基于深度神经网络的无人机信号识别方法

安防科技

中国民用航空飞行学院?广汉?610307

打开文本图片集

摘要：针对无人机用频环境复杂，传统的信号识别技术很难快速准确地识别出无人机信号，提出了一种基于深度神经网络的无人机信号识别方法。首先，对原始数据集进行数据预处理，方便网络学习数据特征；其次，在卷积神经网络的基础上，引入多头自注意力机制进一步提高网络对无人机信号的识别准确率、降低网络的训练时间、提升网络的收敛速度。最后，实验结果表明，引入多头自注意力机制的网络具有较好的识别性能和鲁棒性。

关键词：小型无人机；信号识别；深度学习；卷积神经网络；多头自注意力机制

中图分类号 TP391.4 文献标志码 A

1 引言

近年来，无人机（Unmanned Aerial Vehicle，UAV）应用得到了快速发展，无论是民用领域还是军事领域，都发挥了十分重要的作用[1]。然而登记在册、接受监管的无人机少，并且有关部门的管控技术和法规还不够完善，导致多起无人机黑飞事件发生，严重影响了民航飞行与公共环境的安全[2]。因此，研究无人机信号识别技术具有非常重要的意义。

无人机具有的高度低、速度慢、雷达散射截面小等特点，现有的方法较复杂且计算量大，不适合实时系统[3]。而基于深度学习的识别方法是通过大量信号样本数据进行训练，自动获取信号特征进行判别[4]。其中，侯涛[5]等采用了Densenet+LSTM+DNN的组合网络设计直接识别采样的通信信号，解决了端到端的信号识别问题，避免了人工特征提取过程。张浩[6]等提出了一种无人机射频信号的神经网络检测算法，该算法采用了改进的斜率、偏度和峰度三种信号特征，实现了无人机信号和非无人机信号的分类问题。史浩东[7]等设计的网络结构不仅可以区分无人机的有无，还能区分无人机的型号。杨小伟[8]等采用深度学习的方法，简化了UAV检测的过程。然而，上述方法的网络识别准确率还不高，且训练速度较慢。

为此，本文基于深度学习的理论基础，使用开源数据集对无人机射频信号识别的问题展开研究。首先，为减少数据预处理的时间及提高训练速度，采用了一维的卷积神经网络的模型架构对无人机型号及姿态进行识别。其次，融合Transformer[9]的思想，在卷积神经网络模型中引入多头自注意力机制，提升网络对无人机型号及姿态信息的识别率。实验结果表明，所提方法能有效对无人机进行分类，并具有较高的识别精度。

2 数据预处理

DroneRF数据集[10]是一个CSV格式的文件，该数据集使用两个射频接收设备，分别采集高、低频段的不同类型无人机和同一无人机不同工作模式时的射频通信信号。其中无人机的型号包括Parrot Bebop，Parrot AR和DJI Phantom三种[10]，无人机运行模式由开机连接、悬空、航行和飞行摄像组成，并且数据集中也包含没有无人机时的背景信号。本文使用Matlab软件对上述DroneRF数据集完成预处理工作，最终得到维度大小为[1，1，512]的数据集作为神经网络的输入。由于时域信号容易受到环境噪声的影响，且信号特征并不显着，所以为了更好地检测出信号，本文对不同频段的原始RF信号进行STFT变换：

式中，和表示变化后的高频段和低频段的频域信号，是信号总数。为了得到全频段的无人机RF信号，对高低频段的信号进行归一化处理，得到的数据集的具体分布如图1所示。其中，无人机型号数据集记作Dataset1，包含43008条数据，无人机姿态信息数据集记作Dataset2，包含105984条数据。

3 网络结构

本文设计了两种加入多头自注意力机制的卷积神经网络UAV-MCNet1、UAV-MCNet2，其中UAV-MCNet1用于无人机型号识别、UAV-MCNet2用于无人机姿态识别。网络模型的具体参数分别如表1、2所示。网络由卷积层（Conv）、注意力层（Attention）、最大池化层（Maxpooling）、展平层（Flatten）以及线性层（Linear）组成。首先通过卷积层和池化层来提取信号特征，加入注意力层，网络可以聚焦不同的信号特征，学习更重要的特征。再通过线性层学习不同通道之间的特征，最后经过激活函数，实现对不同信号目标的分类识别。

4 实验

为验证所提网络的可行性和有效性，本文使用Pytorch1.9.0+cuda11.1框架搭建UAV-MCNet1、UAV-MCNet2神经网络模型，在Intel Core i7-9700 CPU、GeForce RTX 3070 8GB GPU的 PC机上进行训练和验证。将预处理得到的数据集按照8：2的比例划分训练集和测试集。经过多次实验，确定UAV-MCNet1网络的学习率为0.001、Batch size为128，训练次数为128，训练达到了93.79%的准确率。同样地，UAV-MCNet2在Batch size大小为16、学习率为0.001、训练次数为32次条件下，达到了89.50%的准确率。再用测试集对两个网络进行测试，得到的混淆矩阵如图2所示。

图2（a）中1代表背景型号，网路对1的识别率为94.78%，对2即无人机Parrot Bebop有88.81%的识别准确率，对3无人机DJI Phantom有98.74%的准确率，而对最后一款无人机Parrot AR有着几乎100%的识别准确率。

图2（b）中可以看出， UAV- MCNet2测试未知的无人机运行姿态的信号时，能够100%的识别出背景信号1，2-5表示无人机Parrot AR的四个状态，其中悬停和飞行有接近100%的准确率、连接的识别率为91.91%。网络对6即无人机Parrot Bebop的连接状态有97.66%的识别率，但是对10即无人机DJI Phantom的连接状态只有81.34%的识别准确率。

5 结论

本文针对现有的无人机信号识别方法训练时间较长且识别准确率不高的问题，提出了一种结合多头注意力机制的卷积神经网路。通过对无人机信号进行特征分析，用短时傅里叶变换对原始数据集进行预处理，得到的新的数据集输入到所提网络中进行分类识别。实验结果表明，引入多头注意力机制的卷积神经网络识别不同无人机机型的准确率达到93.79%，识别不同无人机姿态的准确率达到89.50%，相比单一的卷积神经网路模型识别准确率更高，并且所提网络模型能够更快的收敛，降低了计算量、提高了识别的速度。

参考文献

[1] 代允. 浅谈无人机应用涉及到的技术领域[J]. 中国新通信， 2021， 23（9）：2.

[2] 陶于金，李沛峰. 无人机系统发展与关键技术综述[J]. 航空制造技术， 2014， 57（20）：34-39.

[3] Park D， Lee S， Park S U， et al. Radar-Spectrogram-Based UAV Classification Using Convolu- tional Neural Networks[J]. Sensors， 2020， 21（1）：210.

[4] Wang X. Electronic radar signal recognition based on wavelet transform and convolution neural network[J]. Alexandria Engineering Journal， 2022， 61（5）： 3559-3569.

[5] 侯涛，郑郁正. 基于深度学习的通信信号调制方式识别[J]. 无线电工程， 2019， 49（9）：5.

[6] Zhang H， Cao C， Xu L， et al. A UAV detection algorithm based on an artificial neural network[J]. Ieee Access， 2018， 6： 24720-24728.

[7] 史浩东，卢虎，卞志昂. 深度卷积网络多目标无人机信号检测方法[J]. 空军工程大学学报， 2021， 22（4）： 29-34.

[8] 杨小伟，文清丰，杨雪，杨鹤猛，金熙，王泽跃.基于卷积神经网络的无人机射频信号识别[J].无线电工程， 2022，52（3）：456-462.

[9] Vaswani A， Shazeer N， Parmar N， et al. Attention is all you need[J]. Advances in neural information processing systems， 2017， 30.

[10] Al-Sa’d M F， Al-Ali A， Mohamed A， et al. RF-based drone detection and identification using deep learning approaches： An initiative towards a large open source drone database[J]. Future Generation Computer Systems， 2019， 100： 86-97.

*基金项目：四川省大学生创新创业训练计划项目（S202110624144）

*本文暂不支持打印功能