一種民用小型無人機的射頻指紋識別方法 *

蔣 平 ，謝躍雷

(桂林電子科技大學 寬帶與智能信息技術中心，廣西 桂林 541004)

0 引 言

隨著民用小型無人機技術的高速發展，因操作人員缺乏安全意識，無人機侵入機場、軍事基地、重要會場的違法事件屢有發生，給國家和社會帶來了嚴重的安全隱患[1]。因此，加強對無人機的管控勢在必行，而如何探測和發現無人機則是實現管控的第一步[2-4]。

探測和識別無人機的射頻信號，是發現無人機的一種有效方法[5-7]。民用小型無人機的射頻信號可分為遙控信號及圖傳信號，遙控信號用于無人機控制，通常采用跳頻方式的擴頻通信信號，而無人機圖傳信號則用于空中拍攝視頻的傳輸，通常采用正交頻分復用技術(Orthogonal Frequency Division Multiplexing,OFDM)的調制信號。

許多學者通過無人機遙控信號對無人機進行檢測及識別，其中文獻[5]給出了一種基于無線電信號特征識別的無人機監測算法設計，從跳頻信號及圖傳信號方面對無人機進行探測，但未給出具體算法分析及更近一步的實現原理；文獻[6]提出基于軟件無線電平臺的無人機入侵檢測，通過無人機跳頻信號特征對無人機進行檢測與識別，能在15 m內檢測無人機的存在，但該方法無法完成對無人機具體型號的區分；文獻[7]采用對跳頻信號進行圖像分類的方式完成無人機信號的檢測與識別，并取得了較好的識別效果，但跳頻信號易受噪聲淹沒造成信號丟失，導致其不能較好地進行參數估計，從而無法有效區分無人機型號，并且該方法不能區分個體。

針對以上檢測及識別所存在的缺陷，本文采用射頻指紋提取法(Radio Frequency Distinct Native Attribute，RF-DNA)[8-9]對遙控信號進行檢測及識別。首先零中頻接收機對無人機遙控信號進行偵收，隨后檢測遙控信號瞬態部分起始點并進行統計特征提取，構造RF-DNA指紋特征并對其進行特征降維，最后由多支持向量機(Support Vector Machine,SVM)分類器對無人機型號以及同一型號的個體進行區分。

1 無人機遙控信號模型

對于無人機的檢測與識別，需從信號方面進行分析。民用無人機遙控信號通常采用跳頻方式進行擴頻通信[10-11]，因此遙控信號即為用于無人機控制的跳頻信號。跳頻信號因其具有較好的抗干擾能力，廣泛用于通信對抗方面，而民用無人機的控制也在其列。

信息數據m(t)通過信號調制器得到d(t)，發射的跳頻信號為

S(t)=d(t)SFH(t) 。

(1)

式中：SFH(t)是跳頻信號，表達式為

(2)

式中：N為頻點個數；A為振幅；wT為寬度為Th的矩形窗，Th為跳頻信號的跳頻周期；f0,f1,f2,…,fk為調頻頻率集；φn為初始相位，n=0,1,2,…,N-1。

實測無人機遙控信號離散數據由Cool Edit Pro軟件打開，如圖1所示。

圖1 無人機遙控信號瞬態及穩態圖

從圖1可知，不同廠商無人機機型具有不同瞬態部分,但同一無人機型號的瞬態部分不易區分。

本文主要基于民用無人機遙控信號瞬態部分進行研究。對于無人遙控信號瞬態部分，因無人機發射設備硬件特性不同，導致瞬態部分出現細微差異，這些差異主要由無人機發射設備系統中的分立器件、信號混頻器、功率放大器、數模轉換器、濾波器、鎖相環等多種硬件設備產生。瞬態部分不攜帶數據信息，只與硬件設備本身的特性有關，具有唯一性，所以常對瞬態部分進行分析。瞬態部分存在于信號功率由零變為額定功率之間，所以一般存在發射設備開關機時刻。因此采集發射設備的瞬態部分具有一定難度，尤其體現在硬件接收設備[12]。

由于無人機遙控信號采用跳頻通信方式，在操控無人機期間，信號會不停經歷由功率零到額定功率的變化過程，所以采用RF-DNA方法對無人機遙控信號進行檢測及識別是一個有效的方法。

2 基于RF-DNA的無人機識別

2.1 RF-DNA特征提取

RF-DNA方法是近年來較為關注方法之一，最早由美國空軍技術學院Temple等人提出。該方法是一種采用統計方法生成射頻指紋(Radio Frequency Fingerprinting,RFF)特征的計算框架，可分成瞬態信號子區域劃分、瞬態信號基礎特征生成和瞬態信號統計特征生成。

對于該算法，對其分步驟描述。

Step1 對接收信號X(n)進行希爾伯特變換，得其解析式：

X(n)=I(n)+jQ(n) 。

(3)

式中：I(n)、Q(n)為正交信號。

Step2 求信號瞬時幅度a(n)、瞬時相位p(n)和瞬時頻率f(n)：

(4)

(5)

(6)

Step3 為了消除零中頻接收機偏差對瞬時信號影響，對瞬時信號進行中心化處理：

ac(n)=a(n)-ua，

(7)

fc(n)=f(n)-uf。

(8)

對于瞬時相位，需在中心化處理之前對瞬時相位中的非線性分量進行逐個濾除，以保證特征提取質量:

pnl=p(n)-2πuf(n)Δt，

(9)

pc(n)=pnl(n)-upnl。

(10)

式中：ua、uf表示瞬時幅度與瞬時頻率的均值，Δt表示采樣時間間隔,upnl為消除非線性分量后瞬時相位平均值,pnl表示非線性相位響應,ac(n)、fc(n)、pc(n)分別為中心化處理后的瞬時幅度、瞬時頻率、瞬時相位值。

Step4 將以上所求三個瞬時特征ac(n)、fc(n)、pc(n)進行分區，并對其求特征值。

這里特征值有兩種方式，第一種為求三個時域瞬時信號的方差、偏度和峰度，第二種為求三個時域瞬時信號的標準差、方差、偏度和峰度。

標準差:

(11)

方差:

(12)

偏度：

(13)

峰度：

(14)

式中：Nx表示中心化數據xc(n)的長度，u表示xc(n)的均值。

Step5 求其特征向量，因其具有三種特征，方法一為標準RF-DNA法，只求方差、偏度、峰度，則特征具有3×3維，而方法二添加標準差這一特征，則特征具有3×4維。

每一架無人機的每一個跳頻信號瞬時幅度、瞬時頻率、瞬時相位特征所求標準差、方差、偏度、峰度的集如下：

Fa=[σσ2rk]a，

(15)

Fp=[σσ2rk]p，

(16)

Ff=[σσ2rk]f，

(17)

Fi=[FaFpFf] 。

(18)

式中：Fi為每一架無人機每一跳信號的特征集合。一架無人機所有跳頻信號瞬態特征集如下：

FR=[F1,F2,F3,…,FN]。

(19)

式中：N為每一架無人機跳頻信號總共個數。

所有無人機的無人機跳頻信號瞬態特征集合表達式如下：

FC=[FR1,FR2,FR3,…,FRj] 。

(20)

式中：j為無人機個數。

取一組各個無人機瞬時幅度的標準差、方差、峰度、偏度特征進行特征統計，統計值如表1所示。

表1 遙控信號瞬時幅度統計特征表

2.2 識別算法

本文主要目的是從信號角度對無人機進行識別，其中識別的具體步驟如下：

Step1 采集無人機實測數據。

Step2 采用分形貝葉斯變點檢測算法對無人機遙控信號瞬態部分進行提取。

Step3 采用RF-DNA統計特征法進行特征提取，提取采用兩種方式，第一種含有標準差，第二種不含有標準差。

Step4 對Step 3所提取的特征集采用主成分分析(Principal Component Analysis，PCA)算法進行特征降維，特征降維可將維數降維為二維、三維、四維等，不同維數對識別率有一定影響。

Step5 通過SVM[13]分類器對降維后的數據進行分類識別。這里分類器采用Libsvm進行分類，該分類器具有多分類特點，采用的是一對一法完成多分類操作。

3 實驗分析

本次實驗主要采用自制硬件設備對大疆精靈4pro 1號及2號、司馬航模x8hw、HM、大疆悟2、司馬航模x25pro無人機信號進行采集，完成相應信號預處理及分類識別，采集系統如圖2所示。

圖2 無人機遙控信號采集系統實物圖

通過對5架無人機共225組信號數據段進行實驗，其中每個無人機訓練數據30組，測試數據15組。

實驗中，因含有三個瞬時特征且每一瞬時特征含有多種特征信息，且含有標準差的特征維數為12維，不含有標準差的為9維。采用PCA算法將特征集降維到二維、三維，其中二維散點圖坐標軸F1、F2分別代表二維中維數特征，三維散點圖中坐標軸F1、F2、F3分別代表三維中維數的特征。

實驗1：采用不含有標準差、特征降維維數為二維的方式進行分類識別，實測數據二維散點圖如圖3所示。

圖3 無人機遙控信號不含標準差二維特征散點圖

該圖共10類散點數據，主要是5類無人機訓練數據和5類無人機測試數據，不同顏色及形狀表示不同無人機。無人機訓練數據用于建立數據單元庫，無人機測試數據用于測試無人機識別率。從圖中可知，不同無人機訓練數據散點圖分布區域不同，測試數據同樣，但部分測試數據存在于其他組訓練數據中，故該部分數據為錯誤識別組。無人機遙控信號不含標準差且二維特征識別率表如表2所示，其中無人機總識別率為80%。

表2 無人機遙控信號不含標準差二維特征識別率

實驗2：采用不含標準差且特征維數為三維的方式進行分類識別，其散點圖、識別率如圖4及表3所示。

圖4 無人機遙控信號不含標準差三維特征散點圖

表3 無人機遙控信號不含標準差三維特征識別率

通過圖4及表3可知，相對于二維而言，在同樣不含有標準差時，三維識別效果更佳，識別率達到94.666%。

實驗3：采用標準差且特征降維維數為二維的方式進行分類識別，其散點圖及識別率如圖5及表4所示。從圖和表可知，相對于不含有標準差的二維散點圖，含有標準差性能更好，且識別率達到97.333 %。

圖5 無人機遙控信號含標準差二維特征散點圖

表4 無人機遙控信號含標準差二維特征識別率

實驗4：采用標準差，特征降維維數為三維方式進行分類識別，散點圖及識別率如圖6和表5所示，其中含有標準差且三維特征時，其識別率與二維特征相同。

圖6 無人機遙控信號含標準差三維特征散點圖

表5 無人機遙控信號含標準差三維特征識別率

為更進一步測試識別性能，在實測數據中疊加高斯白噪聲，具體方法及步驟如下：

Step1 對實測訓練數據建立數據單元庫及訓練數據特征集。

Step2 對實測測試數據疊加高斯白噪聲。

Step3 通過分形貝葉斯變點檢測、RF-DNA統計特征提取已加高斯白噪聲后數據特征集。

Step4 Step 3中已加高斯白噪聲后數據特征集與Step 1中訓練數據特征集進行均值中心化，產生新特征集，取新特征集中已加高斯白噪聲部分特征數據組作為測試特征集。

Step5 對Step 4所得測試特征集進行PCA降維，其中為驗證維數影響，選擇一維、二維、三維、四維作為測試變量。

Step6 采用SVM多分類器進行分類，繪出兩種識別率曲線圖，一種為含有標準差二維特征、含有標準差三維特征、不含有標準差二維特征、不含有標準差三維特征在不同信噪比下識別率對比圖，命名為無人機遙控信號不同標準差及不同維數特征識別率圖；另一種為含有標準差下一維、二維、三維、四維特征在不同信噪比的識別率對比圖，命名為無人機遙控信號含有標準差下不同維數特征識別率圖。

圖7為無人機遙控信號不同標準差及不同維數特征識別率圖。從圖中可知，含有標準差識別率優于不含標準差識別率，且三維總體高于二維。含有標準差時，信噪比大于15 dB時，其二維及三維識別率大于70%，而不含有標準差時，信噪比大于20 dB時，其識別率大于70%。總體而言，隨著高斯白噪聲的增加，識別率逐漸下降，但因對其中心化處理、散點圖較為集中等原因，其識別率在低于40%以下呈現低識別率隨機起伏等混亂狀態。

圖7 無人機遙控信號不同標準差及不同維數特征識別率圖

圖8是在不同信噪比且含有標準差這一特征下不同維數識別率，總體來說，四維優于三維，三維優于二維及一維。在信噪比小于-5 dB時，各維識別率皆低于60%；在信噪比大于20 dB時，各維數識別率且大于90%，且四維最高。從識別曲線總體來看，維數越高其識別率更高。

圖8 無人機遙控信號含有標準差下不同維數特征識別率圖

通過以上四個實驗得出采用RF-DNA法對實測無人機遙控信號可以完成其型號的區分，其中三維識別率最高，為97.33%。

為了更好地驗證射頻指紋方法的優點，取同一型號的兩架大疆精靈4pro無人機進行個體區分實驗，并得出散點圖及不同維數識別曲線圖。由圖9(a)可知，同一型號無人機散點圖較為緊密，區分難度較大，對分類器有一定要求。由圖9(b)可知，一維與二維曲線相同，但整體維數對識別率無較大影響，主要受分析數量所限從而無法凸顯維數優勢。總體來說隨著信噪比增加，識別率逐漸升高，當信噪比在17 dB以上時各維數識別率達到80%，因此可證明射頻指紋識別法可對無人機個體進行區分。

(a)同一型號無人機遙控信號二維散點圖

(b)同一型號無人機遙控信號含有標準差下不同維數特征識別率圖圖9 同一型號無人機遙控信號散點圖及識別率圖

4 結束語

本文針對無人機“黑飛”問題，采用RF-DNA方法完成了無人機具體型號及其個體的識別，可為無人機有效監管提供幫助。采用是否含有標準差以及不同維數作為測試條件，驗證了在含有標準差且維數為四維時對無人機的型號區分效果最好。而通過對兩架大疆精靈4pro無人機進行同一型號個體區分實驗，得出RF-DNA能夠區分同一型號無人機，但是無人機型號的區分抗噪性能高于同一型號的個體區分。此外，由于本實驗目前只做了兩架無人機的同一型號區分，后面應考慮增加更多同一型號無人機，以便于驗證一定數量無人機同時存在對個體區別所帶來的影響。并且，下一步應尋求更好的特征及分類方式從而更有效地對同一型號無人機進行個體區分，增加其實用價值。