无人机个体多维域电磁信号特征深度学习识别方法与流程

1.本发明实施例涉及无线通信技术领域，尤其涉及一种无人机个体多维域电磁信号特征深度学习识别方法。


背景技术：

2.随着无人机技术的迅猛发展，无人机不仅在军用领域得到广泛的应用，在民用上也逐渐得到普及，利用无人机逐渐成为了一种新工作方式和潮流，近年来，民用无人机为航空摄影，休闲娱乐，农业植物保护，电力检查等各个领域的带来便利，愈来愈多的人使用无人机，帮助人们处理很多人力无法企及的疑难问题，但与此同时它也是一把双刃剑，无人机也带来了一些安全问题，这其中，过于频繁发生黑飞，航行紊乱，人身伤害等事件，给公共安全和社会治安带来了挑战；因此，对无人机实行有效的监测识别是空管部门和频管部门目前面临的一个重要难题。
3.近年来随着深度学习技术的迅速发展，尤其是卷积神经网络的广泛应用，深度学习在目标识别领域取得了较为丰硕的成果，它通过利用深度神经网络的强大的非线性学习能力，学习输入到目标的映射关系，同时神经网络可以自动从输入中学习深层特征，已经在图像识别等领域取得了很大的成功，目前已经有一些相关研究将深度学习用于无人机的监测与识别，但是这些工作主要是采用摄像头对划定区域进行监控，将网络摄像头输入的视频流送入到无人机识别系统中，经过图像的抓帧和预处理后，将图像送入到预训练的分类网络中进行识别，但是这种方法存在成本高，识别准确率低等问题。
4.无人机通信系统是利用无线电信号完成地面控制站对无人机远距离遥控、遥测和任务信息传输，其中链路系统是无人机系统的重要组成部分，其主要任务是建立一个空地双向数据传输通道，因此可以通过监测无人机的无线电信号来发现链路信号，以此来达到无人机识别的目的，进而实现无人机的有效监管，目前已有一些相关的无人机识别方法利用无人机的链路信号以及深度学习进行无人机个体识别，这些方法的主要思想是利用深度学习从时域信号或者时域和频域的联合输入中提取深层特征进行无人机识别。然而这种方法只能适用于样本充足的场景，在小样本场景下，这些方法往往不能获得令人满意的性能。
5.特征提取作为无人机识别中的重要一环，其质量直接决定这最终的识别性能，基于神经网络的特征提取能直接从足量的训练样本中提取深层特征。然而在实际的通信环境中往往不能够获取足量的无人机链路信号样本，另外信号样本的标注是一项耗费人力的工作，在这种小样本场景下，直接利用深度学习这种数据驱动的技术往往会由于网络的过拟合导致无人机识别性能不佳的问题。


技术实现要素：

6.有鉴于此，本发明的主要目的在于提供一种无人机个体多维域电磁信号特征深度学习识别方法。
7.为达到上述目的，本发明的技术方案是这样实现的：
8.本发明实施例提供一种无人机个体多维域电磁信号特征深度学习识别方法，该方法为：
9.通过无线电监测技术获取无人机电磁信号样本，对样本进行打标签处理，获得信号样本集；
10.对所述信号样本集里的每个信号分别进行多维域电磁信号特征提取，获得每个信号样本对应的多维域特征向量；
11.对所述每个信号样本对应的特征向量分别进行多维域电磁信号特征压缩处理，获得压缩降维后的特征向量；
12.通过所有信号样本的压缩降维后的特征向量构成训练数据集；
13.深度学习分类器模块构造分类器；
14.通过所述训练数据集训练分类器直至收敛；
15.通过训练好的分类器对无人机信号进行监测识别。
16.上述方案中，所述对所述信号样本集里的每个信号分别进行多维域电磁信号特征提取，获得每个信号样本对应的多维域特征向量，具体为：对信号样本进行波形特征提取、小波域变换特征提取、傅里叶域变换特征提取、功率谱特征提取、高阶矩特征提取。
17.上述方案中，所述对信号样本提取波形特征提取，具体为：所述波形特征为无人机信号的包络特征，对信号样本求取绝对值得到其对应的波形特征。
18.上述方案中，所述对信号样本进行小波域变换特征提取，具体为：求取所述信号样本的离散小波变换所得的逼近系数，离散小波变换为：
19.ca1＝x
lod
*x(n)δ(t-2n)
20.cd1＝x
hid
*x(n)δ(t-2n)
21.其中ca1为一阶小波变换的逼近系数，cd1为返回的细节系数，x
lod
为低通滤波器，x
hid
为高通滤波器，*代表卷积运算，δ(t-2n)为脉冲函数，表示将滤波器的结果进行2倍下采样。
22.上述方案中，所述对信号样本进行傅里叶域变换特征提取，具体为：求取所述信号样本的离散傅里叶变换，所述离散傅里叶变换为：
[0023][0024]
其中n代表信号的采样点，x(k)是离散傅里叶变换后得到的频域序列。
[0025]
上述方案中，所述对信号样本进行功率谱特征提取，具体为：利用welch法对所述信号样本进行谱估计，所述welch法谱估计为：
[0026][0027]
其中，xi为分段信号，每段信号长度为m，d(n)为窗函数，u为归一化因子，则所得的即为所述的功率谱特征。
[0028]
上述方案中，所述对信号样本进行高阶矩特征提取，具体为：计算所述信号样本的第2阶、第4阶矩：2阶矩计算公式：m2＝e(x
·
x
*
)、4阶矩计算公式：m4＝e(x
·
x
·
x
*
·
x
*
)。
[0029]
上述方案中，所述对所述每个信号样本对应的特征向量分别进行多维域电磁信号
特征压缩处理，获得压缩降维后的特征向量，具体为：由特征方程|r-λe
p
|＝0可求得p个特征值λg(g＝1,2,
…
,p)，并按特征值λg的大小排序，特征根是主成分的方差，它表示各主成分在描述被评价对象所起作用的大小，按确定p值，由特征方程，每一个特征根对应一个特征向量将标准化后的指标变量转换为主成分：其中f1称为第一主成分，fn称为第n个主成分。
[0030]
上述方案中，所述分类器包括输入层、中间层和输出层；所述输入层的尺寸与所述信号样本的大小相同；所述中间层包括全连接层，批归一化层和激活函数rule层；所述输出层包括softmax分类层。
[0031]
上述方案中，所述通过训练好的分类器对无人机信号进行监测识别，具体为：将待识别的无人机多维域电磁信号特征送入训练好的分类器中，分类器输出层获得对应的置信度[p0,p1,...,pm]，分别表示属于每一种无人机个体的概率，其中m表示类别数，该概率由softmax函数进行归一化，取最大的对应的类别作为最终的识别结果。
[0032]
与现有技术相比，本发明借助多维域电磁信号特征提取模块，对接收到的无人机电磁信号提取用于区分个体的多维域电磁信号特征，利用多维域电磁信号特征压缩处理模块对所提取的特征进行降维，替代了由神经网络自动提取深层特征，有效克服深度神经网络在训练样本不足时面临的网络过拟合和泛化能力不足的问题；此外，深度学习分类器模块利用神经网络设计分类器对压缩后的多维域电磁信号特征进行分类，以较高的准确率完成小样本无人机识别任务。
附图说明
[0033]
此处所说明的附图用来公开对本发明的进一步理解，构成本发明的一部分，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。在附图中：
[0034]
图1为本发明实施例提供的一种无人机个体多维域电磁信号特征深度学习识别方法的流程示意图；
[0035]
图2为本发明实施例提供的由神经网络构造的分类器；
[0036]
图3为本发明实施例提供的分类器训练过程准确率曲线图；
[0037]
图4为本发明实施例提供的分类器输出层前一层的特征在二维平面上的映射图。
具体实施方式
[0038]
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
[0039]
需要说明的是，在本文中，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、物品或者装置不仅包括那些要素，而且还包
括没有明确列出的其他要素，或者是还包括为这种过程、物品或者装置所固有的要素。在没有更多限制的情况下，由语句“包括一个
……”
限定的要素，并不排除在包括该要素的过程、物品或者装置中还存在另外的相同要素。
[0040]
本发明实施例提供一种无人机个体多维域电磁信号特征深度学习识别方法，如图1所示，该方法通过以下实现：
[0041]
步骤101：通过无线电监测技术获取无人机电磁信号样本，对样本进行打标签处理，获得信号样本集；
[0042]
步骤102：对所述信号样本集里的每个信号分别进行多维域电磁信号特征提取，获得每个信号样本对应的多维域特征向量；
[0043]
具体地，对信号样本进行波形特征提取、小波域变换特征提取、傅里叶域变换特征提取、功率谱特征提取、高阶矩特征提取。
[0044]
所述对信号样本提取波形特征提取，具体为：所述波形特征为无人机信号的包络特征，对信号样本求取绝对值得到其对应的波形特征。
[0045]
所述对信号样本进行小波域变换特征提取，具体为：求取所述信号样本的离散小波变换所得的逼近系数，离散小波变换为：
[0046]
ca1＝x
lod
*x(n)δ(t-2n)
[0047]
cd1＝x
hid
*x(n)δ(t-2n)
[0048]
其中ca1为一阶小波变换的逼近系数，cd1为返回的细节系数，x
lod
为低通滤波器，x
hid
为高通滤波器，*代表卷积运算，δ(t-2n)为脉冲函数，表示将滤波器的结果进行2倍下采样。
[0049]
对于多阶小波变换，将ca
j-1
替换x(n)继续进行上述运算，则可以得到逼近系数caj和细节系数cdj。本发明实施例计算了无人机电磁信号的第5，第6，第7阶小波变换，并分别取其逼近系数[ca5,ca6,ca7]构成小波域变换特征。
[0050]
所述对信号样本进行傅里叶域变换特征提取，具体为：求取所述信号样本的离散傅里叶变换，所述离散傅里叶变换为：
[0051][0052]
其中n代表信号的采样点，x(k)是离散傅里叶变换后得到的频域序列。
[0053]
所述对信号样本进行功率谱特征提取，具体为：利用welch法对所述信号样本进行谱估计，所述welch法谱估计为：
[0054][0055]
其中，xi为分段信号，每段信号长度为m，d(n)为窗函数，u为归一化因子，则所得的即为所述的功率谱特征。
[0056]
本发明实施例中的窗函数采用512长的hamming窗，重叠长度为256。
[0057]
所述对信号样本进行高阶矩特征提取，具体为：计算所述信号样本的第2阶、第4阶矩：2阶矩计算公式：m2＝e(x
·
x
*
)、4阶矩计算公式：
[0058]
m4＝e(x
·
x
·
x
*
·
x
*
)。
[0059]
步骤103：对所述每个信号样本对应的特征向量分别进行多维域电磁信号特征压缩处理，获得压缩降维后的特征向量；
[0060]
具体地，由特征方程|r-λe
p
|＝0可求得p个特征值λg(g＝1,2,
…
,p)，并按特征值λg的大小排序，特征根是主成分的方差，它表示各主成分在描述被评价对象所起作用的大小，按确定p值，由特征方程，每一个特征根对应一个特征向量将标准化后的指标变量转换为主成分：其中f1称为第一主成分，fn称为第n个主成分。
[0061]
通过多维域电磁信号特征压缩处理获得压缩降维后的特征向量，能够保留绝大部分方差，以此来减少训练分类器所需的样本量。本发明实施例对所述的包络特征，傅里叶变换特征，小波变换特征以及谱估计特征进行pca降维，分别取降维后的前80,20,80,20维特征，联合第2,4阶矩作为区分无人机个体的特征。
[0062]
步骤104：通过所有信号样本的压缩降维后的特征向量构成训练数据集；
[0063]
步骤105：深度学习分类器模块构造分类器；
[0064]
具体地，利用神经网络构建分类器对所述降维后的电磁信号特征进行分类，完成无人机识别，考虑到信号样本不充足的情况，本发明实施例构建具有三层全连接层的分类器来缓解样本不充足时面临的模型训练过拟合问题。其中三层全连接的神经元分别为128，128，100，最后一层全连接的神经元数对应着识别任务的类别数。
[0065]
所述分类器包括输入层、中间层和输出层；
[0066]
所述输入层的尺寸与所述信号样本的大小相同；
[0067]
所述中间层包括全连接层，批归一化层和激活函数rule层；
[0068]
所述输出层包括softmax分类层。
[0069]
在两层全连接层中间还包括：批归一化层(batch normalization)和激活函数层(relu)。所述输出层使用softmax激活函数对预测概率进行归一化。
[0070]
所述分类器由3层全连接组成，3层全连接的神经元数分别为：128，128，100，其中第一层全连接层神经元个数与前述的降维后的特征维度数保持一致，最后一层全连接层作为网络的输出层，其神经元个数对应着无人机类别数量。
[0071]
步骤106：通过所述训练数据集训练分类器直至收敛；
[0072]
具体地，将降维后的电磁信号特征构成的数据集用于训练所述的分类器。采用adam优化器对网络模型参数进行更新，批大小设置为80，初始学习率设置为0.003。对数据集按照8:2的比例划分训练集和验证集。保存在验证集上性能最好的模型作为最终的识别模型。
[0073]
步骤107：通过训练好的分类器对无人机信号进行监测识别。
[0074]
具体地，将待识别的无人机多维域电磁信号特征送入训练好的分类器中，分类器输出层获得对应的置信度[p0,p1,...,pm]，分别表示属于每一种无人机个体的概率，其中m表示类别数，该概率由softmax函数进行归一化，取最大的对应的类别
作为最终的识别结果。
[0075]
本发明在某区域出现不同的无人机个体，经过监测对其累积了少量的标记无线电信号样本数据。此时对这些少量的信号样本进行电磁信号特征提取以及分类模型的训练，得到完备的无人机识别模型，当监测区域再出现无人机目标时，该识别模型能迅速做出判断，实现对无人机个体的监测识别。
[0076]
针对前述针对图1所示的技术方案及其示例的阐述，本发明实施例通过具体的仿真实验对上述技术方案的技术性能及效果进行进一步的阐述。具体的仿真条件和参数如下：
[0077]
本发明实施例利用无线电监测技术采集来自100架无人机的链路信号，其中每个无人机采集40个样本，每个信号样本的长度为4800。参照图2所示的分类器网络结构，利用上述训练集完成识别网络的训练。本发明实施例利用keras框架搭建深度学习网络模型，使用nvidia geforce rtx 2080训练模型，采用adam优化器对网络模型参数进行更新，批大小设置为80，初始学习率设置为0.003。对数据集按照8:2的比例划分训练集和验证集。保存在验证集上性能最好的模型作为最终的识别模型。
[0078]
基于上述仿真条件，通过前述技术方案及其示例进行仿真，具体仿真结果如下：
[0079]
识别模型训练过程中训练准确率以及验证准确率随着训练轮数的增加的变化曲线如图3所示。可以看出最终的验证准确率约为84％，因为训练样本较少，识别模型在训练的过程中也存在过拟合现象。
[0080]
利用tsne技术，分类器输出层前一层的特征映射到二维平面上，图4展示了特征映射的结果。可以看出，对于某些类别的样本，其特征分布在二维空间上聚集地较为紧密，说明了所提取的电磁信号特征能够代表这些类别的属性特征，对于这些类别有较强的区分性。同时对于其他类别来说，其样本特征分布呈现一定的混乱状态，说明存在一些无人机个体之间很难区分开来。
[0081]
以上所述，仅为本发明的较佳实施例而已，并非用于限定本发明的保护范围。