何 兵， 樊寬剛， 歐陽清華， 李 娜， 劉亞輝

(1.江西理工大學(xué) 機(jī)電工程學(xué)院，江西 贛州 341000； 2.江西理工大學(xué) 電氣工程與自動化學(xué)院，江西 贛州 341000)

0 引 言

近年來,民用無人機(jī)(drone)技術(shù)發(fā)展迅速，并廣泛應(yīng)用于視頻拍攝、農(nóng)業(yè)、電力、搜救等領(lǐng)域[1]，然而其同時(shí)也帶來社會安全問題。如2018年8月7日委內(nèi)瑞拉總統(tǒng)遭到三架改裝的民用無人機(jī)未遂暗殺，國內(nèi)出現(xiàn)無人機(jī)干擾民航飛行，香港暴徒使用無人機(jī)投擲汽油彈。面對日益嚴(yán)峻的無人機(jī)威脅，國內(nèi)外已積極開展無人機(jī)識別技術(shù)研究。

目前，對于無人機(jī)的探測識別主要采用三種方法，圖像識別、聲音識別和無線電信號識別。圖像識別采用圖像處理技術(shù)，識別目標(biāo)區(qū)域內(nèi)無人機(jī)，但存在識別率低和識別盲區(qū)的問題[2]；聲音識別通過檢測無人機(jī)螺旋槳聲音，識別鄰近無人機(jī)，但存在抗噪性弱，識別距離短的問題[3,4]；無線信號識別利用信號處理技術(shù)，提取無人機(jī)通信信號特征，探測識別無人機(jī)，與圖像和聲音識別相比，具備抗噪性好，探測識別距離遠(yuǎn)的優(yōu)點(diǎn)[5,6]。在文獻(xiàn)[7]中使用了軟件無線電YunSDR平臺，通過匹配跳頻圖案識別無人機(jī)遙控信號。在文獻(xiàn)[8]中通過提取無人機(jī)信號頻譜特征，然后使用人工神經(jīng)網(wǎng)絡(luò)(artificial neural network,ANN)對無人機(jī)信號進(jìn)行分類識別。

得益于信號指紋技術(shù)能夠提取信號源中細(xì)微特征，信號指紋技術(shù)被廣泛應(yīng)用于無線信號的分析處理上[9,10]。在文獻(xiàn)[11]中采用了一種基于無人機(jī)無線信號指紋特征的檢測方法，利用頻譜累積(spectrum accumulation,SA)和統(tǒng)計(jì)指紋分析(SFA)作為無人機(jī)信號指紋特征，通過人工神經(jīng)網(wǎng)絡(luò)(ANN)識別無人機(jī)。在文獻(xiàn)[12]中采用檢測無人機(jī)遙控信號能量突變位置，取能量突變位置鄰近信號的偏度、方差、能量譜熵和峰度作為信號指紋，并利用多種機(jī)器學(xué)習(xí)方法對無人機(jī)信號實(shí)現(xiàn)識別。

由于無人機(jī)遙控端信號發(fā)射裝置硬件上具有細(xì)微差異，致使遙控信號附加了獨(dú)特的信號指紋特征。本文采用信號指紋技術(shù)，提取無人機(jī)遙控端個體的信號指紋特征，利用多種機(jī)器學(xué)習(xí)方法識別無人機(jī)遙控端個體。

1 無人機(jī)信號指紋形成機(jī)理

無人機(jī)信號指紋是由信號發(fā)射器元器件存在非線性差異造成的，因?yàn)闊o人機(jī)信號發(fā)射器電子元器件存在制造容差和漂移容差。這使同一批次生產(chǎn)的無人機(jī)無線通信設(shè)備的硬件參數(shù)也會存在細(xì)微差異，包括振蕩器的頻偏、相位噪聲和功率放大電路的非線性失真。

無人機(jī)信號發(fā)射器典型結(jié)構(gòu)如圖1所示，信息信號m(t)進(jìn)入基帶信號處理電路，生成基帶信號i(t)和q(t)，分別和載波v(t)通過乘法器相乘，其中，q(t)與-90°相移載波v(t)相乘，兩路信號再通過加法器得到s0(t)，最后，通過功率放大電路得到發(fā)射信號sn(t)。

圖1 無人機(jī)信號發(fā)射器典型結(jié)構(gòu)

當(dāng)載波v(t)=cos(2πfct)，fc為載波頻率，載波v(t)與基帶信號i(t)和q(t)得到調(diào)制信號s0(t)

s0(t)=cos(2πfct)i(t)-sin(2πfct)q(t)

(1)

當(dāng)cos[φ(t)]=i(t)，sin[φ(t)]=q(t)，由式(1)得

s0(t)=cos[2πfct+φ(t)]

(2)

假設(shè)功率放大倍數(shù)為a0，則由s0(t)得sn(t)為

sn(t)=a0s0(t)=a0cos[2πfct+φ(t)]

(3)

1.1 相位噪聲

實(shí)際上無人機(jī)信號發(fā)射器中的載波信號，由于頻率合成器中壓控振蕩器電阻熱噪聲引起阻抗變化，或晶振中電感電容變化引起電抗變化，將產(chǎn)生寄生調(diào)幅和相位噪聲，使載波發(fā)生變化。載波v(t)帶有寄生調(diào)幅和相位噪聲后，實(shí)際載波v(t)為

v(t)=[1+a(t)]cos[2πfct+φn(t)]

(4)

式中a(t)為寄生調(diào)幅，φn(t)為相位噪聲，寄生調(diào)幅a(t)受自限幅抑制比較小，忽略后得

v(t)=cos[2πfct+φn(t)]

(5)

展開后得

v(t)=cos(2πfct)cos[φn(t)]-

sin(2πfct)sin[φn(t)]

(6)

當(dāng)φn(t)≤1 rad時(shí)，得

v(t)=cos(2πfct)-φn(t)sin(2πfct)

(7)

由式(7)可知相位噪聲使載波v(t)帶有受相位噪聲φ(t)調(diào)制的雙邊帶信號。

1.2 載頻偏差

無人機(jī)信號發(fā)射器使用后受環(huán)境影響和設(shè)備老化，嚴(yán)重影響載頻穩(wěn)定度，出現(xiàn)載頻偏差，實(shí)際載波v(t)為

v(t)=cos[2π(fc+Δf)t+φn(t)]

(8)

式中 Δf為無人機(jī)設(shè)備受影響后出現(xiàn)的載頻偏差。

1.3 功率放大電路的非線性失真

無人機(jī)信號發(fā)射器中的功率放大電路由于生產(chǎn)工藝和元器件差異，使無人機(jī)信號存在失真，帶有特有的雜散成分特征。Taylor級數(shù)模型將功放電路建模為一個非線性函數(shù)，并用Taylor級數(shù)描述

(9)

式中s0(t)為功放激勵信號，sn(t)為功放輸出信號，al為Taylor級數(shù)系數(shù)，L為Taylor級數(shù)階數(shù)。

2 無人機(jī)遙控信號指紋特征提取

2.1 無人機(jī)遙控信號

無人機(jī)通信信號包括圖傳信號和遙控信號，頻段為2.4 G或5.8 G，遙控信號采用跳頻通信提高抗干擾能力，調(diào)制方式采用高斯頻移鍵控(Gaussian frequency shift keying,GFSK)[13]。無人機(jī)圖傳信號定頻通信，但帶寬在10 MHz以上，對信號接收設(shè)備要求高。遙控信號雖然采用跳頻，但結(jié)構(gòu)簡單易于處理，本文采用遙控信號進(jìn)行無人機(jī)信號指紋的遙控端個體識別研究。

無人機(jī)遙控信號由暫態(tài)信號和穩(wěn)態(tài)信號兩部分組成。暫態(tài)信號存在于信號的起始部分(圖2中1所示)，源于無人機(jī)遙控信號發(fā)射器采用功率漸升模式，使暫態(tài)信號幅值逐漸增大到工作值。穩(wěn)態(tài)信號開始是一段單一頻率的前導(dǎo)序列(圖2中2所示)，隨后是調(diào)制的信息序列(圖2中3所示)。對于無人機(jī)信號指紋特征提取，分別提取暫態(tài)和穩(wěn)態(tài)信號的特征，再將暫態(tài)和穩(wěn)態(tài)信號特征融合作為無人機(jī)遙控信號指紋完整特征。

圖2 無人機(jī)遙控信號部分時(shí)域

2.2 暫態(tài)信號特征提取

暫態(tài)信號具有持續(xù)時(shí)間短，但包含無人機(jī)信號發(fā)射器豐富非線性特征的特點(diǎn)。本文采用基于希爾伯特變換和多項(xiàng)式擬合的特征提取方法，首先提取暫態(tài)信號包絡(luò)曲線，利用多項(xiàng)式擬合包絡(luò)曲線，提取包絡(luò)曲線中蘊(yùn)含的暫態(tài)特征。

對采集的無人機(jī)遙控原始信號x(t)的希爾伯特變換定義為

(10)

其中，x(t)的解析信號g(t)可表示為

(11)

信號x(t)與解析信號g(t)的幅值相等，因此可得原始實(shí)信號x(t)的包絡(luò)曲線，表示為

(12)

A(t)即為經(jīng)過希爾伯特變換得到的暫態(tài)信號包絡(luò)曲線，接著使用多項(xiàng)式擬合包絡(luò)曲線。

擬合函數(shù)p(t)可表示為

p(t)=a0+a1t+a2t2+…+antn

(13)

式中n為擬合階次，an為擬合函數(shù)系數(shù)。取a1，…，an作為暫態(tài)信號特征向量。

2.3 穩(wěn)態(tài)信號特征提取

穩(wěn)態(tài)信號中的前導(dǎo)序列為一段頻率穩(wěn)定的信號，由于不同無人機(jī)信號發(fā)射器的硬件差異，使前導(dǎo)序列頻率不同。利用無人機(jī)遙控信號的瞬時(shí)頻率估計(jì)前導(dǎo)序列頻率，進(jìn)而提取穩(wěn)態(tài)信號特征。

(14)

進(jìn)一步得瞬時(shí)角頻率ω(t)

(15)

定義fs為采樣頻率，得瞬時(shí)頻率f(t)

(16)

由前導(dǎo)序列得到瞬時(shí)頻率后，再取前導(dǎo)序列瞬時(shí)頻率的均值、方差、偏度、峰度作為穩(wěn)態(tài)信號特征向量。

3 實(shí)驗(yàn)結(jié)果與分析

3.1 實(shí)驗(yàn)環(huán)境

本實(shí)驗(yàn)采用1個HackRF作為無線信號接收器，HackRF主要參數(shù)工作頻率10 MHz～6 GHz，最大采樣頻率22 MHz，8位采樣寬度。1架大疆精靈3型無人機(jī)，以及配套的2個遙控器。電腦配置為Intel?CoreTMi7—7700，Windows 10 64位。實(shí)驗(yàn)軟件采用MATLAB R2016a。搭建的實(shí)驗(yàn)平臺如圖3所示。

圖3 實(shí)驗(yàn)平臺

3.2 實(shí)驗(yàn)設(shè)計(jì)

無人機(jī)分別與2個遙控器連接工作后，設(shè)置HackRF中心頻率為5 743 MHz，采樣頻率為4 MHz，分別采集兩個遙控器120 s的原始數(shù)據(jù)。數(shù)據(jù)預(yù)處理，每10個遙控信號脈沖為一個樣本，每個遙控器個體采集100個樣本。分別對每一個樣本內(nèi)信號按2.2節(jié)和2.3節(jié)方法提取暫態(tài)和穩(wěn)態(tài)特征。為了降低噪聲干擾，將一個樣本內(nèi)10個遙控信號脈沖提取的暫態(tài)包絡(luò)曲線進(jìn)行相加平均后，再使用4次多項(xiàng)式擬合提取特征。圖4表示兩個遙控器個體一個樣本內(nèi)的暫態(tài)信號包絡(luò)曲線。穩(wěn)態(tài)信號前導(dǎo)序列瞬時(shí)頻率同樣相加平均后，提取穩(wěn)態(tài)特征。圖5表示兩個遙控器個體一個樣本內(nèi)的穩(wěn)態(tài)信號前導(dǎo)序列瞬時(shí)頻率。

圖4 暫態(tài)信號包絡(luò)曲線

圖5 穩(wěn)態(tài)信號前導(dǎo)序列瞬時(shí)頻率

3.3 對遙控端個體識別效果

將每個遙控器采樣的100個樣本作為數(shù)據(jù)集，其中，80個作為訓(xùn)練集，20個作為測試集。同時(shí)在樣本中添加高斯白噪聲，得到信噪比(SNR)在-5～20 dB的不同數(shù)據(jù)。圖6所示為采用決策樹(Tree)，樸素貝葉斯(NB)，判別分析(Discr)，K最近鄰(KNN)等四種機(jī)器學(xué)習(xí)方法對遙控端個體進(jìn)行分類識別效果圖。圖6結(jié)果表明，本文提出的信號指紋特征方法在信噪比10 dB時(shí)對兩個遙控段個體有90 %識別正確率。

3.4 仿真實(shí)驗(yàn)結(jié)果與分析

為了進(jìn)一步驗(yàn)證本文提出的無人機(jī)遙控端個體識別方法的適用性，仿真構(gòu)造了5個遙控端個體信號數(shù)據(jù)。仿真中,所用的無人機(jī)遙控信號包含功率放大電路引起的非線性失真，信號發(fā)生器引起的載頻偏差，相位噪聲等特征。每個遙控端個體生成100個樣本數(shù)據(jù)，一共500個樣本，其中,400個樣本用于分類器的訓(xùn)練，100個樣本用于分類器的測試。同時(shí)在樣本中添加高斯白噪聲，得到信噪比在-5～20 dB的不同數(shù)據(jù),如圖6所示。

圖6 四種分類方法仿真識別效果

提取樣本中的暫態(tài)和穩(wěn)態(tài)特征后，采用決策Tree,NB,Discr,KNN等四種機(jī)器學(xué)習(xí)方法對信號進(jìn)行分類識別。圖7為利用Discr在不同信號指紋下識別效果，實(shí)驗(yàn)表明,暫態(tài)加穩(wěn)態(tài)特征更好體現(xiàn)了遙控端個體的信號指紋特征，顯著提高了識別率。圖8實(shí)驗(yàn)結(jié)果表明在信噪比為5 dB時(shí)有90 %以上識別正確率。因此，采用本文方法提取的信號指紋特征能夠反映無人機(jī)遙控端個體的細(xì)微差異，具有良好的識別效果。

圖7 不同指紋特征識別效果

圖8 四種分類方法實(shí)驗(yàn)識別效果

4 結(jié) 論

針對無人機(jī)遙控端個體間信號相似，難以識別的問題，提出一種基于信號指紋的無人機(jī)遙控端個體識別方法，采用希爾伯特變換得到無人機(jī)遙控信號暫態(tài)和穩(wěn)態(tài)的瞬時(shí)特征，利用無人機(jī)遙控信號指紋特征完成對無人機(jī)遙控端的個體識別。實(shí)驗(yàn)結(jié)果表明：本文方法通過提取無人機(jī)遙控信號的指紋特征，反映無人機(jī)遙控端個體間的細(xì)微差異，從而實(shí)現(xiàn)對無人機(jī)遙控端個體的有效識別，為后續(xù)定位無人機(jī)遙控端位置提供支持。