基于遙控信號頻譜特征的無人機識別算法

陳君勝，楊小勇，徐怡杭

(1.甘肅省無線電監測站，甘肅 蘭州 730000；2.國家無線電頻譜管理研究所有限公司，陜西 西安 710061；3.西北工業大學 電子信息學院，陜西 西安 710072 )

0 引言

隨著無人機的快速發展與普及[1-3]，非法無人機入侵問題越來越受到各國的關注，如何更快、更精確地實現對無人機的識別是無人機反制的重要前提[4-6]。

現有的通過無線電頻譜監測識別無人機的方式，理論上可以實現對非法無人機較大范圍地連續監測，且發現目標較早，便于及時采取反制措施[7-8]。目前主流的無人機遙控信號基本都采用了跳頻擴頻技術，遙控信號常用的2.4 GHz等頻段已十分擁堵，又因為其頻率跳變的高速性、變頻方式的多樣性和所在頻譜環境的復雜性[9-11]，使得現有的無線電頻譜監測方法往往難以實時、準確地檢測到無人機遙控信號，非法無人機監測難以取得令人滿意的效果[12]。因此，本文算法基于遙控信號頻譜特征對非法無人機進行識別，通過背景頻譜模板學習(WIFI與圖傳信號檢測)、無人機跳頻與定頻控制信號檢測、機型判斷及機型特征參數學習3個模塊來確保對非法無人機識別的準確性、實時性與抗干擾性。

1 算法基本思想

基于遙控信號頻譜特征的非法無人機識別算法的基本思想分為以下3個過程實現對非法無人機的精確識別：

① 對背景頻譜進行學習。首先通過對預設中心頻率前后共計100 MHz帶寬進行N次頻譜快拍，得到頻譜矩陣Data(N×K)(其中N為快拍次數，K為一次頻譜快拍中包含的頻點數)；然后通過求二次平均、最小二乘線性擬合得到信號檢測閾值TH；最后將頻譜矩陣Data(N×K)中檢測到的寬帶WiFi與圖傳信號映射到二值化背景頻譜模板ModelArray-Final(1×100)(存在WiFi或圖傳信號的頻點置1，其余置0)，用于屏蔽寬帶對無人機遙控信號檢測的干擾。

② 對無人機跳頻與定頻遙控信號檢測。首先利用背景頻譜學習得到的信號檢測閾值TH和二值化背景頻譜模板ModelArrayFinal(1×100)，然后通過尋找有效峰值Pk及其帶寬判斷，將頻譜矩陣Data(N×K)中的所有的有效峰值一一映射到二值化跳頻檢測矩陣DetectArray(N×100)中(存在有效峰值Pk的頻點置1，其余置0)。然后根據二值化跳頻檢測矩陣DetectArray(N×100)計算跳頻次數Hoptimes，并定義N行中存在有效峰值的行數為t_value，最后將t_value，Hoptimes與最低門限值t_valuemin，Hoptimesmin比較，從而識別出當前是否存在無人機。

③ 機型判斷及機型特征參數學習(UAVparameters)。如果檢測到該時段存在無人機跳頻遙控信號，則利用DetectArray(N×100)得到機型判斷矩陣JudgeArray(1×100)，并由JudgeArray(1×100)計算出無人機機型特征參數(UAVparameters)，最后通過比對已有的無人機機型特征參數，即可判斷出無人機機型。其中，機型特征參數學習是通過學習出已知型號的無人機的機型參數，并將其錄入無人機機型特征數據庫，用于比對未知無人機的機型特征參數。每讀入一個頻譜矩陣Data(N×K)就會給出一次無人機識別結果。

2 算法建立過程

2.1 背景頻譜模板學習

步驟1：求信號檢測閾值TH。首先求頻譜矩陣Data(N×K)中每一行頻譜數據功率的初次平均值，其表達式為：

(1)

(2)

接著求第2次功率的平均值：

(3)

(4)

式中，ΔTh為常參數。

(5)

式中，c0，c1為待求參數，可構成矛盾方程組[14]為：

A·x=b，

(6)

(7)

將式(6)兩邊同乘以AT可得其正規方程組[16]為：

ATA·x=ATb。

(8)

步驟2：構造二值化頻譜模板矩陣Model-Array(1×100)，初始化為全0。首先對頻譜矩陣Data(N×K)的每一行的每MHz頻點值進行檢索，如果某MHz中在信號檢測閾值TH以上的頻點數大于0.3F(F為每MHz中包含的頻點數)，則將對應的ModelArray(1×100)頻點處值加1，對頻譜矩陣Data(N×K)進行N行逐點檢索完成后，再對二值化頻譜模板矩陣ModelArray(1×100)進行逐點檢索，若某頻點值大于Model_min，則將其值置為1，反之則置為0，其中Model_min為常參數。

步驟3：建立WiFi與圖傳信號檢測方法，構造最終的二值化模板矩陣ModelArrayFinal(1×100)，初始化為全0。首先對二值化頻譜模板Model-Array(1×100)逐點檢索，每當檢測到該頻點值為1，就判斷從該位置開始的10 MHz所包含0的個數，若0的個數不大于1個，則認為該位置存在帶寬超過10 MHz的圖傳或WiFi信號，反之則認為不存在。若檢測到帶寬超過10 MHz的圖傳或WiFi信號，將ModelArrayFinal(1×100)矩陣對應的10 MHz頻點置1。至此得到最終的二值化模板矩陣Model-ArrayFinal(1×100)，完成背景頻譜模板學習。

2.2 無人機遙控信號檢測

前面通過分析計算得到了最終的二值化模板矩陣ModelArrayFinal(1×100)，完成了對背景頻譜模板的學習，實現了對WiFi與圖傳信號檢測。下面在此基礎上要對無人機遙控信號進行檢測，從而實現對無人機有無的識別。同樣分為以下3個步驟：

步驟1 需要尋找有效峰值Pk以及計算其帶寬。基本思路是利用背景頻譜學習模板和信號檢測閾值TH，在頻譜矩陣Data(N×K)中的每一行尋找有效峰值Pk，并計算其帶寬Width。

有效峰值Pk定義：記某一幀頻譜圖的第n個頻點的功率值為Datan，n∈(2F，S-2F)，其中F為每MHz帶寬包含的頻譜點數。若Datan同時滿足式(9)、式(10)和式(11)，則稱該Datan是有效峰值，記Datan為Pk，同時記其對應的位置n為lpeak。

TH≤Datan-2≤Datan-1≤Datan≥Datan+1≥

Datan+2≥TH，

(9)

Datan= max(Datan-2F，Datan-2F+1，...，

Datan+2F-1，Datan+2F)，

(10)

ModelArrayFinal「100n/K?=0。

(11)

式(9)是判斷Datan是否大于閾值TH且大于其前后兩點的功率值；式(10)是判斷Datan是否為該頻點前后4F個頻點的功率的最大值；式(11)是判斷二值化模板矩陣ModelArrayFinal(1×100)對應的頻點是否被屏蔽(若為0，則未被屏蔽，反之則已屏蔽)。

由式(12)可得到此幀頻譜圖中的每個有效峰值Pk對應的3 dB帶寬Width：

(12)

式中，lleft，lright分別指功率值距0.5Pk最近的2個頻點的橫坐標。

步驟2 由得到的有效峰值Pk及其對應的3 dB帶寬Width，構造二值化跳頻檢測矩陣Detect-Array(t_value×100)及信號帶寬判斷矩陣Width_3dB(1×3)。當頻譜矩陣Data(N×K)中某行頻譜數據包含有效峰值Pk時，則認為該行頻譜數據為有效頻譜數據，記頻譜矩陣Data(N×K)中有t_value行有效頻譜數據，并將t_value行有效頻譜數據映射為二值化跳頻檢測矩陣DetectArray(t_value×100)矩陣，其映射關系如下：

若某行頻譜數據中某個有效峰值Pk的3 dB帶寬Width∈[0.3，1.6)，則對跳頻信號帶寬判斷矩陣的Width_3 dB(1)加1，并將二值化跳頻檢測矩陣DetectArray(t_value×100)對應頻點置1；

若某行頻譜數據中某個有效峰值Pk的3 dB帶寬Width∈[1.6，2.7)，則對跳頻信號帶寬判斷矩陣的Width_3 dB(2)加1，并將二值化跳頻檢測矩陣DetectArray(t_value×100)對應頻點置1；

若某行頻譜數據中某個有效峰值Pk的3 dB帶寬Width∈[2.7，3.7)，則對跳頻信號帶寬判斷矩陣的Width_3 dB(3)加1，并將二值化跳頻檢測矩陣DetectArray(t_value×100)對應頻點置1；

特別地，若某行頻譜數據中的某有效峰值Pk的帶寬Width∈[0，0.3)∪[3.7，+∞)，則忽略該有效峰值Pk，若某幀頻譜圖中所有的有效峰值均被忽略，則將有效頻譜數據行數t_value減1。

將信號帶寬判斷矩陣Width_3dB(1×3)最大值對應的下標記為跳頻信號帶寬(Width3dB)。

步驟3 提取跳頻次數Hoptimes特征(初始化為零)，并判斷是否存在無人機遙控信號。由式(13)可提取二值化跳頻檢測矩陣Detect-Array(t_valuex100)中包含的跳頻次數Hoptimes：

(13)

提取跳頻次數Hoptimes后，建立無人機遙控信號是否存在的判斷標準如下：

① 若t_value≥t_valuemin且Hoptimes≥Hoptimesmin，則判斷檢測到無人機跳頻遙控信號，繼續第②步和第③步；

② 若t_value≥t_valuemin但Hoptimes≤Hoptimesmin，則判斷檢測到定頻遙控信號，顯示結果，結束本次識別；

③ 若t_value≤t_valuemin，則判斷未檢測到無人機遙控信號，結束本次識別。

其中，t_valuemin和Hoptimesmin為常參數。

2.3 機型特征參數學習及機型判斷

為了識別目標無人機的機型，需要構造無人機機型特征矩陣NewArray(1x100)，并對其進行無人機機型特征參數(UAVParameters)提取與學習，進而準確判斷出無人機的機型。無人機機型特征參數(UAVParameters)包括：中心頻率[17](Centerfrequency)、跳頻信號帶寬[18](Width3dB)、遍歷點數(Ergodic)、跳頻范圍最大半徑(Radius)。其中，跳頻信號帶寬(Width3dB)為信號帶寬判斷矩陣Width_3dB(1×3)最大值對應的下標。

首先需要計算出頻譜模板矩陣Model-Array(1×100)和閾值TH，具體計算過程在前文已作討論。若頻譜模板矩陣ModelArray(1×100)值不全為0，則顯示頻譜環境不適合學習新機型特性。如果頻譜模板矩陣ModelArray(1×100)值全為0，則重復無人機遙控信號檢測中的第①步和第②步，進而得到DetectArray(t_value×100)及Width。將得到的Detect-Array(t_value×100)壓縮為NewArray(1x100)(若Detect-Array(t_value×100)矩陣某列中包含1，則NewArray(1×100)對應列置1)。分別對NewArray(1x100)矩陣從左至右、從右至左遍歷，求出“1”出現的起止頻點，并分別記作StartPt，StopPt，由式(14)計算出跳頻范圍最大半徑：

Radius=max(|StartPt-50|，|StopPt-50|)。

(14)

然后再對NewArray(1×100)矩陣遍歷，記其中“1”的總個數為遍歷點數(Ergodic)。根據求得的無人機機型特征參數(UAVParameters)可以將不同的無人機型號區分開來，具體分類方法如圖1所示。

圖1 無人機型號分類方法思維導圖

在已經識別出跳頻信號后，可以將有N行的DetectArray(N×100)矩陣壓縮成JugdeArray(1×100)，壓縮方法為若DetectArray(N×100)矩陣某列中包含1，則JugdeArray(1×100)矩陣對應列置1。重復上述方法，再次提取得到無人機機型特征參數[19](UAVParameters)，然后通過這些特征參數進行匹配，最終如果是已知機型，則直接輸出其型號及機型特征參數；如果是未知機型直接輸出發現未知跳頻序列，由此可判斷出無人機機型。

3 測試結果分析

3.1 測試環境

用于實施的硬件環境：Core-i5-4210M 2.60 GHz雙核計算機，4 GB內存，940 M顯卡；運行的軟件環境：Visual Studio 2017，Matlab 2016，Windows 10。分別采用了C++、Matlab程序設計語言實現了本文提出的新算法。依次設置了無人機遙控信號常出現的2個中心頻率[20](2.44 GHz，5.775 GHz)、頻譜快照的帶寬[21]為100 MHz，共學習并識別了FUTABA T14SG，DJI Phantom Ⅲ，WFLY07，Nine Eagle，HUBSAN五種不同型號的無人機遙控信號。本算法可在頻譜分辨率帶寬(resolution bandwidth，RBW)為1～50 kHz下工作。

3.2 測試結果分析

實驗參與測試的上述5種不同型號、不同跳頻方式的無人機在離天線較近距離下均能被快速穩定的學習并識別到，隨著識別距離的增加，識別率有所下降，其最遠識別距離與天線及接收機的靈敏度成正相關。1 000幀頻譜圖各幀的信號檢測閾值Th′(單位：dBuV*10)如圖2所示，部分機型特征參數學習結果如表1所示(將學習幀數N設置在1 000屏及以上，學習的幀數越多，結果也越準確)。

圖2 1001幀頻譜圖各幀的信號檢測閾值

由于因學習次數有限、不同頻譜分辨率下存在一定的偏差，為保證能準確識別無人機型號，將Radius及Radius±1三個值均作為有效值。DJI PhantomⅢ型無人機遙控信號的識別結果如圖3所示，FUTABA T14SG遙控信號的識別結果如圖4所示。

表1 學習到的不同型號無人機機型特征參數

UAV modelCenterfrequency/GHzWidth3 dB/MHzErgodicRadiusDJI Plantom35.77514421±1Futaba T14SG2.44026820±1Nine Eagle2.44014018±1WFLY072.4402814±1Hubsan2.440127±1

圖3 DJI PhantomⅢ型無人機識別結果

圖4 FUTABA T14SG型無人機識別結果

4 結束語

經過多次試驗表明，該算法可以對無人機實時、準確地識別，在復雜電磁環境中具有較好的魯棒性。該算法將N行頻譜矩陣Data(N×K)映射為多個二值化矩陣，減小了計算量，且能有效排除WiFi、圖傳信號等較寬帶寬信號，或帶寬極窄的雜散信號對無人機遙控信號檢測的干擾，進而保證了快速、準確地識別出非法無人機及其機型，實時性、抗干擾性與準確性較好。但該算法在附近有藍牙跳頻信號時會出現虛警的情況，另外本算法無法區分WiFi與無人機的圖傳信號。因此，將來可以就如何區分藍牙等跳頻信號與無人機遙控跳頻信號，以及如何區分WiFi與無人機圖傳信號等問題做進一步的研究，從而更好地降低識別的虛警率。