[发明专利]一种针对于黑飞无人机反制电磁波形的生成系统及方法

说明书

本发明提供一种针对于黑飞无人机反制电磁波形的生成系统及方法，所述系统包括监测模块、链路特征识别模块、以及干扰处置模块，其中，所述监测模块用于接收无人机与遥控之间的电磁波信号，并输入至链路特征识别模块；所述链路特征识别模块用于从截获的电磁波信号中盲识别出无人机所使用的数据链的调制、帧格式、编码、以及信号带宽；所述干扰处置模块用于根据识别结果再生得到干扰波形，并发送至空气中，对无人机进行反制。本发明的有益效果：可快速识别无人机使用的通信链路层的四项基本参数，并基于此再生出高信噪比、与真是波形高度相似的干扰波形信号，可做到以假乱真，提高干扰效率，同时降低干扰功率，延长了器件使用寿命。

技术领域

本发明涉及无人机反制技术领域，尤其涉及一种针对于黑飞无人机反制电磁波形的生成系统及方法。

背景技术

近几年来，无人机产业持续快速增长，2014年至2018年，全球旋翼无人机市场规模每年增长20％左右，在各大电商平台及商场内，人们最少花费两千元左右，即可购买一台到手即飞、具备航拍等功能的无人机。然而，当无人机入门门槛不断降低时，无人机黑飞事件却呈高发态势。无人机未经许可进入机场空域、公共场地及敏感区域时，会存在危害公共安全及国家安全的风险。

目前，常用的无人机反制手段中，大功率电磁压制干扰效率低、次生灾害严重，已不是最优选择，取而代之的是产生与目标高度逼真的小功率干扰波形信号对目标无人机进行有的放矢的灵巧干扰。无人机通信数据链波形主要受调制方式、帧格式、编码方式、信号带宽四个因素影响，而在非合作情况下，上述四种波形参数难以获取，给高逼真的干扰波形的生成造成了一定难度。

发明内容

有鉴于此，本发明提供了一种针对于黑飞无人机反制电磁波形的生成系统及方法，以无源监测软件无线电平台为基础，通过截获目标无人机的波形信号构建相应的深度学习模型，并对其通信链路层所使用的调制方式、编码方式、帧格式、信号带宽四个波形参数进行识别，最后基于识别结果，再生优化干扰波形，对目标无人机信号进行绿色、安全的小功率灵巧干扰。

本发明提供一种针对于黑飞无人机反制电磁波形的生成系统，包括：监测模块，用于接收无人机与遥控之间的电磁波信号，并输入至链路特征识别模块；所述链路特征识别模块，用于从截获的电磁波信号中盲识别出无人机所使用的数据链的调制、帧格式、编码、以及信号带宽；干扰处置模块，用于根据识别结果再生得到干扰波形，并发送至空气中，对无人机进行反制。

进一步地，所述监测模块包括由监测天线阵列、滤波器和低噪声放大器组成的第一射频前端，以及第一射频收发器；其中，所述监测天线阵列用于接收无人机与遥控之间的电磁波信号，所述电磁波信号经第一射频前端中的滤波器滤波以及低噪声放大器放大后，通过第一射频收发器进行下变频处理，得到时域IQ数据，并发送至链路特征识别模块。

进一步地，所述链路特征识别模块包括：信号带宽测量模块，用于对接收的时域IQ数据进行时域预处理和滤波后，利用FFT变换提取信号频谱特征，然后基于信号带宽测量算法得到电磁波信号的时域带宽；调制特征识别模块，用于通过第一神经网络模型从所述时域IQ数据中识别出电磁波信号的调制方式，进而对时域IQ数据进行解调，得到比特序列；帧格式识别模块，用于通过第二神经网络模型对所述比特序列进行帧格式识别，以提取载荷信息；编码类型识别模块，用于通过第三神经网络模型对载荷信息进行编码方式的识别。

进一步地，所述第一神经网络模型的输入由时域IQ数据得到，采用多层一维CNN网络进行特征提取，然后利用全连接网络层对特征进行融合，经各层的激活函数后输出调制方式对应的标签值，并采用SGD优化函数对模型进行优化训练，直至模型的损失函数loss收敛，得到训练完成的第一神经网络模型；所述第二神经网络模型以及所述第三神经网络模型的结构与所述第一神经网络模型相同，所述第二神经网络模型的输入为调制特征识别模块解调得到的比特序列，输出为帧同步字长度M；所述第三神经网络模型的输入为帧格式识别模块提取的载荷信息，输出为编码方式的标签值。