本發(fā)明屬于圖信號(hào)檢測(cè)領(lǐng)域，具體涉及一種基于圖傳信號(hào)時(shí)頻特征的無(wú)人機(jī)分類(lèi)方法。

背景技術(shù)：

1、近年來(lái)，無(wú)人機(jī)（uav）的技術(shù)門(mén)檻和制造成本持續(xù)降低，使得無(wú)人機(jī)可用于玩具游戲、攝影、高危作業(yè)、遙感測(cè)繪、氣象監(jiān)測(cè)、農(nóng)林植保、工業(yè)安全、地質(zhì)勘探等眾多用途。我國(guó)低空空域的逐步開(kāi)放以及國(guó)家對(duì)無(wú)人機(jī)領(lǐng)域發(fā)展的正面政策支持，使得我國(guó)民用無(wú)人機(jī)行業(yè)得到了飛速發(fā)展。

2、無(wú)人機(jī)帶給我們方便的同時(shí)，也對(duì)個(gè)人隱私、國(guó)家安全和空域管理造成了威脅[2]。非法無(wú)人機(jī)入侵禁飛區(qū)域的事件頻發(fā)，主要原因是無(wú)人機(jī)體積小，難以迅速、準(zhǔn)確地監(jiān)測(cè)和定位。因此，為了有效實(shí)施空域監(jiān)管，研制第三方設(shè)備對(duì)無(wú)人機(jī)進(jìn)行探測(cè)具有重要實(shí)際意義。

技術(shù)實(shí)現(xiàn)思路

1、針對(duì)現(xiàn)有技術(shù)中的上述不足，本發(fā)明提供的一種基于圖傳信號(hào)時(shí)頻特征的無(wú)人機(jī)分類(lèi)方法解決了現(xiàn)有技術(shù)在復(fù)雜環(huán)境中識(shí)別無(wú)人機(jī)圖傳信號(hào)誤差大的問(wèn)題。

2、為了達(dá)到上述發(fā)明目的，本發(fā)明采用的技術(shù)方案為：一種基于圖傳信號(hào)時(shí)頻特征的無(wú)人機(jī)分類(lèi)方法，包括以下步驟：

3、s1、采集帶寬為25mhz的ism頻段無(wú)人機(jī)圖傳信號(hào)；

4、s2、對(duì)無(wú)人機(jī)圖傳信號(hào)進(jìn)行數(shù)據(jù)預(yù)處理，得到時(shí)頻圖；

5、s3、將時(shí)頻圖輸入訓(xùn)練好的efficientnet，輸出無(wú)人機(jī)型號(hào)的分類(lèi)識(shí)別的最終結(jié)果。

6、進(jìn)一步地：所述s2包括以下分步驟：

7、s21、利用功率譜估計(jì)方法對(duì)采集到的無(wú)人機(jī)圖傳信號(hào)進(jìn)行數(shù)據(jù)裁剪，根據(jù)帶寬特征保留無(wú)人機(jī)圖傳信號(hào)的有效部分；

8、s22、對(duì)裁剪后的無(wú)人機(jī)圖傳信號(hào)進(jìn)行時(shí)域加窗處理；

9、s23、用短時(shí)傅里葉變換提取無(wú)人機(jī)圖傳信號(hào)的時(shí)域和頻域特征，幅值歸一化后通過(guò)顏色空間映射輸出時(shí)頻圖。

10、進(jìn)一步地：所述s23中，通過(guò)短時(shí)傅里葉變換提取時(shí)域和頻域特征，無(wú)人機(jī)圖傳信號(hào)的短時(shí)傅里葉變換的表達(dá)式具體為：

11、

12、式中，為無(wú)人機(jī)圖傳信號(hào)，為窗函數(shù)， f為頻率， t為時(shí)間， a為積分變量， j為虛數(shù)單位。

13、進(jìn)一步地：所述s3中，efficientnet使用的混合縮放方法對(duì)網(wǎng)絡(luò)深度、寬度和輸入圖像分辨率進(jìn)行縮放調(diào)整，具體為：

14、

15、式中， d為網(wǎng)絡(luò)深度，為寬度， r為輸入圖像分辨率，為預(yù)設(shè)的調(diào)整系數(shù)，用于統(tǒng)一縮放網(wǎng)絡(luò)深度、寬度和輸入圖像分辨率參數(shù)，為縮放網(wǎng)絡(luò)深度參數(shù)，為縮放寬度參數(shù)，為縮放輸入圖像分辨率參數(shù)，表示約束條件。

16、進(jìn)一步地：所述s3中，efficientnet包括依次連接的第一卷積層、第一深度可分離卷積模塊、第二深度可分離卷積模塊、第三深度可分離卷積模塊、第四深度可分離卷積模塊、第五深度可分離卷積模塊、第六深度可分離卷積模塊、第七深度可分離卷積模塊、第二卷積層、全局平均池化層和全連接層。

17、進(jìn)一步地：所述第一~第七深度可分離卷積模塊的結(jié)構(gòu)相同，均包括：

18、依次連接的第一普通卷積、深度卷積、se注意力子模塊、第二普通卷積和dropout層，dropout層的輸出與第一普通卷積的輸入特征進(jìn)行殘差連接，得到深度可分離卷積模塊的輸出結(jié)果。

19、進(jìn)一步地：所述s3中，輸出分類(lèi)識(shí)別的最終結(jié)果的方法包括以下分步驟：

20、s31、通過(guò)第一卷積層提取時(shí)頻圖的特征，獲得第一特征圖；

21、s32、將第一特征圖依次輸入第一~第七深度可分離卷積模塊，捕獲第一特征圖的尺度和復(fù)雜度的特征，得到第二特征圖；

22、s33、將第二特征圖依次輸入第二卷積層、全局平均池化層和全連接層，得到分類(lèi)識(shí)別的最終結(jié)果。

23、進(jìn)一步地：所述s32中，第一~第七深度可分離卷積模塊處理輸入特征的方法相同，具體為：

24、s321、通過(guò)第一普通卷積將輸入特征升維；

25、s322、將升維后的輸入特征依次輸入深度卷積和se注意力子模塊，自適應(yīng)地調(diào)整輸入特征中通道的權(quán)重，得到中間特征圖；

26、s323、將中間特征圖輸入第二普通卷積，將中間特征圖降維到輸出維度，降維后的中間特征圖輸入dropout層降低模型的復(fù)雜度和計(jì)算量；

27、s324、將dropout層的輸出結(jié)果與輸入特征進(jìn)行殘差連接，得到處理輸入特征的輸出結(jié)果。

28、進(jìn)一步地：所述s3中，得到訓(xùn)練好的efficientnet的方法包括以下分步驟：

29、a1、設(shè)置efficientnet模型的神經(jīng)網(wǎng)絡(luò)的參數(shù)：

30、efficientnet模型參數(shù)為=1.2,=1.1,=1.15；

31、第一卷積層的分辨率為224x224，通道數(shù)為32，層數(shù)為1；

32、第一深度可分離卷積模塊的分辨率為112x112，通道數(shù)為16，層數(shù)為1；

33、第二深度可分離卷積模塊的分辨率為112x112，通道數(shù)為24，層數(shù)為2；

34、第三深度可分離卷積模塊的分辨率為56x56，通道數(shù)為40，層數(shù)為3；

35、第四深度可分離卷積模塊的分辨率為28x28，通道數(shù)為80，層數(shù)為3；

36、第五深度可分離卷積模塊的分辨率為14x14，通道數(shù)為112，層數(shù)為3；

37、第六深度可分離卷積模塊的分辨率為14x14，通道數(shù)為192，層數(shù)為4；

38、第七深度可分離卷積模塊的分辨率為7x7，通道數(shù)為320，層數(shù)為1；

39、第二卷積層、全局平均池化層和全連接層的分辨率為7x7，通道數(shù)為1280，層數(shù)為1；

40、a2、采用無(wú)人機(jī)i/q數(shù)據(jù)作為正樣本，wifi信號(hào)i/q數(shù)據(jù)作為負(fù)樣本，添加-10db~10db的高斯白噪聲，根據(jù)所述時(shí)頻圖形成無(wú)人機(jī)圖傳信號(hào)數(shù)據(jù)集；

41、a3、以6：2：2的比例將無(wú)人機(jī)圖傳信號(hào)數(shù)據(jù)集劃分為訓(xùn)練集、測(cè)試集和驗(yàn)證集，設(shè)置訓(xùn)練參數(shù)初始學(xué)習(xí)率為0.001，權(quán)重衰減為0.00001，batch-size為16，epoch為5，圖像分辨率為224×224，完成efficientnet訓(xùn)練。

42、本發(fā)明的有益效果為：

43、（1）本發(fā)明提供了一種基于圖傳信號(hào)時(shí)頻特征的無(wú)人機(jī)分類(lèi)方法，針對(duì)無(wú)人機(jī)迅速發(fā)展帶來(lái)的非法偵查、空域侵犯、無(wú)人機(jī)碰撞等潛在安全問(wèn)題，為了解決現(xiàn)有技術(shù)在復(fù)雜環(huán)境中識(shí)別無(wú)人機(jī)圖傳信號(hào)誤差大的問(wèn)題，對(duì)采集到的無(wú)人機(jī)圖傳信號(hào)進(jìn)行時(shí)頻圖轉(zhuǎn)換，構(gòu)建了高質(zhì)量的時(shí)頻圖，采用efficientnet進(jìn)行訓(xùn)練，并在訓(xùn)練集和驗(yàn)證集上實(shí)現(xiàn)了顯著的性能提升。最終，在大疆mavic系列、mini?4?pro等六型無(wú)人機(jī)上使用本文構(gòu)建的無(wú)人機(jī)圖傳信號(hào)數(shù)據(jù)集進(jìn)行了實(shí)驗(yàn)，識(shí)別和分類(lèi)準(zhǔn)確率達(dá)96%以上，展示了該方法在民用無(wú)人機(jī)信號(hào)監(jiān)測(cè)領(lǐng)域的高應(yīng)用前景。

44、（2）通過(guò)在測(cè)試集上的評(píng)估結(jié)果，驗(yàn)證了本發(fā)明所提出方法在高信噪比和低信噪比條件下的有效性，尤其是在-10db及以上信噪比情況下，efficientnet模型依然保持了較高的識(shí)別準(zhǔn)確率。實(shí)驗(yàn)結(jié)果表明，該方法能夠在復(fù)雜環(huán)境中實(shí)現(xiàn)對(duì)無(wú)人機(jī)圖傳信號(hào)的精準(zhǔn)識(shí)別，具有較高的實(shí)際應(yīng)用價(jià)值。