CN120217117A 一种无人机射频信号识别方法及相关装置

(19)国家知识产权局(22)申请日2025.05.27217号北斗产业园1栋黎世豪事务所(普通合伙)43240本发明提供了一种无人机射频信号识别方生成时频图；对所述时频图进行主成分分析降化后的深度神经网络模型对所述时频图进行分类识别，实现了在不同信噪比条件下精确的对无2S1.从无人机射频信号数据集中加载信号数据，所述数据集包含不同无人机机型、探测距离及信号片段标签；S2.将所述信号数据分割为多段互不重叠的连续采样点序列；S3.向所述信号数据中添加不同功率的高斯加性白噪声，构建包含多个信噪比的训练数据集；S4.对所述信号数据进行短时傅里叶变换以生成时频图；S5.对所述时频图进行主成分分析降维，提取关键时频特征；S6.采用k-fold交叉验证策略对深度神经网络模型进行超参数优化；S7.利用优化后的深度神经网络模型对所述时频图进行分类识别。2.根据权利要求1所述的方法，其特征在于，所述步骤S3中，所述信噪比范围为-20dB至20dB,且以5dB为间隔划分。3.根据权利要求1所述的方法，其特征在于，所述步骤S5,包括：根据所述时频图构建特征样本集，并对所述特征样本集进行去中心化处理以确定目标样本；计算所述目标样本对应的协方差矩阵以确定特征值和特征向量；根据所述特征值和特征向量确定主成分分析中的贡献率；根据所述主成分分析中的贡献率对目标特征向量进行降维以提取关键时频特征。4.根据权利要求3所述的方法，其特征在于，所述根据所述主成分分析中的贡献率对目标特征向量进行降维以提取关键时频特征的步骤，包括：获取主成分分析中的贡献率；;对@;进行排序，并选取贡献率大于93%的特征向量作为目标特征向量；对所述目标特征向量进行降维以提取关键时频特征。获取深度神经网络模型；将训练集划分为K个子集，依次以每个子集作为验证集同时将其他子集作为训练集对所述深度神经网络模型进行迭代训练；通过网格搜索策略在预设超参数空间内选择最优参数组合。6.根据权利要求5所述的方法，其特征在于，所述超参数包括学习率、批量大小、隐藏层节点数及激活函数类型。7.根据权利要求1所述的方法，其特征在于，所述利用优化后的深度神经网络模型对所述时频图进行分类识别的步骤，包括：利用优化后的深度神经网络模型对所述时频图进行分类识别以确定准确率、精确率、召回率及F1分数。数据获取模块，用于从无人机射频信号数据集中加载信号数据，所述数据集包含不同无人机机型、探测距离及信号片段标签；数据分割模块，用于将所述信号数据分割为多段互不重叠的连续采样点序列；3数据集构建模块，用于向所述信号数据中添加不同功率的高斯加性白噪声，构建包含多个信噪比的训练数据集；时频图模块，用于对所述信号数据进行短时傅里叶变换以生成时频图；特征提取模块，用于对所述时频图进行主成分分析降维，提取关键时频特征以更新；优化模块，用于采用k-fold交叉验证策略对深度神经网络模型进行超参数优化；识别模块，用于利用优化后的深度神经网络模型对所述时频图进行分类识别。述存储器存储的计算机指令时，执行如权利要求1至7中任一项所述的方法。10.一种计算机可读存储介质，其特征在于，包括指令，当所述指令在计算机上运行时，使得计算机执行如权利要求1至7中任一项所述的方法。4一种无人机射频信号识别方法及相关装置技术领域[0001]本申请涉及深度学习技术领域，尤其是涉及一种无人机射频信号识别方法及相关背景技术[0002]无人机具有体积小、成本低、操纵简单和安全性高等优势，已广泛用于多个重要领域，如农业灌溉、航拍测绘、紧急救援和电力巡检等。但由于目前缺少完善的无人机监管技其中，利用深度学习模型对无人机飞控/图传信号的时频特征(如短时傅里叶变换),具有探[0003]目前，深度学习在无人机射频信号分类识别中展现出显著优势，但也面临一些挑战。传统深度学习模型在无人机射频信号识别任务中存在一定的局限性，其识别性能在不同信噪比条件下表现不够稳定，且准确率有待进一步提升。[0004]因此，如何对深度学习模型进行优化，使其能够更好地应对在无人机使用环境下多样化的目标识别需求成为了亟待解决的技术问题。发明内容[0005]本发明的核心在于提供一种无人机射频信号识别方法及相关装置，解决现有技术中传统深度学习模型在无人机射频信号识别任务中存在一定的局限性的问题。[0006]第一方面，本申请提供的一种无人机射频信号识别方法采用如下的技术方案：S1.从无人机射频信号数据集中加载信号数据，所述数据集包含不同无人机机型、探测距离及信号片段标签；S2.将所述信号数据分割为多段互不重叠的连续采样点序列；S3.向所述信号数据中添加不同功率的高斯加性白噪声，构建包含多个信噪比的训练数据集；S4.对所述信号数据进行短时傅里叶变换以生成时频图；S5.对所述时频图进行主成分分析降维，提取关键时频特征；S6.采用k-fold交叉验证策略对深度神经网络模型进行超参数优化；S7.利用优化后的深度神经网络模型对所述时频图进行分类识别。[0007]可选地，所述步骤S3中，所述信噪比范围为-20dB至20dB,且以5dB为间隔划分。根据所述时频图构建特征样本集，并对所述特征样本集进行去中心化处理以确定计算所述目标样本对应的协方差矩阵以确定特征值和特征向量；根据所述特征值和特征向量确定主成分分析中的贡献率；5根据所述主成分分析中的贡献率对目标特征向量进行降维以提取关键时频特征。[0009]可选地，所述根据所述主成分分析中的贡献率对目标特征向量进行降维以提取关键时频特征的步骤，包括：获取主成分分析中的贡献率W;;对@i进行排序，并选取贡献率大于93%的特征向量作为目标特征向量；对所述目标特征向量进行降维以提取关键时频特征。获取深度神经网络模型；将训练集划分为K个子集，依次以每个子集作为验证集同时将其他子集作为训练集对所述深度神经网络模型进行迭代训练；通过网格搜索策略在预设超参数空间内选择最优参数组合。[0011]可选地，所述超参数包括学习率、批量大小、隐藏层节点数及激活函数类型。[0012]可选地，所述利用优化后的深度神经网络模型对所述时频图进行分类识别的步利用优化后的深度神经网络模型对所述时频图进行分类识别以确定准确率、精确率、召回率及F1分数。[0013]第二方面，本申请提供一种无人机射频信号识别装置，执行如上文所述的方法，包数据获取模块，用于从无人机射频信号数据集中加载信号数据，所述数据集包含不同无人机机型、探测距离及信号片段标签；数据分割模块，用于将所述信号数据分割为多段互不重叠的连续采样点序列；数据集构建模块，用于向所述信号数据中添加不同功率的高斯加性白噪声，构建包含多个信噪比的训练数据集；时频图模块，用于对所述信号数据进行短时傅里叶变换以生成时频图；特征提取模块，用于对所述时频图进行主成分分析降维，提取关键时频特征以更优化模块，用于采用k-fold交叉验证策略对深度神经网络模型进行超参数优化；识别模块，用于利用优化后的深度神经网络模型对所述时频图进行分类识别。[0014]第三方面，本申请提供一种计算机设备，所述设备包括：存储器、处理器，所述处理器在运行所述存储器存储的计算机指令时，执行如上文所述的方法。[0015]第四方面，本申请提供一种计算机可读存储介质，包括指令，当所述指令在计算机上运行时，使得计算机执行如上文所述的方法。[0016]综上描述，本申请包括以下有益技术效果：本申请通过从无人机射频信号数据集中加载信号数据，所述数据集包含不同无人机机型、探测距离及信号片段标签；将所述信号数据分割为多段互不重叠的连续采样点序列；向所述信号数据中添加不同功率的高斯加性白噪声，构建包含多个信噪比的训练数据集；对所述信号数据进行短时傅里叶变换以生成时频图；对所述时频图进行主成分分析降维，提取关键时频特征；采用k-fold交叉验证策略对深度神经网络模型进行超参数优化；利6用优化后的深度神经网络模型对所述时频图进行分类识别，实现了在不同信噪比条件下精确的对无人机射频信号进行识别的技术效果。附图说明[0017]图1是本申请实施例方案涉及的硬件运行环境的计算机设备结构示意图。[0018]图2是本申请无人机射频信号识别方法第一实施例的流程示意图。[0020]图4是本申请DNN与DNN+Cross的训练过程中准确率变化曲线图。[0021]图5是本申请无人机射频信号识别装置第一实施例的结构框图。具体实施方式[0022]为了使本申请的目的、技术方案及优点更加清楚明白，以下通过附图及实施例，对本申请进行进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本申请，并不用于限定本申请。[0023]参照图1,图1为本申请实施例方案涉及的硬件运行环境的计算机设备结构示意[0024]如图1所示，计算机设备可以包括：处理器1001,例如中央处理器(CentralProcessingUnit,CPU),通信总线1002,用户接口1003,网络接口1004,存储器1005。其中，(Display)、输入单元比如键盘(Keyboard),可选用户接口1003还可以包括标准的有线接口、无线接口。网络接口1004可选的可以包括标准的有线接口、无线接口(如无线保真(Wireless-Fidelity,Wi-Fi)接口)。存储器1005可以是高速的随机存取存储器(RandomAccessMemory,RAM),也可以是稳定的非易失性存储器(Non-Volatil磁盘存储器。存储器1005可选的还可以是独立于前述处理器1001的存储装置。[0025]本领域技术人员可以理解，图1中示出的结构并不构成对计算机设备的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置。[0026]如图1所示，作为一种存储介质的存储器1005中可以包括操作系统、网络通信模块、用户接口模块以及无人机射频信号识别程序。[0027]在图1所示的计算机设备中，网络接口1004主要用于与网络服务器进行数据通信；用户接口1003主要用于与用户进行数据交互；本申请中的处理器1001、存储器1005可以设置于计算机设备中，所述计算机设备通过处理器1001调用存储器1005中存储的无人机射频信号识别程序，并执行本申请实施例提供的无人机射频信号识别方法。[0028]本申请实施例提供了一种无人机射频信号识别方法，参照图2,图2为本申请无人机射频信号识别方法第一实施例的流程示意图。[0029]本实施例中，无人机射频信号识别方法包括以下步骤：S1.从无人机射频信号数据集中加载信号数据，所述数据集包含不同无人机机型、探测距离及信号片段标签。RF:无线电射频RadioFrequency的简写，指利用特定频率的电磁波(通常为3kHz-7300GHz频段)进行信号传输与通信的技术。在无人机侦测领域，RF特指无人机与遥控器、地面站之间通信的射频信号(如遥控指令、图传数据等)。[0031]SNR:信噪比Signal-to-NoiseRatio的简写，指有用信号功率与背景噪声功率的比值(通常以分贝dB为单位)。在无人机射频信号检测中，SNR特指目标无人机通信信号与环境中电磁干扰的强度对比。[0032]DNN:深度神经网络DeepNeuralNetwork的简写，指通过多层非线性变换实现复杂模式识别的深度神经网络模型。在无人机射频信号检测中，DNN特指利用深度学习算法对射频信号特征(如频谱、调制方式)进行自动提取与分类的技术。[0033]k-fold:交叉验证方法K-FoldCross-Validation的简写，指将数据集均等划分为K个子集，依次选取1个子集作为验证集、其余K-1个子集作为训练集，循环K次并汇总结果的模型评估方法。在无人机射频信号分类中，K-Fold交叉验证特指通过多次数据轮换训练与测试，避免单一数据划分偏差导致模型过拟合或欠拟合的优化策略。[0034]STFT:短时傅里叶变换Short-TimeFourierTransform的简写，指通过分段加窗的方式将时域信号转换为时频联合分布的时频分析方法。在无人机射频信号检测中，STFT特指将原始信号切割为短时段并进行频谱分析，生成时频矩阵。[0035]PCA:主成分分析方法PrincipalComponentAnalysis的简写，指通过正交变换将高维数据投影到低维主成分空间，保留最大方差的降维方法。在无人机射频信号检测中，PCA特指从原始信号中提取关键特征分量。[0036]需要说明的是，现有技术缺点为：在无人机射频信号分类识别领域中，目前的研究多集中在信号特征提取方法上，而对传统深度学习模型的改进较少。传统深度学习模型在处理复杂场景时表现出的适应性和泛化能力仍然不足。同时，这些模型对不同类型无人机的检测和识别能力存在差异，尤其是在低信噪比或信号干扰较强的环境下，识别准确率会显著下降。[0037]本实施例要解决的问题：传统深度神经网络模型(DNN)在不同信噪比条件下的识型的识别准确率会显著下降；同时，DNN模型在处理不同类型无人机信号时的适应性有限，难以满足复杂电磁环境下的多样化需求。这些问题可能导致模型在实际应用中无法达到预期的识别效果，同时影响模型的稳定性和可靠性。因此，针对不同信噪比场景进行分类，基于无人机射频信号特征，提出一种结合交叉验证优化的DNN模型改进方法，重点是提升模型的识别准确率和泛化能力，优化模型在复杂电磁环境下的适应性。[0038]在具体实施中，从DroneRFa数据集中加载射频信号数据，数据以.mat格式存储，包含无人机机型、探测距离及信号片段序号等标签信息。[0039]需要说明的是，DroneRFa数据集是利用软件无线电设备(UniversalSoftwareRadioPeripheral,USRP),采集室内15类无人机和户外9类无人机的飞控/图传RF信号，包括20~150m多种距离场景构成数据集。数据集中采样率为100MS/s,接收通道增益为50dB,双特殊型号无人机，双接收通道的中心频率分别设置为915MHz和2.44GHz。每个场景下，[0040]选取DroneRFa数据集中，每类无人机在距离为20~40m的2.44GHz和5.8GHz频段的8[0043]S3.向所述信号数据中添加不同功率的高斯加性白噪声，构建包含多个信噪比的训练数据集。提取关键时频特征的步骤，包括：获取主成分分析中的贡献率@;对@;进行排序，并选取贡献率大于93%的特征向量作为目标特征向量；对所述目标特征向量进行降维以提取关键X=[x¹,x²,…,x"],即单列像素构成样本。去中心化处理，得X=[x¹-μ,x²-μ,…,x-μ],其中μ为灰度均值。[0051]步骤5.2:计算样本的协方差矩阵V=XX,求取其特征值λ和对应的特征向量[0052]步骤5.3:对@;进行排序，并选取贡献率大于93%的特征向量，保留时频图主要的避免过拟合。9[0056]在具体实施中，步骤S6还包括：步骤6.1:将边缘特征数据集划分为训练集和测试[0057]步骤6.2:进行K次训练，每次用1个子集作为验证集，其余K-1个子集作为训练集，取K次训练的平均性能评估模型。[0058]步骤6.3:利用网格搜索技术在预设参数空间内优化超参数，通过交叉验证评估每组参数性能，选择最优超参数以增强模型识别性能和稳定性，能够有效提升模型的泛化能力和识别性能。[0059]S7.利用优化后的深度神经网络模型对所述时频图进行分类识别。[0060]在具体实施中，利用优化后的深度神经网络模型对所述时频图进行分类识别的步骤，包括：利用优化后的深度神经网络模型对所述时频图进行分类识别以确定准确率、精确数据加载与预处理：从DroneRFa数据集中加载无人机射频信号数据，包含室内15类无人机(如DJIMavic、ParrotAnafi)和户外9类无人机(如FrySkyX20、TaranisPlus)的射频信号，采样率为100MS/s,信号片段标签包含机型、探测距离(20m-150m)及频段(2.44GHz/5.8GHz)。[0062]将每段信号分割为10M个连续复数采样点的互不重叠序列，确保信号片段的独立性。[0063]噪声添加与数据集构建：对原始信号施加高斯加性白噪声，生成SNR为-20dB、-15dB…、20dB(间隔5dB)的噪声信号，形成包含9种信噪比条件的训练数据集。[0064]示例：对FrySkyX20机型在2.44GHz频段的信号添加-20dB噪声，生成1000组含噪样本。对含噪信号进行STFT变换，窗长设为1024点，重叠率为75%,生成时频图(尺寸为512×512的灰度图像)。[0066]对时频图进行PCA降维：去中心化处理后，计算协方差矩阵并提取特征向量；选取贡献率累计超过93%的前20个主成分特征向量，将数据维度从262,144(512×512)降至20维。采用k=5的交叉验证划分数据集，每次训练以4个子集(80%数据)为训练集，1个子通过网格搜索优化超参数：学习率：0.001,0.005,0.010.001,0.005,0.01批量大小：32,64,12832,64,128隐藏层结构：3层(256-128-64节点),4层(512-256-128-64节点),3层(256-128-64节点),4层(512-256-128-64节点)最终选定学习率0.005、批量大小64、4层隐藏层结构(ReLU激活)为最优参数组合。[0068]分类识别与性能评估：将优化后的DNN模型应用于测试集，输出无人机机型分类结果；性能对比：在SNR=-20dB极端噪声下，优化后模型准确率仍保持68.5%(传统模型为53.2%);F1分数从0.79提升至0.92,表明模型在类别不平衡场景下的鲁棒性显著增强。[0069]需要说明的是，本实施例中的有益效果以及对应的推导如下：1.交叉验证与超参数优化对模型泛化能力的提升技术步骤：采用k-fold交叉验证划分数据集，结合网格搜索技术优化DNN超参数避免单一数据划分偏差：k-fold交叉验证通过多次数据划分(K次),将全部样本均参与训练和验证，消除因随机划分导致的模型过拟合或欠拟合风险(实施例中K=5)。[0071]超参数全局最优解：网格搜索遍历预设参数空间(如学习率0.001,0.005,0.010.001,0.005,0.01),通过交叉验证评估每组参数性能，确保选择最优参数组合(实施例中选定学习率0.005)。[0072]直接效果：模型在验证集上的平均准确率提升(如实施例中SNR=0dB下准确率从82.3%提升至94.7%)。[0073]最终效果：优化后的模型在未知数据(测试集或实际场景)中表现稳定，泛化能力显著增强。[0074]2.STFT与PCA降维对特征提取效率的优化技术步骤：对射频信号进行短时傅里叶变换(STFT)生成时频图，再通过PCA降维提取主成分特征。时频特征保留：STFT将时域信号转换为时频图(512×512灰度矩阵),捕获信号的瞬时频谱特性(如实施例中窗长1024点，重叠率75%)。[0076]冗余信息剔除：PCA通过协方差矩阵分析(步骤5.2),筛选累计贡献率>93%的主成分(实施例中保留前20个特征),将数据维度从262,144降至20维。[0077]直接效果：特征维度减少至原数据的0.0076%,训练时间缩短40%(实施例中提及计算复杂度降低)。[0078]最终效果：模型在低信噪比环境下仍能快速提取关键特征(如SNR=-20dB下准确率保持68.5%),且硬件资源消耗降低，适合边缘设备部署。[0079]3.噪声添加对模型抗干扰能力的增强技术步骤：向原始信号中添加SNR=-20:5:20-20:5:20dB的高斯加性白噪声，构建多样化训练集。数据多样性扩展：噪声覆盖极端场景(如-20dB强噪声),迫使模型学习噪声鲁棒性11特征(实施例1中生成9种SNR条件)。[0081]模型适应性训练：DNN通过含噪数据训练，自动滤除噪声干扰，聚焦于信号本质特征(如实施例3中在Wi-Fi/蓝牙干扰下仍保持高识别率)。[0082]直接效果：模型在低信噪比环境(SNR=-20dB)下的识别准确率提升15%(从53.2%提升至68.5%)。[0083]最终效果：算法在复杂电磁环境(如城市多频段干扰)中具备实际应用可行性。[0084]4.多维性能评估体系对优化过程的可控性全面量化指标：F1分数综合精确率与召回率(实施例1中F1从0.79提升至0.92),避免单一指标片面性。[0086]训练过程可视化：准确率变化曲线(图4)反映模型收敛速度与稳定性(实施例1中交叉验证减少迭代次数)。[0087]直接效果：优化过程可追溯，超参数调整依据明确(如网格搜索选择4层隐藏层结构)。[0088]最终效果：技术方案具备可复制性和可扩展性，为后续模型迭代提供标准化流程。[0089]结论：通过上述推理演绎可证，本实施例技术方案通过交叉验证优化超参数→STFT+PCA高效特征提取→噪声鲁棒性训练→多维评估体系的协同作用，最终实现识别准确率提升、泛化能力增强、计算效率优化及复杂环境适应性四大核心有益效果。图以及利用交叉验证和网络搜索技术优化模型的流程。如图4所示，图4表示为经交叉验证优化后的DNN模型与传统DNN模型的训练过程中准确率变化曲线，交叉验证可显著减少模型的训练迭代次数以达到较好的识别准确率，同时，相对提高了模型对无人机射频信号时频图分类识别的稳定性和可靠性。[0091]本实施例通过从无人机射频信号数据集中加载信号数据，所述数据集包含不同无人机机型、探测距离及信号片段标签；将所述信号数据分割为多段互不重叠的连续采样点序列；向所述信号数据中添加不同功率的高斯加性白噪声，构建包含多个信噪比的训练数据集；对所述信号数据进行短时傅里叶变换以生成时频图；对所述时频图进行主成分分析降维，提取关键时频特征；采用k-fold交叉验证策略对深度神经网络模型进行超参数优化；利用优化后的深度神经网络模型对所述时频图进行分类识别，实现了在不同信噪比条件下精确的对无人机射频信号进行识别的技术效果。[0092]此外，本申请实施例还提出一种计算机可读存储介质，存储介质上存储有无人机射频信号识别的程序，无人机射频信号识别的程序被处理器执行时实现如上文的无人机射频信号识别的方法的步骤。[0093]参照图5,图5为本申请无人机射频信号识别装置第一实施例的结构框图。[0094]如图5所示，本申请实施例提出的无人机射频信号识别装置包括：数据获取模块10,用于从无人机射频信号数据集中加载信号数据，所述数据集包含不同无人机机型、探测距离及信号片段标签；数据分割模块20,用于将所述信号数据分割为多段互不重叠的连续采样点序列；数据集构建模块30,用于向所述信号数据中添加不同功率的高斯加性白噪声，构建包含多个信噪比的训练数据集；时频图模块40,用于对所述信号数据进行短时傅里叶变换以生成时频图；特征提取模块50,用于对所述时频图进行主成分分析降维，提取关键时频特征以优化模块60,用于采用k-fold交叉验证策略对深度神经网络模型进行超参数优识别模块70,用于利用优化后的深度神经网络模型对所述时频图进行分类识别。[0095]应当理解的是，以上仅为举例说明，对本申请的技术方案并不构成任何限定，在具体应用中，本领域的技术人员可以根据需要进行设置，本申请对此不做限制。[0096]本实施例通过从无人机射频信号数据集中加载信号数据，所述数据集包含不同无人机机型、探测距离及信号片段标签；将所述信号数据分割为多段互不重叠的连续采样点序列；向所述信号数据中添加不同功率的高斯加性白噪声，构建包含多个信噪比的训练数据集；对所述信号数据进行短时傅里叶变换以