一种基于环境学习的陌生无人机信号检测方法及系统与流程
本发明涉及低空安全、无线电定向,尤其涉及一种基于环境学习的陌生无人机信号检测方法及系统。
背景技术:
1、当前,无人机检测技术主要分为雷达探测、光电检测和无线电信号检测三大技术路线。其中,雷达探测受限于低空杂波干扰与目标雷达截面较小的物理瓶颈;光电检测受天气、能见度及视线遮挡影响显著,难以实现全天候连续监测。相比之下,无线电信号检测通过被动监听无人机下行数传、图传等通信信号实现目标探测,具有静默检测、不受天气与视觉遮挡限制、可全天候全时段运行等显著优势,已成为当前无人机检测领域的主流技术方向。在无线电信号检测领域,现有技术方案根据其核心检测逻辑,大致可分为以下三类:
2、一类是基于预建特征库的匹配式识别技术。该技术预先采集已知型号无人机的通信信号样本,通过深度学习模型训练构建机型特征库,实际检测时将待测信号与库内模板匹配,输出机型识别结果。该类方案为当前商用主流,但其识别能力完全受限于训练数据覆盖范围,无法识别新型号、自定义协议改装及非标协议的陌生无人机信号,存在固有检测盲区;且特征库需持续人工更新,维护成本高、滞后性强。
3、另一类是无先验库的盲检测技术。该类方案尝试通过信号的行为特征或统计特征实现无人机链路检测,不依赖具体机型库。但其通常仅针对特定通信体制设计,适用范围狭窄,且目前多处于实验室研究阶段,仅能针对特定场景、特定协议类型实现有限的检测能力。
4、此外,上述现有技术普遍存在以下共性缺陷:
5、环境适应性差:均采用静态识别逻辑,未对部署场景的电磁环境进行自主学习与动态建模,在不同场景、不同时段的电磁环境波动下,易将合法背景信号误判为无人机目标,误报率与漏检率难以平衡;
6、缺乏空间特征融合:现有方案大多仅输出信号层特征(频点、协议类型等),未将信号特征与目标方位、距离等空间特征深度融合,无法实现单个目标的持续跟踪,也无法基于运动状态区分无害过境目标与入侵目标,无法满足分级预警的实战需求。
7、因此,如何在不过度依赖先验机型库的前提下,实现陌生无人机信号的有效检测,同时自适应复杂动态电磁环境,并融合多维特征完成目标跟踪与威胁评估,已成为低空安防领域亟待解决的技术难题。
技术实现思路
1、本发明针对现有技术存在的技术问题,提供一种基于环境学习的陌生无人机信号检测方法及系统,通过将检测逻辑从“匹配已知机型”反转为“排除已知环境”,并结合多维特征聚类与空间特征持续跟踪,实现对任意陌生无人机信号的开放集检测、动态环境自适应和威胁等级分级预警。
2、为解决上述技术问题,本发明提出的技术方案为:
3、一种基于环境学习的陌生无人机信号检测方法,包括下述步骤:
4、步骤s1:将接收到的空间电磁信号转换为时频图,并对所述时频图中的有效信号进行检测,得到各有效信号的信号层特征;
5、步骤s2:提取各有效信号对应的空间特征,所述空间特征包括目标的方位信息和反映目标距离随时间的变化趋势信息;
6、步骤s3:在预设的环境学习时段内,将各有效信号的所述信号层特征与所述空间特征作为多维特征进行聚类,将聚类形成的各个类簇作为环境信号特征存入环境数据库;
7、步骤s4:在正常运行时段,将当前检测到的有效信号的信号层特征与空间特征形成的多维特征与所述环境数据库进行比对,若不存在匹配项,则判定所述信号为陌生异常目标并生成预警;
8、步骤s5:对所述陌生异常目标进行持续跟踪,根据其空间特征随时间的变化趋势判断运动状态,并基于所述运动状态调整威胁等级。
9、作为本发明方法的进一步改进:所述步骤s1包括:
10、将接收到的空间电磁信号分别转换为高精度时频图和粗略时频图;
11、通过第一深度学习模型基于所述粗略时频图进行检测,输出各有效信号的位置坐标及信号大类标签、中心频点、带宽和脉宽;
12、通过第二深度学习模型根据所述位置坐标从所述高精度时频图中截取对应的信号区域,输出各有效信号的协议类型或调制方式;
13、根据所述信号大类标签、协议类型或调制方式、中心频点、带宽及所述脉宽构建信号层特征。
14、作为本发明方法的进一步改进:所述信号大类标签包括ofdm-uav类、单载波数字调制类和单载波模拟调制类;所述协议类型或调制方式中,ofdm-uav类包括增强型wifi和图传协议,单载波数字调制类包括扩频调制和频移键控调制,单载波模拟调制类包括调频、调相和调幅。
15、作为本发明方法的进一步改进:所述步骤s3中,所述多维特征包括信号大类标签、协议类型或调制方式、频点、带宽、上报时间、方位及信号强度或估算距离;所述聚类采用基于密度的聚类算法,对各特征维度分别设置邻域半径,将满足邻域条件的样本聚合为类簇,并剔除样本数低于预设阈值的离散噪声样本。
16、作为本发明方法的进一步改进:所述聚类中,信号大类标签、协议类型或调制方式的邻域半径为零,上报时间、方位及信号强度或估算距离的邻域半径小于频点和带宽的邻域半径。
17、作为本发明方法的进一步改进:所述步骤s5中,所述运动状态包括静止、抵近、远离和绕行;当判断目标处于抵近状态时提升威胁等级,当判断目标处于远离或绕行状态时维持或降低威胁等级。
18、作为本发明方法的进一步改进:所述方法还包括环境数据库动态更新步骤:在正常运行时段,若被判定为异常目标的信号经持续跟踪后被确认为环境信号,则将该信号的多维特征加入所述环境数据库。
19、本发明还提供一种基于环境学习的陌生无人机信号检测系统,包括:
20、信号接收模块,用于接收空间电磁信号;
21、时频图生成模块,用于将所述空间电磁信号转换为时频图;
22、信号检测模块,用于对所述时频图中的有效信号进行检测,得到各有效信号的信号层特征;
23、空间特征提取模块,用于提取各有效信号对应的空间特征,所述空间特征包括目标的方位信息以及反映目标距离随时间变化趋势的信息;
24、环境学习模块,用于在预设的环境学习时段内,将各有效信号的所述信号层特征与所述空间特征作为多维特征进行聚类,将聚类形成的各个类簇作为环境信号特征存入环境数据库;
25、异常检测模块,用于在正常运行时段,将当前检测到的有效信号的信号层特征与空间特征形成的多维特征与所述环境数据库进行比对,若不存在匹配项,则判定该信号为陌生异常目标并生成预警;
26、威胁评估模块,用于对所述陌生异常目标进行持续跟踪,根据其空间特征随时间的变化趋势判断运动状态,并基于所述运动状态调整威胁等级。
27、本发明还提供一种计算机可读存储介质,该计算机可读存储介质中存储有计算机程序,该计算机程序被编程或配置以通过处理器执行所述基于环境学习的陌生无人机信号检测方法。
28、本发明还提供一种计算机程序产品,包括计算机程序,该计算机程序被编程或配置以通过处理器执行所述基于环境学习的陌生无人机信号检测方法。
29、与现有技术相比,本发明的有益效果在于:
30、本发明通过将信号层特征提取、空间特征提取、环境学习建库、异常检测以及威胁评估五个步骤有机整合为一个完整的检测闭环,实现了从信号输入到分级预警输出的全流程覆盖。在检测逻辑层面,本发明将现有技术“匹配已知机型”的闭集识别模式反转为“排除已知环境”的开放集检测模式,通过环境学习构建部署场景的背景信号基准,使系统能够彻底摆脱对机型特征数据库的依赖,在无需预先采集任何无人机样本的前提下即可实现对任意陌生无人机信号的有效检测,从根本上解决了未知目标的漏检问题。在多维特征融合层面,本发明将信号层特征与空间特征在全流程中始终作为统一的整体进行联合聚类、比对和跟踪评估,而非割裂处理,从而实现了对目标的稳定持续跟踪和运动状态判别,能够有效区分环境中固定存在的背景信号、临时过境的无害目标和持续抵近的入侵目标,并据此动态调整威胁等级,避免了现有技术仅能无差别预警的局限性。通过上述五个步骤的协同配合,本发明实现了对陌生异常目标从检测、跟踪、威胁评估到分级预警的全流程闭环管理,满足了低空安防实战场景中对不同威胁级别目标进行差异化响应的分级预警需求。
版权声明:本站专利文献数据主要来源于国家知识产权局等公开渠道,由 技术新讯 进行整理汇编。页面设计及数据汇编的著作权归本站所有。全部内容仅供个人学习、科研评估与技术交流参考,严禁用于任何商业用途(包括但不限于直接生产制造、技术转让、倒卖数据等)。
免责条款:专利技术具有时效性,本站不对资料的绝对准确性、完整性和可实施性提供任何明示或暗示的担保。因参考本站内容造成的直接或间接损失,本站不承担相关法律责任。若您认为本站内容有侵权问题,请及时提供权属证明与我们联系,本站将在核实后依法处理。反馈意见:yyfuon@163.com