基于小波神经网络的多无人机射频信号识别方法与流程

本发明涉及通信技术领域，特别涉及基于小波神经网络的多无人机射频信号识别方法。

背景技术：

近年来，在相关政策的支持下，低空空域已被逐步开放，无人机等低空目标急剧增加，无人机成本越来越低，开发厂家越来越多，无人机的发展给民用和军用各方面都带来了深远影响，带动了各个行业的发展，但是对于黑飞的无人机的失控和漏检可能会对军事作战、空中交通、比赛、消防、人类生活和隐私构成严重的威胁。

目前，无人机的检测已成为目标检测领域公认的难题，但针对其研究的相关文献还相对较少，现有的无人机检测技术有主动雷达探测、声学检测、红外检测、视觉检测等。主动雷达发射出的电磁波很可能会暴露自身身份，使其并不具有隐蔽性。声学、红外和视觉的检测范围有限，通常不超过300m，并且很容易受到其他低空目标的干扰。

技术实现要素：

本发明提供了基于小波神经网络的多无人机射频信号识别方法，解决了现有方法隐藏性较差、检测范围有限的技术问题，实现了隐藏性高、能远距离探测的技术效果。

本发明所提供的一种基于小波神经网络的多无人机射频信号识别方法，包括以下步骤：

对多无人机样本射频信号及待测射频信号分别进行小波分解预处理，获得预处理样本射频信号及预处理待测射频信号；

对所述预处理样本射频信号及所述预处理待测射频信号的特征分别进行统计，所述特征包括：偏度、峭度及斜率；统计过程具体为：通过偏度公式确定所述偏度；通过峭度公式确定所述峭度；通过斜率公式确定所述斜率；

对所述预处理样本射频信号及所述预处理待测射频信号的特征进行优化，具体为：通过偏度改进公式确定改进后偏度；通过峭度改进公式确定改进后峭度；通过斜率改进公式确定改进后斜率；

通过所述预处理样本射频信号的改进后偏度、所述改进后峭度及所述改进后斜率构建样本射频信号特征矩阵；通过所述预处理待测射频信号的改进后偏度、所述改进后峭度及所述改进后斜率构建待测射频信号特征矩阵；

运用小波神经网络建模分析方法对所述样本射频信号特征矩阵进行训练，获得最优权值、尺度及平移因子；

根据所述最优权值、所述尺度及所述平移因子，运用判别运算公式，对所述待测射频信号特征矩阵进行运算，以确定所述待测射频信号中是否包含无人机射频信号，即确定是否有无人机出现。

作为优选，无人机通信时发射的射频信号是在2.4-2.5ghz之间跳变的一个带宽的射频波；

所述小波分解预处理为：将所述无人机通信时发射的射频波转换为多个谐波加上一个残波的形式，可以用小波分解射频信号表达式表示：

其中，f＝2.4×10⁹,...,2.5×10⁹，si(f)指的是第i个谐波，r(f)指的是余波。

作为优选，为了滤除杂波噪声，去掉前两个谐波后的所述小波分解射频信号表达式为：

作为优选，对所述预处理样本射频信号及所述预处理待测射频信号的特征分别进行统计时，

每次检测时，无人机射频信号在带内的位置并不确定，但所述无人机射频信号带宽ba已知，故可把所述ba作为频域滑窗的宽度去寻找适合的特征。

作为优选，确定所述偏度的具体过程为：

以宽度为ba的滑窗在频带内滑动，频域采样间隔和滑动间隔都为fw，滑窗对应ne个样本点，计算滑窗滑动到每一个位置时滑窗内信号的偏度值，第k个位置对应的所述偏度公式为：

其中，和σ是所述滑窗滑动到第k个位置处对应样本点的和均值方差，无人机射频信号所在位置的偏度接近为零

作为优选，确定所述峭度的具体过程为：

以宽度为ba的滑窗在频带内滑动，频域采样间隔和滑动间隔都为fw，计算滑窗滑动到每一个位置时滑窗内信号的峭度，第k个位置对应的所述峭度公式为：

作为优选，确定所述斜率的具体过程为：

以带宽为bb的滑窗在频带内滑动，频域采样间隔和滑动间隔都为fw，滑窗对应nf个样本点，计算滑窗滑动到每一个位置时滑窗内信号的拟合斜率，第k个位置对应的所述斜率公式为：

作为优选，所述偏度改进公式为：

所述峭度改进公式为：

所述斜率改进公式为：

其中，pst＝0.68,nst＝-0.68,l^p和l^q是滑窗在第p和第q个频点位置的斜率值，pa是满足斜率小于nst的频点位置，是满足该条件的频点位置的数量，pb是满足斜率大于pst的频点位置，为满足该条件的频点位置的数量，fab为两频点位置间距。

作为优选，所述最优权值、所述尺度及所述平移因子的数学表达式分别为：

作为优选，所述对所述预处理样本射频信号的特征分别进行统计后，还可根据所述特征，运用无人机个数估算公式计算无人机的数量；

所述无人机个数估算公式为：

其中，由于每次检测时信号在带内的位置并不确定，但无人机射频信号带宽ba已知，故可把ba作为频域滑窗的宽度去寻找适合的特征；对于滑窗滑动过的所有位置，若存在两个位置的间隔在(ba-0.47×10⁶)/fw和(ba+0.47×10⁶)/fw之间，u是包含满足上述条件的所有滑窗对的起始位置的集合，是满足上述条件的滑窗对数量，t为u里面相邻元素间隔大于(ba-0.47×10⁶)/fw的前元素集合，为t中元素的个数，也是检测到的无人机的个数。

本申请中提供的多无人机射频信号识别方法，至少具有如下技术效果或优点：

本申请提供的基于小波神经网络的多无人机射频信号识别方法，对被动收集到的无人机所在跳频范围内的频域信号进行分析和预处理，提取和改进三种无人机射频信号的特征，并利用此三种特征结合小波神经网络实现对多个无人机射频信号的识别，实现对多个无人机数量的估计，通过降低虚警概率和漏检概率来提高无人机射频信号的识别率。本识别方法可以不发射电磁波，仅接收无人机自身发射的射频信号，在保证不暴露身份的条件下实现远距离的探测，抗干扰的性能强，分辨率较高，环境适应性强。

附图说明

图1(a)为本申请的2.4-2.5ghz范围内的多无人机信号的波形图；

图1(b)为图1(a)的多无人机信号经过小波分解预处理后的波形图；

图2(a)为多无人机射频信号的偏度与频率的关系线形图；

图2(b)为多无人机射频信号的峭度与频率的关系线形图；

图2(c)为多无人机射频信号的斜率与频率的关系线形图；

图3为本申请的基于小波神经网络的多无人机射频识别算法的流程示意图；

图4(a)为本申请实施例中的室内不同距离下基于小波神经网络的多无人机射频信号识别率与数量的关系线形图；

图4(b)为本申请实施例中的室外不同距离下基于小波神经网络的多无人机射频信号识别率与数量的关系线形图；

图5为本申请实施例提供的多个无人机射频信号识别系统模型的组成示意图。

具体实施方式

为使本发明的目的、技术方案和优点更加清楚，下面将结合附图对本发明实施方式作进一步地详细描述。

本申请提供了一种基于小波神经网络的多无人机射频信号识别方法，对被动收集到的无人机所在跳频范围内的频域信号进行分析和预处理，提取和改进三种无人机射频信号的特征，并利用此三种特征结合小波神经网络实现对多个无人机射频信号的识别，实现对多个无人机数量的估计，通过降低虚警概率和漏检概率来提高无人机射频信号的识别率。

本申请具体采用以下技术方案予以实现：

1、基于小波分解的多个无人机射频信号预处理

无人机通信时发射的信号是在2.4-2.5ghz之间跳变的一个带宽的射频波，如图1(a)所示。由于该信号为跳频ofdm通信方式，通信频率并不固定，因此为了提高识别率，需要接收2.4-2.5ghz通信频率范围内的所有信号，并且对其进行分析和处理。小波分解的基本思想是将一个频率变化不规则的波转换为多个谐波加上一个残波的形式，其可以用于任何类型信号的分解和预处理。在此，对接收到的射频信号做小波分解后可以表示为：

其中，f＝2.4×10⁹,...,2.5×10⁹，si(f)指的是第i个谐波，r(f)指的是余波。为了滤除杂波噪声，去掉前两个谐波后的信号可以表示为：

图1(b)显示的是小波分解预处理后的信号波形，很明显可以看到，高斯白噪声被削减了。

2、多无人机射频信号统计特征分析

由于每次检测时信号在带内的位置并不确定，但无人机射频信号带宽ba已知，故可把ba作为频域滑窗的宽度去寻找适合的特征。

1)偏度

参见附图2(a)，偏度描述了信号的对称性，而无人机信号在频域上亦是一个近似对称的信号，因此，宽度为ba的滑窗在频带内滑动，频域采样间隔和滑动间隔都为fw，滑窗对应ne个样本点，计算滑窗滑动到每一个位置时滑窗内信号的偏度值，第k个位置对应的偏度可表示为：

其中，和σ是滑窗滑动到第k个位置处对应样本点的均值和方差，无人机射频信号所在位置的偏度接近为零。

2)峭度

参见附图2(b)，峭度描述了信号的陡峭程度，无人机信号在频域上是一个带宽为ba的近似方波的信号，同样以宽度为ba的滑窗在频带内滑动，频域采样间隔和滑动间隔都为fw，计算滑窗滑动到每一个位置时滑窗内信号的峭度，第k个位置对应的峭度可表示为：

无人机信号的所在的位置处的峭度在0-2.5范围之间。

3)斜率

参见附图2(c)，考虑到无人机频域信号有一个上升沿和一个下降沿，选用带宽为bb的滑窗在频带内滑动，频域采样间隔和滑动间隔都为fw，滑窗对应nf个样本点，计算滑窗滑动到每一个位置时滑窗内信号的拟合斜率，第k个位置对应的拟合斜率可表示为：

无人机信号的所在的位置处有一个极大和一个极小的斜率，这两个斜率所对应的频点位置的间距正好为信号的带宽ba。

为了检测多个无人机，对上述特征做了改进，改进的偏度可以表示为：

改进的峭度可以表示为：

改进的斜率可以表示为：

其中，pst＝0.68,nst＝-0.68,l^p和l^q是滑窗在第p和第q个频点位置的斜率值，pa是满足斜率小于nst的频点位置，是满足该条件的频点位置的数量，pb是满足斜率大于pst的频点位置，为满足该条件的频点位置的数量，fab为两频点位置间距。

4、基于小波神经网络的多个无人机射频信号识别算法

小波神经网络指的是结合小波变换与多层前馈神经网络的新的建模分析方法，具有小波变换的局部化、神经网络非线性逼近与自适应学习的特征。利用改进的偏度、改进的峭度和改进的斜率构成的特征矩阵输入到小波神经网络中进行训练，得到最优权值和尺度、平移因子，从而得到特征矩阵和分类向量之间的映射关系。经过z次迭代，利用梯度下降法，由反向传播误差来自动调整各个参数，可表示为：

由于小波神经网络权值和尺度、平移因子收敛速度较慢，添加了动量项来改进该算法，加快收敛速度，各参数可改进为：

其中，α∈[0,1]是动量因子。

迭代次数设作100次，期望的最小误差设作0.1。选择morlet小波为小波神经网络的激励函数，可以表示为：

基于小波神经网络的多个无人机射频识别算法流程如图3所示。在多次训练后，可得到最优的权值和尺度、平移因子。在测试过程中，利用训练得到的最优参数信息和数据集的特征矩阵进行运算便可对多无人机射频信号进行识别。

5、多无人机数量估计

由于无人机信号的带宽ba已知，因此设计的无人机个数估计算法可表示为：

其中，对于滑窗滑动过的所有位置，若存在两个位置的间隔在(ba-0.47×10⁶)/fw和(ba+0.47×10⁶)/fw之间，u是包含满足上述条件的所有滑窗对的起始位置的集合，是满足上述条件的滑窗对数量，t为u里面相邻元素间隔大于(ba-0.47×10⁶)/fw的前元素集合，为t中元素的个数，也是检测到的无人机的个数。

6、性能分析

参见附图4(a)和4(b)，给出了室内和室外不同环境中不同样本数不同距离下的基于小波神经网络的多无人机射频信号识别率。观察看到，随着样本数的增加识别率趋于稳定，随着距离的增加识别率逐渐下降，但在3km范围内，识别率仍然可以达到84％以上。

同时，在进行多无人机识别时，参见附图5，可以构建以下系统模型：

针对多个无人机的识别，u1,...,un为待检测的n个无人机，c1,...,cn为与其对应的遥控设备。rx为被动接收机，在其中，使用抛物旋转天线在同一时间收到多个无人机的射频信号，经频谱分析仪分析后，传到中央处理器完成对多无人机射频信号的识别。

以上所述的具体实施方式，对本发明的目的、技术方案和有益效果进行了进一步详细说明，所应理解的是，以上所述仅为本发明的具体实施方式而已，并不用于限制本发明，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。