一种基于改进AC-WGANs的无人机信号识别检测算法

摘要

一种基于改进AC‑WGANs的无人机信号识别检测算法，包括以下步骤：S1、采集无人机的无线信号物理层前导码的射频信号，进行起点检测、带通滤波后提取该射频信号的包络信号；S2、将预处理后得到的包络信号基于改进分段PCA数据降维算法进行降维，降维后的信号分成测试信号和训练信号；S3、采用AC‑WGANs识别检测算法并结合训练信号训练生成模型和判别模型，并根据判别模型对测试信号进行识别；S4、根据识别结果，改进AC‑WGANs识别检测算法。本发明采用改进分段PCA数据降维的方法对无线信号进行降维，较好的保留了相应信息的同时，降低了算法的空间复杂度。

说明书

技术领域

本发明涉及通信技术领域，特别涉及到IEEE 802.11b及IEEE 802.11n无线通信协议的前导码相关的调制、解调方式，具体涉及基于改进AC-WGANs的无人机信号识别检测算法。

背景技术

随着科学技术的发展，无人驾驶飞机系统(UAVs)在智慧城市中发挥着越来越重要的作用，例如可以在快递行业中运输货物和商品，可以为宽带无线接入提供移动热点，并保持监视和安全等。然而也可能被不法机构用来攻击基础设施，侵犯个人隐私，对公众进行物理和网路攻击。因此，探测、跟踪、监督和识别检测非法无人机对公共安全至关重要。

现有的无人机发现技术包括有基于雷达检测的发现跟踪技术，包括mmWave雷达、UWB雷达、NLOS雷达及其他雷达技术；基于射线追踪技术；基于无人机的射频信号识别；基于声学传感器检测技术；基于计算机视觉识别技术；还有红外摄像机、热成像摄像机、陀螺稳定向器等设备都可用来检测识别无人机。但是目前基于无人机物理前导码的射频信号波形特征信息的区别来识别无人机信号的技术还相对较少。

发明内容

本发明的主要目的在于克服现有技术中的上述缺陷，提出一种基于改进AC-WGANs的无人机信号识别检测算法。

本发明采用如下技术方案：

一种基于改进AC-WGANs的无人机信号识别检测算法，其特征在于：包括以下步骤：

S1、采集无人机的无线信号物理层前导码的射频信号，进行起点检测、带通滤波后提取该射频信号的包络信号；

S2、将预处理后得到的包络信号基于改进分段PCA数据降维算法进行降维，降维后的信号分成测试信号和训练信号；

S3、采用AC-WGANs识别检测算法并结合训练信号训练生成模型和判别模型，并根据判别模型对测试信号进行识别；

S4、根据识别结果，改进AC-WGANs识别检测算法。

步骤S2中的所述改进分段PCA数据降维算法具体为：

S21、将所述每个包络信号分为N段，并作为一组输入数据；

S22、将分段的包络信号求均值，然后对于所有输入数据都减去对应的均值；

S23、求出经步骤S22处理得到的输入数据的特征协方差矩阵，并进一步求特征协方差矩阵的特征值和特征向量；

S24将特征值按照从大到小的顺序排序，选择其中较大的k个，k为要降的最终维数，然后将其对应的k个特征向量分别作为列向量组成特征向量矩阵；

S25、将步骤S21的输入数据的样本点投影到选取的特征向量矩阵上，求出降维后的k个数据点；

S26、将一组输入数据的所有分段的包络信号降维后的k个数据点整合为N*k个数据点作为一个信号，并将所有包络信号降维后分为所述训练信号和所述测试信号。

所述步骤S3中的AC-WGANs识别检测算法具体为：

S31、将所述训练信号输入所述生成模型和所述判别模型进行训练，并每隔若干次训练后将所述测试信号输入所述判别模型进行识别率检测，寻找合适的训练次数；

S32、将所述测试信号输入所述判别模型中，并人为加入相应噪声，根据识别率判断所述判别模型的识别效果。

步骤S4中，所述改进AC-WGANs算法的具体步骤为：

S41、根据AC-WGANs的损失函数的特点，生成模型和判别模型的loss不取log；

S42、优化算法采用RMSProp算法；

S43、用所述训练信号训练新的所述生成模型和所述判别模型，并用所述测试信号测试新的所述判别模型的识别效果。

由上述对本发明的描述可知，与现有技术相比，本发明具有如下有益效果：

1、本发明采用改进分段PCA数据降维的方法对无线信号进行降维，较好的保留了相应信息的同时，降低了算法的空间复杂度。

2、本发明提出了基于AC-WGANs模型的信号识别检测算法，能够较好的训练出生成模型和判别模型，从而提高无人机信号的识别率。

3、本发明根据AC-WGANs模型loss(损失)函数的实际特点，对应改进了AC-WGANs的模型，使得模型更加适用于无线信号的识别，使得模型能有效适用于加噪的无线信号识别中。

4、本发明的实测的识别结果表明，采用改进AC-WGANs的无线识别检测算法，对原始信号的识别率高达98％，对加噪后信噪比SNR为5dB的情况下，模型对无线信号也具有较好的识别率，达80％以上。

附图说明

图1为改进AC-WGANs的无人机信号识别检测算法总流程图；

图2为无人机前导码原始信号和无人机前导码提取的包络对比图；

图3为无线信号降维前后对比示意图；

图4为AC-WGANs和改进AC-WGANs算法loss(损失)函数示意图；

图5为AC-WGANs和改进AC-WGANs算法不同信噪比识别率示意图；

图6为改进AC-WGANs的算法流程图。

具体实施方式

以下通过具体实施方式对本发明作进一步的描述。

多种无线信号共享2.4GHz频段，包括各类无人机及IEEE 802.11b和IEEE802.11n等信号。我们通过对比在2.4GHz频段的不同无人机信号的差别，对无人机的无线信号进行分类识别。

图1为本发明总流程图，本发明基于改进AC-WGANs的无人机信号识别检测算法，通过无线信号物理层前导码射频信号模型的不同识别检测无线信号，本算法能够有效识别出不同的无线信号，达到识别无人机信号的目的。

本发明的基于改进AC-WGANs的无人机信号识别检测算法，主要包含以下三个步骤：

S1、首先，利用接收天线、示波器等设备采集无线信号(包括无人机)物理层前导码的射频信号特征波形，进行起点检测、提取无线信号前导码射频信号的包络信号。

图2为无人机前导码原始信号图和提取的包络信号图。

S2、其次，采用基于改进分段PCA数据降维算法对经过步骤S1预处理后得到包络信号进行降维。

基于改进分段PCA数据降维算法过程如下：

S21、将包络信号分为N段，并作为输入数据。

S22、将分段的包络信号求均值，然后将输入数据都减去对应的均值。

S23、求出经步骤S22处理得到的输入数据的特征协方差矩阵，并进一步求协方差的特征值和特征向量；

S24、将特征值按照从大到小的顺序排序，选择其中较大的k(要降的最终维数)个，然后将其对应的k个特征向量分别作为列向量组成特征向量矩阵；

S25将输入数据的样本点投影到选取的特征向量矩阵上，求出降维后的K个数据点。降维后的数据量由原来的40000个数据点降到了400个数据点，降低了训练识别模型的空间复杂度。

S26将一组输入数据的所有分段的包络信号降维后的k个数据点整合为N*k个数据点作为一个信号，并将所有包络信号降维后为所述训练信号和所述测试信号。

图3为无线信号降维前后对比示意图，x轴为数据点数，y轴为幅度变化。其中左图为原始信号有40000个数据点，右图为降维后的信号有400个数据点，虽然图片差别较大，但是经验证可得能较好的还原图片，图片信息保留较好。

S3、再次，将降维后的数据输入AC-WGANs模型进行训练和识别检测，即采用AC-WGANs识别检测算法并结合训练信号训练生成模型和判别模型，并根据判别模型对测试信号进行识别。

其中，基于AC-WGANs模型的识别检测算法过程如下：

S31、提取5种不同无人机的信号，并将训练信号输入生成模型(G模型)和判别模型(D模型)进行训练，并阶段性进行识别率检测，即并每隔若干次训练后将所述测试信号输入所述判别模型进行识别率检测，寻找合适的训练次数，避免欠拟合或者过拟合；

S32、将5种不同无人机的测试信号输入判别模型中，并人为加入相应噪声，信噪比(SNR)分别为5dB、10dB、15dB、20dB、25dB、30dB、35dB，根据不同信噪比的识别率判断判别模型的识别效果。

S4、最后，根据实际的识别效果，改进AC-WGANs算法模型，进一步提高模型的识别效果。

其中，改进AC-WGANs算法模型是基于原有AC-WGANs算法模型之上的。

具体改进AC-WGANs模型的识别检测算法过程如下：

S41、根据AC-WGANs的损失函数(loss函数)的特点，改进相应模型，生成模型和判别模型的loss不取log；

S42、不使用基于动量的优化算法，将基于Adam的优化算法改成了RMSProp算法；

S43、用训练信号训练新的生成模型和判别模型，用测试信号测试新模型的识别效果。

图4为AC-WGANs和改进AC-WGANs算法loss(损失)函数示意图，G_loss为生成模型的损失函数，D_loss为判别模型的损失函数。上图为原始AC-WGANs的loss(损失)函数示意图，下图为改进AC-WGANs的loss(损失)函数示意图，根据两图对比可以得到改进AC-WGANs的loss(损失)函数更稳定并且收敛。

图5为AC-WGANs和改进AC-WGANs算法不同信噪比识别率示意图，上图为原始AC-WGANs 5种不同无人机信号在不同信噪比下识别率的示意图，下图为改进AC-WGANs的识别率，根据两图对比可以得到改进AC-WGANs可以有效提高无线信号的识别率，在信噪比(SNR)为5dB的情况下识别率仍然能够达到80％以上；

图6为改进AC-WGANs的无线信号前导码射频信号识别检测算法具体流程图。

本发明提出的基于改进AC-WGANs的无人机信号识别检测算法，实测的识别结果表明，采用合适的AC-WGANs模型的识别率可达到95％以上；而采用改进AC-WGANs算法后，无人机信号在信噪比(SNR)为5dB的情况下识别率可达到80％以上。

上述仅为本发明的具体实施方式，但本发明的设计构思并不局限于此，凡利用此构思对本发明进行非实质性的改动，均应属于侵犯本发明保护范围的行为。