基于深度学习的射频无人机探测器的稳定性

科学领域:

• 电气工程 电气工程
• 计算机科学 计算机科学
• 防务技术 防务技术 技术

背景情况:

• 越来越多的小型,低成本的无人机 (UAV) 构成了重大安全挑战.
• 通过机器学习 (ML) 和深度学习 (DL) 增强的被动射频 (RF) 频谱扫描是检测无人机控制信号的关键方法.
• 现有的研究重点是优化ML/DL模型的准确性,但往往忽视了跨不同操作场景的稳定性.

研究的目的:

• 解决在评估无人机检测系统的稳定性方面的关键差距.
• 引入一套新型数据集,专门设计用于在不同的通道条件下评估探测器性能.
• 在具有挑战性的射频环境中,比较不同ML/DL架构的稳定性,特别是卷积神经网络 (CNN) 和系数分类器.

主要方法:

• 开发一个新的数据集,包含基于不同道条件的多个测试数据类别,与培训数据库不同.
• 评估现有的无人机检测模型,包括CNN和系数分类器,使用新创建的数据集.
• 对分类器性能进行定量分析,特别是在低信号噪声比 (SNR) 条件下和各种RF频道特征下.

主要成果:

• 图像分类器,特别是CNN,在低SNR条件下,与系数分类器相比,显示出大约40%的更高稳定性.
• 在各种RF频道条件中,CNN分类器保持了一致的准确性,这些条件在训练中没有遇到.
• 系数分类器表现出显著的性能恶化,从部分到完全故障,具体取决于特定的通道条件.

结论:

• 稳固性是UAV检测系统的关键,但经常被忽视的性能指标.
• 基于CNN的方法为通过射频信号分析检测无人机提供了卓越的稳定性,特别是在不利的通道条件下.
• 开发的数据集为未来的研究提供了宝贵的资源,旨在提高反UAV技术的可靠性.