基于结构引导的时频模型的多表示信号融合技术，用于实现鲁棒的基于射频的无人机识别

《Drones》：Multi-Representation Signal Fusion for Robust RF-Based UAV Recognition via Structure-Guided Time–Frequency Modeling

　　

摘要

基于射频（RF）的无人机识别在低空安全中至关重要，因为它可以通过电磁辐射进行被动感知，而无需目标可见或照明。与主动感知相比，被动RF感知具有更广的观察范围，并且受视线条件的限制较小。尽管深度学习方法提高了基于RF的无人机识别能力，但大多数现有方法主要集中在标签预测上，并没有明确地对时间-频率结构特征进行建模，这限制了它们在实际RF环境中的鲁棒性，在这些环境中，无人机信号通常较弱且可能与其他通道干扰信号重叠。本文提出了一种多表示信号融合（MRSF）框架，通过结构引导的时间-频率建模来实现基于RF的鲁棒无人机识别。MRSF使用原始时间-频率图、增强残差图和二值化结构图来表征每个RF信号，以捕捉全局频谱模式、增强的信号结构以及连接的频谱形态。这些表示通过异构的三分支主干网络进行融合，用于进行分类；二值化结构图进一步支持连接区域分析，以估计占用带宽、时间持续性和信号周期，尤其是在无法获取协议级参数的非合作场景中。在RFUAV数据集上，MRSF在目标信噪比（SNR）从分贝到20分贝的范围内，平均准确率为96.05%；在分贝的范围内，准确率仍保持在88.29%，显示出在严重低SNR条件下的强鲁棒性。这些结果表明，对于在前端接收器有效覆盖范围内获取的无人机RF信号，MRSF在提供可解释的频谱结构描述符的同时，提高了无人机识别的鲁棒性。