使用RF和声学特征以及深度神经网络的融合进行无人机检测

科学领域:

• 电气工程 电气工程
• 计算机科学 计算机科学
• 航空航天工程 航空航天工程

背景情况:

• 无人机 (无人驾驶飞行器) 越来越多地用于各种领域,但它们的滥用会带来重大安全风险.
• 有效的远程检测潜在的威胁无人机对于安全和保障至关重要.
• 目前的检测方法可能在复杂的环境中或低信号噪声比率 (SNR) 中扎.

研究的目的:

• 开发一种新的,自动无人机检测系统.
• 通过融合射频 (RF) 和声信号来提高无人机分类的准确性.
• 评估用于无人机检测的经典和深度机器学习技术的性能.

主要方法:

• 利用无线电频率 (RF) 通信信号和来自无人机转子声音的声学信号.
• 应用经典 (支持矢量机 - SVM) 和深度学习 (卷积神经网络 - CNN,循环神经网络 - RNN,特别是LSTM) 分类器.
• 融合的射频和声学特征用于改进无人机分类.
• 通过使用不同SNR级别的常见无人机数据集来评估方法.

主要成果:

• 拟议的融合特征方法与现有方法相比,显示出更高的准确性.
• 使用LSTM网络在低SNR的-10dB下,达到大约91%的分类准确度.
• 该系统被证明是有效的,特别是在低SNR场景中,突出了它的稳定性.

结论:

• 射频和声学信号与先进的机器学习的融合为自动无人机检测提供了有效的解决方案.
• 开发的方法显示了提高无人机安全和减轻潜在威胁的重大前景.
• 这种方法对于在具有弱信号的具有挑战性的环境中可靠的无人机检测特别有价值.