一种基于时隙网格锁相的无人机遥控信号盲分选方法及系统与流程

摘要: 本发明属于无人机信号处理与非合作电子侦察,具体涉及一种基于时隙网格锁相的无人机遥控信号盲分选方法及系统。背景技术:1、随着低空空域的开放与无人机技术的普及,非合...
一种基于时隙网格锁相的无人机遥控信号盲分选方法及系统与流程

本发明属于无人机信号处理与非合作电子侦察,具体涉及一种基于时隙网格锁相的无人机遥控信号盲分选方法及系统。

背景技术:

1、随着低空空域的开放与无人机技术的普及,非合作无人机带来的安全威胁日益凸显。跳频通信(frequency hopping,fh)因其抗干扰、抗截获能力强,已成为无人机最主要的通信制式。因此,如何从复杂的电磁环境中,针对多批次、多发射源未知无人机并发共存且时频信号交叠混杂的恶劣场景,侦收并高精度分选出目标无人机跳频信号,对低空防御与电子对抗具有至关意义。跳频信号盲分选旨在完全无先验通信协议的前提下,将多个未知无人机共存发射的跳频信号序列按照发射源(即不同物理个体)进行高精度归类分离。

2、目前,针对跳频信号的侦测与参数分选,相关学者开展了一系列研究。

3、在信号检测与定位方面,专利cn114492540b提出了一种基于yolo目标检测模型的信号时频图检测及分类方法,通过将一维信号转化为二维时频图,利用卷积目标检测网络回归出信号的像素边界框。然而,此类方法往往仅能获得像素层面的位置框,在强电磁干扰和低信噪比下,缺乏物理世界层面的起始时间、物理带宽的高精度重建映射机制,容易输出大量含噪时频碎片。

4、在参数估计与跳频网台分选方面,专利cn107612587a提出了一种用于跳频非合作通信中跳频信号的参数估计方法,通过对时频图谱一阶差分计算跳频时刻;专利cn115085761b提出了一种基于跳频描述字的异步跳频网台分选方法,利用跳频周期和物理带宽特征完成网台划分。然而,这些传统方法通常假定接收信号不存在重叠碰撞且发射接收时钟完全同步。在实际对抗场景中,传输时延、多源碰撞以及接收机时钟漂移,会导致提取的到达时刻(toa)包含严重偏差和随机抖动。传统基于toa差分直方图或参数聚类的方法在面对时钟漂移和高误码率时,分选性能会发生断崖式下跌,且无法重构具备严格相位对齐的绝对时隙网格。此外,现有智能分选方法多侧重于宏观的跳频频点分类,缺乏对跳频规律背后深层非连续时序模式的挖掘,一旦面临信道多径衰落造成的局部频点丢失(漏检),容易导致状态转移路径中断,使得盲分选与跳频序列下发决策彻底失效。

5、综上所述,现有的无人机遥控信号分选与检测方法,虽然利用目标检测或参数聚类实现了一定程度的信号提取与分选,但由于电磁环境的复杂性,仍存在以下亟待解决的问题:一是缺乏有效的时隙网格绝对起点校准与锁相机制,在多无人机条件下,难以实现时隙网格的高精度对齐与碰撞判断;二是未能对跳频时序依赖特征进行有效的数据挖掘,极易在随机跳频干扰与局部频点丢失的双重干扰下导致分选决策失效;三是缺少容错跳频序列跳频图案匹配与混沌量化机制,无法在非合作侦收条件下生成具备高置信度的跳频图案。

6、因此,如何实现多批次无人机遥控信号混叠情况下的无人机跳频信号盲分选与跳频图案挖掘,是目前非合作低空防御领域亟待解决的关键技术难题。

技术实现思路

1、本发明的目的在于提供一种基于时隙网格锁相的无人机遥控信号盲分选方法及系统,解决了无人机遥控信号盲分选中,缺乏有效的时隙对齐与锁相机制导致难以对网格进行精准重建和判断,以及在频点丢失和干扰下难以提取深层非连续时序规律的问题,有效提高了无人机遥控信号盲分选准确率,具有较好的非合作电子反制价值。

2、为实现上述目的,本发明所采取的技术方案为:

3、第一方面,提供一种基于时隙网格锁相的无人机遥控信号盲分选方法,包括:

4、基于yolo目标检测模型,将采集的无人机射频时域信号构建为初始跳频信号集合;

5、利用目标形态学特征基准对初始跳频信号进行提纯和降噪,得到无人机跳频信号池;

6、提取无人机跳频信号池中全部跳频信号的起始时间构建为时间序列,计算所有相邻跳频信号的一阶时间差分序列,并通过动态自适应直方图寻峰,估计全局跳频周期;

7、基于时间序列和全局跳频周期确定被校准的网格同步绝对起点,将无人机跳频信号池中的跳频信号映射至网格槽位,按时间槽索引的升序顺序,提取整条全景网格中非空槽位的频点,生成时间逻辑连续的无人机跳频中心频率的基向量;

8、遍历基向量,将每一个观测频点替换为字典中距离最小的标准绝对频点,输出标准化跳频序列集;

9、将标准化跳频序列集依据固定的观测时间窗口长度切片,构建为投影序列数据库,基于序列模式挖掘算法处理投影序列数据库得到跳频图案集合并进行复杂度量化,最终通过多段联合提取与大数投票提纯,输出核心跳频图案序列。

10、以下还提供了若干可选方式,但并不作为对上述总体方案的额外限定,仅仅是进一步的增补或优选,在没有技术或逻辑矛盾的前提下,各可选方式可单独针对上述总体方案进行组合,还可以是多个可选方式之间进行组合。

11、作为优选,所述基于yolo目标检测模型,将采集的无人机射频时域信号构建为初始跳频信号集合,包括:

12、将无人机射频时域信号转化为二维能量功率谱图;

13、通过幅值对数压缩与归一化操作以及分辨率重采样与通道扩充操作,将二维能量功率谱图生成为二维时频谱图像;

14、将二维时频谱图像输入至预训练的yolo目标检测模型中,预测跳频信号目标框的类别概率、置信度以及像素级边界框坐标;

15、根据预测的像素级边界框坐标重建出每个跳频信号特征参数,得到初始跳频信号集合。

16、作为优选,所述根据预测的像素级边界框坐标重建出每个跳频信号特征参数,得到初始跳频信号集合,包括:

17、取第个像素级边界框坐标,其中为第个像素级边界框坐标在x轴上的最小值,为第个像素级边界框坐标在x轴上的最大值,为第个像素级边界框坐标在y轴上的最小值,为第个像素级边界框坐标在y轴上的最大值;

18、重建跳频信号的起始时间与终止时间,如下:

19、

20、

21、其中,为二维时频谱图像的总像素宽度,为二维时频谱图像对应的绝对时间跨度,为二维时频谱图像左边界对应的起始时刻;

22、重建中心频率与物理带宽,如下:

23、

24、

25、其中,为二维时频谱图像的总像素高度,为二维时频谱图像的总分析带宽,为频谱底端起始物理频率;

26、将重建出的每个跳频信号特征参数表达为四维向量,综合所有跳频信号特征参数,得到初始跳频信号集合,为跳频信号总数。

27、作为优选,所述利用目标形态学特征基准对初始跳频信号进行提纯和降噪,得到无人机跳频信号池,包括:

28、根据跳频信号特征参数中的终止时间与起始时间,得到每一跳频信号的实际驻留时间跨度;

29、若跳频信号的实际驻留时间跨度小于等于0,或者跳频信号的物理带宽小于等于0,或者跳频信号的物理带宽大于环境带宽上限阈值,则剔除对应的跳频信号,完成跳频信号粗筛;

30、针对粗筛后剩余的跳频信号,计算物理带宽与实际驻留时间跨度的统计学中位数,作为带宽基准值和驻留时间基准值;

31、遍历粗筛后剩余的跳频信号,仅保留满足联合逻辑条件且的跳频信号,得到无人机跳频信号池,其中为第个跳频信号的物理带宽,为带宽容差阈值,为第个跳频信号的实际驻留时间跨度,为驻留时间容差阈值。

32、作为优选,所述通过动态自适应直方图寻峰,估计全局跳频周期,包括:

33、剔除一阶时间差分序列中小于极限保护间隔的差分值,形成有效跳变差分集;

34、根据有效跳变差分集的最大值与最小值动态设定直方图组距,执行最大值索引算法寻找包含差分样本最多的第一统计主峰区间;

35、提取有效跳变差分集中所有落入第一统计主峰区间的差分值,计算所提取的差分值的算术平均值,作为无人机发射机底层的全局跳频周期。

36、作为优选,所述基于时间序列和全局跳频周期确定被校准的网格同步绝对起点,包括:

37、选取所述时间序列中首个有效点作为初始锚点;

38、计算每一跳频信号相较于全局跳频周期的小数相位残差序列,表示第个跳频信号的起始时间,表示执行模1运算;

39、对于小数相位残差序列的跳频信号执行折叠修正机制;

40、计算经过折叠修正后的所有小数相位残差序列的中位数,获取被校准的网格同步绝对起点。

41、作为优选,所述将无人机跳频信号池中的跳频信号映射至网格槽位,包括:

42、基于被校准的网格同步绝对起点,计算无人机跳频信号池中的跳频信号落入的理论时隙索引,并计算相对相位误差幅度;

43、当相对相位误差幅度小于最大误差容限时,若理论时隙索引对应的槽位为空,则直接记录当前跳频信号;若理论时隙索引对应的槽位已被占据,则启动碰撞判断,碰撞判断包括:比较当前相对相位误差幅度与占据者历史相对相位误差幅度,仅当时,当前跳频信号覆写并剔除占据者跳频信号;否则丢弃当前跳频信号;

44、当相对相位误差幅度大于等于最大误差容限时,丢弃当前跳频信号。

45、作为优选,对跳频图案集合进行复杂度量化,包括:

46、对标准化跳频序列集进行非重叠子串解析,统计标准化跳频序列集解析出的独立子串历史总数;

47、对于跳频图案集合中的每个跳频图案,计算任意独立子串与跳频图案之间的levenshtein编辑距离,当存在levenshtein编辑距离小于等于单频点替换容差时,保留当前跳频图案;否则丢弃当前跳频图案。

48、第二方面,提供一种基于时隙网格锁相的无人机遥控信号盲分选系统,包括处理器以及存储有若干计算机指令的存储器,所述计算机指令被处理器执行时实现所述基于时隙网格锁相的无人机遥控信号盲分选方法的步骤。

49、与现有技术相比,本发明的有益效果为:

50、1、提升了强噪声与多径干扰环境下的信号盲检测能力:本发明采用yolo网络对时频谱图进行目标定位,并设计了像素空间向真实物理特征空间的高精度重建映射机制,结合自适应双维中位数形态学量化粗筛与细滤,能够从极低信噪比与强电磁干扰背景下精准提取出纯净的候选跳频信号序列,有效解决了传统能量检测算法门限难以自适应且在多径噪底中虚警率高的问题。

51、2、攻克了时钟抖动与传输时延下的时隙网格重组难题:本发明引入了基于相位残差校准的时隙网格重组机制,通过计算小数残差相位、折叠修正以及相位原点折叠补偿运算,成功锁定了跳频信号的时频网格起点,并通过极小误差判断解决了多物理源的时隙碰撞问题,在完全无先验协议的条件下实现了时隙网格的保序重构。

52、3、实现了衰落信道与伪装跳点下的深层非连续因果模式提取:本发明通过构建序列投影数据库并利用prefixspan算法挖掘非连续的隐藏跳频图案,能够有效规避传统连续跳频图案挖掘(如n-gram)极易被伪装跳频或多径漏检阻断的缺陷;同时结合lempel-ziv复杂度量化与levenshtein容错比对,实现了在跳频序列在复杂环境下的高置信度挖掘。

53、4、具备极强的多批次交叠混杂信号盲去交叠与分选能力:本发明通过在时域上引入极小误差相位判断,并在时序挖掘上引入支持非连续模式的prefixspan算法,打破了传统算法要求信号流必须连续、无干扰的严苛限制。在多架无人机同时入侵、跳频图样在时频域上严重重叠碰撞的复杂非合作场景下,仍能实现多源混杂信号的精准去交叠与独立序列重构,极大提升了多目标反制能力。