论文部分内容阅读
随着通信网络以及传感技术的飞速发展,小型无人机(Unmanned Aerial Vehicles,UAVs)已广泛应用于电力巡检、物流配送、农业植保、交通管理等服务行业。由于小型无人机的低价和灵活特性,准入门槛极低,使得无人机的安全管控成为一大难点,隐私泄露、撞击引发事故、恶意攻击他人等安全问题也越来越突出。目前国内外的研究均以发现无人机目标为主,且现有的视频和声学检测技术受限于识别类型和检测距离,对于小型无人机身份合法性尤其是在多无人机共同飞行的场景下无法进行有效辨识。本文利用小型无人机无线通信信号和微多普勒信号特征实现小型无人机的多分类检测和识别,解决小型无人机安全飞行管控的迫切需求。小型无人机低空飞行环境无线信号复杂、飞行过程中特征产生动态偏移、真实数据样本采集标注困难,这给识别系统建立数据库及训练模型的生成带来了极大的挑战。本文提出了基于小样本多分类的改进生成对抗网络算法模型(Auxiliary Classifier Wasserstein Generative Adversarial Networks,AC-WGANs)和动态属性增强算法(Dynamic Attribute-Guided Augmentation,DAGA)实现小样本多分类情况下的检测识别。通过无人机的无线通信信号及主成分分析(Principal Component Analysis,PCA)降维处理,应用改进的生成对抗网络模型(AC-WGANs)实现无人机多分类识别。在近距离低信噪比情况下能达到95%以上的识别率,同时该识别算法对室外远距离实测无人机信号识别效果良好。在无人机电磁静默情况下,利用微多普勒信号实现检测识别。提取小型无人机旋翼微多普勒信号的纹理特征和时频特征,并提出动态特征属性增强算法(DAGA),实现飞行过程中的无人机动态特征识别。最后通过对实际无人机无线通信信号和微多普勒信号的采集、预处理、特征提取以及模型识别得到一个较为完整的无人机信号检测识别系统。