基于格拉姆角场和希尔伯特曲线的无人机检测与分类 Yanqueleth Molina-Tenorio, Alfonso Prieto-Guerrero, Luis Alberto Vásquez-Toledo

《Drones》:Detection and Classification of Unmanned Aerial Vehicles Based on the Gramian Angular Field and Hilbert Curve Yanqueleth Molina-Tenorio, Alfonso Prieto-Guerrero and Luis Alberto Vásquez-Toledo

【字体: 大 中 小 】 时间:2026年04月29日 来源:Drones 4.8

编辑推荐:

  **亮点** **主要发现是什么?** 两种新型方法用于检测和分类无人机,表现出优异的性能,这两种方法都基于射频(RF)信号的一维到二维转换。第一种方法使用格拉姆角场(Gramian Angular Field)和神经网络;第二种方法采用希尔伯特曲线(Hilbert cu

  **亮点**
**主要发现是什么?**
两种新型方法用于检测和分类无人机,表现出优异的性能,这两种方法都基于射频(RF)信号的一维到二维转换。第一种方法使用格拉姆角场(Gramian Angular Field)和神经网络;第二种方法采用希尔伯特曲线(Hilbert curves)和神经网络。

**主要发现的意义是什么?**
这两种方法在无人机检测和分类方面都实现了高精度。
它们都适用于实时的无人机检测应用。

**摘要**
在频谱拥挤的环境中,使用射频(RF)信号检测和识别无人机(UAV)变得特别具有挑战性,因为传统方法仅依赖频谱特征往往效果有限。本文介绍了一种基于从接收到的RF信号包络直接派生的时间表示的新技术,用于无人机的检测和分类。所提出的系统采用两阶段架构:首先,在给定的RF通道中检测无人机的存在;其次,在多个商业平台中识别具体的无人机型号。对于第一阶段,采用了两种信号表示方法——格拉姆角场和希尔伯特曲线——这两种方法都是从短时RF窗口生成的,随后作为卷积神经网络(CNN)的输入。实验评估表明,这两种方法的检测精度均超过了94%(对于非无人机类别),对于无人机类别则接近99%。在识别阶段,系统对大多数考虑的无人机型号的识别精度超过了90%,某些平台甚至达到了100%。这些结果证实了基于包络的方法分析无人机相关RF信号的有效性。

**1. 引言**
近年来,由于无人机的多功能性,它们已成为民用、工业和军事应用中的重要工具。特别是在军事和监视操作等领域,无人机的快速增长使得需要确定其存在(检测)以及识别其类型。为此提出了许多技术,包括主动方法(如雷达)以及通常基于RF信号的被动方法。在被动检测的具体情况下,分析和表征用于控制、遥测和视频传输的RF信号[1,2]具有特别重要的意义,尤其是从数字信号处理(DSP)的角度来看。
基于RF的被动检测作为一种鲁棒的替代方案出现,因为它比光学或声学方法更不受环境条件的影响[3,4]。然而,RF信号的分析面临诸如低信噪比(SNR)、干扰、多径传播和多普勒频移等重大挑战。这些因素限制了传统频谱分析和滤波技术的性能。因此,近年来,将深度学习(DL)应用于RF信号的做法有所增加,使得能够提取出合适的判别特征,从而显著提高检测性能[5,6]。最近的研究探索了载波频率偏移(CFO)补偿技术,其中CFO指的是传输载波与接收器本振之间的频率不匹配,以及训练期间的信道失真注入[7],以及在加密网络中的统计流量分析[8]。一些使用真实信号训练的卷积神经网络(CNN)在多类别场景中展示了超过95-99%的识别率[9]。此外,基于这一范式,有一种相关趋势是将RF信号或其频谱等效物(如功率谱密度(PSD)或倒谱)转换为时频表示(频谱图或Wigner-Ville分布)[10]。这种方法生成的图像作为CNN的输入,已被证明是有效的二维模式分类器。然而,这些时频表示在作为CNN输入时可能会引入限制,因为归一化过程可能导致在真实RF环境中出现不希望的效果。虽然这种缩放可以在存在无人机传输的情况下增强对比度——即使在中等SNR条件下——但它也可能在没有主动传输的情况下放大背景噪声。在这种情况下,只有噪声底噪存在时,归一化可能会人为地突出噪声波动,使其看起来像是结构化的模式。这种效应可能会通过增加误检测的可能性来降低CNN的性能,因为模型可能会将归一化的噪声解释为有意义的信号特征。
其他避免时频表示和CNN问题的技术也被引入。其中,格拉姆角场(GAF)已被证明在将时间序列或频谱数据转换为图像的同时保留非线性关系和时间依赖性方面是有效的[1]。在无人机检测案例中,[1]中提出了一种基于GAF的方案,结合CNN使用真实PSD数据,实现了超过98%的准确率。其他方法包括使用最小变化无失真响应空间谱来获得高分辨率特征[2],基于GAF的自监督方案和掩码自编码器来减少对标记数据的需求[11],以及混合真实背景信号的数据增强方法来提高对信道变化的鲁棒性[12]。
除了基于GAF的表示方法外,还探索了将一维信号转换为二维域的其他策略。其中,希尔伯特曲线的使用尤为突出,因为它保留了连续样本之间的邻域关系。这样,基于CNN的模型不仅可以利用全局相关性(如GAF矩阵所示),还可以利用在二维投影中自然出现的局部规律性。在不同的应用领域,希尔伯特曲线在高结构复杂性场景中也显示出优势。例如,在网络安全领域,论文[13]使用这种映射将网络数据流转换为图像,与传统方法相比,在入侵检测任务中取得了显著改进。同样,在从肌电图信号中进行手势识别时,基于希尔伯特曲线的表示已被证明可以增强CNN在多类分类问题中的判别能力[14]。此外,使用这些填充空间的曲线作为将二维卷积应用于原本一维数据的结构机制已被正式化,巩固了它们在深度学习中的方法论有效性。例如,在涉及天体物理信号的估计和检测问题中,通过希尔伯特曲线进行逆编码并结合CNN架构提高了识别相关时间模式的准确性[15]。在生物信息学中,使用这种几何映射将分子序列转换为图像在分类任务中表现出优于传统表示的性能[16],而其应用于生物标志物发现的方法甚至获得了专利保护。额外的比较研究表明,当空间填充曲线与CNN结合使用时,在结构保留和预测性能方面有可量化的改进[17]。最后,将频谱变换与希尔伯特类型投影相结合的混合提案扩展了这一方法论框架,以优化基于CNN的识别系统中的输入表示[18],证明了这一策略在当前技术水平中的地位。
尽管希尔伯特曲线在RF信号分析用于无人机检测的背景下尚未得到广泛应用,但其在其他领域的有效性在于它能够在将一维数据映射到二维表示时保留局部相关性和结构依赖性。这一属性对于RF信号尤为重要,因为无人机传输的时间包络表现出与通信协议和调制动态相关的局部模式。因此,在本工作中利用希尔伯特曲线并不是直接转移应用,而是一种基于其增强局部特征表示的经验证能力的方法论扩展,这对于在真实频谱条件下实现鲁棒的无人机检测至关重要。
本文提出了一种新的系统,用于基于设备传输信号的时间包络的结构分析来检测和识别无人机。该方法论方法首先在时频域对信号进行信号处理,使用二阶傅里叶变换的平方幅度,这增强了与无人机内在传输动态相关的频谱模式,并提高了类别之间的可分离性。从这种丰富的表示出发,信号被转换为保留时间信息和序列内部依赖性的二维矩阵结构。这是通过基于希尔伯特曲线的映射实现的,该映射将一维信号重新组织为二维矩阵,保留了相邻样本之间的空间局部性,并有利于保留局部模式。此外,还使用了格拉姆角场技术,它将时间序列的角关系和全局相关性编码为矩阵表示。将二阶频谱分析与这两种二维结构化机制相结合,生成了高度判别的表示,适用于面向无人机自动分类的监督机器学习模型的利用。

**本文的主要贡献是:**
- 在受控实验条件下,基于时间包络提取,实现对RF频谱中无人机信号的准确快速检测,所需的样本数量较少。
- 使用时域表示,提高了在真实无线通信环境中的鲁棒性。
- 结合希尔伯特曲线映射来强调局部模式,实现了低计算成本下的高效特征构建。
- 该检测框架不依赖于观察完整的无人机传输带宽,从而在部分频谱可见性条件下提高了性能。

**本文的其余部分组织如下。**第2节提供了理解所提出方法所需的理论基础,包括RF信号处理、格拉姆角场和希尔伯特曲线的基本概念。第3节详细介绍了方法论,描述了信号获取过程、预处理阶段、基于GAF和希尔伯特曲线的特征构建以及用于无人机检测和识别的深度学习架构。第4节展示了从真实RF数据集获得的实验结果,评估了所提出系统的性能和鲁棒性。最后,第5节总结了主要发现并总结了本文。

**2. 理论基础**
开发先进的无人机识别和检测技术严重依赖于复杂的DSP方法,这些方法能够从RF信号中提取、转换和分析相关信息。在这方面,整合数学和人工智能工具以增强识别记录信号中特征模式的能力至关重要。为此,本文考虑了三个基本支柱:使用第二傅里叶变换(F2T)进行信号包络检测,使用GAF和希尔伯特曲线进行时间序列表示,以及通过卷积神经网络进行自动特征处理。每种方法都为问题提供了互补的维度:F2T通过突出仅使用原始RF信号时不可见的属性来丰富信号的时间视角;GAF和希尔伯特曲线将时间信息转换为便于视觉和计算分析的二维表示;CNN提供了基于图像的强大分类框架,利用了先前表示生成的空间结构。

**2.1. RF信号包络的检测:第二傅里叶变换**
傅里叶变换是一个积分运算符,它为每个函数分配其频谱表示:
(1)
如果再次对结果应用傅里叶变换,可以得到一个简单但基本的结果,该结果反映在时域中:
(2)
如果使用离散版本的傅里叶变换(特别是快速傅里叶变换FFT)来实现这一结果,就可以获得一种简单而快速的I-Q RF信号包络提取方法。该包络包含少量样本,定义为:
(3)
为了说明这一工具在现实世界中的适用性,我们使用USRP-2955 SDR在84 MHz带宽的无线通信场景中处理一个信号,如图1所示。图1a显示了一个50毫秒的帧,其中清晰地识别出了Phantom 3无人机每次传输的I-Q分量。图1b展示了直接从该信号获得的包络。最后,图1c展示了使用所提出方法获得的时间包络。显然,最后的表示提供了对原始信号包络的更好详细特征描述。实际上,比较图1b和c可以看出,使用所提出的方法时,信号的时间包络对高频噪声的敏感性较低。此外,得到的F2T包络即使在样本数量减少的情况下也显示出更平滑和更稳定的行为。在无人机通信的背景下,这些信息对于理解信号随时间的行为及其传输特性至关重要。

**图1.**
(a) 真实无人机传输(I-Q RF分量)。
(b) 使用...的时间包络。
(c) 对RF信号应用F2T的时间包络。格拉米安角场(Gramian Angular Field)是一种将一维序列转换为二维表示(图像)的技术[19]。这种转换反映了原始序列中每对值之间的某种相关性,有助于在机器学习任务中识别模式。格拉米安角场的构建方法如下:考虑来自实值一维信号的N个观测值。将这些样本在序列中进行缩放,使得所有值都落在区间[0, 1]或[?1, 1]内,具体步骤如下:(4) 通过这种方式,可以将缩放后的序列用极坐标表示,将每个值编码为角余弦,离散样本编号编码为半径,具体表示如下:(5) 其中i是离散时间样本的编号,N是序列长度,表示该值的反余弦,表示原始序列中第i个缩放后值的半径。给定极坐标系统中的缩放后序列,通过考虑每两点之间的三角和/差来导出角度视角,从而识别不同离散区间内的时间相关性,从而得到格拉米安角和场(GASF)和格拉米安角差场(GADF),具体表示如下:(6) 格拉米安角场的不同形式是通过方程(6)中的角度之和和差构建的,这些角度之和和差被解释为表示两个向量之间相关性的内积。从这个意义上说,GASF和GADF矩阵分别代表了由角度之和和差产生的相关性。格拉米安角场构成了一种矩阵表示,它以方形图像的形式编码了一组离散点。这种图像捕捉了点之间的关系和依赖性,允许使用图像处理技术来分析信号。图2展示了将格拉米安角场(其和差两种形式)应用于离散信号的结果,该离散信号对应于从无人机传输中获得的F2T时间包络。图2. (a)和(b)分别表示了GAF的和形式和差形式,这些形式是从UAV时间包络对应的原始离散信号中获得的。图3展示了图1c中信号的GASF,它通过将时间信息整合到紧凑的表示中,有助于识别信号的内部结构和趋势。图3. 实际UAV传输信号的GASF表示。

2.3. 希尔伯特曲线(Hilbert Curve)
希尔伯特曲线是由德国数学家大卫·希尔伯特在1891年提出的[20],是一种特殊的填充空间的曲线,如今在许多领域都有广泛的应用,例如经典频谱分析、滤波和模式检测技术[19,21,22]等。这种曲线将时间序列映射成图像,以独特的方式填充任何有界的二维空间,同时保持相邻点的局部性,即时间上相邻的点在曲线中(即在图像中)也保持相邻。具体来说,在这项工作中,UAV的射频信号被映射到这条希尔伯特曲线的轨迹上。使用希尔伯特曲线的目的是为了减少信息损失,从而提高从时间序列到图像的转换精度。通过将UAV的射频时间包络映射到希尔伯特曲线的轨迹上,可以保留时间相关性,使新的表示更能捕捉信号的时间动态特征,从而有效地驱动卷积神经网络(CNN)。由于希尔伯特曲线的递归构造及其保持信号局部结构的能力,它们在分析非平稳信号和特征提取方面特别有用,在这些应用中,保持空间或时间相关性对于处理和分类算法的性能至关重要。这种曲线的构建算法详细步骤如下:
- 定义曲线的阶数(或迭代次数)n = iter。
- 计算二维网格的大小,生成一个N × N矩阵。
- 初始化阶数为1的基曲线,由四个以U形连接的点组成。
- 对于每个阶数,从2递增到n:
- 将前一个阶数的曲线按2的因子进行缩放。
- 生成缩放后曲线的四个副本。
- 将第一个副本顺时针旋转90°。
- 将第四个副本逆时针旋转90°。
- 将这四个副本移动到新网格的四个象限中。
- 连接子曲线的端点,形成一条连续的路径。
- 按顺序对路径上的点进行编号,从0到。
- 按照获得的路径顺序分配一维信号的样本,从而构建二维表示。
图4展示了该算法的前四次迭代。曲线遵循的路径总是将一个正方形划分为四个部分(时间段的初始划分,通常考虑在0到1之间),在每次迭代中,每个正方形进一步划分为四个部分,同时要求时间划分中的相邻部分在曲线的路径上有一个共同点,以保持二维映射中的时间关系。实际上,这种大小为N的时间序列的映射会产生大小为2iter × 2iter的矩阵,其中iter = 1, 2, 3…,且N = 2iter × 2iter。这样,沿着曲线走的每个正方形都包含了离散时间信号的每个样本。图4. 希尔伯特曲线的前四次迭代。(a)阶数为1的迭代,(b)阶数为2的迭代,(c)阶数为2的迭代,(d)阶数为4的迭代。图5展示了如何根据希尔伯特曲线将一维数据转换为图像的过程,用于处理来自无人机的实际射频检测信号。首先获取该射频信号的时间包络,然后使用希尔伯特填充空间曲线将其转换为结构化的二维表示。希尔伯特曲线中的每个正方形与时间包络中的每个值相关联,最终将其编码为RGB颜色的像素强度(或灰度),生成一个保留原始时间信号局部邻域关系(模式)的图像。在这个例子中,矩阵大小固定为23 × 23,即时间包络包含64个样本,希尔伯特曲线在其第三次迭代时生成。结果生成的RGB图像叠加在希尔伯特曲线上。图5. (a)时间域中的包络信号,(b)对应的希尔伯特曲线(第三次迭代),以及RGB图像。在[23]中,提出了一种通过希尔伯特曲线将一维语音信号转换为二维表示的方法,用于识别语音中的情感。在这种背景下,沿着希尔伯特曲线路径在矩阵中表示的模式可以应用于UAV传输的时间包络,以识别与特定无人机相关的模式。图6显示了实际的射频无人机传输及其周围的射频背景。从这些实际射频信号生成的希尔伯特曲线对应的图像中可以清楚地识别出差异。图6. (a)射频背景的希尔伯特曲线和(b)无人机传输(Phantom 3)的希尔伯特曲线。

3. 方法论
本节描述了首先检测无人机存在的步骤,然后识别无人机类型的步骤。它包括操作原理、内部过程和技术标准,这些标准使得能够检测、分析并随后识别这些飞行器发出的传输信号。
3.1. 检测系统
本节描述了用于检测不同类型无人机的所提出方法的操作。该检测系统在图7的流程图中进行了说明。在这种方法中,检测基于格拉米安角场(GAF)和希尔伯特曲线,其图像使用卷积神经网络(CNN)进行处理,并比较了这两种技术的结果和性能。流程图中的每个块接下来将详细说明。图7. 提出的用于检测UAV射频传输的方法。
3.2. 数据集模块
使用[24]中描述的信号构建了数据集,该数据集包含与24种不同无人机模型相关的时间域帧,这些帧在不同的距离和操作频率下记录。这些帧是使用USRP-2955设备在无人机操作的两个经典频段(即2.4 GHz频段和5.8 GHz频段)下获取的,每个频段的感知范围(带宽)分别为84.5 MHz和125 MHz。图8展示了一个时间帧的示例,其中包含16.9 Msamples,对应于无人机Matrice 300的0.2秒射频传输,包括USRP记录的同相(I)和正交(Q)分量。图8. 使用USRP-2955获得的Matrice 300射频传输信号。尽管数据集包括2.4 GHz和5.8 GHz两个频段的记录,但需要注意的是,无人机一次只在一个频段上传输。也就是说,即使在测量过程中同时获取了两个频段的信号,无人机活动的射频信号也只存在于其中一个频段中。因此,数据集本质上包含了两个频段的信息,但每个时间域帧对应于单次活动传输。这一特性确保了所提出的方法可以在不进行显式分离的情况下跨两个频段进行评估。
3.3. 滑动窗口模块
通过滑动窗口模块,数据集中的每个时间帧被分割成50毫秒的间隔。在这个时间间隔内获得的样本包含了足够多的传输信息,以高可靠性检测无人机。使用“滑动”一词是为了考虑未来的实时实现。
图9a显示了前一个示例(图8)中的前4,225,000个样本,对应于50毫秒的段。图9b显示了相应的频谱图(时频表示),可以清楚地识别出发射器的活动;暗区域表示无人机的存在。图9. 来自Matrice 300的50毫秒射频传输的一个片段。(a)时间域中的帧及其(b)频谱图。
3.4. 时间包络检测模块
在计算F2T的平方幅度的模块中,实现了基于快速傅里叶变换(FFT)连续应用的程序,如图10所示。该包络的样本值以对数刻度(dBm)表示。得到的包络是识别传输事件发生、确定其持续时间以及估计相关相对功率的有效描述符。这种方法提供了联合的时间-功率特征,有助于在没有高频噪声引入的突然变化的情况下,检测和分析非平稳信号中的能量转换。这种获取时间包络的方法能够很好地表示射频信号,每个50毫秒窗口只包含2048个样本。在这种情况下,一个重要的问题是:这种简化但信息丰富的表示是否能够在不牺牲检测和分类性能的情况下实现实时应用?图10. Matrice 300无人机通信的时间包络。
3.5. 一维到二维转换模块
在所提出的方法中,从时间包络检测模块获得的平方幅度被映射到二维表示。在这项工作中,实现了两种二维表示:格拉米安角场(Gramian Angular Field)和希尔伯特曲线。(a)格拉米安角场
如2.2节所解释的,格拉米安角场矩阵以GASF形式构建。得到的GASF模式构成了每种无人机信号行为的特征指纹,允许识别它们射频通信之间的差异和相似性。图11清楚地展示了这一点,其中显示了每种无人机的图形表示。图11a显示了在没有无人机传输的环境中的包络对应的GAF,我们将其称为背景,尽管它可能包含与无人机无关的多个信号。图11.每种无人机模型对应的GASF矩阵。(a) 背景,(b) Phantom 3,(c) Phantom 4 Pro,(d) Matrice 200,(e) Matrice 100,(f) Air 2S,(g) Mini 3 Pro,(h) Inspire 2,(i) Mavic Pro,(j) Mini 2。(b) 希尔伯特曲线在所提出的方法中,希尔伯特曲线(第2.3节有解释)也被用作空间维度转换技术,将时域中定义的一维信号映射到结构化的二维表示中。这种空间填充曲线在很大程度上保留了原始信号的局部邻域关系,特别适合使用CNN进行模式分析。从上一处理阶段获得的时间包络中,信号样本按照希尔伯特曲线定义的路径重新组织,形成一个二维数组,其中幅度值被编码为灰度(或颜色刻度)像素强度。这种表示构成了每种无人机时空行为的特征模式,突出了不同无人机模型之间的结构差异,并将它们与没有无人机传输的场景区分开来。图12展示了使用希尔伯特曲线获得的不同类型无人机的二维表示示例,表明每个模型都生成与其射频传输方案和操作特性相关的空间配置。还包括了没有无人机传输环境中的示例,显示出与活跃无人机相关的信号明显不同的模式。图12. (a) 背景,(b) Matrice 100,(c) Phantom 3,(d) Phantom 4 Pro,(e) Mini 3 Pro,(f) Matrice 200对应的希尔伯特曲线。从每个包含2048个样本的时间包络中(大约持续0.05秒),通过8次迭代构建了希尔伯特曲线,得到一个28 × 28像素的数组。这样,原始时间包络被复制了32次,完成了沿着希尔伯特曲线的65,536个位置,突出了分析信号的代表性模式,同时保留了重要的时间信号特征(例如,突变)。3.6. 检测模块为了检测可能的射频无人机传输,使用CNN来确定两种可能的状态:“无人机”或“无无人机”。为此,CNN的两个可能输入是GASF矩阵或希尔伯特曲线矩阵,两者都是从检测到的时间包络中获得的,如图13所示。图13a显示了一个没有无人机传输环境的输入。在这种情况下,神经网络的输出对应于“无无人机”状态。相比之下,图13b显示了一个与无人机传输相关的输入(在这种情况下是Matrice 300传输),在这种情况下,网络会识别出无人机的存在。图13. 两种可能输入类别的检测系统:(a) 无无人机射频传输的信号和(b) 有无人机射频传输的环境。3.7. 识别系统本节通过在无人机检测模块中添加一个指示检测到哪种类型无人机的系统,来改进第3.1节中描述的系统,我们称之为识别系统。所提出的方法引入了一个额外的识别机制,该机制相对于初始检测模块依次操作。首先,第3.1节中描述的CNN确定分析时间窗口内是否存在与无人机相关的传输。这一初步决策充当了主要过滤器,当感兴趣的频段内没有相关活动(即没有无人机)时,防止不必要的处理。为了验证所提出的方法,使用对应于不同商用无人机模型的信号训练了CNN。当该方法使用GAF作为决策规则时,考虑了九种商用模型:Phantom 3、Phantom 4 Pro、Matrice 200、Matrice 100、Air 2S、Mini 3 Pro、Inspire 2和Mini 2。相反,当使用希尔伯特曲线作为空间维度转换技术时,训练集包括与六种商用模型相关的信号:Phantom 3、Phantom 4 Pro、Matrice 200、Matrice 100、Air 2S和Mini 3 Pro。整个系统流程如图14所示,依次整合了数据集形成、信号的时间分割、空间维度转换(使用GAF或希尔伯特曲线)、CNN检测,如果确认存在无人机,则识别相应的无人机模型。这种架构不仅能够确定与无人机相关的传输的存在,还能有效区分不同的商用模型。图14. 完整的检测和识别系统。4. 检测和识别系统的性能本节展示了使用前两节中描述的两种不同方法(即GAF和希尔伯特曲线)进行无人机检测和识别的结果。在这两种情况下,系统都采用两阶段架构:首先二进制检测通道中是否存在无人机,然后从多个商用类别中识别具体模型。4.1. 适用于不同带宽所提出的方法并不严格依赖于SDR设备的完整带宽覆盖范围。在实际场景中,如LimeSDR或类似设备可能无法捕获无人机信号的完整传输带宽。然而,结果表明,即使在感知带宽内只观察到部分信号,该系统也能够检测和识别无人机传输。这是因为在基于GAF和希尔伯特的方法中学习到的表示能够捕获即使在带宽受限条件下仍然存在的区分性特征。这一特性使得所提出的系统适用于硬件限制或频谱监控配置限制了可观察带宽的现实世界场景。只要无人机信号的相关部分落在SDR的采集范围内,检测和分类性能仍然可靠,证明了该方法在不同SDR平台上的鲁棒性和实际适用性。图15展示了使用USRP B210在两种不同观测条件下获取的无人机信号的比较分析。左列对应于全频段采集,其中Mini 4K无人机的传输完全包含在观测带宽(20 MHz)内。相比之下,右列显示了部分观测场景,其中只捕获了大约四分之一的传输带宽。在这两种情况下,(a)通过其同相(I)和正交(Q)分量展示了时域信号,(b)显示了相应的频谱图,(c)说明了信号的时间包络。正如预期的那样,部分观测场景下的频谱图显示出频率足迹的减少。然而,尽管有这种限制,时间包络仍然与全频段条件下的时间包络高度一致。这一结果表明,即使观察到不到50%的信号带宽,提取的时间序列结构仍然得以保留。这种行为对于所提出的方法尤为重要,因为它依赖于将1D信号转换为2D表示。时间包络的保留确保了生成的表示保留了准确检测和分类所需的关键区分特征。因此,这支持了在只有部分频谱访问权限的场景中应用所提出方法的可能性,使得可以使用带宽能力有限的低成本SDR设备。图15. 使用USRP B210在全频段和部分频段下获取无人机信号的比较。左列:Mini 4K无人机传输的全频段观测(20 MHz带宽)。右列:部分观测(大约25%的带宽)。(a) 时域I/Q信号,(b) 频谱图,(c) 时间包络。与需要观测无人机完整传输的无人机检测方法(例如基于功率谱密度[1]的方法)相比,所提出的方法具有显著优势,后者的性能在很大程度上取决于信号带宽。在现实世界的无线通信环境中,频谱中通常存在多个传输,这可能导致重叠,并对依赖完整频谱内容的技术的准确性产生负面影响。在这种情况下,本文提出的方法不严格依赖于无人机传输的总带宽,而是专注于提取稳健的时间特征,特别是通过信号包络,如前面的图所示。4.2. 卷积神经网络架构由于卷积和降维操作能够提取相关的空间特征,CNN已成为图像分析和模式识别最有效的工具之一。本工作采用了两种CNN架构:一种用于检测,另一种用于识别。这两种架构都是使用顺序方法设计的,结合了卷积层、池化层和全连接层。每个卷积层应用几个3 × 3的滤波器,并使用ReLU激活函数和“相同”的填充方式,从而在每个阶段保持图像的空间维度。使用这些滤波器可以逐步提取低级和高级特征。随后,每个卷积层后面跟着一个2 × 2的最大池化层,其目的是降低空间分辨率、减少计算成本,并通过集中每个区域的最相关信息来避免过拟合。最后,在全连接层之前,使用全局平均池化层,将每个特征图压缩为一个代表性值,显著减少了参数数量并提高了训练稳定性。为了训练和评估这些架构,构建了一个由射频信号派生的图像数据集。每个无人机由总共48个原始信号文件表示,这些文件被分割成50毫秒的时间窗口。这种分割过程每个窗口生成一张图像,从而每个无人机大约生成1600张图像(注意有些文件包含的样本较少)。这些图像构成了用于无人机识别的CNN的数据集。对于检测任务,基于GAF的CNN使用了大约15,000张图像,而基于希尔伯特曲线表示的CNN使用了9700张图像。在所有情况下,数据集被划分为训练集、验证集和测试集,使用70%的数据进行训练,15%进行验证,剩余的15%进行测试。除了架构设计外,还定义了主要的训练设置以确保所提出模型的可重复性。网络最多训练30个周期,批量大小为8。基于验证损失实现了提前停止标准,耐心为四个周期,并恢复最佳模型权重以防止过拟合。使用Adam优化器及其默认的学习率配置。输入数据由存储为浮点数组的Gramian Angular Field和希尔伯特曲线表示组成。在GAF的情况下,转换本身包括一个归一化步骤,将值限制在一定的范围内。相比之下,基于希尔伯特的表示没有额外的归一化,以保留时间包络的原始幅度关系,这对于捕获局部结构模式是相关的。数据集使用固定的种子随机打乱,以确保可重复性,并且数据加载过程使用流式策略在训练期间高效处理大型数据集。(a)CNN检测架构第一个CNN架构旨在解决二进制检测问题,通过将输入图像分类为两个类别。该网络由五个卷积块组成,滤波器数量逐渐加倍,以便提取越来越复杂的特征。每个块使用3 × 3的卷积核,然后是2 × 2的最大池化。第l个块中的滤波器数量由以下公式给出:随后应用GlobalAveragePooling2D。密集层由128个神经元组成,使用ReLU激活函数。输出层有两个神经元和softmax激活函数,产生属于每个类别的概率。该模型使用Adam优化器进行训练,损失函数为稀疏分类交叉熵,主要指标为精确度。(b)识别用CNN架构第二个架构针对多类识别问题。为此,设计了一个更深的CNN,由六个卷积块组成,每个阶段的滤波器数量逐渐加倍。每个块使用3 × 3的卷积核,然后是2 × 2的最大分组。第l个块中的滤波器数量定义为:从而形成了从8到256的滤波器序列。在应用了GlobalAveragePooling2D层之后,实现了一系列维度逐渐增加的全连接层,其中神经元数量通过ReLU激活函数逐步翻倍,起始为32个,最终达到256个。CNN的输出层包含9个神经元,对应于GAF方法;而在Hilbert曲线方法中,输出层包含6个神经元。在这两种方法中,都使用了softmax激活函数,该函数用于估计每张图像属于定义类别之一的概率。与之前描述的架构一致,该模型使用Adam优化器和稀疏分类交叉熵损失函数进行了训练。

4.3 结果:无人机检测
图16a显示了基于信号包络的GAF表示在二值检测阶段的混淆矩阵。该模型对于非无人机类别的准确率为94.55%,对于无人机类别的准确率为99.22%,假阳性率为5.45%,假阴性率为0.78%。这些结果表明了高灵敏度,这对于确保仅在存在实际无人机相关传输时才激活识别阶段尤为重要。

图16. 检测系统的混淆矩阵。(a) 使用GASF的方法。(b) 使用Hilbert曲线的方法。
图16b展示了使用Hilbert曲线在检测阶段获得的结果。在这种情况下,系统对非无人机类别的区分能力得到了提高,准确率达到了97.56%,而无人机检测的性能仍然保持在99.12%。假阳性率降至2.44%,表明基于Hilbert的表示在触发检测时更为保守,减少了在没有无人机时的错误激活。

总体而言,这两种方法在无人机检测方面都表现出高度可靠的性能。虽然基于GAF的方法更注重高灵敏度,但使用Hilbert曲线可以更好地抑制误报,在频谱占用率较高或干扰较多的场景中具有优势。

一旦检测到无人机,系统会激活负责将其分类为九种商用无人机类型的模型:
- 类别1:Phantom 3
- 类别2:Phantom 4
- 类别3:Matrice 200
- 类别4:Matrice 100
- 类别5:Air 2S
- 类别6:Mini 3 Pro
- 类别7:Inspire 2
- 类别8:Mavic Pro
- 类别9:Mini 2

图17a显示了使用GAF表示训练的分类器在识别九种商用无人机模型时的混淆矩阵。结果显示了整体上的强劲性能,大多数类别的准确率超过了90%。例如Phantom 3、Phantom 4和Mini 3 Pro的准确率超过了97%,而类别6达到了完美的分类效果。

然而,对于类别7(Inspire 2),其准确率显著下降至70.42%。主要的混淆发生在类别7(Inspire 2)和类别3(Matrice 200)之间,以及紧凑型无人机模型之间。这种行为与它们在射频传输模式和时间包络特征上的相似性有关,可能导致特征表示的重叠。

图17b展示了使用Hilbert曲线进行识别时的结果。GASF表示和Hilbert曲线转换在考虑的类别数量上的差异是基于性能驱动的标准。在实验阶段观察到,所使用的卷积神经网络(CNN)对构建Hilbert曲线时使用的迭代顺序非常敏感。为了分析这种效应,进行了不同迭代顺序(6、7和8)的实验,结果表明1D到2D信号转换和模型性能都强烈依赖于这一参数。这直接影响了信号的空间表示质量。随着迭代顺序的增加,生成图像的维度也随之增加,使得训练过程变得更加复杂。在这些条件下,发现当使用较少的类别子集(本例中为六个)时,模型能够获得更好的性能和稳定性。最终,在评估的顺序中,迭代次数为8时被认为是表示质量和模型性能之间的最佳折中。因此,在选择基于Hilbert的方法中的类别数量时,考虑了表示能力、模型复杂性和所达到的性能之间的平衡。在这种情况下,系统也表现出稳健的性能,准确率根据类别的不同而介于70%到100%之间。像类别6这样的模型再次实现了100%的准确率,而其他类别与GAF方法相比略有下降,特别是那些在时间和频谱上有较大重叠的类别。

表1和表2总结了基于GAF方法和Hilbert曲线方法的每个类别的估计精度、召回率和F1分数。这些指标是从标准化混淆矩阵中得出的,假设类别分布是平衡的。在基于GAF的模型中(表1),大多数类别都表现出了高性能,F1分数超过90%;然而,某些类别(如类别7)由于与结构相似的信号模式混淆增加而表现较差。相比之下,基于Hilbert的模型(表2)在各个类别上表现出更一致的行为,召回率和F1分数始终较高,特别是对于类别4、5和6。这些结果进一步支持了两种表示方法的互补性。

我们的结果与最相似的先前研究[1]进行了比较,其中检测过程基于提取功率谱密度(PSD),然后从这个平均频率-功率分布生成相应的GAF表示,最后将其输入CNN。然而,PSD本质上是信号在频域中的能量统计平均值,这会导致丢失对现实射频环境中鲁棒无人机检测至关重要的时间结构和短期变化。相比之下,本文提出的方法是在生成GAF表示或Hilbert曲线之前先计算信号的包络,从而产生一个保留时间演化和幅度动态的时间-功率平面。这保留了与无人机传输相关的区分性模式,由于控制和遥测链接的连续性,这些模式会随时间持续存在。因此,所提出的方法在集成或频谱拥挤的场景中更具韧性,而在基于PSD的方法中,由于发射体重叠或高功率干扰的掩盖,这种方法可能会失败。此外,对分类结果的更详细分析表明,误分类的主要原因是某些无人机信号的时间包络相似。特别是,具有相似通信协议和传输行为的紧凑型无人机模型倾向于表现出高度相似的包络模式,这使得它们之间的区分对识别CNN来说更具挑战性。这些观察表明,尽管Hilbert曲线有效地捕捉了信号的瞬时包络,但GAF表示提供的二维投影允许保留更复杂的时间模式,有助于区分具有相似特征的类别。

表1和表2分别总结了基于GAF方法和Hilbert曲线方法的每个类别的估计精度、召回率和F1分数。这些指标是从标准化混淆矩阵中得出的,假设类别分布是平衡的。在基于GAF的模型中(表1),大多数类别都表现出了高性能,F1分数超过90%;然而,某些类别(如类别7)由于与结构相似的信号模式混淆增加而表现较差。相比之下,基于Hilbert的模型(表2)在各个类别上表现出更均匀的行为,召回率和F1分数始终较高。这些结果进一步支持了两种表示方法的互补性。

我们的结果与最相似的先前研究[1]进行了比较,其中检测过程基于提取功率谱密度(PSD),然后从这个平均频率-功率分布生成相应的GAF表示,最后将其输入CNN。然而,PSD本质上是信号在频域中的能量统计平均值,这会导致丢失对鲁棒无人机检测至关重要的时间结构和短期变化。相比之下,本文提出的方法是在生成GAF表示或Hilbert曲线之前先计算信号的包络,从而产生一个保留时间演化和幅度动态的时间-功率平面。这保留了与无人机传输相关的区分性模式,由于其控制的连续性和遥测链接,这些模式的存在会随时间持续。因此,所提出的方法在集成或频谱拥挤的场景中更具韧性,而在基于PSD的方法中,由于发射体重叠或高功率干扰的掩盖,这种方法可能会失败。最后,对分类结果的更详细分析表明,误分类的主要原因是某些无人机信号的时间包络相似。特别是,具有相似通信协议和传输行为的紧凑型无人机模型倾向于表现出高度相似的包络模式,这使得它们的区分对识别CNN来说更具挑战性。这些观察表明,尽管Hilbert曲线有效地捕捉了信号的瞬时包络,但GAF表示提供的二维投影允许保留更复杂的时间模式,有助于区分具有相似特征的类别。

总之,本研究提出了一种基于RF信号时间表示的两阶段无人机检测和识别系统。与仅关注频域的传统方法不同,所提出的方法优先考虑保留信号的时间动态,从而能够捕捉与无人机控制和遥测链接相关的持续模式。对GAF表示和Hilbert曲线的比较评估表明,这两种技术都适用于无人机传输的频谱分析和特征描述。虽然这两种方法都能实现可靠的检测和有效的识别,但它们表现出互补的行为。Hilbert曲线倾向于更保守的检测,而GAF表示在多类识别中提供了更大的区分能力,特别是在平台和时间、频谱相似的场景中。使用短时间窗口以及为深度时空模式提取设计的卷积模型,有助于在时间分辨率和泛化能力之间取得适当的平衡。这种设计使系统即使在频谱拥挤的环境中也能保持性能,而在基于PSD的技术中使用的统计平均值可能不够充分。

这项工作的另一个重要贡献是证明了所提出方法在部分带宽观察条件下的鲁棒性。信号的时间结构——特别是其包络——得到了保留,使得后续的1D到2D转换能够提取有意义的特征。这一特性使系统能够在不需要完整频谱覆盖的情况下保持可靠的检测和分类性能。因此,所提出的方法非常适合使用带宽能力有限的低成本SDR平台进行实际部署,显著增强了其在现实世界频谱监测场景中的适用性。总体而言,所提出的系统构成了一个用于RF频谱监测和无人机识别的强大而灵活的工具。GAF和Hilbert曲线之间的比较不仅验证了基于包络方法的鲁棒性,还根据应用的特定灵敏度、鲁棒性或计算复杂性要求提供了选择或组合表示的可能性。
相关新闻
生物通微信公众号
微信
新浪微博
  • 搜索
  • 国际
  • 国内
  • 人物
  • 产业
  • 热点
  • 科普

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号