
-
生物通官微
陪你抓住生命科技
跳动的脉搏
被动射频无人机检测迁移学习的架构依赖性与射频前端敏感性评估
《Scientific Reports》:Pretraining and time–frequency representations for closed-set passive RF drone classification under wireless interference
【字体: 大 中 小 】 时间:2026年09月18日 来源:Scientific Reports 4.9
编辑推荐:
摘要被动射频(RF)感知能够在没有视距的情况下通过控制链路辐射识别无人机,这推动了其在空域监测中的应用。此类系统的迁移学习通常复用预训练的语谱图图像模型,但架构和前端构建可能会混淆表观的预训练效果。我们利用内部验证和采集组不相交的外部测试,在 DroneDetect V2 数
被动射频(RF)感知能够在没有视距的情况下通过控制链路辐射识别无人机,这推动了其在空域监测中的应用。此类系统的迁移学习通常复用预训练的语谱图图像模型,但架构和前端构建可能会混淆表观的预训练效果。我们利用内部验证和采集组不相交的外部测试,在 DroneDetect V2 数据集上(390 条录音;七个物理无人机/控制器单元;四种干扰条件)重新评估了这些因素。在重复使用两种子进行的架构完全匹配的音频语谱图 Transformer 比较中,ImageNet+AudioSet 初始化与仅 ImageNet 初始化在实际效果上基本等价(\(\Delta\) 宏 F1 \(=0.0008\),90% 聚类置信区间 \([-0.0060,0.0074]\));两者均比匹配的随机初始化高出约 0.075 的宏 F1 值。在主实验之后进行的单种子匹配全频段表示敏感性分析中,对称 Mel 滤波器组和射频适应幂律滤波器组得出的排序与原始指定管道中观察到的相反,且两者均优于配对的线性参考。更广泛的干扰条件覆盖也提高了向保留的蓝牙+WiFi 组合干扰条件的迁移能力。结果并不支持基于预训练历史或时频表示家族的通用层级划分;相反,它们表明了迁移行为取决于架构和实现,并对射频前端设计具有显著的敏感性。研究结论仅限于针对七个评估单元、一个地点以及所测试的预处理和采集条件的闭集分类。