一种无人机数据链电磁干扰分类和威胁评估方法技术

本发明专利技术涉及一种无人机数据链电磁干扰分类和威胁评估方法，具体涉及无人机数据链电磁干扰评估技术领域。所述方法包括：获取待预测无人机数据链的状态参数以及待预测无人机数据链的电磁干扰信号的I/Q数据；根据待预测无人机数据链的状态参数和电磁干扰信号的I/Q数据得到待预测无人机数据链的数据链性能参数直方图和电磁干扰信号的图集；将图集以及数据链性能参数直方图输入预测模型，得到电磁干扰类型和威胁度；预测模型为对包括多通道图像特征提取模块、第一相加层、特征融合处理模块、第二相加层和多任务输出模块的MIMT

【技术实现步骤摘要】
一种无人机数据链电磁干扰分类和威胁评估方法


[0001]本专利技术涉及无人机数据链电磁干扰评估
，特别是涉及一种无人机数据链电磁干扰分类和威胁评估方法。

技术介绍

[0002]无人机以其自动化、低成本、多功能的特点，被广泛认定为具有巨大潜力的应用技术，在军用、民用和商业部门的许多领域都急剧增长。由于非法用户和恶意干扰的存在，空中无线通信网络的电磁环境日益复杂。无人机数据链作为一种机载电子系统，容易因电磁干扰造成通信异常，中断甚至损坏。受到无人机平台任务的限制，其数据链的电磁态势感知如果依赖地面站进行电磁态势监控，一方面需要大量的专家领域经验，使人员承受着沉重的认知负担。另一方面使得无人机对电磁干扰的处置速度慢，无法应对瞬时变化的电磁环境。因此，需要无人机数据链自主进行电磁信号识别和电磁干扰威胁度预测。
[0003]许多关于电磁干扰的建模预测研究建立在电子元件、电路到电子设备等平台上，方法有构建等效电路模型和拓扑网络、基于统计概率的模型和机器学习。
[0004]基于等效电路模型的方法需要广泛的专业原理知识，以及对电子设备结构精细的了解。使用统计概率的模型需要领域专家对受试平台的数据样本进行特征提取，从而降低数据维度，便于算法进行分类或预测。深度学习是机器学习中的一个分支，通过包含高达数十亿个权重参数的多个非线性变换，可以从数据中自主学习更加复杂的特征，从而减小对专业知识和特征提取规则的依赖，卷积神经网络(Convolutional Neural Networks，CNN)作为深度学习在计算机视觉的典型应用，是一种数据驱动的深度神经网络结构。由于其具有良好的特征提取能力，在电磁干扰信号的分类和威胁评估得到应用，然而，以往的采用卷积神经网络进行电磁干扰信号分类和威胁的预测往往需要针对每个任务单独建模，导致模型所需的计算和存储成本大大增加，并且忽略了两个任务之间的联系，导致得到的结果精度不够准确。

技术实现思路

[0005]本专利技术的目的是提供一种无人机数据链电磁干扰分类和威胁评估方法，可提高电磁干扰信号的分类和威胁预测结果的精度，并且降低时间和存储成本。
[0006]为实现上述目的，本专利技术提供了如下方案：
[0007]一种无人机数据链电磁干扰分类和威胁评估方法，包括：
[0008]获取待预测无人机数据链的状态参数以及所述待预测无人机数据链的电磁干扰信号的I/Q数据；所述状态参数包括：自动增益控制电压、信噪比和误码率；
[0009]根据所述待预测无人机数据链的状态参数得到所述待预测无人机数据链的数据链性能参数直方图；
[0010]根据所述待预测无人机数据链的电磁干扰信号的I/Q数据得到所述待预测无人机数据链的电磁干扰信号的图集；所述图集包括短时傅里叶变换时频谱图和密度星座图；
[0011]将所述待预测无人机数据链的电磁干扰信号的图集以及所述待预测无人机数据链的数据链性能参数直方图输入预测模型，得到所述待预测无人机数据链的电磁干扰类型和电磁干扰威胁度；所述预测模型为对MIMT
‑
CNN网络进行训练得到的；所述MIMT
‑
CNN网络具体包括：依次连接的多通道图像特征提取模块、第一相加层、特征融合处理模块、第二相加层和多任务输出模块。
[0012]根据本专利技术提供的具体实施例，本专利技术公开了以下技术效果：本专利技术将所述待预测无人机数据链的电磁干扰信号的图集以及所述待预测无人机数据链的数据链性能参数直方图输入预测模型，得到所述待预测无人机数据链的电磁干扰类型和电磁干扰威胁度；所述预测模型为对MIMT
‑
CNN网络进行训练得到的；所述MIMT
‑
CNN网络具体包括：依次连接的多通道图像特征提取模块、第一相加层、特征融合处理模块、第二相加层和多任务输出模块，应用多输入通道的MIMT
‑
CNN网络，将电磁干扰分类和威胁评估之间进行联系，可提高电磁干扰信号的分类和威胁预测结果的精度，并且降低时间和存储成本。
附图说明
[0013]为了更清楚地说明本专利技术实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本专利技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
[0014]图1为本专利技术实施例提供的一种无人机数据链电磁干扰分类和威胁评估方法的流程图；
[0015]图2为本专利技术实施例提供的训练MIMT
‑
CNN网络的流程图；
[0016]图3为本专利技术实施例提供的MIMT
‑
CNN网络的结构图；
[0017]图4为本专利技术实施例提供的MIMT
‑
CNN网络训练过程中损失函数值随迭代次数变化的曲线图。
具体实施方式
[0018]下面将结合本专利技术实施例中的附图，对本专利技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本专利技术一部分实施例，而不是全部的实施例。基于本专利技术中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本专利技术保护的范围。
[0019]为使本专利技术的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本专利技术作进一步详细的说明。
[0020]如图1所示，多输入多任务的卷积神经(Multi
‑
task CNN with Multi
‑
input，MIMT
‑
CNN)网络，用于无人机数据链电磁环境风险感知，基于此本专利技术实施例提供了一种无人机数据链电磁干扰分类和威胁评估方法，包括：
[0021]步骤101：获取待预测无人机数据链的状态参数以及所述待预测无人机数据链的电磁干扰信号的I/Q数据。所述状态参数包括：自动增益控制电压(Automatic gain control，AGC)、信噪比(Signal to noise ratio，SNR)和误码率(Bit error rate，BER)。
[0022]步骤102：根据所述待预测无人机数据链的状态参数得到所述待预测无人机数据
链的数据链性能参数直方图。
[0023]步骤103：根据所述待预测无人机数据链的电磁干扰信号的I/Q数据得到所述待预测无人机数据链的电磁干扰信号的图集；所述图集包括短时傅里叶变换时频谱图和密度星座图。
[0024]步骤104：将所述待预测无人机数据链的电磁干扰信号的图集以及所述待预测无人机数据链的数据链性能参数直方图输入预测模型，得到所述待预测无人机数据链的电磁干扰类型和电磁干扰威胁度；所述预测模型为对多输入多任务的卷积神经(Multi
‑
task CNN with Multi
‑
input，MIMT
‑
CNN)网络进行训练得到的；所述MIMT
‑
CNN网络具体包括：依次连本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种无人机数据链电磁干扰分类和威胁评估方法，其特征在于，包括：获取待预测无人机数据链的状态参数以及所述待预测无人机数据链的电磁干扰信号的I/Q数据；所述状态参数包括：自动增益控制电压、信噪比和误码率；根据所述待预测无人机数据链的状态参数得到所述待预测无人机数据链的数据链性能参数直方图；根据所述待预测无人机数据链的电磁干扰信号的I/Q数据得到所述待预测无人机数据链的电磁干扰信号的图集；所述图集包括短时傅里叶变换时频谱图和密度星座图；将所述待预测无人机数据链的电磁干扰信号的图集以及所述待预测无人机数据链的数据链性能参数直方图输入预测模型，得到所述待预测无人机数据链的电磁干扰类型和电磁干扰威胁度；所述预测模型为对MIMT
‑
CNN网络进行训练得到的；所述MIMT
‑
CNN网络具体包括：依次连接的多通道图像特征提取模块、第一相加层、特征融合处理模块、第二相加层和多任务输出模块。2.根据权利要求1所述的一种无人机数据链电磁干扰分类和威胁评估方法，其特征在于，所述多通道图像特征提取模块包括三个并联的且结构相同的图像特征提取子模块，所述图像特征提取子模块包括：依次连接的输入层、特征提取单元、第一卷积层、第一ReLU激活层、第二卷积层、第一Batchnorm层和第二ReLU激活层。3.根据权利要求1所述的一种无人机数据链电磁干扰分类和威胁评估方法，其特征在于，所述特征融合处理模块包括：并联的第一特征提取子模块和第二特征提取子模块，所述第一特征提取子模块包括依次连接的第一特征融合层、第二特征融合层和第一全连接层；所述第二特征提取子模块包括依次连接的第三特征融合层和第二全连接层。4.根据权利要求1所述的一种无人机数据链电磁干扰分类和威胁评估方法，其特征在于，所述多任务输出模块包括：并联的分类单元和第三全连接层；所述分类单元包括依次连接的第四全连接层和Softmax层。5.根据权利要求1所述的一种无人机数据链电磁干扰分类和威胁评估方法，其特征在于，所述预测模型的确定方法包括：在不同电磁干扰类型下分别进行数据链电磁干扰注入试验得到各电磁干扰...

【专利技术属性】
技术研发人员：陈亚洲，许彤，王玉明，赵敏，马丽云，
申请(专利权)人：中国人民解放军陆军工程大学，
类型：发明
国别省市：