一种对低小慢无人机飞控信号的高效识别方法技术

本发明专利技术公开了一种对低小慢无人机飞控信号的高效识别方法，包括如下步骤：步骤一、对飞控链路信号进行初步检测；步骤二、提取关键特征，构建目标特征数据库；步骤三、进行特征融合和优化；步骤四、根据融合优化后的新特征对信号进行解析，获取信号类型、帧格式和关键字段，并将解析结果存入目标特征数据库；步骤五、采用基于神经网络的学习算法实现目标的精确分类识别，得到正确的识别结果。本发明专利技术可以解决对低小慢无人机飞控信号识别的问题，实现特定的空域的识别和管控，达到对非法入侵涉密及敏感空域内的各种低小慢无人机的高效预警防御效果；具有较高的正确识别率，减少了计算量，提高了处理效率，并且适用性强。

An efficient recognition method for flight signals of low and slow UAV

The invention discloses an efficient method for identifying the flying control signals of low and slow slow UAV, including the following steps: Step 1, preliminary detection of the signal of the flight control link; step two, extract key features, construct a target feature database; step three, perform feature fusion and optimization; step four, and optimize after fusion. The new features parse the signal, obtain the signal type, frame format and key field, and save the analytic result into the target feature database. Step five, use the learning algorithm based on neural network to realize the accurate classification and recognition of the target, and get the correct recognition result. The invention can solve the problem of identifying the flying control signals of low and slow slow UAV, realize the recognition and control of specific airspace, and achieve effective early warning and early warning effect on various low and small slow slow UAVs in the illegal invasion and sensitive airspace, with high correct recognition rate, reduced calculation and improved processing efficiency. And the applicability is strong.

【技术实现步骤摘要】
一种对低小慢无人机飞控信号的高效识别方法
本专利技术涉及一种对低小慢无人机飞控信号的高效识别方法。
技术介绍
低小慢无人机通常指飞行高度在1000米以下，速度低于300千米/小时，雷达反射面积小于2平方米的空中无人机目标。低小慢无人机体积小、质量轻、携带方便、操作简单，可在机身上加装各种小型设备，如导航设备、通信设备和红外摄像设备等，以拓展其功能，可完成多种任务。同时由于低小慢无人机的技术门槛及成本相对较低，国内外多家公司都在研究生产该类型无人机，它们在民用军用市场得到了大量的使用。对低小慢无人机的识别是一个研究热点问题，传统的基于雷达等方法对其进行识别的难点主要体现为——对低小慢无人机目标的精确识别是实现高效拒止系统的基础。由于低小慢无人机的飞行高度低，一方面受地球曲率和地物遮蔽的影响，雷达波可能无法照射到目标。另一方面会有大量的地杂波同时进入雷达接收机，使雷达难以发现无人机目标，即使能够发现也是时隐时现，难以形成连续航迹。低小慢无人机的飞行速度较慢，有的甚至低于一般的雷达速度检测门限，导致脉冲多普勒体制的雷达无法检测到目标。目标的雷达反向面积小，回波信号微弱，使雷达对目标的检测概率显著下降。一方面，由于目标的飞行速度慢，容易与气象杂波和鸟群等慢度目标形成慢动杂波混淆，导致目标识别困难。另一方面，目前绝大多数无人机并没有类似民航客机安装的身份识别设备，无法通过信号询问/应答的方式来进行身份验证。目前，通过专利检索，尚未发现基于飞控信号多维特征对低小慢无人机进行识别的解决方案。检索到的、已提出专利申请的类似方法有：1.“一种无人机ID识别方法”，(公开号：106998224A，申请号：201710149118.4，申请人：杭州电子科技大学，专利技术人：岳克强，尚俊娜，刘参等)。该方法设计了一种无人机ID识别方法，通过无人机定时的发送自身ID以及MAC地址和当前飞行状态数据，实现对该无人机的实时监控，实现无人机之间的ID身份识别。该方法并不是基于飞控信号本身特征的识别，且不能适用于对黑飞未安装该专利中提出的身份识别模块的低小慢无人机进行识别；2.“一种无人机识别方法及系统”，(公开号：106774422A，申请号：201710111012.5，申请人：成都紫瑞青云航空宇航技术有限公司，专利技术人：张凡凡，罗涛，郝亚南等)。该专利设计了一种无人机识别方法，通过判断干扰信号发射权前后检测飞行物目标的飞行特征，从而判断该飞行物是否是无人机。该方法也未利用到无人机飞控信号的特征进行快速识别，并且需要额外发射干扰信号，才能再进一步识别目标。在对低小慢无人机飞控信号的成功识别的基础上能够进一步识别无人机目标。现有的无人机识别技术包括有基于联合多传感的开发技术；基于声波的识别检测技术；基于低成本的声阵列的识别技术等。但目前还没有基于飞控信号特征识别低小慢无人机的方法。
技术实现思路
为了克服现有技术的上述缺点，本专利技术提供了一种对低小慢无人机飞控信号的高效识别方法。本专利技术解决其技术问题所采用的技术方案是：一种对低小慢无人机飞控信号的高效识别方法，包括如下步骤：步骤一、对飞控链路信号进行初步检测；步骤二、提取关键特征，构建目标特征数据库；步骤三、进行特征融合和优化；步骤四、根据融合优化后的新特征对信号进行解析，获取信号类型、帧格式和关键字段，并将解析结果存入目标特征数据库；步骤五、采用基于神经网络的学习算法实现目标的精确分类识别，得到正确的识别结果。与现有技术相比，本专利技术的积极效果是：本专利技术可以解决对低小慢无人机飞控信号识别的问题，可应用于政府机构、军事单位、涉密单位、广场等人口密集场所，实现特定的空域的识别和管控，达到对非法入侵涉密及敏感空域内的各种低小慢无人机的高效预警防御效果。同时，本专利技术的识别方法在实际环境中经过大量测试，对低小慢无人机飞控信号具有较高的正确识别率，并且通过对算法的进一步优化，减少了计算量，提高了处理效率，体现了较好的工程实用性，是一种性能优越的识别方法。该方法稍加改进也能扩展应用于其它类型目标测控通信信号的识别，适用性强。附图说明本专利技术将通过例子并参照附图的方式说明，其中：图1为对低小慢无人机的飞控信号识别分析流程图；图2为基于神经网络的无人机飞控信号识别判决算法流程图；图3为本专利技术方法的识别性能曲线。具体实施方式本专利技术提出了一种对低小慢无人机飞控信号的识别方法。对低小慢无人机信号的识别是实现高效拒止的重要前提。低小慢无人机飞控信号具有宽带化、多变性、未知性，以大疆公司的精灵系列无人机产品的飞控信号为例，不同型号的信号体制就有自适应跳频、直接序列扩频和扩/跳结合等多种方式，调制样式包括FSK、BPSK、QPSK和8PSK等，因此复杂的电磁环境中提取出无人机飞控信号的关键特征是一个必须解决的问题。针对低小慢无人机飞控信号的识别过程如下：(1)对飞控链路信号的初步检测，通过信道化的并行处理算法，实时得到第一级判决结果；(2)提取出信号的多维特征，并构建目标特征数据库；(3)基于自组织增量新型神经网络算法、D-S证据理论等优化算法进行特征的融合和优化；(4)进一步根据特征对信号进行解析，获取信号类型特征、帧格式特征、关键字段特征等，并将分析结果存入特征数据库，丰富数据域特征；(5)采用神经网络机器学习算法等思路实现决策判断，得到正确的识别结果。如图1所示，识别分析流程具体包括如下内容：对各个对无人机飞控链路信号的初步检测算法需要实时分选宽带数据信号，是后面获取精准的信号分析结果的前提。无人机飞控链路信号一般为宽带自适应跳频体制，以大疆公司的典型产品精灵3系列的Professional型无人机为例，其飞控链路信号的的频率范围为2.402GHz～2.482GHz，跳频带宽为80MHz，跳频频点数为39个，各频点间隔约为1.2MHz。可采用基于多级信道化处理的结构，并结合背景噪声的思路提高信号检测的准确率。首先，对信道化处理后的数据进行载频校正，使信号的瞬时频率能够对准信道中心，对信道化后的每一个样点的IQ数据进行取模运算，即然后对M个样点的IQ数据进行累积求和得X，并将延时后的M个样点也进行累积求和得Y，再将X、Y和前一段时间的背景值Z进行背景计算：X+Y+(1+α)×Z。再根据实际背景变化程度从0到1选择加权系数α。该算法能够相当于对一定时间内的背景值进行平滑滤波，得到每个信道的背景噪声值。将信道化处理后的数据减去先前估计的背景噪声值，即可得到去除背景的信道化数据，对所有信道数据进行最大值保持和出现次数统计处理。最大值保持是为了获得跳频信号的幅度信息，出现次数统计是为了获得信号出现的频次信息。当信号幅度大于一定幅度门限，可判断跳频信号出现，将获得的值进行M点平滑滤波，为信号检测做准备。最后，将滤波后的信号最大值和出现次数与跳变门限和频次门限进行比较，当信号最大值大于跳变门限且出现概率小于频次门限时，可判断为跳频信道。由于跳频信道一般都是连续分布，在人工干预剔除部分虚警信道后可获得实际跳频信道分布，可据此屏蔽除跳频信道外的其他信道。在跳频带宽内进行跳变检测，以提高信号检测的准确率。为了从复杂电磁环境中尽可能精确地提取出无人机飞控链路信号的关键特征，采取基于信号复调制与低通滤波的改进包络提取思路，并结合基于经本文档来自技高网...

【技术保护点】
1.一种对低小慢无人机飞控信号的高效识别方法，其特征在于：包括如下步骤：步骤一、对飞控链路信号进行初步检测；步骤二、提取多维的关键特征，构建目标特征数据库；步骤三、进行特征融合和优化；步骤四、根据融合优化后的各种新特征对信号进行解析，获取信号类型特征、帧格式特征和关键字段特征，并将解析结果存入目标特征数据库；步骤五、采用基于神经网络的学习算法实现目标的精确分类识别，得到正确的识别结果。

【技术特征摘要】
1.一种对低小慢无人机飞控信号的高效识别方法，其特征在于：包括如下步骤：步骤一、对飞控链路信号进行初步检测；步骤二、提取多维的关键特征，构建目标特征数据库；步骤三、进行特征融合和优化；步骤四、根据融合优化后的各种新特征对信号进行解析，获取信号类型特征、帧格式特征和关键字段特征，并将解析结果存入目标特征数据库；步骤五、采用基于神经网络的学习算法实现目标的精确分类识别，得到正确的识别结果。2.根据权利要求1所述的一种对低小慢无人机飞控信号的高效识别方法，其特征在于：步骤一所述对飞控链路信号进行初步检测的方法为：首先，对信道化处理后的数据进行载频校正，使信号的瞬时频率能够对准信道中心，然后计算每个信道的背景噪声值；将信道化处理后的数据减去背景噪声值，得到去除背景的信道化数据；对所有信道数据进行最大值保持和出现次数统计处理，获得跳频信号的幅度信息和信号出现的频次信息，并根据幅度和频次信息判断是否为跳频信道，获得实际跳频信道分布并屏蔽除跳频信道外的其他信道，以便在跳频带宽内进行跳变检测。3.根据权利要求2所述的一种对低小慢无人机飞控信号的高效识别方法，其特征在于：每个信道的背景噪声值的计算方法为：对信道化后的每一个样点的IQ数据进行取模运算然后对M个样点的IQ数据进行累积求和得X，并将延时后的M个样点也进行累积求和得Y，再将X、Y和前一段时间的背景值Z进行背景计算：X+Y+(1+α)×Z，其中α为加权系数，得到每个信道的背景噪声值。4.根据权利要求3所述的一种对低小慢无人机飞控信号的高效识别方法，其特征在于：所述加权系数α根据实际背...

【专利技术属性】
技术研发人员：赵尔凡，熊刚，夏明赟，饶志宏，何建辉，
申请(专利权)人：中国电子科技集团公司第三十研究所，
类型：发明
国别省市：四川,51