一种基于信道状态信息的无人机入侵检测方法与流程

本发明涉及无线感知技术领域，尤其涉及一种基于信道状态幅度信息的无人机入侵检测方法，该方法利用无人机机翼引起的无线信号变化，判断是否有无人机入侵。

背景技术

近年来，无人机除了作为业余爱好者的娱乐用途之外，其商业应用也越来越丰富，例如：测绘、农作物药物喷洒、快递配送、移动的宽带接入点、移动监控等。无人机应用在给我们的生活带来极大方便的同时,也带来了很多的安全隐患。最近，国外媒体报道了一些因无人机引起的公共安全威胁，例如：一架无人机被人为操纵故意撞向法国核电站，两架携带强力炸药的无人机在委内瑞拉总统活动范围附近爆炸。这些非法的无人机活动给社会带来了极大的安全隐患，因此，我们需要对一些特定空域进行无人机检测以及管控。

目前，无人机入侵技术主要分为以下几种：

1）基于雷达的无人机入侵检测技术。该技术采用雷达探测入侵无人机，识别、检测精度高但传统的雷达技术大多用来探测大型飞机，且所涉及相关技术复杂、器件搭建繁杂，成本较大。

2）基于机器视觉的无人机入侵检测技术。该技术涉及无人机的图像拍摄与外形识别，但现有的无人机的外观可能都被人为进行了改造，而且相机传感器的性能受限于被检测区域环境，恶劣的天气环境下检测精度将大大下降。

3）基于通信协议的无人机入侵检测技术。该技术针对已知的无人机型号，通过分析无人机通信协议，实现无人机入侵检测。但无人机产品日新月异，无法了解所有的无人机通信协议。

针对现有探测无人机入侵的问题，一种能提供低成本、低功耗、在多个环境下适应的无人机探测方法则显得尤为重要。

技术实现要素：

针对上述问题，一种能够提供低成本、低功耗、在多个环境下适应的无人机探测方法是非常有意义的。近年来的研究表明，物理层中的信道状态信息（Channel State Information, CSI），能够提供细粒度信息，在室内定位、跌倒检测、姿势识别、人体成像等领域中获得了大量的成果。信道状态信息基于正交频分复用（Orthogonal Frequency Division Multiplexing，OFDM）调制技术，是无线信号在移动终端的信道响应表现形式，由于OFDM调剂技术的广泛使用，信道状态信息的获取方式将更加丰富、便捷，有利于实现低成本、多环境适应、低功耗的无人机检测。

本发明为解决上述问题所采用的技术方案是，一种基于信道状态信息的无人机入侵检测方法，包括以下步骤。

S1信道状态信息（Channel State Information, CSI）获取，包括以下步骤。

S1-1在监测空域地面部署无线发射和接收端。

S1-2从无线接收端采集信道状态信息，该信息可以描述无线信道的散射、衰落和功率衰减程度。信道状态信息矩阵如下式所示：

其中，k=1,2…114，每个子载波hk为：

其中，realk和imagk是第k个子载波的实部和虚部，|hk|和∠hk是第k个子载波的幅度和相位。

S2无人机特征提取。

S2-1提取子载波的|hk|幅度，将其注入Hampel滤波器，滤除CSI幅度中的异常值，得到矩阵Hh。

S2-2对滤除异常值的矩阵Hh进行特征提取，采用主成分分析（Principal Component Analysis， PCA）对数据进行降维，选择特征值大于K的N个特征所对应的特征向量组成的特征矩阵Hcoeff。

S2-3将滤除异常值的Hh投影到特征矩阵Hcoeff，获得新矩阵Hpro。

S3将步骤S2-3得到的投影矩阵Hpro作为决策树分类算法的输入进行学习，建立无人机入侵检测模型，实现无人机入侵判断。

本发明的有效效果：本发明针对现有无人机入侵检测技术的复杂、昂贵、设备性能局限性以及适应问题，提出一种基于信道状态信息的无人机入侵检测方法。

信道状态信息是基于OFDM调剂技术的无线信号在移动终端的信道响应表现形式，由于OFDM技术的广泛使用，信道状态信息的获取方式将更加丰富、便捷，有利于实现低成本、多环境适应、低功耗的无人机检测。又由于信道状态信息可提供细粒度信息的特性，其对于无人机机翼的振动引起的无线信道的变化是非常敏感的，有利于准确提取无人机特征。实验中，本发明无人机入侵的的判断准确率均达到90%以上。

附图说明

附图1是本发明的流程结构图。

具体实施方式

为了使本发明的目的、技术方案及优点更加清楚明，以下结合实施例，对本发明进行进一步详细的说明。应当说明，此处所描述的实施例仅用于解释本发明，并不限定本发明。

基于信道状态信息的无人机入侵检测方法要求在室外布置可接发信道状态信息的设备，本发明实施例部署两台平放的AP设备，该设备基于TP-link 4900v2路由器更新了带有Atheros CSI工具的固件，改设备可提供114个子载波的信道状态信息。

一种基于信道状态信息的无人机入侵检测方法，如流程图所示，具体实施步骤如下。

步骤1：从无线接收端采集CSI数据包，由于接发端均配备3天线，因此CSI数据包可以表示3*3*114，对于每一条子载波，可以使用CSI来描述无线信道散射、衰落和功率衰减程度。子载波hk可以表示为：

其中k=1,2…114，realk和imagk是第k个子载波的实部和虚部，|hk|和∠hk是第k个子载波的幅度和相位。

步骤2：在实际环境中，采集到的CSI幅度中存在大量噪声，噪声可能源于环境变化、无线电信号干扰等。本发明利用Hampel滤波器去来滤除CSI幅度中的异常值，对于每个子载波上的CSI幅度（|hk(1)|，|hk(2)|，…，|hk(N)|），其中，N∈（1，n）是滑动窗口系数，Hampel滤波器将异常值定义为与中值的绝对差值大于阈值的数据，如下式所示：

其中，i∈(1,N)，代表长度为N的数据序列的排序样本的中位数，t是定义的阈值，m是绝对差的中位数，常数1.4286保证m的期望值等于正态分布数据的标准差，构建m如下式所示：

。

步骤3：对滤除异常值的矩阵Hh进行特征提取，采用主成分分析（Principal Component Analysis， PCA）对数据进行降维，选择特征值大于K特征值所对应的特征向量组成的特征矩阵Hcoeff。

步骤3-1：对输入矩阵Hh做去中心化处理。

步骤3-2：计算协方差矩阵。

步骤3-3：计算协方差矩阵的特征值和特征向量。

步骤4：将滤除异常值的Hh投影到特征矩阵Hcoeff，获得新矩阵Hpro。

步骤5：将投影矩阵Hpro作为决策树分类算法的输入进行学习，建立无人机入侵检测模型，实现无人机入侵判断。