一种基于无监督生成对抗网络的非法无人机检测方法技术

本发明专利技术是一种基于无监督生成对抗网络的非法无人机检测方法，该方法通过时频分析功能提取电磁信号中的时频特征，将无人机电磁信号转换成时频图；利用无监督生成对抗网络学习正常情况下无人机时频图的数据分布情况；将测试数据与其对应的生成数据进行比较，得到两者的差异图，从差异图中可捕获到非法无人机信号出现时间和频段。本发明专利技术能够在没有非法无人机先验信息的情况下，通过挖掘合法无人机通信数据中的潜在数据分布及特征来实现对非法无人机的有效检测。的有效检测。的有效检测。

【技术实现步骤摘要】
一种基于无监督生成对抗网络的非法无人机检测方法


[0001]本专利技术涉及无人机监测
，具体的说是一种基于无监督生成对抗网络的非法无人机检测方法。

技术介绍

[0002]近年来，无人机因其体积小、成本低、机动灵活等优势已广泛应用于通信、摄影、农业、监控和数字公共服务等领域；另一方面，无人机可以对人、财产和基础设施进行直接物理攻击，也可以通过实时视频或高清图片等窥探隐私信息，对个人及公共安全构成严重威胁
[1]。因此，对非法无人机的有效检测成为近年来迫切需要解决的现实难题。现有的基于射频信号的无人机检测方法较少，且从电磁信号的角度出发，大部分非法无人机信号的检测方法大多基于传统的统计信号处理的方法，这类方法依赖于非法无人机信号的先验信息和特征。但是在现实情况下，非法无人机信号的先验信息和特征难以获取，且随着攻击者的智能化，可能出现新的干扰或攻击信号，因此，需要构思一种有效的无监督的非法无人机信号的识别和发现方法。
[0003]从电磁信号的角度出发，在只有合法无人机相关特征的情况下，对非法无人机的检测问题可以看成是无监督的异常信号识别问题。传统的无监督异常值检测常用算法有：1)一类支持向量机(One Class SVM)，适合稳定连续数据的异常检测，一类SVM通过学习这些正常数据的特征去学习一个决策边界/安全边界，通过这个边界去判断新来的数据是否与训练数据类似，超出边界即为异常；2)孤独森林(Isolation Forest)算法，适合稳定连续数据的异常检测，通过iTree形成森林来判断是否异常，某一点如果越容易与其他点区分开，该点的异常指数就越高。目前，也有一些深度学习相关的无监督异常检测算法：1)自动编码器(Auto Encoder)，其原理和主成分分析方法(PCA)类似，Auto Encoder是对数据压缩的过程，将高维数据转换至低维度，只是网络层数更深，变换是非线性的，在异常检测时，训练完成的Auto Encoder计算新数据的重建误差，当重建误差大于某个值时，则认为存在异常；2)长短期记忆网络(LSTM)，用于对时间序列中的异常进行检测，使用预测结果与实际结果的差值进行异常区间的判断；3)DeepLog，该网络是将LSTM应用于文本日志数据的异常检测，即使用正常运行状态下产生的日志数据作为训练数据，让LSTM模型学习系统正常的日志序列中的模式，从而进行在线的异常检测。
[0004]大多数现有的异常检测算法都基于异常数据与正常数据具有较大的差异的前提假设，然而，未来非法无人机智能体可能会模仿正常无人机的通信特征进行跟踪式干扰。因此，需要更有效的算法对非法无人机信号进行检测。随着深度学习的发展，由于生成对抗网络能够无监督地学习复杂分布的数据，已经有一些研究将生成对抗网络GAN用于对图像中的异常进行检测。有些文献通过一个GAN的生成器G来学习正常数据的分布，测试时图像通过学习到的G找到它应该的正常图的样子，再通过对比来找到医学图像中的异常与否情况；有些文献针对AnoGAN在测试阶段仍然需要更新参数的缺陷，此方法提出一种基于BiGAN的方法，训练时，同时学习将输入样本X映射到潜在表示Z的编码器E，以及生成器G和判别器D；
有些文献提出一种基于GAN的半监督的异常检测方法。近年来，基于GAN的异常检测方法盛出不穷，但大多应用于医疗、计算机视觉、物体检测等方面。然而，目前将GAN应用于电磁信号异常检测的方法较少。

技术实现思路

[0005]本专利技术要解决的技术问题是提供一种基于无监督生成对抗网络的非法无人机检测方法，能够在没有非法无人机先验信息的情况下，挖掘合法无人机通信数据中的潜在数据分布和特征，实现对非法无人机的有效检测。
[0006]为解决上述技术问题，本专利技术采用的技术方案为：
[0007]一种基于无监督生成对抗网络的非法无人机检测方法，其特征在于：获取无人机电磁信号，通过时频分析功能提取无人机电磁信号中的时频特征，将无人机电磁信号转换成时频图；
[0008]利用无监督生成对抗网络学习正常情况下无人机时频图的数据分布情况，最终获取生成器G，所述的生成器G用于输出生成图像，所述的生成图像为输入图像对应的正常无干扰工况下的图像；
[0009]通过将待测数据的图像与生成图像对比，进而判定待测的时频图对应的无人机电磁信号是否存在非法干扰信号。
[0010]所述的合法无人机使用具有随机载频的BPSK信号形式与地面的基础设施进行有效通信；所述的非法无人机采用的信号干扰方式包括扫频干扰闭和脉冲干扰。
[0011]将无人机电磁信号转换成时频图的方式为：通过监测设备对接收到的电磁信号采用时频分析函数伪平滑WV分布提取时频特征，其定义如下式所示：
[0012][0013]式中，s(t)为一个非平稳随机信号，s
*
表示复共轭。t是时域变量，f是频域变量，τ是时差变量。h(τ)和g(u
‑
t)是实对称窗函数，h(τ)允许对平行于频率轴振荡的干扰项进行平滑即频率平滑，g(u
‑
t)允许对与时间轴平行振荡的干扰项进行平滑即时间平滑；
[0014]将提取得到的视频数据转换成图像形成时频图。
[0015]对正常数据的无监督学习包括训练阶段和测试阶段，在训练阶段，将正常无人机通信使用的BPSK数据转换成的时频图作为生成对抗网络GAN训练数据，在GAN训练完成后，获得生成器G；在测试阶段，固定网络中的参数不变，将待分析的测试样本和随机变量z作为生成器G的输入，通过和反向传播算法逐渐优化变量z，从而找到最优的使得和生成图像最相似。
[0016]随机变量z的最优值的获取方式如下：随机从潜变量空间Z中选取一个值z1，并作为生成器G的输入得到G(z1)，在生成的图像G(z1)的基础上，定义损失函数，所述的损失函数用于为更新z1的系数提供梯度，从而更新了潜在空间中z2的位置；为了找到最相似的图像通过反向传播算法依次迭代，逐渐在潜变量空间Z中通过更新变量z；
[0017]所述的损失函数可分为残差损失和鉴别器损失；所述的残差损失用于描述生成测
试图和生成图像G(z
γ
)之间的视觉差异，定义如下所示：
[0018][0019]式中，为残差损失，G(z
Γ
)为输入z
Γ
时训练好的生成器G的输出，为测试样本；
[0020]在假设生成器G和潜变量空间完美映射的情况下，当输入为理想的正常数据的情况下，图像和图像是相同的，此时残差损失为零；
[0021]所述的鉴别器损失的定义如下：
[0022][0023]式中，为鉴别器损失；使用鉴别器的中间层f(
·
)的输出来指定输入图像的统计量；f(
·
)含义为利用训练的鉴别器作为特征提取器，而不是分类器；
[0024]加权后，损失函数定义式如下：
[0025][0026]式中，为损失函数，λ为0到1之间的系数，为残差损失，为鉴别器损失；...

【技术保护点】

【技术特征摘要】
1.一种基于无监督生成对抗网络的非法无人机检测方法，其特征在于：获取无人机电磁信号，通过时频分析功能提取无人机电磁信号中的时频特征，将无人机电磁信号转换成时频图；利用无监督生成对抗网络学习正常情况下无人机时频图的数据分布情况，最终获取生成器G，所述的生成器G用于输出生成图像，所述的生成图像为输入图像对应的正常无干扰工况下的图像；通过将待测数据的图像与生成图像对比，进而判定待测的时频图对应的无人机电磁信号是否存在非法干扰信号。2.如权利要求1所述的一种基于无监督生成对抗网络的非法无人机检测方法，其特征在于：所述的合法无人机使用具有随机载频的BPSK信号形式与地面的基础设施进行有效通信；所述的非法无人机采用的信号干扰方式包括扫频干扰闭和脉冲干扰。3.如权利要求2所述的一种基于无监督生成对抗网络的非法无人机检测方法，其特征在于：将无人机电磁信号转换成时频图的方式为：通过监测设备对接收到的电磁信号采用时频分析函数伪平滑WV分布提取时频特征，其定义如下式所示：式中，s(t)为一个非平稳随机信号，s
*
表示复共轭；t是时域变量，f是频域变量，τ是时差变量；h(τ)和g(u
‑
t)是实对称窗函数，h(τ)允许对平行于频率轴振荡的干扰项进行平滑，g(u
‑
t)允许对与时间轴平行振荡的干扰项进行平滑；将提取得到的视频数据转换成图像形成时频图。4.如权利要求1所述的一种基于无监督生成对抗网络的非法无人机检测方法，其特征在于：对正常数据的无监督学习包括训练阶段和测试阶段，在训练阶段，将正常无人机通信使用的BPSK数据转换成的时频图作为生成对抗网络GAN训练数据，在GAN训练完成后，获得生成器G；在测试阶段，固定网络中的参数不变，将待分析的测试样本和随机变量z作为生成器G的输入，通过和反向传播算法逐渐优化变量z，从而找到最优的使得和生成图像最相似。5.如权利要求4所述的一种基于无监督生成对抗网络的非法无人机检测方法，其特征在于：随机变量z的最优值的获取方式如下：随机从潜变量空间Z中选取一个值z1，并作为生成器G的输入得到G(z1)，在生成的图像G(z1)的基础上，定义损失函数，所述的损失函数用于为更新z1的系数提供梯度，从而更新了潜在空间中z2的位置；为了...

【专利技术属性】
技术研发人员：吴启晖，陈慧超，王威，张旭彤，李泓余，
申请(专利权)人：南京航空航天大学，
类型：发明
国别省市：