【技术实现步骤摘要】
本专利技术涉及通信信号处理，具体涉及基于深度学习的无人机通信干扰任务生成方法。
技术介绍
1、无人机又称无人驾驶飞机，是一种由地面遥控装置以及机载程序控制的航空飞行器，应用在航拍测绘、农业植保、快递运输等多种领域。在无人机飞行过程中，无人机可能会误入未经允许进入、禁飞区等敏感地区，甚至发生人为操控无人机闯入敏感地区的恶劣情况，因此需要设计一种主动防御性的无人机反制方法，用于对抗和反制无人机的通信系统对敏感地区通信系统产生的通信干扰，防止无人机的非法入侵，维护公共安全和个人隐私。
2、在主动防御性的无人机反制过程中，无人机相对于敏感地区的通信系统而言是相对空间距离不断变化的干扰源，敏感地区通信系统的反制对象即为无人机通信系统产生的无人机通信信号。然而随着通信技术发展，无人机自身通过装配多个传感器检测外部干扰，借此提高自身通信的稳定性，因此需要分析无人机的抗干扰能力，区分无人机抗干扰能力的强弱项，利用深度学习技术针对性的生成无人机通信中的弱项抗干扰的反制信号，实现对闯入敏感地区的无人机的通信反制干扰，或向无人机发送驱逐信号，消除敏感地区的安全隐患。然而由于无人机空间位置的不稳定性，敏感地区通信系统接收端接收到的通信混合信号中各类子信号的方向差异减小，相关性增大，因此需要在识别无人机抗干扰能力的强弱项的过程中，对接收到的无人机通信信号进行精准分解。
技术实现思路
1、本专利技术提供基于深度学习的无人机通信干扰任务生成方法，以解决传统信号分解算法在信号接收端对无人机通信信号难以
2、本专利技术一个实施例基于深度学习的无人机通信干扰任务生成方法，该方法包括以下步骤：
3、获取无人机通信系统产生的通信混合信号；
4、根据通信混合信号的时域信息获取通信混合信号频谱图中每个频率的成分特征匹配向量；根据通信混合信号频谱图中每个频率处的斜率信息获取每个频率的局部振幅序列；根据每个频率的局部振幅序列获取每个频率的成分特征匹配度；
5、利用阈值分割算法得到所有频率的成分特征匹配度构建的频率特征折线图中的分割区域；基于所述分割区域的数量利用独立成分分析算法获取通信混合信号的子信号分解结果；
6、根据通信混合信号的子信号分解结果利用波形匹配算法获取无人机通信的弱项干扰信号；根据无人机通信的弱项干扰信号利用深度学习模型生成作用于无人机通信的干扰反制信号，根据干扰反制信号实现对无人机通信的干扰。
7、优选的，所述根据通信混合信号的时域信息获取通信混合信号频谱图中每个频率的成分特征匹配向量的方法为：
8、将通信混合信号的傅里叶变换结果作为通信混合信号频谱图；
9、分别获取通信混合信号频谱图中的每个频率处的斜率，对于所述斜率大于等于零的频率，将沿着频率变大的方向确定的第一个波峰对应的振幅作为频率的参考振幅；对于所述斜率小于零的频率，将沿着频率减小的方向确定的第一个波峰对应的振幅作为频率的参考振幅；
10、将每个频率的振幅、斜率、参考振幅组成的向量作为每个频率的成分特征匹配向量。
11、优选的，所述根据通信混合信号频谱图中每个频率处的斜率信息获取每个频率的局部振幅序列的方法为：
12、将通信混合信号频谱图每个频率作为中心频率，在中心频率左右两侧分别获取预设数量的振幅，将所述预设数量的振幅与中心频率对应振幅按照频率升序的顺序组成的序列作为每个频率的局部振幅序列。
13、优选的，所述根据每个频率的局部振幅序列获取每个频率的成分特征匹配度的方法为：
14、根据每个频率的局部振幅序列中相邻元素的梯度变化获取每个频率的振幅波动指数；
15、根据每个频率的局部振幅序列中元素的拟合结果以及每个频率与局部振幅极值对应频率获取每个频率的成分拟合系数；
16、每个频率的成分特征匹配度由每个频率的振幅波动指数、成分拟合系数两部分组成，其中，所述成分特征匹配度与振幅波动指数、成分拟合系数成正比关系。
17、优选的，所述根据每个频率的局部振幅序列中相邻元素的梯度变化获取每个频率的振幅波动指数的方法为：
18、将每个频率的局部振幅序列删除最后两个元素后剩余元素组成的序列作为每个频率的计算序列，将所述计算序列中的每个元素标记为计算元素，将每个计算元素的下一个元素作为每个计算元素的第一相邻元素，将每个计算元素的第一相邻元素的下一个元素作为每个计算元素的第二相邻元素；
19、将每个计算元素的第一相邻元素与每个计算元素之间的差值作为分母，将每个计算元素的第二相邻元素与每个计算元素的第一相邻元素之间的差值作为分子，将分子与分母的比值的绝对值与预设参数的差值作为双曲正切函数的自变量；
20、将双曲正切函数的自变量对应的函数值在每个频率的计算序列内所有计算元素上的均值作为每个频率的振幅波动指数。
21、优选的，所述根据每个频率的局部振幅序列中元素的拟合结果以及每个频率与局部振幅极值对应频率获取每个频率的成分拟合系数的方法为：
22、获取利用最小二乘法对每个频率的局部振幅序列中的所有元素进行正弦函数拟合时的拟合优度，将所述拟合优度平方的倒数作为比例因子；
23、将每个频率的第一波谷、第二波谷对应频率之间的欧氏距离作为分母，将每个频率的成分特征匹配向量中每个元素与分母的比值在每个频率的成分特征匹配向量上的累加作为第一乘积因子；
24、将比例因子与第一乘积因子的乘积的归一化结果作为每个频率的成分拟合系数。
25、优选的，所述利用阈值分割算法得到所有频率的成分特征匹配度构建的频率特征折线图中的分割区域的方法为：
26、将以每个频率作为横坐标，以每个频率对应的成分特征匹配度作为纵坐标构建的二维坐标系中数据点的连线作为频率特征折线图；
27、利用阈值分割算法得到频率特征折线图中所有数据点的分割阈值，将以分割阈值作为纵坐标的水平直线作为频率特征折线图中的分割线；
28、将所述分割线上每一个连续数据点组成的局部线段与所述分割线组成的区域作为一个分割区域。
29、优选的，所述基于所述分割区域的数量利用独立成分分析算法获取通信混合信号的子信号分解结果的方法为：
30、将所述分割区域的数量作为独立成分分析算法中的成分数，将通信混合信号作为独立成分分析算法的输入，利用独立成分分析算法得到通信混合信号的子信号分解结果。
31、优选的，所述根据通信混合信号的子信号分解结果利用波形匹配算法获取无人机通信的弱项干扰信号的方法为：
32、利用波形匹配算法获取通信混合信号的子信号分解结果与原始干扰信号之间的波形匹配度，将所述波形匹配度最大值对应的原始干扰信号作为无人机通信的弱项干扰信号。
33、优选的，所述根据无人机通信的弱项干扰信号利用深度学习模型生成作用于无人机通信的干扰反制信号的方法为：
【技术保护点】
1.基于深度学习的无人机通信干扰任务生成方法，其特征在于，该方法包括以下步骤：
2.根据权利要求1所述的基于深度学习的无人机通信干扰任务生成方法，其特征在于，所述根据通信混合信号的时域信息获取通信混合信号频谱图中每个频率的成分特征匹配向量的方法为：
3.根据权利要求1所述的基于深度学习的无人机通信干扰任务生成方法，其特征在于，所述根据通信混合信号频谱图中每个频率处的斜率信息获取每个频率的局部振幅序列的方法为：
4.根据权利要求1所述的基于深度学习的无人机通信干扰任务生成方法，其特征在于，
5.根据权利要求4所述的基于深度学习的无人机通信干扰任务生成方法，其特征在于，所述根据每个频率的局部振幅序列中相邻元素的梯度变化获取每个频率的振幅波动指数的方法为：
6.根据权利要求4所述的基于深度学习的无人机通信干扰任务生成方法，其特征在于，所述根据每个频率的局部振幅序列中元素的拟合结果以及每个频率与局部振幅极值对应频率获取每个频率的成分拟合系数的方法为：
7.根据权利要求1所述的基于深度学习的无人机通信干扰任务生成方法，
8.根据权利要求1所述的基于深度学习的无人机通信干扰任务生成方法，其特征在于，所述基于所述分割区域的数量利用独立成分分析算法获取通信混合信号的子信号分解结果的方法为：
9.根据权利要求1所述的基于深度学习的无人机通信干扰任务生成方法，其特征在于，所述根据通信混合信号的子信号分解结果利用波形匹配算法获取无人机通信的弱项干扰信号的方法为：
10.根据权利要求1所述的基于深度学习的无人机通信干扰任务生成方法，其特征在于，所述根据无人机通信的弱项干扰信号利用深度学习模型生成作用于无人机通信的干扰反制信号的方法为：
...【技术特征摘要】
1.基于深度学习的无人机通信干扰任务生成方法，其特征在于，该方法包括以下步骤：
2.根据权利要求1所述的基于深度学习的无人机通信干扰任务生成方法，其特征在于，所述根据通信混合信号的时域信息获取通信混合信号频谱图中每个频率的成分特征匹配向量的方法为：
3.根据权利要求1所述的基于深度学习的无人机通信干扰任务生成方法，其特征在于，所述根据通信混合信号频谱图中每个频率处的斜率信息获取每个频率的局部振幅序列的方法为：
4.根据权利要求1所述的基于深度学习的无人机通信干扰任务生成方法，其特征在于，
5.根据权利要求4所述的基于深度学习的无人机通信干扰任务生成方法，其特征在于，所述根据每个频率的局部振幅序列中相邻元素的梯度变化获取每个频率的振幅波动指数的方法为：
6.根据权利要求4所述的基于深度学习的无人机通信干扰任务生成方法，其特征在于，所述根据每个频率的局部振...
【专利技术属性】
技术研发人员：费薇，翟兆岩，陈姚伟，周少帅，张静，汪望勤，张建伟，李强，
申请(专利权)人：郑州佛光发电设备股份有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。