基于无线频谱分析的无人机识别方法和装置与流程

1.本发明涉及信号分析技术领域，具体涉及基于无线频谱分析的无人机识别方法和基于无线频谱分析的无人机识别装置。


背景技术：

2.无人机作为新技术和先进生产力的重要载体，已经成为航空新业态发展的重要内容。根据我国相关的低空管制条例，无人机的飞行场合受到限制，为了监测可能的“黑飞”行为，需要使用实时监测系统来识别监测空域内的无人机。实时监测系统是通过无人机信号来对无人机进行识别的。
3.目前现有的无人机信号的识别方式包括：基于频谱信号的识别方式、基于光电信号的识别方式、基于雷达信号的识别方式等，各种无人机识别方式的优缺点如下所述。
4.基于光电信号的识别方式具有较低的误报率的特点，主要利用可见光和红外光探测技术拍摄和追踪无人机，并结合激光测距技术对无人机进行测距和定位，但其受光照、环境、距离等因素影响较大，难以处理障碍物遮挡。
5.基于雷达信号的识别方式具有较高的灵敏度、较远的检测距离的特点，主要利用运动目标反射雷达发出的信号，产生多普勒频移，雷达检测频移并计算运动速度与方向，但其容易受空中飞行物体的干扰导致误检，对低慢小的无人机识别率较低。
6.基于频谱信号的识别方式主要通过接收和分析无人机发射的无线电信号，并转换成图传频谱信号来实现对无人机的识别，其灵敏度和误检率均较好。基于频谱信号的识别方式还可以根据不同型号无人机频谱数据的差异来识别具体无人机型号，并且容易得到无人机的频谱信息，搭配干扰器则可以对无人机所在频段施加干扰，达到反制的目的。因而基于无线频谱分析的技术是目前识别无人机的重要手段。但是基于频谱信号的识别方式也存在缺陷，其缺陷在于，其算法相对复杂，且必须事先采样并存储市场上的各种无人机无线数据信号，对于数据库中没有的型号，会出现遗漏。
7.进一步，基于频谱信号的识别方式还可以更为详细地分为调制识别、频谱特征识别、统计特征识别、深度学习识别等类别，其中主流的是基于图传信号的频谱特征识别与深度学习识别。
8.深度学习识别方式有着较好的抗干扰能力，并且符合肉眼的直观识别方式，但该方式对于新添加机型有着较大限制，往往需要重新预训练网络，随着输入图传信号的尺寸、剪裁的不同也会对识别率产生较大影响。深度学习识别作为新的技术应用仍不完善，在实际使用过程中暴露出许多问题。
9.基于频谱特征的识别方式，需要人为的去对无人机的特征进行提取分析，往往涉及到较多的参数，对算法的要求也会更高，随着无人机机型的增加，其内部逻辑和推理速度会受影响，相关方案对输入图传数据的分析和特征提取，往往涉及到fpga等复杂硬件，其与核心运算单元cpu的带宽传输、数据共享也是一个亟需解决的问题。
10.从长远角度看，随着无人机产业的不断发展，新的机型不断出现，基于频谱特征识
别的方法相比深度学习而言添加新机型更加简单有效，但随着无人机数据库的增加其设计逻辑往往会更复杂。因此，亟需研发一种基于无线频谱分析的无人机识别方法，期待使用该识别方法能够在保证低误检率和高灵敏度的同时，实现简单快捷添加新无人机机型，整体代码参数量和速度不应明显变化。
11.鉴于上述缺陷，本发明创作者经过长时间的研究和实践终于获得了本发明。


技术实现要素：

12.有鉴于此，为了能够稳定快速地识别不同型号的无人机信息数据，并解决目前基于无线频谱分析识别多台无人机过程中误检率高，监测距离短，数据库复杂，所使用的硬件资源比较多等问题，本发明提供了一种基于无线频谱分析的无人机识别方法，其包括如下步骤：步骤s1、将获取到的无人机的图传无线频谱数据进行预处理；步骤s2、将预处理后的频谱数据进行频谱特征位置统计，以获得无线频谱特征数据数组；步骤s3、依据无线频谱特征数据数组和无人机数据库这两个数据集来执行模式匹配运算，形成代表特定型号无人机的编码集；步骤s4、对获得的特定型号无人机的编码集执行验证算法。
13.优选地，所述步骤s4中执行验证算法包括如下步骤：步骤s41、建立全频带特征图；步骤s42、根据全频带特征图建立比特图；步骤s43、进行信号过滤。
14.优选地，所述步骤s42中的建立比特图的过程包括如下步骤：步骤s421、通过全频带特征图获取的带宽信息和编码集数据；步骤s422、对属于同一台无人机的编码集执行投票算法，将低置信度的编码位置进行过滤；步骤s423、将过滤后的编码集还原回实际无人机的信号变化位置；步骤s424、构造一个0-1比特图。
15.优选地，所述步骤s43中信号过滤包括如下步骤：步骤s431、对比特图中的高频区域进行信号强度的统计；步骤s432、过滤掉其中实际数据信号强度弱但被判定为高频信号强度的区域。
16.优选地，所述步骤s3中模式匹配运算过程包括如下步骤：步骤s31、建立匹配模板；步骤s32、进行模式匹配；步骤s33、建立编码集。
17.优选地，所述步骤s1中的处理过程具体包含以下步骤：步骤s11、读入图传的无线频谱数据；步骤s12、对图传的无线频谱数据进行数据增强；步骤s13、对有效数据频点进行过滤，形成预处理后的数据。
18.在步骤s12数据增强部分，通过整合滤波器进行降噪，通过整合滤波器后的信噪比
为：其中为噪音的电流密度，为滤波器的传递函数，为信噪比。
19.优选地，所述步骤s2中频谱特征位置统计包括如下步骤：步骤s21、通过对预处理后的数据进行平滑卷积、错位相除和极值点卷积运算，对图传频谱数据的特征位置进行有效统计；步骤s22、再通过过滤算法对提取到的信号位置进行有效过滤。
20.在步骤s21中使用平滑卷积过程中使用的平滑化函数为：在步骤s21中使用平滑卷积过程中使用的平滑化函数为：其中，为有效数据频点的数量，为频率变化决定的常量，为中心频率，为时间精度，为频率精度。
21.本发明还提供一种基于无线频谱分析的无人机识别装置，其包括相互连接的第一处理模块和第二处理模块，所述第一处理模块用于执行步骤s1和步骤s2，所述第二处理模块用于执行步骤s3和步骤s4。
22.优选地，所述第一处理模块为gpu运算模块，所述第二处理模块为cpu运算模块。
23.优选地，所述第二处理模块包括模式匹配模块和验证模块，所述模式匹配模块用于执行步骤s3；所述验证模块用于执行步骤s4。
24.优选地，所述模式匹配模块包括匹配模板建立子模块、匹配子模块和编码集建立子模块；所述匹配模板建立子模块用于执行步骤s31；所述匹配子模块用于执行步骤s31，所述编码集建立子模块用于执行步骤s33。
25.优选地，所述验证模块包括全频带特征图建立子模块、比特图建立子模块和信号过滤子模块；所述全频带特征图建立子模块用于执行步骤s41；所述比特图建立子模块用于执行步骤s42；所述信号过滤子模块用于执行步骤s43。
26.优选地，所述第一处理模块包括频谱特征位置统计模块；所述频谱特征位置统计模块包括平滑卷积子模块、错位相除子模块、极值点卷积子模块和过滤子模块；所述平滑卷积子模块、所述错位相除子模块、所述极值点卷积子模块用于执行步骤s21；所述过滤子模块用于执行步骤s22。
27.优选地，所述第一处理模块包括预处理模块；所述预处理模块包括无线频谱数据读入子模块、数据增强子模块和有效数据频点过滤子模块；所述无线频谱数据读入子模块用于执行步骤s11；所述数据增强子模块用于执行步骤s12；所述有效数据频点过滤子模块用于执行步骤s13。
28.与现有技术相比，本发明提供的基于无线频谱分析的无人机识别方法和装置，具
备以下有益效果：本发明还提供一种基于无线频谱分析的无人机识别方法的有益效果在于：简单化，该方法通过自适应的调整检测参数，简化了参数空间，添加新无人机机型时需要提供的特征参数也较少，整体方法复杂程度低。该方法运算高效，模块化清晰，自适应于不同场景、不同距离、不同机型下快速稳定有效的无人机识别信号，添加新机型简单快捷，多以自适应算法来判断针对不同情况，涉及调节参数较少。
29.本发明还提供一种基于无线频谱分析的无人机识别装置的有益效果在于：1、高效性，该装置通过采用gpu和cpu混合运算的方式，算法耦合度低，模块化明显，适合采用多种并行技术去提高算法速度。
30.2、占用资源少，该装置通过采用gpu来实现部分fpga的运算，使得硬件平台fpga可以用来处理更复杂的操作，整体硬件资源消耗少。
31.3、拓展性好，该装置提供了一个通用的无人机检测框架，保留了算法的核心模块，可以和其他检测无人机机型的技术配合使用，由于采用了混合运算平台，对于复杂的矩阵运算以及逻辑运算都可以分布到各个硬件平台协调运算。
附图说明
32.为了更清楚地说明本发明实施例中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
33.图1为本发明实施例一中基于无线频谱分析的无人机识别方法的流程示意图；图2为本发明实施例一中基于无线频谱分析的无人机识别方法步骤s1的处理过程的流程示意图；图3为步骤s2中频谱特征位置统计的流程示意图；图4为步骤s3中模式匹配运算过程的流程示意图；图5为步骤s4中执行验证算法的流程示意图；图6为步骤s42中的建立比特图的过程的流程示意图；图7为步骤s43中信号过滤的流程示意图；图8为本发明实施例二中基于无线频谱分析的无人机识别装置的结构示意图。
34.附图标记：第一处理模块1、第二处理模块2、数据整合模块3、预处理模块10、频谱特征位置统计模块11、模式匹配模块20、验证模块21、无线频谱数据读入子模块100、数据增强子模块101和有效数据频点过滤子模块102、平滑卷积子模块110、错位相除子模块111、极值点卷积子模块112和过滤子模块113、匹配模板建立子模块200、匹配子模块201、编码集建立子模块202、全频带特征图建立子模块210、比特图建立子模块211和信号过滤子模块212。
具体实施方式
35.以下结合附图，对本发明上述的和另外的技术特征和优点作更详细的说明。
36.在本发明的描述中，需要理解的是，术语“第一”、“第二”仅用于描述目的，而不能
理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。在本发明的描述中，“多个”的含义是至少两个，除非另有明确具体的限定。
37.在本发明中，除非另有明确的规定和限定，术语“安装”、“相连”、“连接”、“固定”等术语应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或成一体；可以是机械连接，也可以是电连接或彼此可通讯；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通或两个元件的相互作用关系，除非另有明确的限定。 对于本领域的普通技术人员而言，可以根据具体情况理解上述术语在本发明中的具体含义。
38.在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。
39.以下描述中，为了说明而不是为了限定，提出了诸如特定系统结构、技术之类的具体细节，以便透彻理解本发明实施例。然而，本领域的技术人员应当清楚，在没有这些具体细节的其它实施例中也可以实现本发明。在其它情况中，省略对众所周知的系统、装置、电路以及方法的详细说明，以免不必要的细节妨碍本发明的描述。
40.在本说明书中，对上述术语的示意性表述不必须针对的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外，在不相互矛盾的情况下， 本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
41.为了说明本发明所述的技术方案，下面通过具体实施例来进行说明。
42.实施例一如图1所示，本发明提供了一种基于无线频谱分析的无人机识别方法，其包括如下步骤：步骤s1、将获取到的无人机的图传无线频谱数据进行预处理；步骤s2、将预处理后的频谱数据进行频谱特征位置统计，以获得无线频谱特征数据数组；步骤s3、依据无线频谱特征数据数组和无人机数据库这两个数据集来执行模式匹配运算，形成代表特定型号无人机的编码集；步骤s4、对获得的特定型号无人机的编码集执行验证算法。
43.本方法是一个基于少量无人机特征数据，自适应于不同场景、不同距离、不同机型下快速稳定有效的无人机识别信号方法。
44.如图2所示，步骤s1的处理过程具体包含以下步骤：步骤s11、读入图传的无线频谱数据；步骤s12、对图传的无线频谱数据进行数据增强；步骤s13、对有效数据频点进行过滤，形成预处理后的数据。
45.在步骤s12数据增强部分，涉及到对图传的无线频谱数据进行对比度增强，具体地通过全局数据去噪、数据放缩、数据平滑操作使得潜在的无人机信号与底噪可以很好的区分。当信号和噪声混杂时，通过整合滤波器进行降噪，通过整合滤波器后的信噪比为：
其中为噪音的电流密度，为滤波器的传递函数。为信噪比。该公式的有益效果在于，能够有效地去除底噪。
46.在步骤s13有效数据频点过滤部分，涉及到基于信号强度自适应对潜在无人机频点进行预估的操作，最大化地排除掉无效无人机频点，保留潜在无人机频点，使得核心模式匹配算法只作用于可能存在无人机的频点，减少了不必要的运算和可能的误检，使得算法有效加速。
47.如图3所示，步骤s2中频谱特征位置统计包括如下步骤：步骤s21、通过对预处理后的数据进行平滑卷积、错位相除和极值点卷积运算，对图传频谱数据的特征位置进行有效统计；步骤s22、再通过过滤算法对提取到的信号位置进行有效过滤。
48.在步骤s21中的平滑卷积，是通过预定义长度为k的数据填充卷积核对频谱数据进行补零，再通过同样长度的平滑卷积核对数据进行累加卷积的操作。
49.在步骤s21中的错位相除，是通过定义长度为k的偏置实现错位相除，使得原数据频谱图特征位置在数据增强过后不发生改变。
50.在步骤s21中的极值点卷积运算的过程中，采用三点确定极值点法。通过定义多个偏移比较卷积核来完成传统的逻辑运算，频谱图变化极值点位置在多个比较卷积核中均响应最大，通过合并多个偏移比较卷积核来获取频谱图特征位置。
51.在步骤s21中使用平滑卷积过程中使用的平滑化函数为：在步骤s21中使用平滑卷积过程中使用的平滑化函数为：其中，为有效数据频点的数量，为频率变化决定的常量，为中心频率，为时间精度，为频率精度。
52.上述的平滑化函数的有益效果在于：能够平滑化的过程中的分布情况，从而便于后续的解析，使得更多的无人机信号的特征能被抽出。
53.步骤s22中的过滤算法，具体为阈值过滤算法，采用动态的阈值估测算法，结合距离估测算法和有效频点过滤算法预估底噪的数值，并通过设定门限排除干扰底噪，使得频谱图特征位置尽可能准确。通过距离估测算法对检测环境进行一个预估并自适应的调整近远距离的参数，使得更有效地适应不同环境。
54.步骤s2中的频谱特征位置统计过程，通过设置平滑运算、全局统计、峰值统计等多个卷积核，对图传频谱数据的特征位置进行有效统计，通过过滤算法对提取到的信号位置进行有效过滤，保留包含真实无人机的信号，并排除为明显底噪和干扰部分的信号。
55.如图4所示，步骤s3中模式匹配运算过程包括如下步骤：
步骤s31、建立匹配模板；步骤s32、进行模式匹配；步骤s33、建立编码集。
56.步骤s31的匹配模版建立步骤中，通过读取无人机数据库信息，对无人机的特征信息进行遍历，并采用前缀和累加的形式来建立匹配模版。该匹配模版包含了每一个无人机特征变化的详细位置，用于后续的模式匹配。例如，某无人机高频信号时间存在300ms，伴随200ms的无信号间隙，用300（200）表示。对于不同无人机而言相邻两段高频信号的持续时间和间隔有所区别，采用前缀和累加的形式来建立匹配模版。对于300（200）400（200）500（200）300的无人机而言，对该数据进行前缀和累加，得到匹配模版如下：[0，300，500，900，1100，1600，1800，2100]。
[0057]
在步骤s32中进行模式匹配的过程中，对获取到的无人机频谱特征信息进行频点遍历，其中每个频点中均包含与匹配模版同样的匹配位置，采用双坐标插入算法遍历该特征信息数组，采用夹逼的原则对无人机匹配模版进行匹配。
[0058]
对于上述例中，若特征信息数组匹配位置定义如下：[200，400，600，800，1000，1200]。初始情况待匹配特征点为200位置，对上述匹配模版进行待匹配点相加，得到新匹配模版[200，500，700，1100，1300，1800，2000，2300]；对于得到的新模版，将模版中内容逐一插入到特征信息匹配数组位置中，对特征信息匹配数组定义左右两个指针，计算每个插入位置的左右双指针距离差是否在误差范围内，若是则判定该点匹配成功，并将匹配成功位置信息进行保存，若在误差之外，则考虑下一个待匹配点。
[0059]
在步骤s32中进行模式匹配的过程中，还可以执行抗干扰运算，通过对无人机实际高频信号区域进行连续性检测，来排除掉模式匹配成功然而高频信号不连续的干扰数据段。
[0060]
步骤s33中建立编码集的步骤中，先将初步匹配成功位置信息通过特殊机制算法和抗干扰算法进行筛选，再对筛选后得到的匹配位置进行连续性判定，基于先验的无人机型号特征规律，对不连续的坐标进行排除，对符合连续性判断的坐标进行进一步编码，形成代表特定型号无人机的编码集。具体地，对所有匹配位置进行取模运算，取模数为特定无人机机型的连续特征值，取模数通过预采集得到。该特征值保证了所有匹配位置的差值都为某个数的整数倍。最终对所有通过以上步骤的匹配位置进行编码，得到编码集，代表各频点下特定无人机机型的检测信息。
[0061]
如图5所示，步骤s4中执行验证算法包括如下步骤：步骤s41、建立全频带特征图；步骤s42、根据全频带特征图建立比特图；步骤s43、进行信号过滤。
[0062]
在步骤s41中全频带特征图建立过程中，通过上述模式匹配得到的每个频点的编码集信息，对所有频点的编码集信息进行分析。即考虑不同频点间编码集的特征相似性，基于特定无人机型号的带宽、工作频点等先验信息，将独立频点的编码集信息转换成全频带的编码特征图。具体地，全频带特征图中每个频点可以保存多个编码集，以适应同型号无人机的重叠情况，在频带特征图中若相邻频点编码集存在特征层面的相似性，则在频带特征图的该频点打上一个特定无人机的标记位，标记位从1开始编码，0表示该频点没有无人机
信息，若频带内出现多台同型号无人机的情况标记位会根据具体台数进行递增，对于以下情况0，0，0，1，2，2，3，3，3表示在起始频点4的位置出现了某型号带宽为1的无人机，在起始频点5的位置出现了同型号带宽为2的无人机，在起始频点7的位置出现了带宽为3的同型号无人机。最后遍历最终频带特征图，统计同一标记位的分布即可得出无人机的中心频点和带宽等信息。
[0063]
如图6所示，在步骤s42中的建立比特图的过程包括如下步骤：步骤s421、通过全频带特征图获取的带宽信息和编码集数据；步骤s422、对属于同一台无人机的编码集执行投票算法，将低置信度的编码位置进行过滤；步骤s423、将过滤后的编码集还原回实际无人机的信号变化位置；步骤s424、构造一个0-1比特图。
[0064]
在步骤s42中，在全频带特征图建立步骤基础上，通过全频带特征图得到的带宽信息和编码集数据。再进一步处理属于同一台无人机的编码集数据，首先对属于同一台无人机的编码集执行投票算法，以用于将低置信度的编码位置进行过滤。具体地，投票算法会统计特定无人机在不同频点的分布，根据各频点的编码集信息计算出现频率，排除掉出现次数较少的匹配位置。然后将过滤后的编码集还原回实际无人机的频谱特征位置。具体地，可根据无人机的匹配特征模板还原，也可根据匹配过程中保存的所有匹配点来还原，构造一个0-1比特图，其中1的位置为检测到的无人机信号的区域。
[0065]
如图7所示，步骤s43中信号过滤包括如下步骤：步骤s431、对比特图中的高频区域进行信号强度的统计；步骤s432、过滤掉其中实际数据信号强度弱但被判定为高频信号强度的区域。
[0066]
步骤s43中信号过滤的主要目的为缩减带宽，排除非信号主体的区域，以应对常见的近距离无人机信号边缘信号溢出情况，对于过滤的结果对无人机输出信息进行进一步修正，得到最终的输出比特图和带宽、中心频点等数据。
[0067]
本发明所要解决的技术问题是稳定快速地识别不同型号的无人机信息数据，针对目前基于无线频谱分析识别多台无人机过程中误检率高、监测距离短，数据库复杂等缺点，提出了一个基于少量无人机特征数据，自适应于不同场景、不同距离、不同机型下快速稳定有效的无人机识别信号方法。基于该种方法，本发明还提供一种基于无线频谱分析的无人机识别装置，其包括相互连接的第一处理模块1和第二处理模块2，第一处理模块1用于执行步骤s1和步骤s2，第二处理模块2用于执行步骤s3和步骤s4。
[0068]
如图8所示，第一处理模块1包括预处理模块10和频谱特征位置统计模块11。第一处理模块1的输入为输入为图传无线频谱数据，输出为无线频谱特征数据数组。预处理模块10用于执行步骤s1。频谱特征位置统计模块11用于执行步骤s2。优选地，预处理模块10包括无线频谱数据读入子模块100、数据增强子模块101和有效数据频点过滤子模块102。无线频谱数据读入子模块100用于执行步骤s11。数据增强子模块101用于执行步骤s12。有效数据频点过滤子模块102用于执行步骤s13。无线频谱数据读入子模块100还用于验证数据合法性以及转换数据类型。数据类型的转换包括从适用于cpu运算的数据转换为适用于gpu运算的数据。
[0069]
频谱特征位置统计模块11包括平滑卷积子模块110、错位相除子模块111、极值点
卷积子模块112和过滤子模块113。平滑卷积子模块110、错位相除子模块111、极值点卷积子模块112用于执行步骤s21。过滤子模块113用于执行步骤s22。
[0070]
第二处理模块2包括模式匹配模块20和验证模块21。模式匹配模块20用于执行步骤s3。验证模块21用于执行步骤s4。
[0071]
模式匹配模块20包括匹配模板建立子模块200、匹配子模块201和编码集建立子模块202。匹配模板建立子模块200用于执行步骤s31。匹配子模块201用于执行步骤s32。编码集建立子模块202用于执行步骤s33。
[0072]
验证模块21包括全频带特征图建立子模块210、比特图建立子模块211和信号过滤子模块212。全频带特征图建立子模块210用于执行步骤s41。比特图建立子模块211用于执行步骤s42。信号过滤子模块212用于执行步骤s43。
[0073]
第一处理模块1优选为gpu运算模块。第二处理模块2优选为cpu运算模块。本发明还提供的基于无线频谱分析的无人机识别装置采用gpu和cpu混合运算的框架，gpu运算模块能够对图传无线频谱数据进行预处理和增强。gpu运算模块能够通过定义不同的运算卷积核对数据进行有效的增强和特征提取。gpu运算模块主要解决并取代了传统fpga运算下可能导致的传输带宽受限、各部分速度不匹配、原始频谱特征数据不可见等问题，使得各部分算法在有限时间内协调起来，同时gpu运算模块有着良好的拓展性，以便支持未来更多的功能部署和实现。gpu运算与cpu运算有着良好的协调性，可以保持数据在硬件层面上的共用。
[0074]
cpu运算模块能够基于采集的无人机型号数据库信息对预处理图传数据进行识别与分析。cpu运算模块包括匹配模块和验证模块21。加装这两个模块的有益效果在于，具有对市面上预采集的无人机数据要求较低，测试下对室内外多种日常环境适应性较高的优点。主要优化了传统模式匹配算法无人机检测参数复杂、难以添加新机型，对于近远距离的不同环境灵敏度低、误检率高等问题，本发明添加新无人机机型简单有效并且耗时增加不明显。无人机的型号参数和算法参数量也较少。
[0075]
cpu运算模块的输入为无线频谱特征数据数组和无人机数据库，输出为识别到的无人机信息，其中包括无人机高频信号区域、中心频点、带宽、型号和标志号。匹配模板建立子模块200读取预先设置的常见无人机数据库，并对其中模式识别相关的无人机信号特征进行预处理，具体地，通过前缀和算法累加对应无人机的多个特征位置，形成一个待匹配模版。
[0076]
匹配子模块201，主要基于无人机的待匹配模板逐频点与第一处理模块1提取到的无线频谱数据特征数组进行运算，具体地，采用双坐标的插入算法，将待匹配的每个坐标插入到频谱特征数组中，寻求误差邻域内的特征点匹配。在模式匹配过程中对成功匹配的数量，对应的匹配坐标和信息进行存储。
[0077]
匹配子模块201还包括抗干扰子模块，抗干扰子模块通过对无人机实际高频信号区域进行连续性检测，来排除掉模式匹配成功然而高频信号不连续的干扰数据段。在匹配过程中除了考虑匹配位置的对应关系，对于每一段信号高频区域，例如前例中的300，400，500，300，对此区域进行抗干扰算法处理，对信号的连续性进行检测，得益于cpu运算模块的设计，使得原始数据的频谱特征信息在cpu中仍然保持可见性，利用该特性对信号不连续的匹配段进行排除。同时针对各无人机机型的特征，对于一些常见无人机和非常见无人机进
行分类，用一个统一的框架采用特殊机制算法，对一些小带宽、信号不稳定或是容易被干扰、被误检的无人机进行特殊优化，使得在不同场景下有较高的稳定性。
[0078]
本发明还提供一种基于无线频谱分析的无人机识别方法的有益效果在于：简单化，该方法通过自适应的调整检测参数，简化了参数空间，添加新无人机机型时需要提供的特征参数也较少，整体方法复杂程度低。该方法运算高效，模块化清晰，自适应于不同场景、不同距离、不同机型下快速稳定有效的无人机识别信号，添加新机型简单快捷，多以自适应算法来判断针对不同情况，涉及调节参数较少。
[0079]
本发明还提供一种基于无线频谱分析的无人机识别装置的有益效果在于：1、高效性，该装置通过采用gpu和cpu混合运算的方式，算法耦合度低，模块化明显，适合采用多种并行技术去提高算法速度。
[0080]
2、占用资源少，该装置通过采用gpu来实现部分fpga的运算，使得硬件平台fpga可以用来处理更复杂的操作，整体硬件资源消耗少。
[0081]
3、拓展性好，该装置提供了一个通用的无人机检测框架，保留了算法的核心模块，可以和其他检测无人机机型的技术配合使用，由于采用了混合运算平台，对于复杂的矩阵运算以及逻辑运算都可以分布到各个硬件平台协调运算。
[0082]
实施例二第一处理模块优选为gpu运算模块。第二处理模块优选为cpu运算模块。
[0083]
第一处理模块与第二处理模块之间通过数据整合模块3连接。数据整合模块3用于执行从gpu运算数据到cpu数据的转换和封装操作。
[0084]
数据整合模块的有益效果在于，其采用接口隔离的原则将gpu运算和cpu运算的数据独立开，为后续硬件级别的并行提供了思路。

技术特征：
1.一种基于无线频谱分析的无人机识别方法，其特征在于，其包括如下步骤：步骤s1、将获取到的无人机的图传无线频谱数据进行预处理；步骤s2、将预处理后的频谱数据进行频谱特征位置统计，以获得无线频谱特征数据数组；步骤s3、依据无线频谱特征数据数组和无人机数据库这两个数据集来执行模式匹配运算，形成代表特定型号无人机的编码集；步骤s4、对获得的特定型号无人机的编码集执行验证算法。2.根据权利要求1所述的一种基于无线频谱分析的无人机识别方法，其特征在于，所述步骤s4中执行验证算法包括如下步骤：步骤s41、建立全频带特征图；步骤s42、根据全频带特征图建立比特图；步骤s43、进行信号过滤。3.根据权利要求2所述的一种基于无线频谱分析的无人机识别方法，其特征在于，所述步骤s42中的建立比特图的过程包括如下步骤：步骤s421、通过全频带特征图获取的带宽信息和编码集数据；步骤s422、对属于同一台无人机的编码集执行投票算法，将低置信度的编码位置进行过滤；步骤s423、将过滤后的编码集还原回实际无人机的信号变化位置；步骤s424、构造一个0-1比特图；所述步骤s43中信号过滤包括如下步骤：步骤s431、对比特图中的高频区域进行信号强度的统计；步骤s432、过滤掉其中实际数据信号强度弱但被判定为高频信号强度的区域。4.根据权利要求1所述的一种基于无线频谱分析的无人机识别方法，其特征在于，所述步骤s3中模式匹配运算过程包括如下步骤：步骤s31、建立匹配模板；步骤s32、进行模式匹配；步骤s33、建立编码集。5.根据权利要求1所述的一种基于无线频谱分析的无人机识别方法，其特征在于，所述步骤s1中的处理过程具体包含以下步骤：步骤s11、读入图传的无线频谱数据；步骤s12、对图传的无线频谱数据进行数据增强；步骤s13、对有效数据频点进行过滤，形成预处理后的数据。6.根据权利要求5所述的一种基于无线频谱分析的无人机识别方法，其特征在于，在步骤s12数据增强部分，通过整合滤波器进行降噪，通过整合滤波器后的信噪比为：其中为噪音的电流密度，为滤波器的传递函数，为信噪比。7.根据权利要求1所述的一种基于无线频谱分析的无人机识别方法，其特征在于，所述
步骤s2中频谱特征位置统计包括如下步骤：步骤s21、通过对预处理后的数据进行平滑卷积、错位相除和极值点卷积运算，对图传频谱数据的特征位置进行有效统计；步骤s22、再通过过滤算法对提取到的信号位置进行有效过滤。8.根据权利要求7所述的一种基于无线频谱分析的无人机识别方法，其特征在于，在步骤s21中使用平滑卷积过程中使用的平滑化函数为：骤s21中使用平滑卷积过程中使用的平滑化函数为：其中，为有效数据频点的数量，为频率变化决定的常量，为中心频率，为时间精度，为频率精度。9.一种基于无线频谱分析的无人机识别装置，其特征在于，其包括相互连接的第一处理模块和第二处理模块，所述第一处理模块用于执行如权利要求1-8任意所述一种基于无线频谱分析的无人机识别方法中的步骤s1和步骤s2，所述第二处理模块用于执行如权利要求1-8任意所述一种基于无线频谱分析的无人机识别方法中的步骤s3和步骤s4。10.根据权利要求9所述的一种基于无线频谱分析的无人机识别装置，其特征在于，所述第一处理模块为gpu运算模块，所述第二处理模块为cpu运算模块。

技术总结
本发明公开了一种基于无线频谱分析的无人机识别方法，涉及信号分析技术领域，其包括：步骤S1、将获取到的无人机的图传无线频谱数据进行预处理；步骤S2、将预处理后的频谱数据进行频谱特征位置统计，以获得无线频谱特征数据数组；步骤S3、依据无线频谱特征数据数组和无人机数据库这两个数据集来执行模式匹配运算，形成代表特定型号无人机的编码集；步骤S4、对获得的特定型号无人机的编码集执行验证算法。基于该方法，本发明还提供了一种基于无线频谱分析的无人机识别装置。与现有技术相比，本发明的有益效果在于：能够稳定快速地识别不同型号的无人机信息数据，以解决目前基于无线频谱分析识别多台无人机过程中误检率高、监测距离短，数据库复杂等问题。数据库复杂等问题。数据库复杂等问题。


技术研发人员：赵彦朋 王书立 梅其灵 蔡斌 许佳奕
受保护的技术使用者：浙江凡双科技股份有限公司
技术研发日：2023.08.18
技术公布日：2023/9/16