基于深度卷积网络的飞行器频谱检测识别方法及装置与流程

1.本发明涉及飞行器频谱检测技术领域，尤其是基于深度卷积网络的飞行器频谱检测识别方法及装置。


背景技术：

2.频谱监测是用于无线电监测与干扰定位9khz至6ghz的便携式信号分析仪。尤其适用于户外无线电和频谱监测并且定位干扰、突发及非法信号。在使用飞行器进行低空频谱监测时，往往需要多幅天线协同使用，并且需要支持水平极化与垂直极化两种模式。例如专利公开号为“cn107367294a”、名称为“基于谐振式声表面波无线无源传感器的双极化检测系统”的中国发明专利，其由可激发两个极化方向相互垂直电磁波的双极化传感端天线、可激发两个极化方向相互垂直电磁波的双极化质询端天线、相位匹配及阻抗匹配电路、极化方向切换开关、收发切换开关、射频信号收发处理电路、占空比错误检测电路、显示单元及微处理器单元等组成。
3.再如专利公开号为“cn111381111a”、名称为“天线极化测试电路和测试装置”的中国发明专利，天线极化测试电路包括线极化天线模组、圆极化天线模组、匹配模组、多路射频开关和控制器。线极化天线模组和圆极化天线模组分别通过匹配模组电连接多路射频开关的各输入端。多路射频开关的控制端电连接控制器。多路射频开关的输出端用于电连接射频检测仪。匹配模组用于提供多路射频开关分别与线极化天线模组和圆极化天线模组之间的阻抗匹配。控制器用于控制多路射频开关选通线极化天线模组或圆极化天线模组接收被测天线的无线信号。
4.上述技术提供了双极化传感端天线或者线极化天线模组和圆极化天线模组的多幅天线协同使用，但是，其并未提供双极化传感端天线或多幅天线协同探测识别的方法；并且，在采用飞行器搭载频谱检测探测时，其检测信号中夹杂有飞行器的控制、反馈等电磁干扰信号，上述干扰信号并未是突发及非法信号的一部分。
5.因此，急需要提出一种逻辑简单、准确可靠的基于深度卷积网络的飞行器频谱检测识别方法及装置。


技术实现要素：

6.针对上述问题，本发明的目的在于提供基于深度卷积网络的飞行器频谱检测识别方法及装置，本发明采用的技术方案如下：
7.第一部分，本技术提供了基于深度卷积网络的飞行器频谱检测识别方法，其采用飞行器搭载频谱监测的天线；所述天线设置在飞行器的飞行器支架上，并且在天线与飞行器支架之间设置有一天线旋转驱动机构；所述天线旋转驱动机构驱动天线在水平方向和垂直方向上旋转切换；
8.所述飞行器频谱检测识别方法，包括以下步骤：
9.采集飞行器置于地面的天线旋转控制信号分量和数据反馈分量，并作为校正数
据；
10.采集飞行器飞行过程中的探测信号；所述探测信号包括水平极化和纵向极化的数据信号；
11.对探测信号进行预处理，并分为训练数据集和验证数据集；
12.搭建深度卷积网络，并预设激活函数和迭代阈值；
13.将训练数据集和校正数据分别输入至深度卷积网络中，进行训练校正，并优化深度卷积网络的网络参数，得到最优的深度卷积网络；
14.利用最优的深度卷积网络对验证数据集进行验证，输出验证结果，并实现频谱检测识别。
15.第二部分，本技术提供了一种基于深度卷积网络的飞行器频谱检测识别装置，其包括：
16.频谱监测仪，设置在飞行器上，并进行频谱监测；
17.天线，设置在飞行器的飞行器支架上，与频谱监测仪连接；所述天线采集飞行器置于地面的天线旋转控制信号分量和数据反馈分量，并作为校正数据；所述天线采集飞行器飞行过程中的探测信号；所述探测信号包括水平极化和纵向极化的数据信号；
18.天线旋转驱动机构，设置在天线与飞行器支架之间，并驱动天线在水平方向和垂直方向上旋转切换；
19.预处理模块，与频谱监测仪和天线连接，并对探测信号进行预处理，并分为训练数据集和验证数据集；
20.网络模型搭建模块，搭建深度卷积网络，并预设激活函数和迭代阈值；
21.训练模块，与预处理模块、网络模型搭建模块和频谱监测仪连接，将训练数据集和校正数据分别输入至深度卷积网络中，进行训练校正，并优化深度卷积网络的网络参数，得到最优的深度卷积网络；
22.验证模块，与训练模块和预处理模块连接，利用最优的深度卷积网络对验证数据集进行验证，输出验证结果，并实现频谱检测识别。
23.第三部分，本技术提供了一种电子设备，包括存储器、处理器及存储在所述存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现基于深度卷积网络的飞行器频谱检测识别方法。
24.第四部分，本技术提供了一种计算机可读存储介质，其存储有计算机程序，其特征在于，所述计算机程序被处理器执行时，实现基于深度卷积网络的飞行器频谱检测识别方法的步骤。
25.与现有技术相比，本发明具有以下有益效果：
26.本发明通过将天线旋转控制信号分量和数据反馈分量作为校正数据，并纳入校正，并通过反向的误差值进行校正神经网络的网络参数，以剔除非极化数据以外的干扰信号，保证其可靠识别定位干扰、突发及非法信号。综上所述，本发明具有逻辑简单、准确可靠等优点，在飞行器频谱检测技术领域具有很高的实用价值和推广价值。
附图说明
27.为了更清楚地说明本发明实施例的技术方案，下面将对实施例中所需使用的附图
作简单介绍，应当理解，以下附图仅示出了本发明的某些实施例，因此不应被看作是对保护范围的限定，对于本领域技术人员来说，在不付出创造性劳动的前提下，还可以根据这些附图获得其他相关的附图。
28.图1为本发明的硬件结构示意图。
29.图2为本发明的逻辑流程图。
30.上述附图中，附图标记对应的部件名称如下：
31.100、飞行器；101、飞行器支架；200、天线；300、天线旋转驱动机构；400、频谱监测仪。
具体实施方式
32.为使本技术的目的、技术方案和优点更为清楚，下面结合附图和实施例对本发明作进一步说明，本发明的实施方式包括但不限于下列实施例。基于本技术中的实施例，本领域普通技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都属于本技术保护的范围。
33.本本实施例中，术语“和/或”，仅仅是一种描述关联对象的关联关系，表示可以存在三种关系，例如，a和/或b，可以表示：单独存在a，同时存在a和b，单独存在b这三种情况。
34.本实施例的说明书和权利要求书中的术语“第一”和“第二”等是用于区别不同的对象，而不是用于描述对象的特定顺序。例如，第一目标对象和第二目标对象等是用于区别不同的目标对象，而不是用于描述目标对象的特定顺序。
35.在本技术实施例中，“示例性的”或者“例如”等词用于表示作例子、例证或说明。本技术实施例中被描述为“示例性的”或者“例如”的任何实施例或设计方案不应被解释为比其它实施例或设计方案更优选或更具优势。确切而言，使用“示例性的”或者“例如”等词旨在以具体方式呈现相关概念。
36.在本技术实施例的描述中，除非另有说明，“多个”的含义是指两个或两个以上。例如，多个处理单元是指两个或两个以上的处理单元；多个系统是指两个或两个以上的系统。
37.如图1至图2所示，本实施例提供了一种基于深度卷积网络的飞行器频谱检测识别方法，其采用飞行器100搭载频谱监测的天线200；所述天线200设置在飞行器的飞行器支架101上，并且在天线200与飞行器支架101之间设置有一天线旋转驱动机构300；所述天线旋转驱动机构300驱动天线在水平方向和垂直方向上旋转切换。需要说明的是，本实施例的天线旋转驱动机构300采用现有成熟技术，其可以驱动天线200进行90
°
方向转动，以实现水平方向和垂直方向上旋转切换。又或者，天线旋转驱动机构300设置在天线200的旋转轴线的一端，并且天线旋转驱动机构300固定在飞行器支架101上，天线200的旋转轴线的领另一端与飞行器支架101采用转动轴连接，在天线旋转驱动机构300内设置旋转驱动的步进电机，如此一来，便能驱动天线200沿旋转轴线转动。
38.在本实施例中，飞行器频谱检测识别方法，具体包括以下步骤：
39.第一步，采集飞行器置于地面的天线旋转控制信号分量和数据反馈分量，并作为校正数据。在此，未启动探测采集，并将非探测采集信号进行收集，其作为校正使用。
40.第二步，采集飞行器飞行过程中的探测信号；所述探测信号包括水平极化和纵向极化的数据信号。在实际采集中，势必存在天线旋转控制信号分量和数据反馈分量。
41.第三步，对探测信号进行预处理，并分为训练数据集和验证数据集。其包括：对探测信号进行滤波、归一化处理和滑动窗切分处理。
42.第四步，搭建深度卷积网络，并预设激活函数和迭代阈值。深度卷积神经网络主要是由输入层、卷积层、激活函数、池化层、全连接层和输出层组成。其中，输入层是深度卷积网络可直接将图片作为网络的输入，通过训练提取特征，卷积层是通过卷积运算实质是对输入进行另一种表示，若将卷积层视为黑盒子，那么我们可以将输出看作是输入的另外一种表示，而整个网络的训练也就是训练出这种表示所需的中间参数。池化层是卷积神经网络中的一种对数据进行的特殊处理操作，其通过池化处理缩小图片特征尺寸，能有效的去除由上一层的结果作为输入而带来的计算量较大的问题。激活函数是网络中卷积操作和池化操作都是线性操作。
43.第五步，将训练数据集和校正数据分别输入至深度卷积网络中，进行训练校正，并优化深度卷积网络的网络参数，得到最优的深度卷积网络。
44.具体来说，采用天线处于水平方向的探测信号时，包括以下步骤：
45.(11)驱动天线旋转至水平方向，并采集水平方向极化的探测信号。
46.(12)对水平方向极化的探测信号进行预处理。
47.(13)将预处理后的水平方向极化的探测信号和校正数据依次输入至深度卷积网络中，进行训练校正。
48.另外，采用天线处于垂直方向的探测信号时，包括以下步骤：
49.(21)驱动天线旋转至垂直方向，并采集纵向方向极化的探测信号。
50.(22)对纵向方向极化的探测信号进行预处理。
51.(23)将预处理后的纵向方向极化的探测信号和校正数据依次输入至深度卷积网络中，进行训练校正。
52.不仅如此，训练校正和网络参数优化包括以下步骤：
53.(31)将训练数据集输入至深度卷积网络中进行训练，输出第一识别结果。
54.(32)将校正数据输入至深度卷积网络中进行校验，输出第二识别结果。
55.(33)求得训练与校正之间的误差值，在本实施例中，该误差值δ满足以下公式：
56.δ＝1-δ157.其中，δ1表示第一识别结果与第二识别结果之间的误差，其取值为(0,1)之间。
58.(34)将误差值反向传输至深度卷积网络内，并进行网络参数优化；所述网络参数包括权重；
59.(35)当误差值小于预设的迭代阈值，则停止训练校正。
60.第六步，利用最优的深度卷积网络对验证数据集进行验证，输出验证结果，并实现频谱检测识别。
61.上述实施例仅为本发明的优选实施例，并非对本发明保护范围的限制，但凡采用本发明的设计原理，以及在此基础上进行非创造性劳动而作出的变化，均应属于本发明的保护范围之内。