深度卷積網絡多目標無人機信號檢測方法

史浩東， 盧 虎， 卞志昂

(空軍工程大學信息與導航學院， 西安， 710077)

目前，大多數無人機感知識別技術的研究都是在視覺探測的基礎上進行的：文獻[1]通過搭建視覺傳感網建立了無人機的圖像識別中心；文獻[2]在無人機與非無人機的圖像樣本集的基礎上，通過改進LeNet-5隱含層結構來提高無人機的目標識別率；文獻[3]通過建立多尺度、多角度、多背景條件下的無人機目標圖像數據庫，進行了低空弱小無人機目標的檢測研究；文獻[4]在視覺檢測的基礎上加入了目標跟蹤的設計，有助于對無人機的鎖定與跟蹤。

但是，視覺探測對于較遠距離的情況難以處理，并且容易受到附近高大建筑物的遮擋，另外，在霧霾等天氣因素影響下，能見度低也會導致視覺探測難以取得良好的效果。

射頻探測技術的探測距離較遠，并且可以將捕獲到的相應的無人機信號進行分類處理，有助于對其做針對性的部署工作，同時也為之后的反制和欺騙技術打下良好的基礎。這些優點決定了射頻探測技術將成為反無人機技術和無人機探測技術的主要發展趨勢。文獻[5]針對無人機射頻檢測技術進行了初步研究，通過竊聽無人機與其控制器之間的通信來檢測無人機，初步實驗驗證了其可行性。

Timothy J O’Shea于2016年利用卷積神經網絡[6]對11種通信信號進行了識別分類，該方法本質上是通過神經網絡學習信號特征的算法。

在此基礎上本文基于卷積神經網絡設計并實現了一種無人機信號的感知識別分類算法，不僅可以起到預警的作用，還可以對其相應的無人機型號和飛行模式進行分類，便于對黑飛無人機進行針對性的部署工作,進而通過人工智能技術解決無人機的黑飛和管控問題。

1 無人機測控信號經典識別分類算法

現在大多數民用無人機遙控信號都在ISM頻段(即2.4 GHz頻段),采用專有跳頻擴頻技術(FHSS)[7]。或采用直接序列擴頻(DSSS)或正交頻分復用技術[8](OFDM)。由于遙控信號屬于多載波調制的低速跳頻信號，導致對該信號的特征參數提取難度較高。在跳頻信號的識別中，基于時頻分析的跳頻信號參數估計的方法居于主流地位[9]。同時，由于無人機信號屬于低速跳頻信號，文獻[10]采取的方法是將信號分隔為多段，每個時頻分析窗口只對1 024個點做時頻變換，最后將每段信號的最大值圖拼接到一起，再去估計相關參數，更加有利于低速跳頻信號的特征參數提取。

跳頻信號的數學表達式為：

(t-kTh-θ)ej2πfk(t-kTh-θ)+n(t)

(1)

式中：A為信號的幅度大小；θ為其初始相位，k≥1且為整數；rectTh(t)表示信號的脈沖波形，其時間寬度為Th，fk為信號的跳頻頻率；n(t)為加性噪聲。

針對信號識別的問題，主流方法是對信號進行一定的預處理并進行信號的特征提取，之后通過模式識別的分類算法進行識別；同時也有利用基于最大似然比的分類方法進行識別[11]。這兩種方法都有著明顯的缺陷：信號的特征提取主要依賴于特征的選擇，對特征的選擇提取提出了很高的要求。而從最大似然比的角度去進行識別，則需要預先了解信號的較多先驗知識，實時性較差，不適用于無人機信號的識別。

針對無人機識別分類技術的研究，文獻[12]從時頻圖的角度基于圖像特征設計分類算法，但是其只對2種無人機型號進行了分選。文獻[13]針對多個無人機建立了多天線陣列接收信號模型，能夠提高波達方向角的估計精度，但是其只進行了軟件的模擬仿真。

一維信號可以看做具有線性混合、時移、旋轉、尺度縮放和卷積的不變性，故信號的分類很大程度上類似于視覺領域的分類，在圖像處理的問題中，也會面臨著圖片經歷縮放、位移、旋轉、遮擋、明暗變化和其他形式的噪聲。而卷積神經網絡在圖像處理中取得了較好的效果，該網絡也被應用于信號的識別與分類中。文獻[14]針對無線網絡信號進行預處理后，采用卷積神經網絡進行特征參數的提取，然后用相關分類算法進行識別。文獻[15]利用卷積神經網絡對通信、電抗、雷達等11種型號的輻射源進行關聯識別。

根據無人機測控信號的相關特點，本文采用對無人機射頻信號(RF信號)進行離散的傅里葉變換，將測控信號轉變為一維的頻譜向量的方法，進一步發掘RF信號更多的潛在信息，使其可以更有效地被學習，以便于高效的檢測和識別。然后將傅里葉變換后的數據送入神經網絡，讓其進行分類處理。同時，本文所提算法具備良好的可擴展性，能夠對所搭建的無人機射頻RF信號數據庫進行不斷地補充擴展，進而實現多目標無人機的識別分類。

圖1為本文所提深度卷積網絡多目標無人機信號檢測方法的總體技術框圖。首先利用相應的軟件無線電設備(SDR)對無人機的信號進行錄制采樣，建立無人機的RF信號數據庫，然后將其轉換為無人機型號(飛行模式)對應的頻譜向量，歸一化處理并作為神經網絡模型的輸入。在訓練階段，通過之前建立的訓練集和驗證集來進行網絡參數的優化與修正，通過卷積層和池化層對頻譜向量進行相關特征的提取，該網絡的輸出為1×n的矩陣，并取最大值所在的相對位置作為模型的分類結果。通過標簽與輸出結果的對比進行反向傳播更新卷積核的參數，利用驗證集對訓練后的模型進行檢驗。在應用階段，通過實時采集不同的背景信號進行相同的處理并送入分類器中檢驗其效果。

圖1 無人機目標識別分類總體框圖

2 基于卷積神經網絡的測控信號識別分類模型及優化設計

本文所建立卷積神經網絡的測控信號識別分類網絡由4層卷積層、4層池化層和3層全連接層組成(其中，最后一層全連接層的輸出作為最后的輸出)；為方便描述，將卷積層和池化層的順序連接統稱為第n層，各層的參數設置見表1，輸入的單個頻譜矩陣尺寸為1×2 048，卷積層和池化層的參數簡記為(核尺寸/步長)×核個數的形式，全連接層的參數簡記為神經元個數的形式。

表1 卷積神經網絡參數

以第1層為例進行簡單介紹。第1層卷積層Conv1包括32個卷積核，卷積核尺寸大小為 1×5，卷積層的輸出通過激活函數ReLU對數據進行非線性化映射，然后通過池化層進行下采樣處理，池化層下采樣窗口的大小為1×2。

本文所采用的網絡結構層數較多，若采用sigmoid激活函數容易導致梯度消失的問題，故網絡采用ReLU函數代替sigmoid函數。為了提高模型的學習效率，使模型能夠更快收斂，采用Adam作為本模型的優化器。

擬合問題是神經網絡的經典問題之一，在對飛行模式進行區分的過程中也遇到了過擬合的情況，故在第5層到第6層的全連接層之間引入了Dropout層，該層的設置會在模型的訓練過程中隨機選擇一小部分神經元做失活處理，從而避免網格細胞之間復雜的適應性結構，避免過擬合的情況。本文參考文獻[16]Dropout層的參數設置并結合本網絡的訓練效果，所采用的Dropout層將50%的神經元做失活處理。

在進行飛行模式的區分過程中，由于包含同一種型號無人機的控制信號，信號之間的差異小，RF頻譜向量之間的相似度高，原本設計的神經網絡的準確率較低，訓練效果不夠理想，故針對該網絡模型進行剪枝處理，去掉第4層卷積層并適當減少卷積核的個數，從而減少卷積層提取的特征參數，剔除一部分不能較好表征飛行模式的參數，使得網絡模型所提取的特征參數具備更高的代表性，從而使模型取得良好的分類效果。

3 無人機測控訓練集構建

各種不同尺寸、能力、價格和技術的無人機的RF信號，其飛行相關指令由來自飛行控制模塊的RF信號控制。通過智能手機或遙控器發送和接收RF命令可以改變無人機的飛行模式，利用相應的軟件無線電設備(如hackRF、USRP等)可以攔截無人機與飛行控制模塊的通信，將接收器與電腦相連接，錄制了Parrot Bebop，Parrot Bebop2，Parrot AR Drone，DJI M100，以及自行搭建的無人機共5種無人機的射頻信號并建立了相應的RF數據庫。

所采用的設備為yunSDR軟件無線電設備，由于所選取的無人機都工作在ISM頻段且為跳頻信號，故將中心頻率設置為2 440 MHz，采樣帶寬為80 MHz即可囊括無人機信號的所有信息。采集過程如下：

1)打開將要分析記錄的無人機并使用智能手機或飛行控制器與其連接。

2)通過執行簡單的起飛，懸停和著陸測試來檢查無人機連接和操作。

3)打開 yunSDR以攔截所有 RF 活動，并通過 USB 連接器將這些活動傳輸到筆記本電腦。

4)處理和存儲 RF 數據段。

圖2展示了訓練數據庫信號時域的部分片段。

圖2 數據庫部分片段

所獲得的無人機RF信號數據庫包含了80 MHz頻段內的所有信息，參數量十分龐大且存在很多的無用和干擾參數。對記錄信號進行離散傅里葉變換(DFT)，有：

(7)

式中：yi是來自RF接收器的第i段頻譜；n和m分別是時域和頻域索引；N是第i個RF段時間樣本總數；‖·‖是用于計算功率譜的運算符。

至此將記錄的單一信號都轉化為了一個1×2 048的頻譜向量，多個信號的頻譜向量就組成了頻譜矩陣，再根據相應的信號來源為其添加分類標簽。首先，根據無人機的有無將標簽分為2大類，根據5種無人機的型號又可以將標簽分為6類(包含背景信號)。為了區分無人機的飛行模式(開啟連接、懸停、飛行、視頻錄制)，本文將Parrot Bebop和Parrot AR Drone又分為4類標簽，由此完成了標簽的制作。每一個頻譜向量對應的標簽為3個數字，分別為(0 0 0、1 1 1、1 1 2、1 1 3、1 1 4、1 2 5、1 2 6、1 2 7、1 2 8、1 3 9、1 4 10、1 5 11)，第1位數字只有1和0，分別代表無人機的有和無，第2位數字分別為0(沒有無人機)、1(Parrot Bebop)、2(Parrot AR Drone)、3(DJI M100)、4(Parrot Bebop2)、5(自行搭建無人機)，第3位數字分別為0(沒有無人機)、1 2 3 4(Parrot Bebop的4種飛行模式)、5 6 7 8(Parrot AR Drone的4種飛行模式)、9(DJI M100)、10(Parrot Bebop2)、11(自行搭建無人機)。

在進行算法的驗證過程中，可以選擇相應位數的標簽來進行分別驗證達到最終的目的。

4 無人機鏈路感知算法實驗評估

4.1 數據可靠性分析

為了對本文方法進行初步驗證，我們對所采集到的RF信號的頻譜和相關特征進行統計分析。同時，要對所采集到的信號進行初步的檢驗，確保送入神經網絡的數據集的可靠性。得到相應的功率譜和箱線圖見圖3和圖4所示。根據采集到的數據選取2 400～2 480 MHz頻段繪制其功率譜曲線，平均功率譜的幅度被歸一化以消除分析中的偏差，并且使用 10 點移動平均濾波器對它們進行平滑處理。Class 1表示RF 背景活動信號，Class2～5表示Parrot Bebop 的4種不同的飛行模式，Class6～9表示Parrot AR Drone的4種飛行模式，Class10～12分別表示DJI M100、Parrot Bebop2以及自行搭建無人機的RF信號。從圖像中可以看出，所采集的射頻信號的信噪比較低。

從圖3和圖4還可知，采集到的RF信號具備相關無人機的特征，不同種型號無人機的功率譜和箱線圖之間有一定的差異，同種型號無人機的不同飛行模式的功率譜和箱線圖之間也存在一定的差異，但是差異非常小，利用傳統的信號識別方法難以進行準確的分類。由此引入卷積神經網絡深入挖掘其內在的深層特征來進行信號的區分。

圖3 平均功率譜

圖4 平均功率箱線圖

4.2 混淆矩陣分析

混淆矩陣也被稱作誤差矩陣，對于神經網絡分類模型系統來說，是進行性能評價的重要工具和標準方法。使用準確性、精確度、召回率、錯誤率、錯誤發現率(FDR)、假錯誤率(FNR)和F1混淆矩陣分數評估本文所設計的基于RF信號的無人機探測識別系統的性能。技術指標定義如下：

(8)

(9)

(10)

error=1-accuracy

(11)

FDR=1-precision

(12)

FNR=1-recall

(13)

(14)

其中TP，TN，FP和FN分別對應真正確、真錯誤、假正確和假錯誤。圖5表示用于分類問題的混淆矩陣，其中內部n×n的行和列矩陣分別對應于預測類和真類。以綠色突出顯示的對角線單元表示正確分類的段，而以紅色突出顯示的非對角線單元表示錯誤分類。分段數量和百分比以粗體顯示。最右邊的灰色列中的綠色數字表示精度，系統的FDR為其中的紅色數字。此外，底部的灰色行的綠色數字代表召回率，紅色數字為系統的FNR。右下的藍色格子以綠色數字表示整體準確性，紅色數字表示誤差。黃色的行和列中綠色數字預測每個分類的F1得分，紅色數字與其互補。最后，圖中左上方的橙色單元格綠色數字顯示所有分類的平均F1分數，紅色數字代表互補分數。我們將訓練好的網絡對驗證集進行檢驗并統計其結果得到如下混淆矩陣。

(a) 無人機有無分類

從圖5可知，本文所設計的網絡結構在對無人機有無的區分上準確率可以達到99.6%，在無人機型號的區分上準確率可以達到96.8%，針對Parrot Bebop和Parrot AR Drone的飛行模式(開啟連接、懸停、飛行、視頻錄制)進行進一步的深入分類，準確率可以達到94.4%。由于該數據庫中包含Parrot公司的3種無人機，其RF信號的頻譜具有較高的相似度，故準確率有一定的下降。但是總體來說，該算法的準確率較高。

4.3 對比實驗

為進一步論證本文所提算法的性能設置了對比實驗進行進一步分析，選擇更具有代表性和應用價值的無人機型號的分類進行該實驗的設計。采用了匹配濾波器、全連接神經網絡進行了實驗測試，選擇4.2節實驗中的準確率、召回率和F1得分來進行對比分析，結果如表2所示。

表2 方法性能比較 %

從表2中可以看出，本文所設計的網絡在性能上有了較大的提升，進一步驗證了本算法的優越性。本算法采取“離線訓練在線學習”的工作模式，在神經網絡取得良好的訓練效果后將參數保存，應用過程中讀取存儲的相關參數即可快速運行輸出結果，處理時間為0.011 9 s，處理幀率為84 Hz，具備較高的工程應用價值。

5 結論

本文針對無人機跳頻信號難以用傳統的信號識別技術進行分類的問題，提出了用神經網絡提取特征參數進行識別分類的算法。根據樣本的數據特征和卷積神經網絡的特性，搭建并設計了一維卷積神經網絡進行識別分類，不僅是對無人機入侵的檢測分類，而且對其型號和飛行模式進行了深入的分類研究，為下一步的定位偵察、反制欺騙打下良好的基礎。