一种基于EOF的无人机信号识别系统和方法技术方案

本发明专利技术提出的一种基于EOF的无人机信号识别系统和方法，解决相似无人机信号难以识别的问题，能够有效提高信号相似的无人机的识别效果，为无人机识别管控提供更好的支持。本发明专利技术的方法包括以下步骤：1)首先通过特征参数匹配的方法对接收的无人机信号进行初步识别；2)对于通过特征参数匹配不能完成识别的无人机信号，进行FFT处理后，生成对应的时频分析图；3)采用经验正交函数分析方法，将视频分析图对应的视频分析矩阵分解为反映信号共性特征的EOF矩阵和反映信号差异特征的特征系数矩阵；4)对特征系数矩阵进行特征数据提取和BP神经网络训练，构建相应的无人机类型分类器，输出识别结果。

A signal recognition system and method of UAV Based on EOF

【技术实现步骤摘要】
一种基于EOF的无人机信号识别系统和方法
本专利技术涉及无人机识别领域，尤其涉及一种基于EOF的无人机信号识别系统和方法，所述EOF是指经验正交函数分析方法(EmpiricalOrthogonalFunction),缩写为EOF。
技术介绍
目前，全球正进入无人机时代，无论是在军事、政治，还是商业、农业、休闲等领域，无人机的应用都呈爆炸式成长。甚至有专家预言，随着无人机价格逐渐走低，“人人拥有”将成为可能。随着无人机的快速发展与普及，其安全隐患也逐渐呈现出来——无人机被没有受过专业训练的、为了满足个人兴趣的、无常识无飞行法律法规意识的用户随意使用，甚至被不法分子利用于非法活动和情报窃取当中，给公共安全和军事秘密造成巨大威胁。据了解，目前，民用无人机自带摄像头在500米高空可拍摄0.5千米范围的图像，经过改装的无人机还可搭载性能更高的摄像器材，从而获得更加清晰的图像。一些摄影爱好者常常利用无人机进行高空航拍，并将航拍图片上传至互联网供网友分享，个别爱好者为获取点击率和知名度，特意上传一些敏感区域航拍照片，使重要军事设施暴露，带来泄密隐患。而测绘类无人机，更因其测绘技术的先进性，可能会在毫无察觉的情况下，有可能使各种重要国防设施等需要保密的地面情况敞露无遗。调查发现，有人曾在重庆某军事基地附近放飞无人机，发现通过安装在无人机上的摄像头可以清晰拍摄基地内部全貌。因此，采用有效的识别算法对无人机进行识别，保障无人机管控提供是十分必要的。由于不同机型配备的系统具有差异性，如果我们能够提前采集某些机型的信号录入系统，分析其信号特征，在探测阶段能够快速在复杂电磁环境中辨认目标机型，便可在实际应用中快速做出反应，制定最优应对方法。现有的无人机识别技术大致可以分为雷达识别、光电识别、声波识别、无线电信号识别几个类别。由于无人机的低慢小特性，雷达识别目前效果不理想，而光电识别对于小型无人机识别难度大，且在多尘、雾霾等因素受影响较大，因此目前主要识别方式研究主要集中在声波识别和无线电信号识别这两个方向，本文采用的识别方法就属于无线电信号识别。无线电信号识别主要通过探测无人机的发射的信号，利用从信号中提取的各类信息来进行识别。对于图传和控制信号差异较明显的无人机，我们可以通过提取信号的特征参数(如信号带宽，时隙，频点宽度等)进行识别。当仅通过典型特征参数无法有效识别时，可以采用时频分析图进一步进行图像识别，但是在信噪比较低情况下，对于时频分析图相似度的不同无人机，直接对时频分析图进行图像识别仍然无法达到识别要求。
技术实现思路
本专利技术根据现有技术存在的问题，提出一种基于EOF的无人机信号识别系统和方法，解决相似无人机信号难以识别的问题，可以有效提高信号相似的无人机的识别效果，为无人机识别管控提供更好的支持。本专利技术的技术方案是：1.一种基于EOF的无人机信号识别方法，其特征在于，包括以下步骤：1)首先通过特征参数匹配的方法对接收的无人机信号进行初步识别；2)对于通过特征参数匹配不能完成识别的无人机信号，进行FFT处理后，生成对应的时频分析图；3)采用经验正交函数分析方法，将视频分析图对应的视频分析矩阵分解为反映信号共性特征的EOF矩阵和反映信号差异特征的特征系数矩阵；4)对特征系数矩阵进行特征数据提取和BP神经网络训练，构建相应的无人机类型分类器，输出识别结果。2.所述步骤1)中，获得信号以后，首先进行数据预处理，然后进行特征参数提取，用提取的特征参数与特征参数库中的数据进行参数匹配；包括计算信号的中心频率、频带宽度，跳频信号时隙，并与特征参数库中的相应数据进行比对。3.所述步骤2)中，所述时频分析图是利用一段观测时间的观测数据进行采样，每隔时间差△t截取一段采样数据进行FFT处理，获得的频谱数据作为一列数据，再将这些数据按时间顺序依次排列，构建时频分析矩阵，并生成时频分析图。4.所述步骤3)中，利用实验和数据采集积累的大量相似信号无人机的视频分析图样本库，构建相应的EOF矩阵；所述EOF矩阵V为其中，Φ(s)为第S轮正交转换矩阵，Vi为特征向量(i＝1,2,……,m)；特征系数矩阵的计算需要EOF矩阵V和时频分析矩阵D，所述特征系数矩阵a与EOF矩阵V和时频分析矩阵D的关系为：a＝V-1D其中，为避免矩阵求逆，采用ART迭代算法来求解特征系数矩阵元，其迭代方程如下：其中k表示对初值a(0)的第k轮迭代结果，λk为松弛因子，取值在0和2之间。5.所述步骤4)中，利用计算得到的大量相似信号无人机的特征系数矩阵样本库进行特征数据提取和神经网络训练；所述特征数据提取包括HOG特征提取的步骤和LBP特征提取的步骤，并采用特征组合中的串行方法完成HOG特征与LBP特征的融合，得到HOG+LBP混合特征；以提取得到的HOG+LBP混合特征的特征数据样本为输入进行神经网络训练。6.所述步骤4)中，所述神经网络训练采用RBF神经网络，是一种改进的BP神经网络，采用高斯径向基核函数，其表达式为：式中K(x,ci)为核函数，x为训练样本，ci为每个基函数的中心向量，σ为核函数宽度；所述RBF神经网络结构为三层静态前向网络，包括输入层、隐含层和输出层，第一层为输入层，由提取的特征数据样本组成，第二层为隐含层，输入层空间到隐含层空间的映射是非线性的，第三层为输出层，输出为各类无人机的判断概率，隐含层空间到输出层空间的映射是线性的，此处的权重系数w为可调参数。7.一种基于EOF的无人机信号识别系统，其特征在于，包括特征参数识别模块，时频分析图生成模块，EOF分析模块，特征提取和分类识别模块；所述特征参数识别模块用于通过特征参数匹配的方法对接收的无人机信号进行初步识别；所述时频分析图生成模块用于对通过特征参数匹配不能完成识别的无人机信号，进行FFT处理后，生成对应的时频分析图；所述EOF分析模块用于采用经验正交函数分析方法，将视频分析图对应的视频分析矩阵分解为反映信号共性特征的EOF矩阵和反映信号差异特征的特征系数矩阵；所述特征提取和分类识别模块用于对特征系数矩阵进行特征数据提取和BP神经网络训练，构建相应的无人机类型分类器，输出识别结果。8.所述EOF分析模块包括时频分析图样本库以及EOF矩阵构建单元和特征系数矩阵计算单元；所述EOF矩阵构建单元利用视频分析图样本库构建对应的EOF矩阵，所述特征系数矩阵计算单元利用EOF矩阵和时频分析矩阵计算特征系数矩阵。9.所述特征提取和分类识别模块包括特征系数矩阵样本库以及特征数据提取单元和分类识别单元；所述特征数据提取单元利用特征系数矩阵样本库进行HOG特征的提取和LBP特征的提取，并采用特征组合中的串行方法完成HOG特征与LBP特征的融合，所述分类识别单元用于对神经网络进行训练，构建相应的无人机类型分类器，输出识别结果。10.所述特征参数识别模块包括特征参数库，包括用于进行无人机信号初步识别的特征参数。本发本文档来自技高网...

【技术保护点】
1.一种基于EOF的无人机信号识别方法，其特征在于，包括以下步骤：/n1)首先通过特征参数匹配的方法对接收的无人机信号进行初步识别；/n2)对于通过特征参数匹配不能完成识别的无人机信号，进行FFT处理后，生成对应的时频分析图；/n3)采用经验正交函数分析方法，将视频分析图对应的视频分析矩阵分解为反映信号共性特征的EOF矩阵和反映信号差异特征的特征系数矩阵；/n4)对特征系数矩阵进行特征数据提取和BP神经网络训练，构建相应的无人机类型分类器，输出识别结果。/n

【技术特征摘要】
1.一种基于EOF的无人机信号识别方法，其特征在于，包括以下步骤：
1)首先通过特征参数匹配的方法对接收的无人机信号进行初步识别；
2)对于通过特征参数匹配不能完成识别的无人机信号，进行FFT处理后，生成对应的时频分析图；
3)采用经验正交函数分析方法，将视频分析图对应的视频分析矩阵分解为反映信号共性特征的EOF矩阵和反映信号差异特征的特征系数矩阵；
4)对特征系数矩阵进行特征数据提取和BP神经网络训练，构建相应的无人机类型分类器，输出识别结果。


2.根据权利要求1所述的基于EOF的无人机信号识别方法，其特征在于，所述步骤1)中，获得信号以后，首先进行数据预处理，然后进行特征参数提取，用提取的特征参数与特征参数库中的数据进行参数匹配；包括计算信号的中心频率、频带宽度，跳频信号时隙，并与特征参数库中的相应数据进行比对。


3.根据权利要求1所述的基于EOF的无人机信号识别方法，其特征在于，所述步骤2)中，所述时频分析图是利用一段观测时间的观测数据进行采样，每隔时间差△t截取一段采样数据进行FFT处理，获得的频谱数据作为一列数据，再将这些数据按时间顺序依次排列，构建时频分析矩阵，并生成时频分析图。


4.根据权利要求1所述的基于EOF的无人机信号识别方法，其特征在于，所述步骤3)中，利用实验和数据采集积累的大量相似信号无人机的视频分析图样本库，构建相应的EOF矩阵；
所述EOF矩阵V为



其中，Φ(s)为第S轮正交转换矩阵，Vi为特征向量(i＝1,2,……,m)；
特征系数矩阵的计算需要EOF矩阵V和时频分析矩阵D，所述特征系数矩阵a与EOF矩阵V和时频分析矩阵D的关系为：a＝V-1D
其中，
为避免矩阵求逆，采用ART迭代算法来求解特征系数矩阵元，其迭代方程如下：



其中，k表示对初值a(0)的第k轮迭代结果，λk为松弛因子，取值在0和2之间。


5.根据权利要求1所述的基于EOF的无人机信号识别方法，其特征在于，所述步骤4)中，利用计算得到的大量相似信号无人机的特征系数矩阵样本库进行特征数据提取和神经网络训练；所述特征数据提取包括HOG特征提取的步骤和LBP特征提取的步骤，并采用特征组合中的串行方法完成HOG特征与LBP特征的融合，得到HOG+LBP混合特征；以提取得到的HOG+LBP混合特征的特征数据样本...

【专利技术属性】
技术研发人员：刘海涛，袁继兵，程翥，
申请(专利权)人：湖南波尔坤雷信息科技有限公司，
类型：发明
国别省市：湖南;43