一种基于时频分布的无人机遥控信号识别系统和方法

摘要

本发明属于无人机遥控信号识别系统技术领域，提出了一种基于时频分布的无人机遥控信号识别系统和方法，包括数据采集及合并模块、分析模块、信号提取模块、剔除噪声模块和信号识别模块，采用数据采集及合并、对合并后的时域信号做广义矩形变换得到GRD时频分布、剔除随机噪声、采样数据时频序列，并基于曲率特征的三维时频曲线相似性搜索方法,对提取的时频谱特征进行识别，进行无人机遥控信号识别。采用本发明的方案，摆脱了传统的傅里叶变换单一频域描述信号特征的局限性。

说明书

技术领域

本发明属于无人机遥控信号识别系统技术领域，具体涉及一种基于时频分布的无人机遥控信号识别系统和方法。

背景技术

近年来无人机小型化和低空化在技术层面取得了重大的进展，其应用场景日益广泛，在市区公园、博览会、节日庆典等附近空域经常能看到小型无人机进行飞行摄像。同时无人机的广泛使用也带来了诸如隐私和安全相关的问题，对航空活动和关键场所带来安全隐患，这促进了对无人机探测技术的研究。无人机遥控信号的分析与识别是无人机探测的前提和重要环节，如在无人机飞行时对遥控或图传信号侦收，并实现对无人机的定位，以便对无人机实施干扰，阻止其在不安全区域飞行，保护低空空域的安全。显然，研究设计出在复杂密集的通信以及无人机涉及的频段信号环境中识别和发现无人机遥控信号，对无人机反制领域有着重要意义和价值。

文献(李光伟.频谱探测技术在无人机探测与反制领域的应用[J])总结了电磁频谱测量技术在无人机探测和反制中的应用和前景，并给出了几种检测方法，但没有具体算法验证。文献(刘丽.民用无人机跳频信号分析与识别技术研究[D])提出了一种跳频信号的分类系统，可以实现对无人机跳频信号进行自动分类，但是该方法需要大量无人机样本数据，并且算法较复杂。

通常无人机的遥控信号是跳频信号，属于非平稳信号，信号的频率随着时间呈现非线性变化，传统的傅里叶变换不再适用于跳频信号的分析。因此，有必要从时域和频域多角度联合分析，希望全面展现遥控信号频率随时间变化情况。

发明内容

本发明旨在提供一种基于时频分布的无人机遥控信号识别系统和方法，基于时频分布利用时间-频率域来表征并且进行处理和分析信号的方法，摆脱了传统的傅里叶变换单一频域描述信号特征的局限性。

为达到上述目的，本发明采用如下技术方案：一种基于时频分布的无人机遥控信号识别系统，包括数据采集及合并模块、分析模块、信号提取模块和信号识别模块。

一种基于时频分布的无人机遥控信号识别方法，包括如下步骤：

S100，基于采集及合并模块：数据采集及合并，采用基于零中频接收机架构的数据采集系统，对无人机信号进行采集，接收机内部的模拟/数据器件对接收的模拟信号进行模数转换，并通过正交解调、数字下变频将接收信号转换为同相分量I和正交分量Q两路数字基带信号，然后将I、Q两路信号进行合并，即时域信号sig＝I+j·Q，j表示虚数单位，

S200，基于分析模块：对合并后的时域信号做广义矩形变换得到GRD时频分布，

采用广义矩形变换对合并后的时域信号进行以时间为横轴，频率为纵轴进行分析，通过对采集的Num

GRD时频分布为：

式中，σ为核因子，α为非对称比率，τ为时间积分参数；| |表示求绝对值；sinc为辛格函数；t为工作时间，f为频率，Sig为时域信号上角标#表示求共轭，

以上共经过Num

S300,基于信号提取模块：对无人机遥控信号提取，

低秩矩阵恢复先将时频谱矩阵GRD(t,f)表示为低秩矩阵A与稀疏矩阵E之和，再通过求解范数优化问题来恢复低秩矩阵，即求解下列最优化问题：

式中，

S400,基于信号识别模块，对无人机遥控信号识别，

经过低秩矩阵恢复方法可以进一步抑制图传信号干扰，在稀疏矩阵E中得到清晰的遥控信号时频表示，从而提取出遥控信号的时频特征，进一步与无人机遥控信号特征库中的图样进行比对，

采用基于曲率特征的三维时频曲线相似性搜索方法,对提取的时频谱特征进行识别，得到该无人机为的确定的无人机型号。

在本发明的一种优选实施方式，S300与S400之间使用噪声剔除模块，剔除随机噪声，假设阈值为GRD(t，f)，则

阈值采用伯恩森方法，即取当前位置(t

式中，N

在本发明的一种优选实施方式，S300中，稀疏矩阵E的求解方方法如下：

a)将最优化问题式(1)正则化，便得到优化问题:

式中，|| ||

b)迭代交替更新矩阵A，E：

当A＝A

当E＝E

当达到最大迭代次数10或者误差

在本发明的一种优选实施方式，还包括噪声剔除模块。

在本发明的一种优选实施方式，S400中，无人机遥控信号识别，包括如下步骤：

S501，根据遥控信号时频谱数据，拟合遥控信号的三维时频曲线并得到拟合方程，

对于无人机遥控信号标准库中的时频谱数据，等间隔抽取N点时频谱数据，用高阶多项式函数拟合三维曲线，这里取二阶多项式，拟合方程为：

tfr

其中，p

类似，得到采样数据的时频三维拟合曲线，拟合方程为：

tfr

其中，p

S502，计算三维曲线的曲率

a)在无人机标准库某无人机三维曲线S

b)计算点集S

k

其中，k

S503，估计三维时频曲线的曲率分布的切比雪夫距离，判别三维曲线的相似性，

某无人机的三维时频曲线S

当

在本发明的一种优选实施方式，曲率计算方法如下：

将方程(3)改写为参数方程

γ

其中θ为参数，则某无人机三维曲线S

其中，γ′

k

其中，k

本发明的原理及其有益效果：(1)。

本发明的附加方面和优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本发明的实践了解到。

附图说明

本发明的上述和/或附加的方面和优点从结合下面附图对实施例的描述中将变得明显和容易理解，其中：

图1为本发明的基于时频分析的无人机遥控信号识别方法的流程图。

图2为本发明基于曲率特征的三维时频曲线相似性搜索方法的流程图。

图3为本发明基于时频分析的无人机遥控信号识别系统的示意图。

图4为本发明无人机采集信号的广义矩阵时频谱。

图5为本发明无人机采集信号的广义矩阵时频谱在时频平面的等高线图。

图6为本发明无人机遥控信号标准库中大疆精灵4型的时频三维拟合曲线。

图7为本发明采样数据的时频三维拟合曲线。

具体实施方式

下面详细描述本发明的实施例，实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，仅用于解释本发明，而不能理解为对本发明的限制。

在本发明的描述中，需要理解的是，术语“纵向”、“横向”、“竖向”、“上”、“下”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。

在本发明的描述中，除非另有规定和限定，需要说明的是，术语“安装”、“相连”、“连接”应做广义理解，例如，可以是机械连接或电连接，也可以是两个元件内部的连通，可以是直接相连，也可以通过中间媒介间接相连，对于本领域的普通技术人员而言，可以根据具体情况理解上述术语的具体含义。

本申请提供一种基于时频分布的无人机遥控信号识别系统，包括数据采集模块、分析模块、信号提取模块、噪声剔除模块和信号识别模块。

一种基于时频分布的无人机遥控信号识别方法，包括如下步骤，S100，基于数据采集以及合并模块，进行数据采集及合并

采用基于AD9361零中频接收机架构的数据采集系统，对大疆某型号无人机信号进行采集。接收机内部的模拟/数据器件对接收的模拟信号进行模数转换，并通过正交解调、数字下变频将接收信号转换为同相分量I和正交分量Q两路数字基带信号，然后将I、Q两路信号进行合并，得到时域信号sig＝I+j·Q，j表示虚数单位，

S200。基于分析模块，对合并后的时域信号做广义矩形变换得到GRD时频分布

由于无人机遥控信号属于非平稳信号，因此采用广义矩形变换对合并后的时域信号进行以时间为横轴，频率为纵轴进行分析，通过对采集的8000×2048数据点进行处理，每组数据为2048点，共分析8000次，每次代表一个时间点。2048点对应40MHz带宽内的信号频率，每一点频率为0.019532625MHz。

GRD时频分布为：

式中，σ为核因子，α为非对称比率，τ为时间积分参数；| |表示求绝对值；sinc为辛格函数；t为时间，f为频率，sig为时域信号，上角标#表示求共轭。

以上共经过8000次广义矩形变换处理，每一次输出皆可得到GRD时频谱；再计算每组数据沿着时间轴的GRD时频谱最大值，将各组数据的最大值拼接起来，得到全部样本数据的GRD时频谱最大值图，如图4、图5所示，t为时间坐标轴，f为频率坐标轴，tfr为时频谱坐标轴。图4为无人机采集信号的广义矩形时频图、图5为无人机采集信号的广义矩形时频图在时频平面的等高线图。

S300，基于剔除噪声模块，剔除随机噪声

在实际采集的无人机信号中会存在许多随机噪声，进行时频分析时，根据随机噪声的幅度通常弱于无人机信号的特点，通过设定能量门限，来消除随机噪声对遥控信号检测的影响。

假设阈值为GRD

阈值采用伯恩森(Bernsen)方法，即取当前位置(t

式中，N

S400，基于信号提取模块，对无人机遥控信号提取

根据在时频域上遥控信号与图传信号相关性存在的差异，利用低秩矩阵恢复的方法将相关性较强部分分配到低秩矩阵中，而稀疏矩阵中存放相关性弱的部分。图传信号在带宽范围内是连续存在的，而遥控信号在时频域上是一条频率随时间变化的阶梯状斜(或折)线，因此在分离两者时，大部分的图传信号分在低秩矩阵中，遥控信号被分在稀疏矩阵中，从而达到分离遥控信号与图传信号的目的。

低秩矩阵恢复先将时频谱矩阵GRD(t,f)表示为低秩矩阵A与稀疏(噪声)矩阵E之和，再通过求解范数优化问题来恢复低秩矩阵。

即求解下列最优化问题：

式中，

利用快速矩阵分解算法求解(1)式得到稀疏矩阵E。

进一步，求解方法如下：

a)将最优化问题式(1)正则化，便得到优化问题:

式中，|| ||

b)迭代交替更新矩阵A，E：

当A＝A

当E＝E

当达到最大迭代次数15或者误差

则得到稀疏矩阵E，或称为采样数据时频曲线,如图7所示。

S500，基于识别模块，对无人机遥控信号识别

经过低秩矩阵恢复方法可以进一步抑制图传信号干扰，在稀疏矩阵E中得到清晰的遥控信号时频表示，从而提取出遥控信号的时频特征，这里如图6采样数据时频序列E的时频图中的三维曲线，进一步与无人机遥控信号标准库中的图样进行比对。

采用基于曲率特征的三维时频曲线相似性搜索方法,对提取的时频谱特征进行识别，如图2所示为基于曲率特征的三维时频曲线相似性搜索方法流程图，得到该无人机为大疆精灵4型。

具体实施方法如下：

S501，根据遥控信号时频谱数据，拟合遥控信号的三维时频曲线并得到拟合方程

如图6为无人机遥控信号标准库中大疆精灵4型的时频三维拟合曲线。从无人机遥控信号标准库大疆精灵4型的时频谱中等间隔抽取214点时频谱数据如图6右下图，用高阶多项式函数拟合三维曲线，为这里取二阶多项式，拟合结果如图6右上图，图6左图为图6右上图在时间-频率平面的等高线图。

拟合方程为：

tfr

其中，p

类似，得到如图7所示采样数据的时频三维拟合曲线。

拟合方程为：

tfr

其中，p

S502，计算三维时频曲线的曲率

a)在无人机标准库大疆精灵4三维曲线S

b)计算点集S

k

其中，k

进一步，曲率计算方法如下：

将方程(3)改写为参数方程

γ

其中θ为参数，则大疆精灵4三维曲线S

其中，γ′

类似的，得到采样数据三维曲线S

k

其中，k

S503，估计三维时频曲线的曲率分布的切比雪夫距离，判别三维曲线的相似性。

切比雪夫距离可用于评估特征空间两个多维向量的差异性，对于任意两条空间曲线，其形状越相近，切比雪夫距离值越小，相似度越高，反之，则表示相似程度低、差异大。

大疆精灵4三维时频曲线S

当

在本说明书的描述中，参考术语“优选的实施方式”、“一个实施例”、“一些实施例”、“示例”、“具体示例”或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不一定指的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。

尽管已经示出和描述了本发明的实施例，本领域的普通技术人员可以理解：在不脱离本发明的原理和宗旨的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由权利要求及其等同物限定。