[发明专利]基于小波神经网络的多无人机射频信号识别方法

说明书

本发明涉及基于小波神经网络的多无人机射频信号识别方法，包括以下步骤：对射频信号分别进行小波分解预处理；对射频信号的特征分别进行统计；对射频信号的特征进行优化；构建射频信号特征矩阵；运用小波神经网络建模分析方法对特征矩阵进行训练，获得最优权值、尺度及平移因子；根据最优权值、尺度及平移因子，运用判别运算公式，对待测射频信号特征矩阵进行运算，以确定待测射频信号中是否包含无人机射频信号。该方法可以不发射电磁波，仅接收无人机自身发射的射频信号，在保证不暴露身份的条件下实现远距离的探测，抗干扰的性能强，分辨率较高，环境适应性强。

技术领域

本发明涉及通信技术领域，特别涉及基于小波神经网络的多无人机射频信号识别方法。

背景技术

近年来，在相关政策的支持下，低空空域已被逐步开放，无人机等低空目标急剧增加，无人机成本越来越低，开发厂家越来越多，无人机的发展给民用和军用各方面都带来了深远影响，带动了各个行业的发展，但是对于黑飞的无人机的失控和漏检可能会对军事作战、空中交通、比赛、消防、人类生活和隐私构成严重的威胁。

目前，无人机的检测已成为目标检测领域公认的难题，但针对其研究的相关文献还相对较少，现有的无人机检测技术有主动雷达探测、声学检测、红外检测、视觉检测等。主动雷达发射出的电磁波很可能会暴露自身身份，使其并不具有隐蔽性。声学、红外和视觉的检测范围有限，通常不超过300m，并且很容易受到其他低空目标的干扰。

发明内容

本发明提供了基于小波神经网络的多无人机射频信号识别方法，解决了现有方法隐藏性较差、检测范围有限的技术问题，实现了隐藏性高、能远距离探测的技术效果。

本发明所提供的一种基于小波神经网络的多无人机射频信号识别方法，包括以下步骤：

对多无人机样本射频信号及待测射频信号分别进行小波分解预处理，获得预处理样本射频信号及预处理待测射频信号；

对所述预处理样本射频信号及所述预处理待测射频信号的特征分别进行统计，所述特征包括：偏度、峭度及斜率；统计过程具体为：通过偏度公式确定所述偏度；通过峭度公式确定所述峭度；通过斜率公式确定所述斜率；

对所述预处理样本射频信号及所述预处理待测射频信号的特征进行优化，具体为：通过偏度改进公式确定改进后偏度；通过峭度改进公式确定改进后峭度；通过斜率改进公式确定改进后斜率；

通过所述预处理样本射频信号的改进后偏度、所述改进后峭度及所述改进后斜率构建样本射频信号特征矩阵；通过所述预处理待测射频信号的改进后偏度、所述改进后峭度及所述改进后斜率构建待测射频信号特征矩阵；

运用小波神经网络建模分析方法对所述样本射频信号特征矩阵进行训练，获得最优权值、尺度及平移因子；

根据所述最优权值、所述尺度及所述平移因子，运用判别运算公式，对所述待测射频信号特征矩阵进行运算，以确定所述待测射频信号中是否包含无人机射频信号，即确定是否有无人机出现。

作为优选，无人机通信时发射的射频信号是在2.4-2.5GHz之间跳变的一个带宽的射频波；

所述小波分解预处理为：将所述无人机通信时发射的射频波转换为多个谐波加上一个残波的形式，可以用小波分解射频信号表达式表示：

其中，f＝2.4×10⁹,...,2.5×10⁹，s_i(f)指的是第i个谐波，r(f)指的是余波。

作为优选，为了滤除杂波噪声，去掉前两个谐波后的所述小波分解射频信号表达式为：

作为优选，对所述预处理样本射频信号及所述预处理待测射频信号的特征分别进行统计时，