李彬,徐怡杭,羅杰

(1.西北工業(yè)大學(xué)電子信息學(xué)院,710072,西安;2.西安交通大學(xué)電子與信息學(xué)部,710049,西安)

近年來,無人機(jī)的快速發(fā)展與普及,在給人民生活帶來便利的同時,也出現(xiàn)了越來越多的“黑飛”事件,給國家和公眾都帶來了安全隱患和經(jīng)濟(jì)損失。2017年4月,成都雙流機(jī)場有無人機(jī)非法入侵跑道,造成諸多航班停飛,帶來了巨大的經(jīng)濟(jì)損失;2018年8月4日,委內(nèi)瑞拉總統(tǒng)馬杜羅在公開演講時,被綁有炸藥的民用無人機(jī)襲擊;2019年9月14日,沙特兩處石油設(shè)施遭到無人機(jī)襲擊,量產(chǎn)減半;2021年2月22日,重慶軌道交通2號線遭無人機(jī)撞擊逼停[1-3]。如何反制無人機(jī)非法入侵的問題越來越受到各國的重視,而快速精確地識別無人機(jī)是實現(xiàn)反制的關(guān)鍵。

雷達(dá)低空監(jiān)測無人機(jī)成本高昂,難以大規(guī)模部署,且由于其監(jiān)測盲區(qū)較大、民用無人機(jī)體積過小,極易造成漏警;光學(xué)識別無人機(jī)易受光強(qiáng)、云霧、遮擋等干擾,且在夜間監(jiān)測效果較差;聲紋識別無人機(jī)監(jiān)測距離過短,且不適用于嘈雜的城市環(huán)境中[4-6];而利用無線電頻譜監(jiān)測無人機(jī)遙控信號則成本較低、不受光強(qiáng)、云霧、遮擋、無人機(jī)體積等不利因素的影響,是對反無人機(jī)系統(tǒng)的有效補(bǔ)充。

一種解決方案是直接監(jiān)測從1 MHz～6.8 GHz的廣泛頻譜,并將檢測到的任何未知射頻信號當(dāng)作無人機(jī)控制信號[7],但由于未知的射頻信號不一定是無人機(jī)控制信號,這種方法會導(dǎo)致較高誤報概率。識別無人機(jī)的媒體訪問控制(MAC)地址也是一個可行的方法[8],但此方法僅能夠檢測具有MAC地址的無人機(jī),且隨著無人機(jī)種類的不斷增加,構(gòu)建和更新無人機(jī)MAC地址的完整數(shù)據(jù)庫變得越來越困難。此外,為了避免被檢測到,無人機(jī)的MAC地址往往具有欺騙性。

識別無人機(jī)遙控信號譜圖則是一個有效的解決方案。民用無人機(jī)遙控信號主要采用跳頻擴(kuò)頻(frequency hopping spread spectrum,FHSS),屬于非平穩(wěn)信號,可通過短時傅里葉變換STFT方法,將天線、接收機(jī)采集到的多個時刻的信號變換成信號譜圖[9-11]。無人機(jī)遙控信號帶寬通常小于3 MHz,常在以2.44 GHz為中心頻率的附近100 MHz頻帶內(nèi)跳變[12],而5.775 GHz附近100 MHz的頻段有時也會被用于遙控,如大疆精靈Ⅲ型無人機(jī)的遙控信號,其遙控信號帶寬約為1 MHz[13]。

利用短時傅里葉變換將跳頻擴(kuò)頻的無人機(jī)遙控信號轉(zhuǎn)換為譜圖后,就近似地將其等價為對于跳頻序列譜圖的識別問題。有許多學(xué)者曾研究過如何提取跳頻序列的跳頻特征[14-16],包括檢測跳頻序列周期、跳頻速率[17-18]等,或采用小波分解[19]、HOG-SVM[20]方法來識別跳頻序列,但實際的無人機(jī)遙控信號功率通常較小,當(dāng)距離較遠(yuǎn)時,受天線、接收機(jī)性能約束,可能造成跳頻序列捕捉不完整,傳統(tǒng)的跳頻特征提取方法難以適用,也難以通過提取到的跳頻特征判斷機(jī)型。此外,由于遙控信號功率較小,且背景噪聲會隨時間與場景變化,就要求遙控信號的頻譜檢測閾值,在低虛警概率下盡可能貼近背景噪聲,同時必須是自適應(yīng)的,而無人機(jī)遙控信號常用的2.4 GHz與5.8 GHz頻段頻譜環(huán)境復(fù)雜,容易受到WiFi以及窄帶突發(fā)信號的干擾[21-22],所以如果要在工程中應(yīng)用,算法須具有較強(qiáng)的魯棒性。

對此,本文提出了一種采用殘差神經(jīng)網(wǎng)絡(luò)的無人機(jī)遙控信號識別監(jiān)測算法(DRN-UAV),通過聯(lián)合自適應(yīng)信號檢測閾值計算改進(jìn)現(xiàn)有的閾值計算方法,并通過預(yù)處理操作來對抗窄帶與寬帶干擾,最后利用殘差神經(jīng)網(wǎng)絡(luò)識別是否存在及其機(jī)型。本文算法具有良好的魯棒性與工程應(yīng)用價值。

1 無人機(jī)遙控信號識別監(jiān)測方法

無人機(jī)單次識別的流程如圖1所示,重復(fù)該步驟即可實現(xiàn)連續(xù)識別。

圖1 無人機(jī)單次識別的流程圖

DRN-UAV算法流程如下:①由譜圖Mt(Mt∈RN×S)計算出聯(lián)合自適應(yīng)信號檢測閾值A(chǔ)th,同時將譜圖Mt映射為二值化譜圖Ma(Ma∈{0,1}N×100);②將二值化譜圖Ma中的寬帶干擾所在頻點置零后抽出非零幀,由前100幀非零幀得到分辨率為100×100的待測譜圖Md(Md={0,1}100×100),不足100幀時用全零幀補(bǔ)足;③用得到的待測譜圖Md訓(xùn)練神經(jīng)網(wǎng)絡(luò);④通過已訓(xùn)練好的殘差神經(jīng)網(wǎng)絡(luò)ResNet-34,識別出當(dāng)前無人機(jī)是否存在及其機(jī)型。

1.1 采集無人機(jī)遙控信號時頻譜圖Mt

采用圖2所示的無人機(jī)遙控信號識別系統(tǒng)對中心頻率fc附近100 MHz帶寬(共S個頻點)進(jìn)行N次連續(xù)的頻譜快照,形成具有N幀的單張譜圖Mt∈RN×S。因?qū)嶒炘O(shè)備無法一次性掃描100 MHz帶寬,故將連續(xù)采集的多段相鄰頻率的頻譜拼接成100 MHz,以此作為單次頻譜快照?；瑒幼x入譜圖Mt示意如圖3所錄,其中n=50,N=20n。

圖2 本文采用的無人機(jī)遙控信號識別系統(tǒng)

圖3 滑動讀入譜圖Mt示意圖

1.2 數(shù)據(jù)預(yù)處理

數(shù)據(jù)預(yù)處理包括計算聯(lián)合自適應(yīng)閾值A(chǔ)th、二值化譜圖Ma∈{0,1}N×100以及構(gòu)造待測譜圖Md∈{0,1}100×100這3個步驟。

(1)

式中:E為均值;σ為標(biāo)準(zhǔn)差;erf(x)為誤差函數(shù);P為恒定的虛警概率。但該方法不適用于復(fù)雜的電磁環(huán)境,會導(dǎo)致較多噪聲在檢測閾值之上,對無人機(jī)信號譜圖造成較大污染。

本文提出了一種新的聯(lián)合自適應(yīng)閾值計算方法,在可接受的虛警概率范圍內(nèi),最大限度的將漏警率降到最低,即計算出的檢測閾值最低,盡可能貼近底噪,同時讓絕大部分噪聲低于信號檢測閾值。方法基本思路是采用兩種不同的閾值計算方法,最后取較低的閾值作為最后的檢測閾值A(chǔ)th,該方法的優(yōu)點是計算出的檢測閾值兼有較高的穩(wěn)定度與精確度。

方法一在本課題組之前發(fā)表的論文[24]中提出了利用二次求平均值的方法計算檢測閾值,主要思路是先計算當(dāng)前幀的第一次均值E1與標(biāo)準(zhǔn)差σ1。

(2)

(3)

(4)

方法一與方法二聯(lián)合求解取最小值后,可在保證檢測閾值精度的同時也保證其穩(wěn)定性,即聯(lián)合自適應(yīng)檢測閾值計算。

1.2.2 二值化譜圖Ma以對抗隨機(jī)噪聲與雜散信號 文獻(xiàn)[24]中提出了一種基于譜圖峰值尋找與帶寬計算的映射方法,該方法的好處是能夠精確計算出窄帶信號的帶寬,但無法測得Wifi等寬帶信號的峰值與帶寬,而本文算法中二值化譜圖Ma帶寬分辨率為1 MHz,對帶寬精度要求不高。為簡化運算,本文改為對每1 MHz帶寬進(jìn)行一一檢索的方法,從而實現(xiàn)二值化映射。

(1)對抗隨機(jī)噪聲。將譜圖Mt高于閾值A(chǔ)th的頻點置為1,其他頻點置為0。

(2)對抗雜散信號。首先,計算出Mt中每1 MHz所包含的頻點總數(shù)s1 MHz

(5)

然后,初始化Ma為全零矩陣,統(tǒng)計出當(dāng)前幀(記為第i幀,1≤i≤N)第jMHz中數(shù)值高于檢測閾值A(chǔ)th的頻點數(shù),記為hj,并按照如下規(guī)則進(jìn)行映射

Maij=1

(6)

具體映射過程如圖4所示。重復(fù)上述步驟,遍歷Mt即可將其映射為二值化譜圖Ma。

圖4 二值化映射示意圖

由于雜散信號帶寬極窄,而無人機(jī)遙控信號帶寬大于0.3 MHz,進(jìn)一步增強(qiáng)了算法的魯棒性。

1.2.3 構(gòu)造待測譜圖Md以對抗寬帶干擾 WiFi寬帶干擾往往不會充滿所有時刻,故可將WiFi干擾直接從檢測其存在的頻譜快照中剔除。

圖5 二值化譜圖Ma與的映射關(guān)系

1.3 用待測圖譜Md訓(xùn)練殘差神經(jīng)網(wǎng)絡(luò)

卷積神經(jīng)網(wǎng)絡(luò)具有優(yōu)異的分類性能,且隨著各層神經(jīng)元個數(shù)的增加,或?qū)訑?shù)的加深,網(wǎng)絡(luò)性能往往能得到有效提升,深層網(wǎng)絡(luò)一般會比淺層網(wǎng)絡(luò)效果更好[25]。更深的網(wǎng)絡(luò)能學(xué)習(xí)到更加復(fù)雜的表達(dá),更寬的網(wǎng)絡(luò)則意味著每一層映射能力會增強(qiáng),但對網(wǎng)絡(luò)整體性能的提升有限。由于不同型號的無人機(jī)遙控信號的譜圖都存在差異,且隨著數(shù)據(jù)集中無人機(jī)機(jī)型的完善,需要神經(jīng)網(wǎng)絡(luò)具有足夠的分類能力,故選擇采用更深層網(wǎng)絡(luò)。而神經(jīng)網(wǎng)絡(luò)深度超過了一定層數(shù)后性能反而會出現(xiàn)退化,殘差神經(jīng)網(wǎng)絡(luò)則是一個有效的解決方案[26]。殘差塊定義如圖6所示。

圖6 殘差塊的定義

圖6中F(x)表示殘差函數(shù),記網(wǎng)絡(luò)輸出函數(shù)H(x)=F(x)+x,可得到

H(x)=F(x,{Wi})+Wsx

(7)

式中:F(x,{Wi})可表示x通過多個卷積層;Ws是為了保證(6)式中F(x,{Wi})與x維度相同而做的線性變換。由于殘差塊的組成包括兩個隱層,可得

H(x)=W2σ(W1x)+Wsx

(8)

式中,σ代表Relu函數(shù)

Relu(x)=max(0,x)

(9)

殘差神經(jīng)網(wǎng)絡(luò)ResNet34主要由基本單元Ⅰ(殘差塊)、基本單元Ⅱ(下采樣殘差塊)構(gòu)成,如圖7、圖8所示。

圖7 ResNet-34的基本單元Ⅰ

圖8 ResNet-34的基本單元Ⅱ

對于圖7、圖8中3×3卷積核,記輸入矩陣為x,單次卷積的輸出結(jié)果為ui,j,其計算公式如下

(10)

式中:w為卷積核權(quán)重;下標(biāo)i、j與m、n都分別表示行、列號。

神經(jīng)網(wǎng)絡(luò)識別遙控信號可避免跳頻周期、速率等特征難以準(zhǔn)確提取的問題。而加入殘差結(jié)構(gòu)能克服深層網(wǎng)絡(luò)性能退化的現(xiàn)象,增強(qiáng)網(wǎng)絡(luò)的分類和泛化能力,適用于多機(jī)型的遙控信號識別。

圖9為ResNet34網(wǎng)絡(luò)的結(jié)構(gòu)圖。其中,Pool代表2×2的最大池化層,Avg pool指平均池化層,Fc是全連接層,Conv(3×3,d)代表卷積核大小為3×3的卷積層,d=64、256、128,512代表了通道數(shù)。網(wǎng)絡(luò)包括16個殘差結(jié)構(gòu)和2個池化層,總計34層。

圖9 ResNet-34結(jié)構(gòu)圖

2 實 驗

本文測試系統(tǒng)由天線、接收機(jī)及筆記本電腦組成,選取了大疆精靈Ⅲ、九鷹、Futaba T14SG、天地飛07等幾種國內(nèi)常見型號的無人機(jī)遙控器,采用本文算法進(jìn)行識別驗證,測試場景如圖10所示。

(a)測試大疆精靈Ⅲ遙控器

實驗中,系統(tǒng)連續(xù)掃描100 MHz帶寬頻譜(單次最大掃描帶寬為20 MHz,本實驗將連續(xù)5個時刻的相鄰的20 MHz頻譜拼接),中心頻率依次選擇為2.44 GHz與5.775 GHz。實驗結(jié)果表明,在50、25、1 kHz的頻譜分辨率帶寬下本文算法均能較為準(zhǔn)確地識別到無人機(jī)遙控信號及其型號。此外,在信號發(fā)射源產(chǎn)生窄帶突發(fā)干擾、路由器產(chǎn)生WiFi寬帶干擾下,本文算法均取得了較好的識別效果,證明算法具有較強(qiáng)的魯棒性。

圖11展示了聯(lián)合自適應(yīng)閾值計算法的實驗結(jié)果,根據(jù)實測數(shù)據(jù)比較了閾值計算方法一(利用二次求平均值)、方法二(基于最小值濾波器)、方法三(基于中值濾波器)計算出的閾值結(jié)果。從圖11可以看出閾值計算方法二在保證錯誤率相同的情況下,利用最小值濾波器求出來的閾值更貼近底噪。但閾值計算方法二在捕捉到遙控信號較為密集時,其閾值計算結(jié)果可能不夠穩(wěn)定。方法一則相較于方法二更穩(wěn)定。

圖11 不同方法的閾值計算結(jié)果比較

聯(lián)合閾值計算方法一與方法二求解,能夠使閾值足夠貼近底噪,且具有較強(qiáng)的魯棒性。

以大疆精靈Ⅲ型無人機(jī)遙控信號實測數(shù)據(jù)為例,圖12a是由N=1 000次頻譜快照形成的包含S=2 381個采樣頻點的100 MHz頻帶。圖12b則表示抽取N=100次包含遙控信號的頻譜快照形成的100 MHz頻帶,有S=100個采樣頻點。

(a)大疆精靈Ⅲ型實測遙控信號譜圖Mt

對比圖12a、12b不難看出,經(jīng)過預(yù)處理后的待測譜圖Md特征更為明顯,隨機(jī)噪聲以及定頻、寬帶干擾都被有效壓制,相較于原始的譜圖Mt更易于識別到無人機(jī)遙控信號。

寬帶干擾的譜圖預(yù)處理結(jié)果如圖13所示,圖13a是大小為100×100的WiFi信號二值譜圖(由捕捉到的50余幀WiFi信號頻譜快照構(gòu)成),圖13b為將圖13a剔除寬帶干擾后構(gòu)成的待測譜圖Md。其中,橫坐標(biāo)1～100分別代表100相鄰個頻點,縱坐標(biāo)則依次代表100個時刻的頻譜快照,亮點代表該頻點值為1,其余頻點值為0。

(a)剔除全零幀后WiFi信號的二值譜圖

從圖13可以看出在檢測信號時,寬帶干擾信號的譜圖通過預(yù)處理后,基本得到剔除,對無人機(jī)遙控信號檢測影響較小。而對于包含定頻或突發(fā)窄帶干擾的譜圖,在預(yù)處理后對無人機(jī)遙控信號檢測基本不構(gòu)成影響。

通過對包含不同類型無人機(jī)遙控信號以及包含寬帶干擾、突發(fā)窄帶干擾、定頻干擾的譜圖Mt預(yù)處理后,得到由多類待測譜圖Md構(gòu)成的數(shù)據(jù)集,即UAV-STFT數(shù)據(jù)集。本次實驗中訓(xùn)練集共包含1 980個樣本,驗證集443個樣本,測試集500個樣本。圖14a、b、d分別展示了兩種機(jī)型與預(yù)處理前后WiFi干擾信號的訓(xùn)練樣本。

(a)大疆精靈Ⅲ的訓(xùn)練樣本

用一位有效編碼規(guī)則為UAV-STFT數(shù)據(jù)集制作多類標(biāo)簽。用標(biāo)記好的數(shù)據(jù)集訓(xùn)練方法中的給出的經(jīng)預(yù)訓(xùn)練的34層殘差神經(jīng)網(wǎng)絡(luò),優(yōu)化算法使用Adam,經(jīng)多次迭代后,ResNet34網(wǎng)絡(luò)的訓(xùn)練結(jié)果如圖15所示。

圖15 ResNet-34訓(xùn)練結(jié)果

由于現(xiàn)階段采集到的用于訓(xùn)練的無人機(jī)遙控信號種類還較少,網(wǎng)絡(luò)較好地完成了分類任務(wù)。整個訓(xùn)練集損失和測試集損失也是一直在呈現(xiàn)明顯下降的趨勢,說明網(wǎng)絡(luò)沒有出現(xiàn)過擬合。若需要識別更多的機(jī)型,可擴(kuò)大UAV-STFT數(shù)據(jù)集,新增更多的無人機(jī)遙控信號類型標(biāo)簽,然后在原先網(wǎng)絡(luò)的基礎(chǔ)上繼續(xù)訓(xùn)練,微調(diào)網(wǎng)絡(luò)參數(shù)。ResNet殘差神經(jīng)網(wǎng)絡(luò)具有較好的多分類效果,適用于解決多類無人機(jī)遙控信號分類。

在頻譜分辨率帶寬為25 kHz、中心頻率為2.44 GHz,在0～10 dB范圍的信噪比下,連續(xù)采集大量的九鷹、大疆精靈Ⅲ型無人機(jī)遙控信號實測數(shù)據(jù)進(jìn)行測試,最終擬合計算出信噪比與檢測成功率的曲線,如圖16所示。

圖16 2種無人機(jī)的信噪比與檢測成功率關(guān)系曲線

識別過程中干擾信號強(qiáng)度對檢測算法沒有直接影響,干擾增強(qiáng)主要是通過增強(qiáng)底噪,進(jìn)而影響閾值計算,最后間接影響本文提出的算法。如果識別過程中干擾信號增強(qiáng)沒有抬升底噪,則基本不影響閾值計算,經(jīng)過二值化后,干擾將被剔除。

3 結(jié) 論

本文提出了一種采用殘差神經(jīng)網(wǎng)絡(luò)來識別無人機(jī)遙控信號的算法,并搭建原型機(jī)系統(tǒng)測試。首先通過滑動時間窗來讀入時頻譜圖,并以聯(lián)合自適應(yīng)的方法計算信號頻譜檢測閾值;然后對已讀入的時頻譜圖進(jìn)行二值化、剔除干擾等預(yù)處理操作,構(gòu)造待測譜圖;接著將大量實測的不同機(jī)型遙控信號待測譜圖作為數(shù)據(jù)集來訓(xùn)練和測試殘差神經(jīng)網(wǎng)絡(luò)。最終由訓(xùn)練好的網(wǎng)絡(luò)實時識別當(dāng)前遙控信號是否存在及其所屬機(jī)型。

(1)滑動地讀入譜圖,每更新20幀頻譜數(shù)據(jù)便可得到當(dāng)前新的識別結(jié)果,耗時僅為原先單次識別的1/25。而直接處理譜圖計算量過于龐大,本文地將譜圖抽象為二值化的待測譜圖,變成了1萬個二值頻點,極大地簡化了運算。

(2)所提出的聯(lián)合自適應(yīng)閾值計算,滿足了動態(tài)更新的特性,并在保證閾值計算穩(wěn)定性的同時,增加了計算的精確性。在相同誤檢率下,DRN-UAV算法得到的信號頻譜檢測閾值相比傳統(tǒng)方法降低了1.4 dBm。

(3)本文算法的通過生成二值化譜圖與待測譜圖使算法和系統(tǒng)具有較強(qiáng)的魯棒性,當(dāng)信噪比高于5.5 dB時,在單個窄帶定頻信號和WiFi干擾下,檢測錯誤率能達(dá)到0.01%以內(nèi)。