無人機射頻指紋識別方法綜述

關鍵詞：無人機；射頻指紋；預處理；特征提取；分類識別

中圖分類號：ＴＰ３９１ 文獻標志碼：Ａ 開放科學（資源服務）標識碼（ＯＳＩＤ）：

文章編號：１００３－３１０６（２０２４）１１－２６７２－１３

０引言

隨著無人機技術的迅猛發展，無人機在性能方面取得了顯著提升。如今，大多數無人機具備高精度的控制和導航能力，其應用范圍廣泛，涵蓋智能農業［１］、氣象預測、災害管理［２］、偵查［３］、搜索和救援任務［４］等多個領域。根據全球無人機市場專業研究機構Ｄｒｏｎｅ Ｉｎｄｕｓｔｒｙ Ｉｎｓｉｇｈｔ（ＤｒｏｎｅＩＩ）最新數據顯示，２０２２ 年全球無人機產業市場規模約３０４ 億美元，較上年增長１５． ６％ 。未來幾年，全球無人機市場規模仍保持較快增長，預計到２０２６ 年將達到４１３ 億美元，復合年均增長率８． ０％ 。

然而，隨著無人機數量的增加，無人機的“黑飛”和攻擊事件也頻頻發生［５］，無人機在帶來便利的同時，給社會和政府帶來了巨大的挑戰。例如，２０１５年１ 月，一架無人機在白宮墜毀，引起了相關機構對無人機潛在風險和安全問題的關注。２０１７年４月，成都雙流國際機場遭遇５次無人機接近民航客機的事件，使機場運營受到嚴重影響，相關航空公司直接損失達到２００萬元以上。２０２２ 年發生的俄烏沖突中，無人機被大量投入各種軍事行動中，２０２３年５月３日，無人機襲擊了克里姆林宮。種種惡意事件表明，研究能夠快速精準識別和檢測非法無人機的系統已迫在眉睫。

目前已有多種技術應用在無人機檢測上，包括雷達［６］、視覺［７］和聲紋［８］，傳統雷達系統在偵測小型無人機方面表現不佳［９］，天氣條件、地形和電磁干擾都會對雷達的性能產生影響，同時由于雷達的配置和維護成本較高，導致其不能被廣泛應用。隨著人工智能的發展，視覺傳感器已成為一種常用的手段來檢測無人機。但在面對天氣和建筑物的影響時，存在一定限制，并且無人機與鳥類常引起錯誤檢測［１０］。無人機的聲學特征基于由內部設備產生的不同的聲音［１１］，如馬達和螺旋槳，易受到環境噪音、風聲和回聲等干擾，同時聲紋識別受限于傳播距離和干擾，在較遠距離的識別效果可能受到限制。而射頻指紋技術作為一種基于無線電信號特征的無線電識別技術，已被廣泛應用于無人機的識別中。射頻指紋技術是通過收集和分析無人機發射的無線電信號來生成無人機的唯一標識符［１２］，用于無人機的識別和分類。相較于傳統的無人機識別方法，如視覺和聲音識別，射頻指紋技術具有一定的優勢。射頻指紋技術可以實現對遠距離無人機的監測和識別，而傳統的視覺和聲音識別需要近距離觀察和收聽并且易受天氣和噪聲的影響。射頻指紋技術具有更強的隱蔽性，識別過程可以實時進行，具有較快的響應速度，保證了對無人機的追蹤和監測的安全性和效率性，并且無人機的無線電信號有更強的抗干擾能力，在各種復雜環境中表現更加穩定。

目前已有的射頻指紋識別技術綜述［１３－１５］主要涵蓋了物聯網設備的識別技術，而對于無人機相關的方法尚未進行單獨的綜述。無人機的動態性、高速移動性和可變的工作模式對無人機射頻指紋數據的獲取帶來了挑戰。同時在算法和模型的設計中必須充分考慮無人機的高度變化、移動性和信號干擾的影響，需要對無人機通信特點進行深入理解。因此，有必要對無人機射頻指紋識別方法進行深入研究。本文針對無人機識別系統進行了系統性的分步驟探討，并全面比較和分析了不同的方法。首先，描述了無人機射頻指紋識別的基本理論，包括無人機的通信方式、形成機理和特性。然后，詳細分析了無人機射頻指紋系統的各個步驟，包括信號收集、信號預處理技術、特征提取以及分類識別方法，并簡要討論了無人機射頻指紋系統性能評估方法。此外，對當前無人機射頻指紋識別所面臨的相關問題進行了分析，并展望了未來的研究方向。最后，進行了全文總結。通過對無人機射頻指紋識別技術的系統性討論和方法的綜合比較，以促進對無人機射頻指紋識別領域的深入研究。

１無人機射頻指紋識別基本理論

無人機射頻指紋識別是一種通過提取無人機信號的指紋特征來識別無人機的方法，其本質特征存在于設備的物理層，并且只與設備本身的硬件特征相關［１５］。通過提取該信號指紋特征，可以實現對不同無人機個體的識別。要提取無人機的射頻指紋，需先了解其通信方式。

１．１無人機通信方式

無人機通信方式多樣，包括無線電通信、激光通信、紅外通信和光纖通信等。其中，無線電通信和衛星通信在無人機通信中應用最廣泛，可實現長距離高速數據傳輸與加密通信。無人機的無線電通信使用無線電波在不同的頻段進行通信，常見的頻段包括４３３ ＭＨｚ、９００ ＭＨｚ、２．４ ＧＨｚ 和５．８ＧＨｚ 等，這些頻段的優勢和限制如表１ 所示。２．４ ＧＨｚ 是無人機信號的常用頻段，廣泛用于無人機射頻信號傳輸。無人機常見的無線電通信方式如圖１所示。

① 遙控信號：通過遙控器向無人機發送控制指令，控制無人機的飛行、拍攝和任務執行等操作。

② 視頻信號：無人機的相機或攝像頭拍攝到的視頻信號可以通過無線電傳輸回遙控器或地面站，供用戶觀察和分析。

③ 數據信號：無人機通過無線電將采集到的數據傳輸回地面站，如氣象數據、圖像數據等。

無人機的無線電通信需要考慮到多種因素，例如信號傳輸距離、帶寬、抗干擾能力、安全性和能耗等。而處于２．４ ＧＨｚ 的無線電信號會受到ＷｉＦｉ、藍牙信號的同頻段干擾，因此為了提高通信質量，無人機采用跳頻的調制方式。文獻［１６］考慮到ＷｉＦｉ和藍牙的干擾，利用帶寬分析分離ＷｉＦｉ信號，當ＷｉＦｉ與無人機信號帶寬相近時則無法區分，具有一定局限，由于大多數移動藍牙設備采用高斯頻移鍵控ＧＦＳＫ／ＦＳＫ 調制，依據調制特性區分藍牙信號。

１．２無人機射頻指紋形成機理

無人機射頻指紋的生成源于無人機發射器電子元件的制造容差和漂移容差［１５］。制造容差指在元件的制造過程中，由于材料性質和制造工藝等因素的影響，導致元件的實際參數與理論值存在一定差異。而漂移容差則指電子元件的實際參數在時間或環境條件變化過程中產生的誤差。這些誤差都會對發射器的電磁特性產生影響，進而能夠成為區分無人機的唯一識別特征。

產生射頻指紋的發射器差異源于數模轉換器、帶通濾波器、混頻器和功率放大器這些模擬組件，即使是同一制造商，這些器件也有所不同。不同的器件誤差，造成不同的電磁誤差，最終體現在信號特征上。圖２ 顯示了無人機真實信號的不同部分，根據這些不同部分可以分為基于瞬態信號和穩態信號識別技術［１４］。基于瞬態的射頻指紋技術需要提取信號實際數據傳輸之前的跳變部分［１７］，表示其發射機從關閉到開啟的瞬間，只體現無人機發射器的硬件特征。而瞬態的提取需要極高的采樣率，對采樣設備的要求較高。基于穩態的方法側重于從信號的調制部分中提取的獨特特征，指發射器處于穩定工作狀態時的信號更易獲取。

１．３無人機射頻指紋特性

如上所述，射頻指紋是從捕獲的信號中提取的一組特征，為了實現精確的識別，無人機射頻指紋應具備如下４個特性：

① 唯一性：射頻指紋技術具備高分辨率和強大的區分能力，可以有效識別不同無人機的個體特征。即使在相同廠家和型號的無人機之間，射頻指紋技術也能夠捕捉到微小但顯著的差異，確保識別結果的準確性，避免混淆。

② 長時不變性：射頻指紋技術提取的射頻指紋在一定時間內保持相對穩定，不會隨著無人機的使用和器件老化而發生顯著變化。

③ 獨立性：射頻指紋技術從無人機中提取的射頻指紋僅取決于其硬件設備的特征，與傳輸的信號內容無關。即使從無人機不同信號中提取的射頻指紋也能對無人機進行區分。

④ 穩健性：射頻指紋技術提取的射頻指紋需要在各種影響條件下保持穩定，即使不同的溫度、距離和信道環境等因素都不能影響系統識別性能。

２無人機射頻指紋系統

無人機射頻指紋識別系統主要有４ 個任務：無人機信號收集、信號預處理、特征提取、對無人機的分類和識別系統流程如圖３ 所示。在信號收集階段，主要目標是獲取無人機的射頻信號數據，并構建相應的數據集。信號預處理階段是對采集到的信號進行去噪、濾波和降采樣等處理［１４］，以消除噪聲、提高信號質量，并減少數據量和計算復雜度。特征提取階段需要從經過預處理的信號中提取具有意義的特征，這些特征可能包括信號的頻譜特征、時頻特征和時域統計特征等，以表征無人機射頻指紋的唯一性。最后，利用機器學習或深度學習算法對提取的特征進行分析和判別，實現對不同無人機的分類和識別任務。這些算法包括支持向量機（ＳｕｐｐｏｒｔＶｅｃｔｏｒ Ｍａｃｈｉｎｅ，ＳＶＭ）、隨機森林（Ｒａｎｄｏｍ Ｆｏｒｅｓｔ，ＲａｎｄＦ）和卷積神經網絡（Ｃｏｎｖｏｌｕｔｉｏｎａｌ Ｎｅｕｒａｌ Ｎｅｔ-ｗｏｒｋ，ＣＮＮ）等。

２．１無人機信號收集

（１）無人機信號采集設備

為了獲得無人機的射頻指紋，在采集原始信號時需要使用高級儀器，如示波器和頻譜儀。根據奈奎斯特采樣定理，采樣率必須高于原始信號最高頻率的２ 倍才能有效地捕獲原始信號［１６］，在捕獲無人機信號時，需要確保采樣率足夠高，以便提取的射頻指紋特征更具魯棒性。Ｅｚｕｍａ 等［１６］使用示波器采集無人機控制信號，采樣率設置為２０ ＧＳａ／ ｓ，雖然通過該設備采樣的特征更具唯一性，但過高的采樣率也會導致系統處理時間增加，對信號數據的處理和分析也會帶來更多的挑戰。為了克服上述問題，可以采用中頻采樣和ＩＱ 采樣技術。文獻［１２］使用了ＳＭ２００Ｂ 頻譜分析儀，其采樣率僅為２５０ＭＨｚ。與直接對射頻信號進行高速采樣相比，研究采用了ＩＱ 采樣方法。這種方法基于無人機信號帶寬的２ 倍來設置采樣率，通過２ 路模數轉換器獲取２ 個正交信號，即Ｉ 通道和Ｑ 通道。這２個通道之間的相位差可用于表示輸入信號的幅度和相位信息。通過對采集的數據進行解調和分析，可以將信號還原為原始波形。這種方法在不降低數據質量的情況下，顯著提高了數據處理效率。然而，需要指出的是，使用高端儀器雖然可以獲得更精確的信號數據，但也伴隨著更高的價格成本。

近年來，考慮到實際應用情景，開始研究基于通用軟件無線電設備（Ｕｎｉｖｅｒｓａｌ" Ｓｏｆｔｗａｒｅ Ｒａｄｉｏ Ｐｅｒｉｐｈ-ｅｒａｌ，ＵＳＲＰ）等中低端接收設備的射頻指紋提取和識別。已有許多研究［１８－２０］使用軟件無線電對無人機信號進行采集。相比于示波器，軟件無線電通常具有相對較低的采樣率，獲取的信號質量也相對較差，但仍然可以獲得相當精確的結果。此外，ＵＳＲＰ 設備提供了一個完整的開發環境，用戶可以使用Ｃ＋＋或Ｐｙｔｈｏｎ 等編程語言開發應用程序，具有更高的自定義性和開發優勢。因此在無人機信號的采集時，需要仔細權衡采樣率和數據處理的需求，同時在不同的應用場景選擇合理的設備，以確保獲得更精準的射頻指紋信息來檢測、識別和分類無人機。表２對部分文獻采用的設備進行了統計。

（２）數據集建立

數據集建立是無人機射頻指紋技術中不可或缺的重要環節，需要投入大量的精力和時間來保證數據集的質量和有效性。一個好的數據集應當具有高質量、多樣性和充分性等特點，能夠為深度學習算法提供充足、豐富的訓練樣本。此外，數據集的構建應當遵循科學、規范和公正的原則，避免數據偏差和不合理的采樣方法對模型訓練和預測結果產生影響。

目前已有很多公開可用的數據集，這些數據集已經被積極應用于無人機射頻指紋研究。文獻［１６］提出無人機控器信號數據集，該數據集可在ＩＥＥＥＤａｔａＰｏｒｔ上獲得，具有多種無人機控器信號類型，但只能對無人機的控制信號進行識別，在真實環境中，如果無人機與飛行控制器相比更接近檢測系統，則檢測系統所捕獲的信號更多來自無人機的非控制信號，在這種情況下，很難利用控制信號對無人機識別。Ｂａｓａｋ 等［１８］使用９ 個商用無人機和ＷｉＦｉ 信號創建了一個數據集，考慮了無人機視頻信號與控制信號。Ｍｅｄａｉｙｅｓｅ 等［２４］提出的數據集包括無人機、藍牙和ＷｉＦｉ。以上文獻沒有考慮到無人機不同飛行狀態下的信號。Ｓｏｌｔａｎｉ等［２５］僅考慮了７ 架懸停狀態下的無人機信號，但缺乏對無人機射頻指紋穩健性的研究。Ａｌ-ｓａ’ｄ等［２６］提出的數據集僅有３ 個無人機種類，文獻［１２］考慮了射頻指紋的長時不變性，使用５ 層樹形結構對數據集進行構建，如圖４ 所示。其中第一層描述信號的采集日期；第二層描述無線信號的設備類型；第三層確定了來自當前無人機設備類型的具體個體；第四層識別在采集信號時的無人機的狀態；第五層描述采集設備和無人機之間的距離。最終通過不同的實驗，驗證了該數據集的可行性。同時該數據集的結構具有良好的可擴展性，便于未來的研究人員在復雜條件下收集更多的無人機數據進行擴展。

２．２信號預處理技術

信號通常會受到噪聲和干擾的影響，可能導致信號質量下降和數據失真，影響其射頻指紋特征，尤其無人機所處的空中環境，伴隨著多徑衰弱等因素，捕獲的信號需要使用合理的預處理技術再提取射頻指紋。

目前無人機大多都工作于２．４ ＧＨｚ，而使用高采樣率捕獲的無人機信號數據量巨大，直接進行處理會增加不必要的計算。因此，在檢測和分類之前，可以使用一些降采樣方法。現有的文獻通常使用多分辨率分析對信號進行預處理，多分辨率分析也有助于在存在背景噪聲的情況下檢測弱信號，消除信號中的偏差，并減小了數據的大小，同時還保留了原始波形的特性，從而獲得更高的檢測精度。文獻［１６，２７，２２］分別使用二級、三級和四級Ｈａａｒ 小波變換對捕獲的無人機信號進行多分辨率分解。在小波分解中，分解層數的選擇需要權衡系統的計算復雜度和所需的頻率與時域細節。較高的分解層數會導致過多的細節信息被保留，包括噪聲或不重要的細微變化，同時也會導致數據過度擬合。而過低的分解層數可能無法提供足夠的細節信息，并且會增加后續數據處理的計算負擔。圖５ 顯示無人機信號經過二級、三級和四級Ｈａａｒ 小波變換的前后對比，根據圖示，經過三級和四級的小波變換，信號的細節變化更加顯著，此外，樣本數據量顯著減少。Ｍｅ-ｄａｉｙｅｓｅ 等［２８］使用二級小波包變換（Ｗａｖｅｌｅｔ ＰａｃｋｅｔＴｒａｎｓｆｏｒｍ，ＷＰＴ）來分解瞬態射頻信號，其在小波變換的基礎上進一步擴展和深化，ＷＰＴ 中近似空間和細節空間的分解使得ＷＰＴ 對信號具有更豐富的時頻域分析。

另外有一種經驗小波變換（Ｅｍｐｉｒｉｃａｌ ＷａｖｅｌｅｔＴｒａｎｓｆｏｒｍ，ＥＷＴ），Ｂｒｅｍｎｅｓ 等［２９］通過ＥＷＴ 將無人機射頻信號分解為多個子波段信號，與傳統的小波變換不同，ＥＷＴ 使用自適應的窗口長度和頻率帶寬，根據信號的局部特性進行調整，從而更好地提取信號的特征，并且能抑制從無人機收集到的原始射頻信號的噪聲。表３ 對不同小波變換信號預處理方法的優缺點進行了對比。

預處理的目的是減少噪聲和干擾，并提高信號處理和分析的準確性。在使用小波變換等操作時，還可以在處理過程中添加平滑、歸一化和標準化等操作，以進一步優化信號處理效果。文獻［３０］探討了在深度學習時代預處理的重要性，使用包括數據縮減、轉換、清洗和融合來處理無人機射頻信號數據，實驗表明預處理對系統性能有明顯提高。

２．３特征提取方法

得到無人機信號后，需要對其數據提取特征，特征提取在機器學習的應用中是不可或缺的一部分，也是電磁信號識別的關鍵部分，其優劣將直接影響信號識別的準確率。通過從原始數據中篩選出的數據特征，也可以提升模型的訓練效果。不同的特征對模型的影響程度不同，可直接影響最后的識別準確率。文獻［１６］通過短時傅里葉變換（Ｓｈｏｒｔ-ＴｉｍｅＦｏｕｒｉｅｒ Ｔｒａｎｓｆｏｒｍ，ＳＴＦＴ）的平方幅度來計算出信號的光譜圖，再從光譜圖中計算出歸一化能量軌跡以及對應的能量瞬態，檢測到能量瞬變，提取包括形狀因子、峰度、方差、標準差、峰值和偏斜等１５ 個特征作為射頻指紋，通過鄰域分量分析（ＮｅｉｇｈｂｏｒｈｏｏｄＣｏｍｐｏｎｅｎｔ Ａｎａｌｙｓｉｓ，ＮＣＡ）對提取的射頻指紋特征進行權重排序，最后將提取的指紋特征輸入到機器學習分類器中，圖６ 顯示了大疆Ｉｎｓｐｉｒｅ１Ｐｒｏ 無人機控制信號經過短時傅里葉變化下的光譜圖，該圖直觀地顯示了信號在時間上的瞬時特性以及頻率變化。Ｚｕｏ 等［１９］提取了１５ 個時域的統計特征和１５ 個頻域的統計特征以及一個子載波特征，證明其在ＷｉＦｉ 信號干擾下仍具有較高的精度。Ｚｈａｎｇ 等［３１］使用離散傅里葉變換（Ｄｉｓｃｒｅｔｅ Ｆｏｕｒｉｅｒ Ｔｒａｎｓｆｏｒｍ，ＤＦＴ）來提取頻域特征，并提出了一種稱為“對數極化”的技術來進一步增強特征，對數極化是一種將頻域信號轉換為極坐標形式，并對振幅值取對數的技術，實驗表明這種特征提取方法可以幫助提高分類準確性，并且可以適用于不同類型的無人機和環境。

然而基于統計特征的特征提取方法需要較高信噪比（Ｓｉｇｎａｌ ｔｏ Ｎｏｉｓｅ Ｒａｔｉｏ，ＳＮＲ），并且僅適用于極高采樣的設備，在實際工作上難以應用。Ｎｉｅ 等［２２］提出了分形維數（Ｆｒａｃｔａｌ Ｄｉｍｅｎｓｉｏｎ，ＦＤ）、正方形積分雙譜（Ｓｑｕａｒｅ Ｉｎｔｅｇｒａｔｅｄ Ｂｉｓｐｅｃｔｒａ，ＳＩＢ）和軸向積分雙譜（Ａｘｉａｌｌｙ Ｉｎｔｅｇｒａｔｅｄ Ｂｉｓｐｅｃｔｒａ，ＡＩＢ）三個特征作為無人機射頻指紋，使用Ｈｉｇｕｃｈｉ 算法提取ＦＤ 特征，并選擇采用ＤＦＴ 提取ＳＩＢ 和ＡＩＢ 特征，結果表明，ＦＤ、ＡＩＢ 和ＳＩＢ 特征可以獲得較高的識別精度。該特征提取工作的計算復雜度較高，在真實環境中存在一定的計算負擔。文獻［３２］使用一種經驗模分解（Ｅｍｐｉｒｉｃａｌ Ｍｏｄｅ Ｄｅｃｏｍｐｏｓｉｔｉｏｎ，ＥＭＤ）和集成經驗模分解（Ｅｎｓｅｍｂｌｅ Ｅｍｐｉｒｉｃａｌ Ｍｏｄｅ Ｄｅｃｏｍｐｏｓｉｔｉｏｎ，ＥＥＭＤ）提取無人機通信信道特征的方法。結果表明，ＥＭＤ 和ＥＥＭＤ 引入的去噪效應都可以提高不同特征的射頻通信信道的檢測精度，特別是對延時射頻信號源的識別。但是在選擇適當的固有模態函數（Ｉｎｔｒｉｎｓｉｃ Ｍｏｄｅ Ｆｕｎｃｔｉｏｎｓ，ＩＭＦ）時，需要進行多次試驗來確定最佳組合方式，這可能會增加算法設計和調試的難度。Ｎｉｅ 等［２３］利用ＥＭＤ 將信號分解為多個子信號，然后應用傅里葉變換提取信號頻譜（Ｓｉｇｎａｌ Ｆｒｅｑｕｅｎｃｙ Ｓｐｅｃｔｒｕｍ，ＳＦＳ）。采用小波變換對信號進行分解提取小波能量熵（Ｗａｖｅｌｅｔ Ｅｎｅｒｇｙ Ｅｎ-ｔｒｏｐｙ，ＷＥＥ）。使用ＳＴＦＴ 得到功率譜密度（ＰｏｗｅｒＳｐｅｃｔｒａｌ Ｄｅｎｓｉｔｙ，ＰＳＤ ）并提取功率譜熵（ＰｏｗｅｒＳｐｅｃｔｒａｌ Ｅｎｔｒｏｐｙ，ＰＳＥ）特征，其中ＰＳＥ 的效果優于其他特征。文獻［３３］通過二維傅里葉變換將原始無人機射頻信號轉換為雙譜，與一般的傅里葉變換相比，雙譜提供了更全面的信息，能顯著降低噪聲對檢測效果的負面影響，實驗表明，即使在極噪聲環境中，該特征提取最終的精度也能達到８５％ 。表４ 對不同特征提取方法進行了比較。

隨著技術的不斷發展，計算機和深度神經網絡（Ｄｅｅｐ Ｎｅｕｒａｌ Ｎｅｔｗｏｒｋ，ＤＮＮ）技術打破了傳統手動提取信號特征的局限性，ＤＮＮ 在圖像識別領域取得了巨大的成功。Ｌｉ 等［３４］提出了一種基于ＣＮＮ 的識別模型，以雙譜圖和頻譜圖作為輸入樣本，經過卷積和全連通層處理，其中，卷積層和池化層作為特征提取器，自動找到數據中的模式，并直接從輸入數據中提取特征，而無需手動提取特征。與傳統特征提取方法相比，深度學習技術在此方面取得了良好的性能。Ｃａｉ 等［１２］提出基于復合高斯分布的深度學習算法，使用復合高斯分布來建模信號在時間和頻率上的分布情況，并通過ＣＮＮ 和長短時記憶網絡（ＬｏｎｇＳｈｏｒｔ Ｔｅｒｍ Ｍｅｍｏｒｙ，ＬＳＴＭ）來提取時序信息。該方法可以更好地處理復雜信號，并具有更高的識別準確率。文獻［３５］設計的三殘差語義網絡不僅可以提取不同層次的特征信息，而且還可以顯著地抑制干擾和噪聲的影響。

在提取射頻指紋同時，部分文獻考慮了ＳＮＲ、無人機的飛行狀態對射頻指紋的影響。文獻［１６］對不同ＳＮＲ 情況下無人機射頻指紋檢測性能進行了評估，結果表明該模型在１０ ｄＢ 以上的ＳＮＲ 水平上才被證明是安全的。Ｊａｆａｒｉ 等［３６］研究了相同無人機在不同ＳＮＲ 情況下的指紋特征情況，針對特定的ＳＮＲ 范圍訓練了多個模型，對２７種訓練結果進行討論，結果表明不同ＳＮＲ 情況下射頻指紋具有差異，并提出一種ＳＮＲ 感知射頻開發（ＳＮＲ-Ａｗａｒｅ ＲａｄｉｏＦｒｅｑｕｅｎｃｙ Ｅｘｐｌｏｉｔａｔｉｏｎ，ＳＮＡＲＥ）模型，可利用接收到的射頻信號的ＳＮＲ 信息改善模型的準確性。但其需要在預知ＳＮＲ 的前提下，具有一定局限。Ｚｈａｏ等［３７］提出一種高斯混合模型的自適應閾值無人機信號檢測算法，不需要手動設置閾值，能在不同的噪聲環境下對無人機信號進行檢測。以上文獻只考慮了環境對無人機信號特征的影響，而不同的飛行狀態也會造成射頻指紋的差異性，Ｌｉ 等［３３］提出了一種基于相似性匹配的機制實現對無人機的操作模式的檢測，在無監督學習場景下具有較高的準確率。Ｍｏｈａｎｔｉ 等［３８］進行了空中實驗，考慮了無人機在懸停和運動場景下的情況，設計了一種自定義射頻指紋注入方法，用于評估添加人工損傷對傳輸信號、信道以及無人機運動參數的影響；設計了一個結合來自多個接收器的個體識別結果的決策融合規則，在常規通信鏈路上其特征仍然保持穩定。

在選擇特征提取方法時，需要考慮特征的可區分性、判別能力和相關性。合適的特征應能夠準確地描述無人機信號的特征和變化，使其在不同類別的信號之間產生明顯的差異。此外，在提取信號指紋時，還需考慮環境因素和無人機的飛行狀態對信號的影響。特征選擇還應建立在對領域知識和信號特性的深刻理解基礎上，以確保所提取的特征對于特定任務具有相關性和實際應用性。

２．４射頻指紋分類和識別方法

（１）基于機器學習的分類識別方法

無人機的分類識別是通過使用分類器對經過特征提取的數據進行分類，以確定無人機的種類和型號。隨著機器學習的發展，目前存在多種成熟的分類器可供選擇，包括Ｋ 近鄰（Ｋ-Ｎｅａｒｅｓｔ Ｎｅｉｇｈｂｏｒ，ＫＮＮ）、ＲａｎｄＦ、ＳＶＭ、神經網絡（Ｎｅｕｒａｌ Ｎｅｔｗｏｒｋ，ＮＮ）等方法。這些通用的分類器具備廣泛的應用性，可以直接用于無人機的分類識別任務。對于特定的無人機分類問題，也可以進行模型的調優和優化，以提高分類器的性能和準確性。

ＫＮＮ 是作為一種簡單且有效的機器學習算法，適用在多類別問題和非線性關系的分類和回歸任務上。文獻［１６］對比了１５個和１７個無人機控制信號情況下ＫＮＮ、ＳＶＭ、ＮＮ、ＲａｎｄＦ 分類器的準確率，當使用所有提取的１５個特征時，ＫＮＮ 分類器的準確率為９７．３０％ 和９５．６２％ 。Ｎｉｅ 等［２３］提取了無人機信號的ＳＦＳ、ＷＥＥ、ＰＳＥ 特征，對比了ＳＶＭ、ＲａｎｄＦ和ＫＮＮ 等多個機器學習算法，但其中ＫＮＮ 的效果較差，在使用ＫＮＮ 分類器時，應該注意數據集的特征和屬性是否適合該算法，并選擇合適的距離度量方法。

ＲａｎｄＦ是一種集成學習方法，通過在訓練過程中對樣本和特征進行隨機采樣，構建多個決策樹進行訓練，ＲａｎｄＦ 對于數據中的噪聲和異常值具有一定的魯棒性，不易受到個別樣本的影響，并且可以處理具有大量特征的高維數據集，具有較好的泛化能力。文獻［１９］將提取的３１ 個特征放入分類器中，對比了ＳＶＭ、ＡＮＮ 和ＲａｎｄＦ 等分類器效果，結果顯示ＲａｎｄＦ 有最高的性能。Ｎｉｅ 等［２２］提取了無人機信號的ＦＤ、ＳＩＢ 和ＡＩＢ，在考慮室外場景時，使用ＳＶＭ 和ＲａｎｄＦ 分類器得到的結果更好。但是ＲａｎｄＦ 引入了多個決策樹，計算開銷較大，對比輕量級模型，預測速度相對較慢。

ＳＶＭ 是一種常用的監督學習算法，可以將數據映射到高維空間，并在該空間中找到一個最優超平面，以實現不同類別之間的最大間隔分離，主要用于分類和回歸任務。文獻［３１］使用ＳＶＭ 構建了７ 維實數特征向量作為輸入數據，實驗結果表明該算法可以實現理想的識別準確率。

ＮＮ在各種問題和領域中都表現出良好的適應性，對于噪聲和部分缺失數據具有一定的魯棒性，能夠在一定程度上處理數據中的不完整性和噪聲干擾。Ｓｏｌｔａｎｉ 等［２５］使用了一種多分類器方案來進行射頻指紋識別，采用多個ＮＮ 對不同的無人機進行分類。結果顯示，通過使用多分類器方法相比單分類器方法的無人機分類準確率提高了２ 倍。

機器學習在小樣本數據集的處理上表現良好，相比深度學習，其算法通常需要較少的計算資源和內存，適用于資源有限的環境。但是機器學習算法依賴于特征工程，需要專業領域知識和經驗去提取特征，在處理復雜任務或大規模數據集時，機器學習算法的泛化能力可能受到限制，容易出現欠擬合或過擬合的問題。

（２）基于深度學習的分類識別方法

機器學習依賴于特征提取，傳統特征提取方法常依賴于專家經驗和領域知識，需要對信號進行預處理、變換和特征選擇等步驟，存在泛化能力差的問題。相較于傳統特征工程方法，深度學習方法不僅減少了對專家知識的依賴，還能夠從大規模數據中學習到更豐富的特征表達。它們具有更強的泛化能力，可以適應多樣化的電磁信號和不同環境下的識別任務。

深度學習作為一種從數據中自主學習不同層次特征的方法，對于射頻指紋識別等領域，可以使用ＣＮＮ、循環神經網絡（Ｒｅｃｕｒｒｅｎｔ Ｎｅｕｒａｌ Ｎｅｔｗｏｒｋ，ＲＮＮ）和ＤＮＮ 等深度學習模型來學習信號的特征表示，通過從原始射頻數據中提取具有判別性和鑒別能力的特征，實現高精度識別。文獻［３６］對比了不同的深度學習算法，包括ＣＮＮ、ＤＮＮ、ＲＮＮ，與不考慮接收到的射頻信號相關ＳＮＲ 信息的傳統模型相比，提出ＳＮＡＲＥ 模型，可以將ＣＮＮ、ＤＮＮ 和ＲＮＮ 模型的無人機分類準確率分別從８４％ 提高到９６％ ，９１％ 提高到９６％ ，８０％ 提高到８6％ 。

Ｍｏｈａｎｔｉ 等［３８］設計出一種注入自定義射頻指紋方法，使用ＣＮＮ，其授權無人機的識別準確率為９８％ ，注入射頻指紋的方法成功應對了傳輸信號中信道損傷帶來的挑戰。Ｚｈａｏ 等［３９］提出一種基于輔助分類器生成對抗網絡的小型無人機分類系統，在室內環境中可達到９５％ 左右的識別精度，但其未考慮到不同場景下的應用。Ｂａｓａｋ 等［１８］提出了殘差ＣＮＮ 模型，該模型在不同的無線信道和無人機速度場景下具有更好的泛化能力，在ＳＮＲ 為０、－１０ ｄＢ時，該分類器達到了接近９９％ 的分類準確率，比現有框架提高了５％ 。但殘差卷積引入的殘差塊和跳躍連接會增加模型的復雜度，增加了網絡中的參數數量和計算量，時間復雜度相對較高。Ｇｕ 等［２１］使用了２ 種不同的ＣＮＮ 架構，可通過在不同的運動場景下對７ 個無人機模型上訓練２ 個獨立的ＣＮＮ 架構，解決了運動對無人機射頻指紋識別的影響。該文缺少對算法的魯棒性和可靠性進行充分測試和驗證，在使用２ 個ＣＮＮ 的情況下，其計算復雜度也會很高。

有研究探討輕量級模型對無人機的射頻指紋進行分類，Ｂｒｅｍｎｅｓ 等［２９］使用了一個輕量級的深度ＣＮＮ 對１５ 中不同的商用無人機進行分類，識別率可達到９７．７０％ 。Ｙａｋｋａｔｉ 等［４０］提出了輕量級ＣＮＮ模型，該模型只有３８７ｋＢ 的輕量級尺寸，實現了９９． ０９％ 的測試精度，并且在樹莓派上運行時間僅２５．５４ ｍｓ。

３無人機射頻指紋系統性能評估

在建立無人機射頻指紋識別系統后，性能指標在評估和優化過程中扮演著至關重要的角色，被廣泛應用于評估模型的準確性、魯棒性和泛化能力，以指導模型的優化和改進。性能指標還用于比較不同算法或模型的性能，確定最佳的解決方案。在評估性能指標的過程中，可以使用準確率、精確度、召回率、Ｆ１ 分數以及接受者操作特征（Ｒｅｃｅｉｖｅｒ ＯｐｅｒａｔｉｎｇＣｈａｒａｃｔｅｒｉｓｔｉｃ Ｃｕｒｖｅ，ＲＯＣ）曲線和ＲＯＣ 曲線下的面積（Ａｒｅａ Ｕｎｄｅｒ Ｃｕｒｖｅ，ＡＵＣ）等關鍵指標來量化系統的識別性能。這些指標的評估結果將為決策者提供重要的參考，幫助制定合理的決策和規劃，具體描述如下。

（１）準確率被廣泛應用于對無人機分類模型的性能評估，提供了對系統分類結果最直觀的描述。部分文獻的準確率統計如表５所示。

（２）精確率衡量系統模型在預測為合法無人機的樣本中真正為合法無人機的比例，召回率衡量模型在所有合法無人機樣本中成功預測正確的比例。這２ 個指標通常一起使用，尤其在不平衡數據集中更為重要，Ｆ１ 分數綜合考慮了精確率和召回率，是精確率和召回率的調和平均值。

（３）ＲＯＣ 曲線以假陽性概率為橫軸，真陽性為縱軸所組成的坐標圖，該曲線揭示了在不同閾值下，系統模型在真正例率和假正例率之間的平衡情況。ＲＯＣ ＡＵＣ表示曲線包圍的面積，當面積越大時，系統模型判斷非法與合法無人機的性能越好。

（４）在實際訓練過程中，為了避免過擬合可使用ｋ－折交叉驗證方法。即將無人機射頻指紋識別樣本劃分成ｋ 個大小相等的樣本子集，依次遍歷這ｋ 個子集，每次把當前子集作為驗證集，其余ｋ－１樣本作為訓練集，進行模型的訓練和評估，最終把ｋ 次評估指標的平均值作為最終的評估指標，交叉驗證可以解決數據集的數據量不夠大和參數調優等問題。

４問題分析與展望

隨著無人機技術的廣泛應用和不斷進步，其帶來的積極應用和便利性備受關注。然而，與之伴隨的是一系列安全問題的出現，這使得無人機監測成為一項必要的任務。使用射頻指紋的方法對處于空中環境的無人機檢測具有一定優勢，具有高隱蔽性，且不受天氣和建筑遮擋等影響，這使得射頻指紋識別成為一種可靠且有效的無人機識別方法，但在該領域還存在一些挑戰。

無人機射頻指紋公開的數據集較少，并且現有數據集包含的無人機種類較少，這會導致研究人員在實際使用時其模型的泛化能力較弱，由于射頻指紋的特性，在面對新的無人機時，系統的判別能力會受到影響。因此需要一個更加全面可擴展的數據集，為學者們提供深入研究的機會，實現其在該領域的有效應用。

射頻指紋的穩定性較差，受到無人機射頻信號與環境的相互作用的影響較為敏感。在實際應用中，通信距離、電磁環境和溫度等因素都會導致提取的射頻指紋存在差異。因此，需要尋找增強射頻指紋特征的方法，以提高系統在不同環境下的適應性和魯棒性。

由于先進的制造技術，不同無人機之間射頻指紋的差異變得不再突出，其中主要問題射頻指紋的生成是不受人為控制的，不可避免地會產生相近的射頻指紋，這種相似性可能導致射頻指紋的唯一性受到威脅。目前，引起廣泛關注的是探索一種注入射頻指紋的方法，Ｒａｊｅｎｄｒａｎ 等［４１］使用一種元表面將精心設計的射頻指紋注入到物聯網設備的無線物理層中，使射頻指紋的生成變得可控。

盡管深度學習在該領域取得了突破，但存在標注數據需求大、訓練耗時長、參數調整復雜和解釋性有限等挑戰。目前，研究人員正在廣泛研究結合信號處理的方法，以提升深度學習在射頻指紋識別等領域的性能，隨著遷移學習、生成對抗網絡和模型壓縮等技術的發展，深度學習模型在處理射頻指紋上的能力也得到了顯著提升。

５結束語

本文對無人機射頻指紋系統進行了全面的討論和分析，系統地梳理了其關鍵步驟，深入揭示了各方法的優劣。盡管在無人機射頻指紋識別領域已經取得了一些顯著進展，但仍然存在一些挑戰和問題亟待解決。希望通過持續的研究和創新，不斷改進和推動射頻指紋系統的發展，以滿足日益增長的無人機安全和管控需求，并為無人機技術的可持續發展做出重要貢獻。

作者簡介

王豪 男，（１９９７—），碩士研究生。主要研究方向：射頻指紋識別、機器學習應用。

羅俊松 男，（１９７２—），碩士，副教授，碩士生導師。主要研究方向：大數據技術、優化理論與強化學習及其應用。

王惠明 男，（１９８９—），碩士，講師。主要研究方向：人工智能、科學技術史、科技哲學。

王梓斌 男，（１９８２—），博士，副教授。主要研究方向：無線通信網絡、網絡安全、網絡技術等。

（*通信作者）多濱 男，（１９８２—），博士，教授，碩士生導師。主要研究方向：無人機通信、凸優化理論、機器學習應用。