盲源分离和无人驾驶飞行器分类使用CNN与混合跨频道和空间注意模块的CNN

科学领域:

• 信号处理 信号处理
• 人工智能的人工智能
• 航空航天工程 航空航天工程

背景情况:

• 无人机的广泛滥用造成了严重的公共安全和隐私风险.
• 准确识别和分类无人飞行器 (UAV) 是至关重要的,但具有挑战性.
• 现有的信号分离和无人机识别方法需要改进.

研究的目的:

• 开发一个改进的快速独立组件分析 (FastICA) 算法,以有效分离无人机信号的盲源.
• 提出一个增强的卷积神经网络 (CNN) 来准确分类不同的无人机类型.
• 为无人机信号分析和识别提供强大的技术解决方案.

主要方法:

• 一个改进的FastICA算法,增强了白化过程,以实现稳定的盲源分离.
• 一个修改后的卷积神经网络 (CNN),包含注意模块,调整下方采样和用于无人机识别的分类器模块.
• 通过实验评估进行验证,包括平均绝对误差 (MAE) 和识别准确度指标,以及废除研究.

主要成果:

• 改进的FastICA算法将平均绝对误差 (MAE) 从14.58%降至4.27%.
• 增强的CNN实现了96.30%的识别精度,超过了基线模型的3.01%.
• 废弃实验证实了个别网络改进的有效性.

结论:

• 增强的FastICA算法为分离混合无人机信号提供了更稳定,更可靠的方法.
• 改进的CNN在准确识别和分类各种无人机类型方面表现出高效率.
• 这项研究强调了先进的人工智能技术在解决无人机监视和安全方面的挑战方面的潜力.