：

(41)将信号数据和结果在数据库中进行存储，进行数据累积，以扩充算法训练数据集，可用于以后算法模型的迭代更新；

(42)若算法识别结果为“未知”，则通过人工核对，确认无人机目标真实类别之后，修改数据库，将“未知”改为真实的目标类别；

(43)若无人机目标为新发现的类别时，还需将相应的信号数据和目标类别添加至信号识别库中。

本发明相比现有技术具有以下优点：本发明基于深度学习，设计并实现无人机链路信号目标识别分类算法，相较于传统无线电信号处理算法，避免了特征参数提取和选择的步骤，提高了算法抗噪性能，增强了在实践应用中的实用性；同时，为了全面挖掘信号特征，采用基于时域与频域特征联合的深度学习目标识别分类算法，时域和频域信号包含了足够反映信号特征的信息，将频域信号与时域信号进行结合，则会进一步提高算法的目标识别准确率，增大了无人机目标监测范围和侦查效率。

附图说明

图1是总体工作流程示意图；

图2是实施例1的深度学习算法架构图；

图3是实施例2的深度学习算法架构图。

具体实施方式

下面对本发明的实施例作详细说明，本实施例在以本发明技术方案为前提下进行实施，给出了详细的实施方式和具体的操作过程，但本发明的保护范围不限于下述的实施例。

本发明为小型民用无人机信号自动探测和识别分类，以无人机遥控器发射的跳频信号、无人机图传信号作为目标，可迅速对其进行探测和发现，经过数据处理，实现无人机目标的智能识别与分类。

实施例1

如图1所示，无人机信号识别分类的总体工作流程如下：

无人机发送的无线电信号，被侦察器探测发现后，进行数据采集并发送到数据处理中心，经过信号预处理和深度学习算法分析后，得到无人机目标识别分类结果，将分析结果与采集数据一起存入数据库。

如图2所示，给出了一种用于无人机目标识别分类的深度学习算法架构图，由输入层、三层隐藏层、输出层组成了深度神经网络算法，将所侦测的无人机信号进行重采样和傅里叶变换等预处理，分别得到时域波形(数据长度为n)和频谱特征数据(数据长度为n)，合并之后，同时作为深度学习算法的输入层，即输入层共有n+n个神经元。时、频域数据经过各层神经网络的计算，自动完成全面的信息挖掘之后，输出层为各目标类别的概率，选择概率最大的类别即为该无人机信号的目标识别结果。其中，输出层每个神经元分别对应目标识别库中各个已知的无人机类别，以及一个“未知”类别，即如果识别库中共有t个目标类别，则神经网络输出层神经元个数为t+1个。

最后，将所采集的信号数据和处理结果保存至数据库进行存储和数据累积，以扩充算法训练数据集，可用于以后算法模型的迭代更新。若算法识别结果为“未知”，则通过人工核对，确认无人机目标真实类别之后，修改数据库，将“未知”改为真实的目标类别。无人机目标为新发现的类别时，还需将相应的信号数据和目标类别添加至信号识别库中。

实施例2

如图3所示，本实施例给出了另一种用于无人机目标识别分类的深度学习算法架构图，由输入层、栈式自编码器、全连接层、输出层组成了深度神经网络算法，其中栈式自编码器包含两层自编码器网络。将所侦测的无人机信号进行重采样和傅里叶变换等预处理，得到时域波形(数据长度为n)和频谱特征数据(数据长度为n)。时域和频谱数据各自经过两层的栈式自编码器，分别进行时域或频域的信息挖掘之后，再进行合并，输入到全连接层，最终到输出层。输出层为各目标类别的概率，选择概率最大的类别即为该无人机信号的目标识别结果。其中，输出层每个神经元分别对应目标识别库中各个已知的无人机类别，以及一个“未知”类别，即如果识别库中共有t个目标类别，则神经网络输出层神经元个数为t+1个。

其他实施方式和实施例1相同。

以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。